一种基于深度学习的医学影像报告多标签分类方法技术

本发明专利技术公开了一种基于深度学习的医学影像报告多标签分类方法，包括：获取医学影像报告的文本数据和医学影像报告中的异常情况的标签数据；根据文本数据和标签数据得到词向量和标签向量；将词向量和标签向量输入多标签分类模型，得到多标签分类任务损失；将词向量、文本数据和标签向量输入辅助任务模型，得到辅助任务损失；根据辅助任务损失和多标签分类任务损失对多标签分类模型进行反向传播优化，得到训练多标签分类模型；获取待检测医学影像报告的待检测文本数据；将待检测文本数据输入训练多标签分类模型，确定待检测医学影像报告的异常问题。本发明专利技术能够实现自动提取高阶特征，建立多个标签的关联性的方法，建立不同的神经网络层，来对文本进行多标签分类。来对文本进行多标签分类。来对文本进行多标签分类。

【技术实现步骤摘要】
一种基于深度学习的医学影像报告多标签分类方法


[0001]本专利技术涉及自然语言处理
，尤其涉及一种基于深度学习的医学影像报告多标签分类方法。

技术介绍

[0002]随着国家经济的不断发展，人民生活水平越来越高，在医疗这个领域，越来越多的人们选择更加优质的医疗资源。除此以外，我国的医疗资源分布也严重不均等，医护资源主要集中在一小城市和省会城市，也使得大量的病患涌入这些医院，造成了看病困难，看病贵，医疗资源缺乏等问题。而最近因为人工智能的发展，也有越来越多的医院为了提供医疗服务，解决目前的困境，开始部署人工智能技术。尤其是在影像科里，影像科医生在工作时会花费大量的时间观察医学影像(如CT、核磁共振影像)，并对其作出描述。为了减少医生在工作中分析影像报告的时间，通过AI技术来自动对影响报告进行异常分类，其中，医学影像报告的类别有很多，快速找出报告中病人所存在的问题就十分具有现实意义。
[0003]在多标签分类领域，现有的方法有两类，第一类方法是将多标签分类转化为多个二分类，对每一个标签都进行二分类求解，但这种方法需要对每个标签都构建一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的医学影像报告多标签分类方法，其特征在于，所述基于深度学习的医学影像报告多标签分类方法包括如下步骤：获取医学影像报告的文本数据和所述医学影像报告中的异常情况的标签数据；根据所述文本数据和标签数据得到词向量和标签向量；将所述词向量和所述标签向量输入多标签分类模型，得到多标签分类任务损失；将所述词向量、所述文本数据和所述标签向量输入辅助任务模型，得到辅助任务损失；根据所述辅助任务损失和所述多标签分类任务损失对所述多标签分类模型进行反向传播优化，得到训练多标签分类模型；获取待检测医学影像报告的待检测文本数据；将所述待检测文本数据输入训练多标签分类模型，确定所述待检测医学影像报告的异常问题。2.根据权利要求1所述的基于深度学习的医学影像报告多标签分类方法，其特征在于，所述根据所述辅助任务损失和所述多标签分类任务损失对所述多标签分类模型进行反向传播优化，得到训练多标签分类模型的步骤，包括：将所述辅助任务损失和所述多标签分类任务损失进行加权融合，得到总损失值；通过所述总损失值和所述梯度下降算法同时对所述多标签分类模型和所述辅助任务模型进行反向传播优化，得到训练多标签分类模型。3.根据权利要求1所述的基于深度学习的医学影像报告多标签分类方法，其特征在于，所述将所述词向量和所述标签向量输入多标签分类模型，得到多标签分类任务损失的步骤，包括：将所述词向量输入多标签并行模型，得到粗粒度多标签分类结果；将所述粗粒度多标签分类结果和所述标签向量输入标签校正网络，得到预测多标签类别；根据所述预测多标签类别对所述标签数据进行优化，得到多标签分类任务损失。4.根据权利要求3所述的基于深度学习的医学影像报告多标签分类方法，其特征在于，所述将所述词向量输入多标签并行模型，得到粗粒度多标签分类结果的步骤，包括：利用恒等映射层对所述词向量恒等转换，得到转换向量；将所述转换向量输入归一化层进行归一化，得到文本向量；将所述文本向量输入循环神经网络中，得到表征字向量；对所述表征字向量进行自注意力计算，确定每个文本数据中不同字的权重，并对不同字分别进行加权，得到第一表征句向量；将所述文本向量输入卷积神经网络中，从所述文本向量的多个局部信息中得到卷积特征；其中，所述卷积神经网络采用若干个不同的卷积核以及若干个窗口；利用最大池化函数对所述卷积特征进行重要性提取，并选取最重要的卷积特征进行聚合，得到第二表征句向...

【专利技术属性】
技术研发人员：王进，周继聪，陈宇航，邓欣，胡珂，孙开伟，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：