一种甲状腺疾病的智能辅助诊断方法、系统及可读存储介质技术方案

本发明专利技术公开了一种甲状腺疾病的智能辅助诊断方法，包括如下步骤：根据相关医学指南构建规则决策树，所述规则决策树包括多个判定节点；在所述规则决策树的各个判定节点中嵌入机器学习模型；对患者的病例数据进行处理，得到患者的甲状腺判定数据；将患者的甲状腺判定数据导入所述规则决策树中进行判定，得到患者的甲状腺诊断结果及统计学指标；根据所述甲状腺诊断结果及统计学指标输出诊断报告。该智能辅助诊断方法可辅助医生进行甲状腺疾病的诊断。本发明专利技术还公开了一种甲状腺疾病的智能辅助诊断系统及可读存储介质。断系统及可读存储介质。断系统及可读存储介质。

【技术实现步骤摘要】
一种甲状腺疾病的智能辅助诊断方法、系统及可读存储介质


[0001]本专利技术涉及医学辅助诊断领域，尤其涉及一种甲状腺疾病的智能辅助诊断方法、系统及可读存储介质。

技术介绍

[0002]甲状腺疾病主要分为内科治疗的甲状腺疾病和外科治疗的甲状腺疾病两大类。内科治疗的甲状腺疾病主要包括甲状腺功能亢进症（俗称甲亢）和甲状腺炎症（包括急性、亚急性和慢性甲状腺炎症）。外科治疗的甲状腺疾病包括甲状腺肿和甲状腺肿瘤。两者的主要区别是内科治疗的甲状腺疾病在进行甲状腺功能检查时有的检查数据有异常，而外科治疗的甲状腺疾病在进行甲状腺功能检查时的检测数据都正常。
[0003]现有的甲状腺疾病一般由医生综合自身的医学知识和临床经验进行诊断，这对医生的医学知识和临床经验有着极高的要求，但是培养一个高水平的医生需要耗费大量的资源和时间。我国人口众多、地域辽阔，存在着严重的医疗资源短缺和医疗资源分布不均的问题，故利用计算机技术辅助医生对甲状腺疾病进行诊断，对于我国解决医疗资源短缺和分布不均具有重大意义。
[0004]中国专利公开了一种智能疾病诊断方法，包括：获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。
[0005]上述智能疾病诊断方法过度依赖于算法模型，无法与医生经验及相关临床诊断规范很好地结合，诊断过于机械，临床误诊率较大。

