本公开涉及一种病历处理方法、装置、存储介质与芯片，涉及数据处理技术领域。该方法包括：确定电子病历对应的第一患者表示向量；以多个目标任务为学习目标，对该第一患者表示向量进行学习，得到该多个目标任务对应的损失函数值；根据该多个目标任务的损失函数值得到的联合损失函数值，对该第一患者表示向量进行更新，得到第二患者表示向量，第二患者表示向量用于对病历处理模型进行训练。使用本公开提出的病历处理方法，可以增强患者表示向量的语义表示，使用语义增强后的患者表示向量对病历处理模型进行训练后，可以提高病历处理模型的泛化能力。化能力。化能力。
【技术实现步骤摘要】
病历处理方法、装置、存储介质与芯片
[0001]本公开涉及数据处理
，尤其涉及一种病历处理方法、装置、存储介质与芯片。
技术介绍
[0002]临床辅助决策系统是利用人工智能技术为临床工作站提供智能辅助诊断、智能鉴别诊断、智能推荐治疗等功能，帮助医生提供更好的医疗服务，提升医疗质量和效率的业务应用。
[0003]相关技术中，是将患者表示学习作为一个单独的计算任务来进行实现，患者分布式表示学习是模型学习患者表示向量，来对单一固定场景下的任务进行预测，然而这种模型对其余场景下的任务预测的适应能力较弱，模型的泛化能力较弱。
技术实现思路
[0004]为克服相关技术中存在的问题，本公开提供一种病历处理方法、装置、存储介质与芯片。
[0005]根据本公开实施例的第一方面，提供一种病历处理方法，所述方法包括：
[0006]确定电子病历对应的第一患者表示向量；
[0007]以多个目标任务为学习目标，对所述第一患者表示向量进行学习，得到所述多个目标任务对应的损失函数值；
[0008]根据所述多个目标任务的损失函数值得到的联合损失函数值，对所述第一患者表示向量进行更新，得到第二患者表示向量，所述第二患者表示向量用于对病历处理模型进行训练。
[0009]可选地，所述根据多个目标任务的损失函数值得到的联合损失函数值，对所述第一患者表示向量进行更新，得到第二患者表示向量，包括：
[0010]根据所述多个目标任务的损失函数值以及所述多个目标任务的损失函数值对应的权重，得到所述联合损失函数值；
[0011]根据所述联合损失函数值，对所述第一患者表示向量进行更新，得到所述第二患者表示向量。
[0012]可选地，所述根据所述联合损失函数值，对所述第一患者表示向量进行更新，得到所述第二患者表示向量，包括：
[0013]将所述联合损失函数值作为所述多个目标任务的实际损失值；
[0014]根据所述实际损失值，调整病历处理模型；
[0015]通过调整后的所述病历处理模型，对所述第一患者表示向量进行更新，得到所述第二患者表示向量。
[0016]可选地，所述方法还包括：
[0017]以多个目标任务为学习目标，对所述第一患者表示向量进行学习，得到所述多个
目标任务的中间特征向量；
[0018]对所述多个目标任务的中间特征向量进行拼接，得到拼接向量；
[0019]以所述拼接向量对所述第二患者表示向量进行更新，得到第三患者表示向量。
[0020]可选地，所述目标任务的损失函数值通过以下步骤确定：
[0021]对所述第一患者表示向量进行解码，得到所述电子病历中就诊记录对应的预测向量；
[0022]根据所述预测向量以及所述就诊记录对应的编码向量，得到所述目标任务的损失函数值。
[0023]可选地，所述确定电子病历对应的第一患者表示向量，包括：
[0024]确定所述电子病历中不同的就诊记录对应的编码向量；
[0025]将所述编码向量转换为低维稠密向量；
[0026]根据所述不同就诊记录的低维稠密向量，得到所述第一患者表示向量。
[0027]根据本公开实施例的第二方面，提供一种病历处理装置，所述装置包括：
[0028]第一患者表示向量确定模块，被配置为确定电子病历对应的第一患者表示向量；
[0029]损失函数值确定模块，被配置为以多个目标任务为学习目标，对所述第一患者表示向量进行学习，得到所述多个目标任务对应的损失函数值；
[0030]更新模块，被配置为根据所述多个目标任务的损失函数值得到的联合损失函数值，对所述第一患者表示向量进行更新，得到第二患者表示向量，所述第二患者表示向量用于对病历处理模型进行训练。
[0031]根据本公开实施例的第三方面，提供一种病历处理装置，包括：
[0032]处理器；
[0033]用于存储处理器可执行指令的存储器；
[0034]其中，所述处理器被配置为：
[0035]执行所述可执行指令，以实现本公开实施例的第一方面提供的病历处理方法的步骤。
