一种糖尿病视网膜病变辅助筛查系统技术方案

本发明专利技术公开一种糖尿病视网膜病变辅助筛查系统，涉及数据处理技术领域，系统包括：数据处理模块用于对患者病历数据依次进行文本标准化处理和文本抽取处理，以得到多元结构化数据组；知识图谱构建模块用于构建糖尿病视网膜病变规则知识图谱；病变确定模块用于将多元结构化数据组与糖尿病视网膜病变规则知识图谱中的多组案例信息分别进行相似度计算，以确定最大数据相似值；结果确定模块用于：当最大数据相似值小于设定阈值时，对多元结构化数据组进行标记；当最大数据相似值大于或等于设定阈值时，将最大数据相似值对应的案例信息确定为筛查结果。本发明专利技术能够根据病历信息高效精准地实现对糖尿病视网膜病变的筛查。实现对糖尿病视网膜病变的筛查。实现对糖尿病视网膜病变的筛查。

【技术实现步骤摘要】
一种糖尿病视网膜病变辅助筛查系统


[0001]本专利技术涉及数据处理
，特别是涉及一种糖尿病视网膜病变辅助筛查系统。

技术介绍

[0002]随着以CNN为代表的一大批深度学习模型的出现、兴起，图像分类、目标检测、语义分割等AI技术被广泛应用于当前以临床影像学为主的辅助诊断系统中，这在一定程度上减轻了影像科医生的工作强度、提高了工作效率。但是，影像学的检查结果仍处于辅助地位，在实际的临床诊断中并不能单凭影像学结果就做出正确诊断，而是需要医生综合患者病史、主诉、检查结果等各方信息才能做出最终的正确判断。所以，目前影像类AI还没有真正触及人工智能赋能医疗领域的核心内容。
[0003]另一种常见形式则是基于专家经验的规则统计模型，它利用特征工程对每位患者的各项指标进行标准化建模，将患者提供的年龄、性别、地域、病史、症状、检查结果等信息，提取为便于进行鉴别诊断的各个特征变量，再根据专家经验分别赋予不同权重，综合计算患者罹患各类疾病的风险指标，并与标准疾病库中的疾病进行症状映射和相似度计算完成最终确诊。但随着处理疾病种类的扩增以及疾病关系的繁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种糖尿病视网膜病变辅助筛查系统，其特征在于，所述系统包括：数据处理模块，用于对患者病历数据依次进行文本标准化处理和文本抽取处理，以得到多元结构化数据组；所述患者病历数据包括患者症状体征、现病史、既往病史、实验室检查结果和影像学检查结果；所述多元结构化数据组包括与所述患者病历数据对应的文字实体、不同文字实体之间的文字关系以及所述文字实体对应的文字属性；知识图谱构建模块，用于构建糖尿病视网膜病变规则知识图谱；所述糖尿病视网膜病变规则知识图谱包括多组案例信息；每组所述案例信息包括病变名称、病变症状体征、病变的实验室检查数据、病变的影像学检查数据、治疗药品和食谱护理；病变确定模块，分别与所述数据处理模块和所述知识图谱构建模块连接，用于将所述多元结构化数据组与所述糖尿病视网膜病变规则知识图谱中的多组案例信息分别进行相似度计算，以确定最大数据相似值；结果确定模块，与所述病变确定模块连接，用于：判断所述最大数据相似值是否小于设定阈值；当所述最大数据相似值小于设定阈值时，对所述多元结构化数据组进行标记；当所述最大数据相似值大于或等于设定阈值时，将所述最大数据相似值对应的案例信息确定为筛查结果。2.根据权利要求1所述的糖尿病视网膜病变辅助筛查系统，其特征在于，所述数据处理模块，具体包括：标准化统一子模块，用于根据预设数据库对所述患者病历数据进行词映射和词义消歧，以得到标准文本数据组；文本提取子模块，用于将所述标准文本数据组输入至中文命名实体识别混合模型中进行文本提取，以得到多元结构化数据组；所述中文命名实体识别混合模型是采用训练集对深度学习BiLSTM
‑
CRF模型进行训练得到的；所述深度学习BiLSTM
‑
CRF模型包括依次连接的BiLSTM层和CRF层；所述训练集包括多个样本数据；每个所述样本数据包括历史患者病历数据和标签信息；所述标签信息为所述历史患者病历数据对应的词向量；所述词向量包括文字实体向量、文字属性向量和文字关系向量。3.根据权利要求2所述的糖尿病视网膜病变辅助筛查系统，其特征在于，在中文命名实体识别混合模型的训练方面，所述文本提取子模块具体包括：训练集获取单元，用于获取多个样本数据；模型训练单元，用于将多个样本数据输入至深度学习BiLSTM
‑
CRF模型进行训练，以得到最优的深度学习BiLSTM
‑
CRF模型；所述最优的深度学习BiLSTM
‑
CRF模型为中文命名实体识别混合模型；其中，所述BiLSTM层用于对所述历史患者病历数据进行双向编码，计算所述历史患者病历数据中的文字实体、文字关系和文字属性被标注为标签信息的概率，以得到所述历史患者病历数据对应的...

【专利技术属性】
技术研发人员：代黎明，张冬冬，杨洋，
申请(专利权)人：北京至真互联网技术有限公司，
类型：发明
国别省市：