一种症型预测模型的确定方法和系统技术方案

本申请实施例公开了一种症型预测模型的确定方法和系统，所述方法包括：分别对人群数据以及症型数据进行向量化处理，得到训练人群向量以及训练症型向量；通过训练人群向量提取所述训练人群向量的训练特征；以及，通过训练症型向量提取所述训练症型向量的训练特征；分别计算所述训练人群向量的训练特征以及所述训练症型向量的训练特征的特征相似度；基于所述特征相似度以及标注数据，计算模型损失；根据所述模型损失，更新症型预测模型，并重复执行所述获取训练样本的步骤，直至症型预测模型收敛，以得到训练好的症型预测模型。结合人群信息进行分析，得到高效且科学症型预测模型。得到高效且科学症型预测模型。得到高效且科学症型预测模型。

【技术实现步骤摘要】
一种症型预测模型的确定方法和系统


[0001]本申请实施例涉及深度学习
，具体涉及一种症型预测模型的确定方法和系统。

技术介绍

[0002]在中医领域，在“辩证”前往往需要先“辨病”。“辨病”由医生根据经验定义，具有很大的主观性。
[0003]当前，利用人工智能技术“辩病”的研究较少。如何利用人工智能技术科学的进行症型预测，以供医学参考，是亟待解决的问题。