[0036]根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开实施例的第一方面提供的病历处理方法的步骤。
[0037]根据本公开实施例的第五方面，提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行本公开实施例的第一方面提供的病历处理方法的步骤。
[0038]本公开的实施例提供的技术方案可以包括以下有益效果：
[0039]通过上述技术方案，可以确定多个目标任务的损失函数值，再对多个目标任务的损失函数值进行融合，得到联合损失函数值，再根据联合损失函数值对第一患者表示向量进行更新，得到第二患者表示向量。
[0040]在这个过程中，第二患者表示向量是在第一患者表示向量的基础上，不断地融合了不同目标任务的损失函数值，才更新得到的，所以第二患者表示向量能够具有不同目标任务的特性，而不仅仅具备一种目标任务的特性，自然，采用能够表达各种不同目标任务的第二患者表示向量，来对病历处理模型进行训练之后，病历处理模型才能适应各种目标任务的新鲜样本，从而提高病历处理模型的泛化能力，使得病历处理模型在面对不同目标任
务时，均能得到准确的预测结果。
[0041]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0042]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0043]图1是根据一示例性实施例示出的一种病历处理方法的流程图。
[0044]图2是根据一示例性实施例示出的一种病历处理模型的框图。
[0045]图3是根据一示例性实施例示出的一种病历处理装置的框图。
[0046]图4是根据一示例性实施例示出的一种病历处理装置的框图。
[0047]图5是根据一示例性实施例示出的一种病历处理装置的框图。
具体实施方式
[0048]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0049]需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0050]相关技术中，是将患者表示学习作为一个单独的计算任务来进行实现，患者分布式表示学习是模型学习患者表示向量，来对单一固定场景下的任务进行预测，然而这种模型对其余场景下的任务预测的适应本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种病历处理方法，其特征在于，所述方法包括：确定电子病历对应的第一患者表示向量；以多个目标任务为学习目标，对所述第一患者表示向量进行学习，得到所述多个目标任务对应的损失函数值；根据所述多个目标任务的损失函数值得到的联合损失函数值，对所述第一患者表示向量进行更新，得到第二患者表示向量，所述第二患者表示向量用于对病历处理模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述根据多个目标任务的损失函数值得到的联合损失函数值，对所述第一患者表示向量进行更新，得到第二患者表示向量，包括：根据所述多个目标任务的损失函数值以及所述多个目标任务的损失函数值对应的权重，得到所述联合损失函数值；根据所述联合损失函数值，对所述第一患者表示向量进行更新，得到所述第二患者表示向量。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述联合损失函数值，对所述第一患者表示向量进行更新，得到所述第二患者表示向量，包括：将所述联合损失函数值作为所述多个目标任务的实际损失值；根据所述实际损失值，调整所述病历处理模型；通过调整后的所述病历处理模型，对所述第一患者表示向量进行更新，得到所述第二患者表示向量。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：以多个目标任务为学习目标，对所述第一患者表示向量进行学习，得到所述多个目标任务的中间特征向量；对所述多个目标任务的中间特征向量进行拼接，得到拼接向量；以所述拼接向量对所述第二患者表示向量进行更新，得到第三患者表示向量。5.根据权利要求1所述的方...
【专利技术属性】
技术研发人员：王伟光，廖霄扬，蔡巍，张霞，
申请(专利权)人：沈阳东软智能医疗科技研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。