基于人工智能的医疗疾病数据的安全快速精准有效管理系统及应用技术方案

本发明专利技术涉及一种医疗数据管理系统，尤其为基于人工智能的医疗疾病数据的安全快速精准有效管理系统及应用，包括数据收集单元、数据处理单元、数据分类单元、数据匹配单元和数据建库单元，数据收集单元用于从各医疗机构的医疗数据库中收集所需医疗疾病数据并传输至数据处理单元，数据处理单元用于对收集到的医疗疾病数据进行聚类处理，并对其安全性进行监测，数据分类单元用于将数据处理单元聚类处理后的医疗疾病数据进行分类并归类到相应的病谱下，数据匹配单元用于将归类后的医疗疾病数据与各种症状进行匹配，并生成各类症状可能归属的疾病图表，数据建库单元用于将疾病图表和医疗疾病数据结合进行统一建库。医疗疾病数据结合进行统一建库。医疗疾病数据结合进行统一建库。

【技术实现步骤摘要】
基于人工智能的医疗疾病数据的安全快速精准有效管理系统及应用


[0001]本专利技术涉及一种医疗数据管理系统，尤其是基于人工智能的医疗疾病数据的安全快速精准有效管理系统。

技术介绍

[0002]疾病分析统计数据库(Disease DataBase，DDB)是一种将疾病按病种或术种进行分类，使数据标准化，存放在计算机数据库中，以备研究使用的数据管理与分析系统。随着信息时代的发展，各种疾病及病谱更新速度快。应用于不同人群时，各个疾病表现出的新症状也层出不穷，如果不能有效地对医疗疾病数据实时更新管理，那么通过网络进行就诊的患者很可能因为症状判断错误也延误就医时间。

