一种多疾病智能干预模型及训练方法技术

本发明专利技术公开了一种多疾病智能干预模型及训练方法，具体按以下步骤执行：首先进行疾病数据的病例预处理；通过疾病预处理数据进行模型训练；通过改变训练集进行模型干预训练；输出模型，干预训练首先进行疾病数据随机分块，具体包括疾病初筛判断名、挂号名、初步诊断名、检查单名、检查数据、确诊名，然后通过CNN+TL进行数据训练，并生成训练模型，对训练好的模型进行干预训练，一提高模型的识别精度；首先对训练好的数据模型的训练数据进行标签再分类，将训练集的数据进行重新划分类别，再将分类标签的数据进行模型干预训练。本发明专利技术基于基于历史数据的真理和模型训练，在模型使用较长时间后，通过对模型进行干预，一提高模型基于数据的识别精度。的识别精度。的识别精度。

【技术实现步骤摘要】
一种多疾病智能干预模型及训练方法


[0001]本专利技术涉及疾病预测
，具体为一种多疾病智能干预模型及训练方法。

技术介绍

[0002]在目前医疗资源分布不均衡给社区医生带来了巨大挑战，同时很难训练充足的医生来缓解巨大的医疗压力.随着软硬件迅速发展，信息化技术广泛应用于医疗诊断过程中，为医学诊疗提供辅助支撑.临床辅助决策支持系统(ClinicalDecisionSupportSystem，CDSS)根据患者当前的病症信息，依据系统知识库和推理分析计算，对病情进行分析预测，为制定诊疗方案提供辅助支持信息，是一种十分有效的辅助诊断方法，其中疾病预测模型是CDSS的核心组成部分.目前，主流的疾病预测模型以门诊病历临床表现为训练数据集，利用机器学习和数据挖掘技术训练疾病预测模型，从而实现依据患者现有信息进行疾病预测分析；但是由于模型训练是针对部分历史的数据，在模型使用时间长后，会有很多新的疾病数据出现，所以就需要对训练好的数据模型进行针对性的干预，以提高新的模型的数据识别精度；所以就需要一种多疾病智能干预模型及训练方法。

技术实现思路

[0003]本专利技术的目的在于提供一种多疾病智能干预模型及训练方法；基于历史数据的真理和模型训练，并通过训练模型进行预测疾病数据，在模型使用较长时间后，通过对模型进行干预，一提高模型基于数据的识别精度，能帮助医生进行病情评估和诊断疗程的进行预判，帮助病人了解病情发展情况。
[0004]本专利技术是这样实现的：
[0005]一种多疾病智能干预模型及训练方法，具体按以下步骤执行：
[0006]S1:首先进行疾病数据的病例预处理；
[0007]S2:通过疾病预处理数据进行模型训练；
[0008]S3:通过改变训练集进行模型干预训练；
[0009]S4:输出模型。
[0010]进一步，在步骤S1中，首先进行疾病数据随机分块，具体包括疾病初筛判断名、挂号名、初步诊断名、检查单名、检查数据、确诊名的数据，然后通过CNN+TL进行数据训练，并生成训练模型。
[0011]进一步，在步骤S3中，对训练好的模型进行干预训练，一提高模型的识别精度；首先对训练好的数据模型的训练数据进行标签再分类，将训练集的数据进行重新划分类别，再将分类标签的数据进行模型干预训练，如式(1)；
[0012][0013]其中，CJ,为数据标签。
[0014]进一步，对训练后的新数据干预模型，进行输入临床数据进行验证。
[0015]进一步，其中数据训练的模型还包括卷积神经网络、CNN+TL+DS中的一种或多种。
[0016]进一步，所述程序被主控制器执行时实现如权利要求3
‑
5中任一项所述的方法。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018]1、通过数据的模型训练，针对疾病的类型和类别进行训练出相应的识别预测模型，并通过多模型的干预训练，能实现对模型进行正确的纠正，对新的疾病的数据的预测能提高正确率。
附图说明
[0019]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
[0020]图1是本专利技术的方法流程图。
具体实施方式
[0021]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0022]请参阅图1，一种多疾病智能干预模型及训练方法，具体按以下步骤执行：
[0023]S1:首先进行疾病数据的病例预处理；
[0024]S2:通过疾病预处理数据进行模型训练；
[0025]S3:通过改变训练集进行模型干预训练；
[0026]S4:输出模型。
[0027]本实施例中，在步骤S1中，首先进行疾病数据随机分块，具体包括疾病初筛判断名、挂号名、初步诊断名、检查单名、检查数据、确诊名的数据，然后通过CNN+TL进行数据训练，并生成训练模型。
[0028]本实施例中，在步骤S3中，对训练好的模型进行干预训练，一提高模型的识别精度；首先对训练好的数据模型的训练数据进行标签再分类，将训练集的数据进行重新划分类别，再将分类标签的数据进行模型干预训练，如式(1)；
[0029][0030]其中，CJ,为数据标签。
[0031]本实施例中，对训练后的新数据干预模型，进行输入临床数据进行验证。
[0032]本实施例中，其中数据训练的模型还包括卷积神经网络、CNN+TL+DS中的一种或多
种。
[0033]本实施例中，所述程序被主控制器执行时实现如上述中任一项所述的方法。
[0034]以上所述仅为本专利技术的优选实施方式而已，并不用于限制本专利技术，对于本领域的技术人员来说，本专利技术可以有各种更改和变化。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多疾病智能干预模型及训练方法，其特征在于，具体按以下步骤执行：S1:首先进行疾病数据的病例预处理；S2:通过疾病预处理数据进行模型训练；S3:通过改变训练集进行模型干预训练；S4:输出模型。2.根据权利要求1所述的一种多疾病智能干预模型及训练方法，其特征在于，在步骤S1中，首先进行疾病数据随机分块，具体包括疾病初筛判断名、挂号名、初步诊断名、检查单名、检查数据、确诊名的数据，然后通过CNN+TL进行数据训练，并生成训练模型。3.根据权利要求1所述的一种多疾病智能干预模型及训练方法，其特征在于，在步骤S3中，对训练好的模型进行干预训练，一提高模型的识别精度；首先对训练好的数据模...

【专利技术属性】
技术研发人员：林继，陈鄞杰，浦绍将，杨光明，赵亚霖，方宝文，
申请(专利权)人：云南达远软件有限公司，
类型：发明
国别省市：