本发明专利技术涉及人工智能技术，揭露了一种基于机器学习的疾病分析方法，包括：获取训练疾病数据以及训练疾病数据对应的真实疾病名称和真实疾病属性；构建训练疾病数据的目标向量相关矩阵，利用疾病分析模型对目标向量相关矩阵计算，得到输出结果；分别利用疾病名称损失函数和属性信息损失函数计算得到输出结果与真实疾病名称的疾病名称损失值和属性信息损失值，并利用联合损失函数计算疾病名称损失值和属性信息损失值，得到联合损失值，根据联合损失值优化所述疾病分析模型；利用优化后的疾病分析模型对待检测数据计算，得到目标疾病分析结果。本发明专利技术还提出一种基于机器学习的疾病分析装置、设备以及介质。本发明专利技术可以提高疾病分析的精确度。析的精确度。析的精确度。
【技术实现步骤摘要】
基于机器学习的疾病分析方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种基于机器学习的疾病分析方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着人工智能的发展，相关应用涉及生活的各方各面，而疾病在人们日常生活中的地位不容小觑，疾病不仅仅是生物医学中的重要研究课题，它也常常出现在生物医学自然语言处理的任务中，利用人工智能辅助医疗诊断，进行疾病分析等已成为当今的一个重要研究方向。然而目前利用人工的进行疾病诊断和识别，效率较低，需要耗费大量人力；利用机器学习进行疾病诊断，往往因为训练数据量较大，导致模型识别精度不高，进而使疾病分析的精确度较低。
技术实现思路
[0003]本专利技术提供一种基于机器学习的疾病分析方法、装置及计算机可读存储介质，其主要目的在于解决疾病分析精确度较低的问题。
[0004]为实现上述目的，本专利技术提供的一种基于机器学习的疾病分析方法，包括：
[0005]获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；
[0006]构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；
[0007]利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
[0008]获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
[0009]可选地，所述构建所述训练疾病数据的目标向量相关矩阵，包括：
[0010]对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集；
[0011]对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集计算，得到目标向量相关矩阵。
[0012]可选地，所述对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集，包括：
[0013]从所述训练疾病数据中提取待掩码数据，对所述待掩码数据执行掩码操作，得到已掩码数据；
[0014]对所述已掩码数据中的所有数据进行向量转换，得到向量集，并对所述向量集执行位置编码，得到定位向量集。
[0015]可选地，所述对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集计算，得到目标向量相关矩阵，包括：
[0016]将所述定位向量集转换为定位向量矩阵，根据所述定位向量矩阵的维度，生成分类迭代转换矩阵；
[0017]利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵，计算得到与所述定位字向量集对应的原始向量相关矩阵；
[0018]利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，得到目标向量相关矩阵。
[0019]可选地，所述利用联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，包括：
[0020]利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计算；
[0021]将计算的结果与所述疾病名称损失值相乘，得到联合损失值。
[0022]可选地，所述根据所述联合损失值优化所述疾病分析模型，包括：
[0023]判断所述联合损失值是否小于预设损失阈值；
[0024]当所述联合损失值大于或等于预设损失阈值时，利用梯度下降算法对所述疾病分析模型的超参数进行更新；
[0025]当所述联合损失值小于预设损失阈值时，得到迭代后的标准疾病分析模型。
[0026]可选地，所述利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果，所述方法还包括：
[0027]根据所述待检测数据从网络或数据库中抓取对应的答案，并存储至答案列表中；
[0028]将所述待检测数据输入所述标准疾病分析模型，得到识别答案；
[0029]计算所述识别答案与所述答案列表中的每一个答案的关联度；
[0030]根据所述关联度对所述答案列表中的答案进行排序，得到目标列表。
[0031]为了解决上述问题，本专利技术还提供一种基于机器学习的疾病分析装置，所述装置包括：
[0032]训练数据获取模块，用于获取训练疾病数据以及所述疾病数据对应的真实疾病名称和真实疾病属性；
[0033]疾病分析模型训练模块，用于构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型进行迭代，得到所述疾病分析模型的输出结果；
[0034]疾病分析模型优化模块，用于利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
[0035]疾病分析模块，用于获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
[0036]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0037]至少一个处理器；以及，
[0038]与所述至少一个处理器通信连接的存储器；其中，
[0039]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于机器学习的疾病分析方法。
[0040]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于机器学习的疾病分析方法。
[0041]本专利技术实施例通过对训练疾病数据进行处理得到定位向量集，通过构建所述训练疾病数据的目标向量相关矩阵，再通过该目标向量相关矩阵对疾病分析模型，并利用疾病名称损失函数、属性信息损失函数和联合损失函数这三种损失函数计算训练后的输出结果得到联合损失值，通过联合损失值更新疾病分析模型，使得优化得到的标准疾病分析模型更加准确，提高了对待检测数据识别的效率和精确度。因此，本专利技术实施例提出的基于机器学习的疾病分析方法，可以解决疾病分析精确度较低的问题。
附图说明
[0042]图1为本专利技术一实施例提供的基于机器学习的疾病分析方法的流程示意图；
[0043]图2为本专利技术一实施例提供的构建所述训练疾病数据的目标向量相关矩阵的流本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的疾病分析方法，其特征在于，所述方法包括：获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。2.如权利要求1所述的基于机器学习的疾病分析方法，其特征在于，所述构建所述训练疾病数据的目标向量相关矩阵，包括：对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集；对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集进行计算，得到目标向量相关矩阵。3.如权利要求2所述的基于机器学习的疾病分析方法，其特征在于，所述对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集，包括：从所述训练疾病数据中提取待掩码数据，对所述待掩码数据执行掩码操作，得到已掩码数据；对所述已掩码数据中的所有数据进行向量转换，得到向量集，并对所述向量集执行位置编码，得到定位向量集。4.如权利要求2所述的基于机器学习的疾病分析方法，其特征在于，所述对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集进行计算，得到目标向量相关矩阵，包括：将所述定位向量集转换为定位向量矩阵，根据所述定位向量矩阵的维度生成分类迭代转换矩阵；利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵计算，得到与所述定位字向量集对应的原始向量相关矩阵；利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，得到目标向量相关矩阵。5.如权利要求1所述的基于机器学习的疾病分析方法，其特征在于，所述利用联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，包括：利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计算；将计算的结果与所述疾病名称损失值相乘，得到联...
【专利技术属性】
技术研发人员：陈诚，廖晨，杨雨航，吕少领，
申请(专利权)人：深圳市北科瑞声科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。