一种增强局部特征提取的中医辅助诊断系统及方法技术方案

本公开公开的一种增强局部特征提取的中医辅助诊断系统及方法，包括：数据获取模块，用于获取待测中医诊断文本；局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。实现了对疾病的准确预测。

【技术实现步骤摘要】
一种增强局部特征提取的中医辅助诊断系统及方法
本专利技术涉及医药
，尤其涉及一种增强局部特征提取的中医辅助诊断系统及方法。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。中医(TCM)可作为现代医学的补充疗法。在中医诊断中，中医执业医师对患者的相应证候进行分析，根据中医四种诊断方法获得的信息进行鉴别诊断，但是由于中医诊断存在模糊性和主观性，在诊断推理的过程中，容易发生误诊的情况，影响中医人工诊断的准确性；为此，可以通过建立中医临床诊治的智能辅助模型，帮助从业人员利用复杂的医学知识，在临床诊断决策中更有效、更快速地处理各种医学问题，避免遗漏以及重要信息和线索的丢失，从而为疑难杂症找到更多解决方案。传统的中医辅助诊断模型用的方法是综合分析法，结合数据挖掘技术，提出一种个人理解方法和统计分析方法，以探索中医疾病治疗的辩证法和治疗规律，但由于个人水平和研究目的不同，结论相对主观且费时，结论推广相对较差。近年来，机器学习尤其是深度学习的发展为中医临床诊断的辅助模型提供了许多新方法，以从海量的医学数据中快速发现医生的学术思想和临床经验。例如，卷积神经网络、递归神经网络(RNN)以及fasttext，为了提高准确性,不少学者将attention机制引入到相关的模型中来；张诗如等人基于卷积神经网络提出了一种辅助诊断的模型，此模型可以通过人们的手腕脉搏诊断来对病人的病情进行诊断。Kale等人将现代LSTM应用于多元临床时间序列的大型数据集的工作并取得了不错的效果；胡秦安，于彤等人基于fasttext提出了一种可以通过计算阴阳辩证法来进行辅助诊断的模型，以及使用神经网络和随机森林进行建模，在多类别分类的临床诊断中显示出很高的准确性。这些模型虽然绕过了传统方法存在的一些问题，但中医文本具有模糊性，采用传统的方法提取文本特征时，会丧失大量的文本信息，从而降低模型的准确性。
技术实现思路
本公开为了解决上述问题，提出了一种增强局部特征提取的中医辅助诊断系统及方法，通过BERT网络对全局信息进行了编码，然后对融入了全局信息的局部特征进行特征提取，从而使最终提取的特征包含更多的文本信息，提高了预测的准确性。为实现上述目的，本公开采用如下技术方案：第一方面，提出了一种增强局部特征提取的中医辅助诊断系统，包括：数据获取模块，用于获取待测中医诊断文本；局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。第二方面，提出了一种增强局部特征提取的中医辅助诊断方法，包括：获取待测中医诊断文本；获取待测中医诊断文本中的局部特征向量；将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：获取待测中医诊断文本；获取待测中医诊断文本中的局部特征向量；将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：获取待测中医诊断文本；获取待测中医诊断文本中的局部特征向量；将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。与现有技术相比，本公开的有益效果为：通过BERT网络对全局信息进行了编码，然后对融入了全局信息的局部特征进行特征提取，从而使最终提取的文本特征包含更多的文本信息，依据该文本特征进行疾病预测时，提高了疾病预测的准确性。本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本公开实施例1公开的中医辅助诊断模型的结构框图。具体实施方式：下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。实施例1为了实现通过中医诊断文本对疾病进行准确预测，在该实施例中，公开了一种增强局部特征提取的中医辅助诊断系统，包括：数据获取模块，用于获取待测中医诊断文本；局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。进一步的，疾病预测模块中中医辅助诊断模型具体为：B本文档来自技高网...

【技术保护点】
1.一种增强局部特征提取的中医辅助诊断系统，其特征在于，包括：/n数据获取模块，用于获取待测中医诊断文本；/n局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；/n疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。/n

【技术特征摘要】
1.一种增强局部特征提取的中医辅助诊断系统，其特征在于，包括：
数据获取模块，用于获取待测中医诊断文本；
局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；
疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。


2.如权利要求1所述的增强局部特征提取的中医辅助诊断系统，其特征在于，疾病预测模块中中医辅助诊断模型具体为：
BERT网络以局部特征向量为输入，输出文本的全局表示向量，在局部特征向量中融入全局表示向量后作为卷积神经网络的输入，输出文本特征向量，将文本特征向量输入softmax层中进行疾病预测。


3.如权利要求1所述的增强局部特征提取的中医辅助诊断系统，其特征在于，疾病预测模块通过BERT网络获取全局表示向量的具体过程为：
将局部特征向量输入BERT网络中进行编码，获取局部特征表示向量；
将局部特征表示向量经过平均池化获得全局表示向量。


4.如权利要求1所述的增强局部特征提取的中医辅助诊断系统，其特征在于，局部特征向量获取模块对于获取的待测中医诊断文本采用字符级输入方式。


5.如权利要求1所述的增强局部特征提取的中医辅助诊断系统，其特征在于，局部特征向量获取模块在通过待测中医诊断文本获取局部特征向量前，对待测中医诊断文本进行去除停用词操作。


6.如权利要求1所述的增强局部特征提取的中医辅助诊断系统，其特征在于，局部特征向量获取模块通过获取待测中医诊断文本每个句子的特征向量，组成局部特征向量。<...

【专利技术属性】
技术研发人员：袁锋，徐传杰，张宇昂，王冰，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37