技术实现思路

[0003]本专利技术的目的是通过提出基于人工智能的医疗疾病数据的安全快速精准有效管理系统，以解决上述
技术介绍
中提出的缺陷。
[0004]本专利技术采用的技术方案如下：
[0005]提供基于人工智能的医疗疾病数据的安全快速精准有效管理系统，包括数据收集单元、数据处理单元、数据分类单元、数据匹配单元和数据建库单元，所述数据收集单元、数据处理单元、数据分类单元、数据匹配单元和数据建库单元依次通过以太网信号连接，所述数据收集单元用于从各医疗机构的医疗数据库中收集所需医疗疾病数据并传输至数据处理单元，所述数据处理单元用于对收集到的医疗疾病数据进行聚类处理，并对其安全性进行监测，所述数据分类单元用于将所述数据处理单元聚类处理后的医疗疾病数据进行分类并归类到相应的病谱下，所述数据匹配单元用于将归类后的医疗疾病数据与各种症状进行匹配，并生成各类症状可能归属的疾病图表，所述数据建库单元用于将疾病图表和医疗疾病数据结合进行统一建库。
[0006]作为本专利技术的一种优选技术方案：所述数据收集单元包括医疗数据库访问模块、字词查找模块、数据加密模块和数据传输模块，所述医疗数据库访问模块通过以太网与各医疗机构的医疗数据库连接，所述医疗数据库访问模块、字词查找模块、数据加密模块和数据传输模块依次通过以太网信号连接，所述医疗数据库访问模块用于连接各医疗机构的医疗数据库，并定期访问各医疗机构的医疗数据库，进行数据比对，所述字词查找模块用于从各医疗机构的医疗数据库中通过字词来查找需要的医疗疾病数据，并对其进行提取，所述数据加密模块用于对提取的医疗疾病数据进行加密打包，所述数据传输模块用于对加密打包的医疗疾病数据进行分散传输给数据处理单元。
[0007]作为本专利技术的一种优选技术方案：所述数据处理单元包括安全监测模块、数据解码模块、聚类处理模块和粒子优化模块，所述安全监测模块、数据解码模块、聚类处理模块和粒子优化模块依次通过以太网信号连接，所述安全监测模块用于对数据传输模块传输的
医疗疾病数据进行安全性校验，所述数据解码模块用于对加密打包的医疗疾病数据进行解码，所述聚类处理模块用于对解码后的医疗疾病数据进行聚类处理，所述粒子优化模块用于对聚类处理模块进行优化。
[0008]作为本专利技术的一种优选技术方案：所述数据分类单元包括病谱更新模块、疾病归类模块、分类校验模块和分类替换模块，所述病谱更新模块、疾病归类模块、分类校验模块和分类替换模块依次通过以太网信号连接，所述病谱更新模块用于根据权威病谱网站上的信息事实对病谱进行更新，所述疾病归类模块用于将各疾病数据归类到相应的病谱目录下，所述分类校验模块用于定期对归类后的疾病数据进行校验，并对错误的分类进行标记，所述分类替换模块用于将正确的疾病数据替换被所述分类校验模块标记的疾病数据。
[0009]作为本专利技术的一种优选技术方案：所述数据匹配单元与所述数据分类单元进行实时交互，所述数据匹配单元包括症状提取模块、大数据筛查模块、临床比对模块和图表生成模块依次通过以太网信号连接，所述症状提取模块用于提取各种医疗机构数据库中记录的症状，所述大数据筛查模块用于使用爬虫对互联网上各种用户的症状搜索和咨询进行筛选获取，所述临床比对模块用于提取互联网上各种临床确定信息并与所述症状提取模块和大数据筛查模块中提取到的信息进行比对，所述图表生成模块用于将确认的症状临床信息与对应的若干种疾病数据及其病谱生成图表。
[0010]作为本专利技术的一种优选技术方案：所述数据建库单元包括病种生成模块、年龄生成模块、症状生成模块和数据备份模块，所述病种生成模块、年龄生成模块、症状生成模块和数据备份模块依次通过以太网信号连接，所述病种生成模块用于在数据库中生成病种标签，所述年龄生成模块用于在各个病种标签上生成易发年龄段索引，所述症状生成模块用于在各个病种标签上生成对应症状索引，所述数据备份模块用于定期对数据库中的数据进行备份。
[0011]作为本专利技术的一种优选技术方案：所述聚类处理模块采用FCM聚类算法对归一化处理后的医疗疾病数据进行聚类处理，其具体包括如下步骤：
[0012]步骤1：对隶属度U使用之间进行均匀分布的初始化，使其满足约束条件；
[0013]步骤2：根据U和迭代公式计算出聚类中心z
j
；
[0014]步骤3：计算函数J,若其结果小于某个阈值，或与上一个J的变化小于某阈值，则算法停止；
[0015]步骤4：根据迭代公式计算新的U,返回步骤2。
[0016]作为本专利技术的一种优选技术方案：所述根据U和迭代公式计算出聚类中心z
j
具体为：
[0017][0018]其中，m为数据集大小，i＝1,2，
…
，m，u
ij
为第i个数据对第j个中心点的隶属度,并且0＜u
ij
＜1，α为超参数，x
i
为第i个数据。
[0019]作为本专利技术的一种优选技术方案：所述粒子优化模块对聚类处理模块进行优化具体包括采用粒子群算法确定所述FCM聚类算法的初始聚类中心,其具体为：
[0020]步骤1：给定类别数c，模糊指数m，群体规模N，学习因子c1和c2，交叉概率P
C
，变异概率P
m
，惯性权重ω，阈值ε，最大迭代次数T，粒子变化范围；
[0021]步骤2：初始化随机生成N个聚类中心，形成N个第1代粒子，每个粒子的当前位置为其p
besti
，当前种群所有粒子中的最好位置为g
best
，用适应度函数计算适应度值，此时每个粒子的最优适应度个体为其自身，群体中最优适应度个体为所有粒子中适应度值最大的粒子；
[0022]步骤3：对每个粒子进行速度和位置更新，依据交叉概率P
C
，变异概率P
m
，进行选择、交叉和变异操作，产生下一代的粒子群：
[0023]步骤4：用适应度函数计算新粒子群中每个个体的适应度值，先与个体上一代比较，若大于上一代适应度值，则取代上一代个体成为p
besti
，且适应度值为个体最优适应度值，否则保持原样；
[0024]步骤5：再与群体最优个体适应度比较，若大于群体最优个体适应度值，则用该个体替代全局最优个体g
best...