技术实现思路

[0004]为此，本申请实施例提供一种症型预测模型的确定方法和系统，结合人群信息进行分析，得到高效且科学症型预测模型。
[0005]为了实现上述目的，本申请实施例提供如下技术方案：
[0006]根据本申请实施例的第一方面，提供了一种症型预测模型的确定方法，所述方法包括：
[0007]获取训练样本；其中，所述训练样本包括人群数据、症型数据以及对应的标注数据；
[0008]分别对所述人群数据以及所述症型数据进行向量化处理，得到训练人群向量以及训练症型向量；
[0009]通过训练人群向量提取所述训练人群向量的训练特征；以及，通过训练症型向量提取所述训练症型向量的训练特征；
[0010]分别计算所述训练人群向量的训练特征以及所述训练症型向量的训练特征的特征相似度；
[0011]基于所述特征相似度以及标注数据，计算模型损失；
[0012]根据所述模型损失，更新症型预测模型，并重复执行所述获取训练样本的步骤，直至症型预测模型收敛，以得到训练好的症型预测模型。
[0013]可选地，所述方法还包括：
[0014]获取目标人群数据和症型集合；
[0015]将目标人群数据和症型集合输入至训练完成的症型预测模型中，输出症型相似度；
[0016]筛选症型相似度最大的设定数目个症型为所述目标人群的最终候选症型。
[0017]可选地，所述目标人群数据包括年龄、性别和症状集合。
[0018]可选地，所述方法还包括：
[0019]根据症状集合和症型对应的症状集取交集；
[0020]基于所述交集的集合长度与所述症型对应的症状集的集合长度，计算症状重合
率。
[0021]可选地，所述将目标人群数据和症型集合输入至训练完成的症型预测模型中，输出症型相似度，包括：
[0022]对目标人群数据和症型集合的每一症型进行向量化处理，得到目标人群向量和症型向量；
[0023]根据目标人群向量提取目标人群特征，根据症型向量提取症型特征；
[0024]根据目标人群特征和症型特征进行相似度计算，得到特征的症型相似度。
[0025]可选地，所述根据目标人群向量提取目标人群特征，包括：
[0026]对症状集合中的每一症状进行特征编码，得到症状对应特征分量；
[0027]将目标人群症状集中的多个症状对应特征分量相加，得到目标人群症状向量；
[0028]分别对年龄、性别和症状重合率进行离散特征编码，得到目标人群的年龄向量、性别向量和症状重合率向量；
[0029]将年龄向量、性别向量、症状重合率向量和症状集合向量相加，得到目标人群向量。
[0030]可选地，所述症型集合包括症型症状集、病位证素集以及病性证素集；
[0031]所述根据症型向量提取症型特征，包括：
[0032]对症型症状集中的每一症型症状进行特征编码，得到每一所述症型症状对应分量；
[0033]将症型症状集中所有症型症状对应分量相加，得到症型症状集向量；
[0034]对病位证素集中的每一病位证素进行特征编码，得到每一病位证素对应病位证素分量；
[0035]将所述病位证素集中所有所述病位证素分量相加，得到病位证素向量；
[0036]对所述病性证素集中的每一病性证素进行特征编码，得到每一病性证素对应病性证素分量；
[0037]将所述病性证素集中所有所述病性证素分量相加，得到病性证素向量；
[0038]拼接所述症型症状集向量、所述病位证素向量以及所述病性证素向量，得到症型特征。
[0039]根据本申请实施例的第二方面，提供了一种症型预测模型的确定系统，所述系统包括：
[0040]数据获取模块，用于获取训练样本；其中，所述训练样本包括人群数据、症型数据以及对应的标注数据；
[0041]向量化模块，用于分别对所述人群数据以及所述症型数据进行向量化处理，得到训练人群向量以及训练症型向量；
[0042]训练特征提取模块，用于通过训练人群向量提取所述训练人群向量的训练特征；以及，通过训练症型向量提取所述训练症型向量的训练特征；
[0043]特征相似度计算模块，用于分别计算所述训练人群向量的训练特征以及所述训练症型向量的训练特征的特征相似度；
[0044]模型损失计算模块，用于基于所述特征相似度以及标注数据，计算模型损失；
[0045]训练模块，用于根据所述模型损失，更新症型预测模型，并重复执行所述获取训练
样本的步骤，直至症型预测模型收敛，以得到训练好的症型预测模型。
[0046]根据本申请实施例的第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。
[0047]根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
[0048]综上所述，本申请实施例提供了一种症型预测模型的确定方法和系统，通过分别对人群数据以及症型数据进行向量化处理，得到训练人群向量以及训练症型向量；通过训练人群向量提取所述训练人群向量的训练特征；以及，通过训练症型向量提取所述训练症型向量的训练特征；分别计算所述训练人群向量的训练特征以及所述训练症型向量的训练特征的特征相似度；基于所述特征相似度以及标注数据，计算模型损失；根据所述模型损失，更新症型预测模型，并重复执行所述获取训练样本的步骤，直至症型预测模型收敛，以得到训练好的症型预测模型。结合人群信息进行分析，得到高效且科学症型预测模型。
附图说明
[0049]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0050]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。
[0051]图1为本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种症型预测模型的确定方法，其特征在于，所述方法包括：获取训练样本；其中，所述训练样本包括人群数据、症型数据以及对应的标注数据；分别对所述人群数据以及所述症型数据进行向量化处理，得到训练人群向量以及训练症型向量；通过训练人群向量提取所述训练人群向量的训练特征；以及，通过训练症型向量提取所述训练症型向量的训练特征；分别计算所述训练人群向量的训练特征以及所述训练症型向量的训练特征的特征相似度；基于所述特征相似度以及标注数据，计算模型损失；根据所述模型损失，更新症型预测模型，并重复执行所述获取训练样本的步骤，直至症型预测模型收敛，以得到训练好的症型预测模型。2.如权利要求1所述的方法，其特征在于，所述方法还包括：获取目标人群数据和症型集合；将目标人群数据和症型集合输入至训练完成的症型预测模型中，输出症型相似度；筛选症型相似度最大的设定数目个症型为所述目标人群的最终候选症型。3.如权利要求2所述的方法，其特征在于，所述目标人群数据包括年龄、性别和症状集合。4.如权利要求2所述的方法，其特征在于，所述方法还包括：根据症状集合和症型对应的症状集取交集；基于所述交集的集合长度与所述症型对应的症状集的集合长度，计算症状重合率。5.如权利要求2或3所述的方法，其特征在于，所述将目标人群数据和症型集合输入至训练完成的症型预测模型中，输出症型相似度，包括：对目标人群数据和症型集合的每一症型进行向量化处理，得到目标人群向量和症型向量；根据目标人群向量提取目标人群特征，根据症型向量提取症型特征；根据目标人群特征和症型特征进行相似度计算，得到特征的症型相似度。6.如权利要求5所述的方法，其特征在于，所述根据目标人群向量提取目标人群特征，包括：对症状集合中的每一症状进行特征编码，得到症状对应特征分量；将目标人群症状集中的多个症状对应特征分量相加，得到目标人群症状向量；分别对年龄、性别和症状重合率进行离散特征编码，得到目标人群的年龄向量、性别向量和症状重合率向量；将年龄向量、性别向量、症状重合率向量和症状集合向量相加...

【专利技术属性】
技术研发人员：吴信朝，阮晓雯，陈远旭，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：