一种基于深度学习的疾病检测方法技术

本发明专利技术公开了一种基于深度学习的疾病检测方法，步骤为：利用自然语言处理技术，将病人输入的病例描述进行关键字提取，采用系统

【技术实现步骤摘要】
一种基于深度学习的疾病检测方法


[0001]本专利技术属于智慧医疗的
，尤其涉及一种基于深度学习的疾病检测方法。

技术介绍

[0002]提高人民健康水平，实现病有所医的理想，是人类社会的共同追求。医疗卫生关系亿万人民健康，是一个重大民生问题。然而，医疗体系效率低下，排队挂号问诊的方式消耗了大量时间以至于患者可能错过最佳治疗时间。医疗服务质量欠佳，医生治疗水平参差不齐，误诊等情况偶有发生。看病难且贵，贫困地区和偏远山区交通不便，看病十分困难并且无力支付医疗费用。大医院人满为患，社区医院无人问津，病人就诊手续繁琐等问题都是由于医疗信息不畅不全面，医疗资源两极化等原因造成的。
[0003]据调查显示，日常生活中人们倾向于实时了解自己的身体指标数据而不是隔段时间去医院进行体检；生病时他们更愿意对自己的病因有了一定了解后再到医院就医；当有社会性疾病发生时，他们更愿意足不出户就掌握疫情最新动态。基于以上情况，为响应智慧医疗的号召，结合医疗大数据，知识图谱，数据可视化，人工智能领域疾病监测等多项新型技术，构建了一种基于深度学习的疾病检测系统。系统选用SSM框架，基于Java，python，MySQL等，主要从三个方面对疾病进行分析，
[0004]一是病情诊断：通过KEA算法提取出病人病情描述关键字，根据提取出的关键字利用数据库查询技术在海量疾病数据中进行搜索，以系统
‑
用户响应模式辅助系统做出判断，最终得到预测疾病。用户可以查看预测疾病的成因，症状，推荐药物等信息，可以在病例数据库中搜索与自己有相同症状的病例。
[0005]二是传染病监测与防治：预测疾病为传染病，系统监测病人体温心跳等体征以折线图形式进行动态可视化分析，并给出吃药或治疗一段时间后的体征对比图，在后台数据库中提取出一段时间内患此种疾病的人员地区分布，用openstreetmap标注地区分布并分析此疾病是否为群体性传染病。利用python的爬虫技术爬取全国范围内此种疾病患病率，死亡率，治愈率等，AJAX对图中数据实时更新，利用SIR模型判断疾病最大规模爆发日期及人数并做出预警。
[0006]三是遗传病监测与防治：预测疾病为遗传病，系统监测病人体征并结合neo4j绘制的病人家族遗传史对病人做出疾病防治提醒。

技术实现思路

[0007]基于以上现有技术的不足，本专利技术所解决的技术问题在于提供一种基于深度学习的疾病检测方法，以患者为中心，给予患者以全面、专业、个性化的医疗体验，结合大数据借鉴先进治疗经验，给患者提供安全可靠的治疗方案，有助于缓解医疗资源不足问题，并且能够有效的监测预防大型传染病。
[0008]为了解决上述技术问题，本专利技术通过以下技术方案来实现：
[0009]本专利技术提供一种基于深度学习的疾病检测方法，包括以下步骤：
[0010]步骤1：利用自然语言处理技术，将病人输入的病例描述进行关键字提取，采用系统
‑
用户交互的模式进行疾病辅助判别；
[0011]步骤2：采用OpenStreetMap对患病人员所在地区进行地理标注，聚类模型计算出疾病发病密度从而判定为聚集性传染病，通过爬取省市范围内疾病数据，SIR传染病预测模型计算出疾病最大规模爆发时间及人数；
[0012]步骤3：echarts图表对病人基础体征和疾病体征进行可视化，采用实体
‑
关系
‑
属性三元组的形式利用neo4j软件生成家族遗传病知识图谱，对遗传病做出预警。
[0013]进一步的，在步骤S1中，首先构造特定医学领域的疾病症状词表，对用户输入的病情描述采用KEA算法进行关键字提取；根据疾病症状词表找出病情描述中的短语，与其余词共同作为候选关键词，然后利用朴素贝叶斯算法选取各词语的TF
‑
IDF值，用位置信息作为特征，进行训练和预测，最终得到病症关键字。
[0014]进一步的，在步骤S2中，首先对病人的基础体征进行监测，调取一段时间内该种传染病患病人员的地区分布，利用OpenStreetMap对此种疾病患病人员的分布在地图上进行标注，设定一个传染病密度阈值，利用OPTICS算法计算患病密度，患病密度超过阈值，则判定此种疾病为聚集性传染病。
[0015]由上，本专利技术的基于深度学习的疾病检测方法以患者为中心，给予患者以全面、专业、个性化的医疗体验，结合大数据借鉴先进治疗经验，给患者提供安全可靠的治疗方案，有助于缓解医疗资源不足问题，并且能够有效的监测预防大型传染病。
[0016]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。
[0018]图1为基于深度学习的疾病检测方法的流程图；
[0019]图2为KEA算法训练及预测过程图；
[0020]图3为Bert Model的流程图；
[0021]图4为SSM框架访问逻辑图。
具体实施方式
[0022]下面结合附图详细说明本专利技术的具体实施方式，其作为本说明书的一部分，通过实施例来说明本专利技术的原理，本专利技术的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
[0023]如图1至图4所示，本专利技术的基于深度学习的疾病检测方法包括以下步骤：
[0024](1)利用自然语言处理技术，将病人输入的病例描述进行关键字提取，采用系统
‑
用户交互的模式进行疾病辅助判别，分布式的处理缩短等待时间。Bert进行命名实体识别构造小型病历数据库。
[0025](2)采用OpenStreetMap对患病人员所在地区进行地理标注，聚类模型计算出疾病
发病密度从而判定为聚集性传染病，通过爬取省市范围内疾病数据，SIR传染病预测模型计算出疾病最大规模爆发时间及人数，及时提醒人们采取防疫措施。
[0026](3)echarts图表对病人基础体征和疾病体征进行可视化，采用实体
‑
关系
‑
属性三元组的形式利用neo4j软件生成家族遗传病知识图谱，对遗传病做出预警。
[0027]web项目的搭建
[0028]利用ssm框架(ssm框架包括MYBATIS、spring、SPRINGMVC)的整体三层架构作为框架基础，开发出一个完整的Javaweb项目。在该项目中，使用mybatis(Dao)作为底层框架，利用其与数据库建立链接并实现对数据库的crud操作，从而为service层的函数调用提供支持。而在service层中，主要就是完成对Dao层方法的调用，在web层中，该层也是整个javaweb项目的核心层，主要点交互逻辑和业务逻辑都可以表现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的疾病检测方法，其特征在于，包括以下步骤：步骤1：利用自然语言处理技术，将病人输入的病例描述进行关键字提取，采用系统
‑
用户交互的模式进行疾病辅助判别；步骤2：采用OpenStreetMap对患病人员所在地区进行地理标注，聚类模型计算出疾病发病密度从而判定为聚集性传染病，通过爬取省市范围内疾病数据，SIR传染病预测模型计算出疾病最大规模爆发时间及人数；步骤3：echarts图表对病人基础体征和疾病体征进行可视化，采用实体
‑
关系
‑
属性三元组的形式利用neo4j软件生成家族遗传病知识图谱，对遗传病做出预警。2.如权利要求1所述的基于深度学习的疾病检测方...

【专利技术属性】
技术研发人员：孟祥福，温晶，刘邓，赖贞祥，张铭楊，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：