【技术保护点】

【技术特征摘要】
1.基于人工智能的医疗疾病数据的安全快速精准有效管理系统，其特征在于：包括数据收集单元(100)、数据处理单元(200)、数据分类单元(300)、数据匹配单元(400)和数据建库单元(500)，所述数据收集单元(100)、数据处理单元(200)、数据分类单元(300)、数据匹配单元(400)和数据建库单元(500)依次通过以太网信号连接，所述数据收集单元(100)用于从各医疗机构的医疗数据库中收集所需医疗疾病数据并传输至数据处理单元(200)，所述数据处理单元(200)用于对收集到的医疗疾病数据进行聚类处理，并对其安全性进行监测，所述数据分类单元(300)用于将所述数据处理单元(200)聚类处理后的医疗疾病数据进行分类并归类到相应的病谱下，所述数据匹配单元(400)用于将归类后的医疗疾病数据与各种症状进行匹配，并生成各类症状可能归属的疾病图表，所述数据建库单元(500)用于将疾病图表和医疗疾病数据结合进行统一建库。2.根据权利要求1所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述数据收集单元(100)包括医疗数据库访问模块(101)、字词查找模块(102)、数据加密模块(103)和数据传输模块(104)，所述医疗数据库访问模块(101)通过以太网与各医疗机构的医疗数据库连接，所述医疗数据库访问模块(101)、字词查找模块(102)、数据加密模块(103)和数据传输模块(104)依次通过以太网信号连接，所述医疗数据库访问模块(101)用于连接各医疗机构的医疗数据库，并定期访问各医疗机构的医疗数据库，进行数据比对，所述字词查找模块(102)用于从各医疗机构的医疗数据库中通过字词来查找需要的医疗疾病数据，并对其进行提取，所述数据加密模块(103)用于对提取的医疗疾病数据进行加密打包，所述数据传输模块(104)用于对加密打包的医疗疾病数据进行分散传输给数据处理单元(200)。3.根据权利要求1所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述数据处理单元(200)包括安全监测模块(201)、数据解码模块(202)、聚类处理模块(203)和粒子优化模块(204)，所述安全监测模块(201)、数据解码模块(202)、聚类处理模块(203)和粒子优化模块(204)依次通过以太网信号连接，所述安全监测模块(201)用于对数据传输模块(104)传输的医疗疾病数据进行安全性校验，所述数据解码模块(202)用于对加密打包的医疗疾病数据进行解码，所述聚类处理模块(203)用于对解码后的医疗疾病数据进行聚类处理，所述粒子优化模块(204)用于对聚类处理模块(203)进行优化。4.根据权利要求1所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述数据分类单元(300)包括病谱更新模块(301)、疾病归类模块(302)、分类校验模块(303) 和分类替换模块(304)，所述病谱更新模块(301)、疾病归类模块(302)、分类校验模块(303)和分类替换模块(304)依次通过以太网信号连接，所述病谱更新模块(301)用于根据权威病谱网站上的信息事实对病谱进行更新，所述疾病归类模块(302)用于将各疾病数据归类到相应的病谱目录下，所述分类校验模块(303)用于定期对归类后的疾病数据进行校验，并对错误的分类进行标记，所述分类替换模块(304)用于将正确的疾病数据替换被所述分类校验模块(303)标记的疾病数据。5.根据权利要求1所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述数据匹配单元(400)与所述数据分类单元(300)进行实时交互，所述数据匹配单元(400)包括症状提取模块(401)、大数据筛查模块(402)、临床比对模块(403)和图表生成模块(404)依次通过以太网信号连接，所述症状提取模块(401)用于提取各种医疗机构数据库中记录的症状，所述大数据筛查模块(402)用于使用爬虫对互联网上各种用户的症状搜索和咨询进行