技术实现思路

[0006]为了解决上述现有技术的不足，本专利技术提供一种智能辅助诊断方法、系统及可读存储介质，可辅助医生进行甲状腺疾病的诊断。
[0007]本专利技术所要解决的技术问题通过以下技术方案予以实现：一种甲状腺疾病的智能辅助诊断方法，包括如下步骤：步骤100：根据相关医学指南构建规则决策树，所述规则决策树包括多个判定节点；步骤200：在所述规则决策树的各个判定节点中嵌入机器学习模型；步骤300：对患者的病例数据进行处理，得到患者的甲状腺判定数据；步骤400：将患者的甲状腺判定数据导入所述规则决策树中进行判定，得到患者的甲状腺诊断结果及统计学指标；
步骤500：根据所述甲状腺诊断结果及统计学指标输出诊断报告。
[0008]进一步地，所述规则决策树采用CART算法，目标函数为Gini系数。
[0009]进一步地，所述机器学习模型为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型。
[0010]进一步地，所述步骤200包括如下步骤：步骤201：将甲状腺样本数据分为训练数据集和测试数据集；步骤202：将所述训练数据集导入所述规则决策树中，对各个判定节点中的机器学习模型进行训练，得到训练好的机器学习模型；步骤203：将所述测试数据集导入所述规则决策树中，对训练好的机器学习模型进行检测。
[0011]进一步地，所述步骤300包括如下步骤：步骤301：获取患者的病例数据，所述病例数据包括甲状腺数据；步骤302：对患者的病例数据进行标准化处理；步骤303：根据各项病例数据所对应的参考值对各项病例数据进行标记，得到患者的甲状腺判定数据，其中各项甲状腺数据被标记为增高、正常或降低。
[0012]一种甲状腺疾病的智能辅助诊断系统，包括输入模块，用于输入患者的病例数据；数据处理模块，用于对患者的病例数据进行处理，得到患者的甲状腺判定数据；规则决策模块，用于根据相关医学指南构建规则决策树以及对患者的甲状腺判定数据进行判定，进而得到患者的甲状腺诊断结果及统计学指标，所述规则决策树包括多个判定节点；机器学习模块，用于在所述规则决策树的各个判定节点中嵌入机器学习模型；输出模块，用于根据所述甲状腺诊断结果及统计学指标输出诊断报告。
[0013]进一步地，所述规则决策树采用CART算法，目标函数为Gini系数。
[0014]进一步地，所述机器学习模型为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型。
[0015]进一步地，所述数据处理模块包括：输入子模块：用于获取患者的病例数据，所述病例数据包括甲状腺数据；处理子模块，用于对患者的病例数据进行标准化处理；标记子模块，用于根据各项病例数据所对应的参考值对各项病例数据进行标记，得到患者的甲状腺判定数据，其中各项甲状腺数据被标记为增高、正常或降低。
[0016]一种可读存储介质，存储有供处理器执行的计算机程序，所述处理器执行该计算机程序时，执行上述的甲状腺疾病的智能辅助诊断方法。
[0017]本专利技术具有如下有益效果：本案以相关医学指南中关于甲状腺疾病的诊断规则为基本框架，构建所述规则决策树，然后在所述规则决策树的各个判定节点上以所述机器学习模型进行数据处理，在保证诊断方法总体符合指南规范的前提下，在各个判定节点上发挥所述机器学习模型的数据建模优势，先对患者的病例数据通过所述桂策决策树进行定性分析，再在各个判定节点上对患者的病例数据进行定量分析，更符合医生给患者诊断的一般步骤，易于解释和理解，更接近临床医生理性与感性共同决策的真实过程，充分结合了规
则类诊断的易解释性以及建模类诊断的高准确性，以提高医生对于甲状腺疾病判别的准确度，降低甲状腺疾病的误诊率，减轻医务人员的工作强度及压力，增加患者在诊疗过程中的满意度。
附图说明
[0018]图1为本专利技术提供的智能辅助诊断方法的步骤框图；图2为本专利技术提供的智能辅助诊断系统的原理框图图3为本专利技术中各项甲状腺数据的标准值；图4为本专利技术中总三碘甲状腺原氨酸的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图5为本专利技术中甲状腺素的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图6为本专利技术中促甲状腺素的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图7为本专利技术中血清游离甲状腺素的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图8为本专利技术中血清游离三碘甲状腺原氨酸的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图9为本专利技术中甲功五项数据与甲状腺疾病之间的对应诊断表；图10为本专利技术提供的规则决策树的示意图。
具体实施方式
[0019]下面结合附图和实施例对本专利技术进行详细的说明，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0020]在本专利技术的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种甲状腺疾病的智能辅助诊断方法，其特征在于，包括如下步骤：步骤100：根据相关医学指南构建规则决策树，所述规则决策树包括多个判定节点；步骤200：在所述规则决策树的各个判定节点中嵌入机器学习模型；步骤300：对患者的病例数据进行处理，得到患者的甲状腺判定数据；步骤400：将患者的甲状腺判定数据导入所述规则决策树中进行判定，得到患者的甲状腺诊断结果及统计学指标；步骤500：根据所述甲状腺诊断结果及统计学指标输出诊断报告。2.根据权利要求1所述的甲状腺疾病的智能辅助诊断方法，其特征在于，所述规则决策树采用CART算法，目标函数为Gini系数。3.根据权利要求1所述的甲状腺疾病的智能辅助诊断方法，其特征在于，所述机器学习模型为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型。4.根据权利要求1所述的甲状腺疾病的智能辅助诊断方法，其特征在于，所述步骤200包括如下步骤：步骤201：将甲状腺样本数据分为训练数据集和测试数据集；步骤202：将所述训练数据集导入所述规则决策树中，对各个判定节点中的机器学习模型进行训练，得到训练好的机器学习模型；步骤203：将所述测试数据集导入所述规则决策树中，对训练好的机器学习模型进行检测。5.根据权利要求1所述的甲状腺疾病的智能辅助诊断方法，其特征在于，所述步骤300包括如下步骤：步骤301：获取患者的病例数据，所述病例数据包括甲状腺数据；步骤302：对患者的病例数据进行标准化处理；步骤303：根据各项病例数据所对应的参考值对各项病例数据进行标记，得到患者的甲状...

【专利技术属性】
技术研发人员：王再胜，李家玉，
申请(专利权)人：广东执诚生物科技有限公司，
类型：发明
国别省市：