筛选获取，所述临床比对模块(403)用于提取互联网上各种临床确定信息并与所述症状提取模块(401)和大数据筛查模块(402)中提取到的信息进行比对，所述图表生成模块(404)用于将确认的症状临床信息与对应的若干种疾病数据及其病谱生成图表。6.根据权利要求1所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述数据建库单元(500)包括病种生成模块(501)、年龄生成模块(502)、症状生成模块(503)和数据备份模块(504)，所述病种生成模块(501)、年龄生成模块(502)、症状生成模块(503)和数据备份模块(504)依次通过以太网信号连接，所述病种生成模块(501)用于在数据库中生成病种标签，所述年龄生成模块(502)用于在各个病种标签上生成易发年龄段索引，所述症状生成模块(503)用于在各个病种标签上生成对应症状索引，所述数据备份模块(504)用于定期对数据库中的数据进行备份。7.根据权利要求3所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述聚类处理模块(203)采用FCM聚类算法对归一化处理后的医疗疾病数据进行聚类处理，其具体包括如下步骤：步骤1：对隶属度U使用(0，1)之间进行均匀分布的初始化，使其满足约束条件；步骤2：根据U和迭代公式计算出聚类中心z
j
；步骤3：计算函数J，若其结果小于某个阈值，或与上一个J的变化小于某阈值，则算法停止；步骤4：根据迭代公式计算新的U，返回步骤2。8.根据权利要求7所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述根据U和迭代公式计算出聚类中心z
j
具体为：其中，m为数据集大小，i＝1，2，
…
，m，u
ij
为第i个数据对第j个中心点的隶属度，并且0＜u
ij
＜1，α为超参数，x
i
为第i个数据。9.根据权利要求8所述的于人工智能的医疗疾病数据管理系统，其特征在于：所述粒子优化模块(204)对聚类处理模块(203)进行优化具体包括采用粒子群算法确定所述FCM聚类算法的初始聚类中心，其具体为：步骤1：给定类别数c，模糊指数m，群体规模N，学习因子c1和c2，交叉概率P
C
，变异概率P
m
，惯性权重ω，阈值ε，最大迭代次数T，粒子变化范围；步骤2：初始化随机生成N个聚类中心，形成N个第1代粒子，每个粒子的当前位置为其p
besti
，当前种群所有粒子中的最好位置为g
best
，用适应度函数计算适应度值，此时每个粒子的最优适应度个体为其自身，群体中最优适应度个体为所有粒子中适应度值最大的粒子；步骤3：对每个粒子进行速度和位置更新，依据交叉概率P
C
，变异概率P
m
，进行选择、交叉和变异操作，产生下一代的粒子群：步骤4：用适应度函数计算新粒子群中每个个体的适应度值，先与个体上一代比较，若大于上一代适应度值，则取代上一代个体成为p
besti
，且适应度值为个体最优适应度值，否则保持原样；步骤5：再与群体最优个体适应度比较，若大于群体最优个体适应度值，则用该个体替代全局最优个体g
best
，其适应度值为此时群体最优适应度值，否则群体最优和群体最优适
应度值保持原样；步骤6：迭代次数T＝T+1；步骤7：当算法达到进化的最大迭代次数或设定的阈值ε，即种群的适应度没有改进时，算法停止，否则，跳转到步骤3；步骤8：产生适应度最好的种群，即适应度最好的初始聚类中心；步骤9：在FCM中输入产生的初始聚类中心进行图像分割；步骤10：输出分割结果；所述适应度函数具体为：其中，k为常数，J(U，V)为FCM的目标函数；所述对每个粒子进行速度和位置更新具体包括：v
(i+1)d
＝ωv
id
+c1rand1(P
id
‑
x
id
)+c2rand2(P
gd
‑
x
id
)x
(i+1)d
＝x
id
+v
(i+1)d
其中，rand1和rand2为两个在[0，1]范围内变化的随机函数，第i个粒子表示为X
i
＝(x
i1
，x
i2
，
…
，x
id
)，粒子经历过的最好位置记为P
i
＝(p
i1
，p
i2
，
…
，p<...

【专利技术属性】
技术研发人员：徐昆，
申请(专利权)人：云南升玥信息技术有限公司，
类型：发明
国别省市：