一种信息推荐方法、装置、存储介质及电子设备制造方法及图纸

本说明书公开了一种信息推荐方法、装置、存储介质及电子设备，本说明书实施例在获取针对用户的病灶部位所采集的图像之后，将图像输入到分类模型中，通过分类模型确定出各特征数据，并确定每个特征数据归属于每种症状的概率。基于每个特征数据归属于每种症状的概率和每个特征数据，确定每种症状对应的症状特征。将每种症状对应的症状特征进行拼接得到综合症状特征，并基于综合症状特征识别出用户所患的疾病。在此方法中，可以将病灶处的各症状进行解耦，得到每种症状的症状特征，再基于每种症状的症状特征确定出患者所患的疾病，这样可以有效提高对相似症状的疾病进行分类的准确性。性。性。

【技术实现步骤摘要】
一种信息推荐方法、装置、存储介质及电子设备


[0001]本说明书涉及医疗领域，尤其涉及一种信息推荐方法、装置、存储介质及电子设备。

技术介绍

[0002]随着人工智能技术的不断进步，人工智能与医学的结合获得长久的发展和广泛的关注。
[0003]现有技术中，可以通过传统神经网络，对患者的医学影像进行分类，以诊断出患者所患的疾病。
[0004]然而，现有技术中传统神经网络只能对症状明显或症状独立的疾病进行分类，如：骨骼异常、乳腺癌异常就是症状明显或症状独立的疾病。但是，在诸如角膜炎等这类疾病上，这类疾病可以进行更细致的疾病种类划分，比如：真菌角膜炎、细菌角膜炎，这些更细致的疾病种类所表现出的症状比较接近，且在病灶处耦合多种症状，导致现有技术无法对更细致的疾病种类进行有效分类。

技术实现思路

[0005]本说明书实施例提供一种信息推荐方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
[0006]本说明书实施例采用下述技术方案：
[0007]本说明书提供的一种信息推荐方法，包括：
...

【技术保护点】

【技术特征摘要】
1.一种信息推荐方法，其特征在于，所述方法包括：获取针对用户的病灶部位所采集的图像；将所述图像输入到预先训练的分类模型中，以通过所述分类模型中的第一全连接层输出各特征数据；将所述各特征数据输入所述分类模型中的症状分类层，以通过所述症状分类层，针对每种症状，确定每个特征数据归属于该种症状的概率；将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层，以通过所述融合层，针对每种症状，基于每个特征数据归属于该种症状的概率以及所述各特征数据，确定该种症状对应的融合特征；将每种症状对应的融合特征输入到所述分类模型中的第二全连接层，以通过所述第二全连接层输出每种症状对应的症状特征；将每种症状对应的症状特征输入所述分类模型中的拼接层，以通过所述拼接层，将每种症状对应的症状特征进行拼接，得到综合症状特征；将所述综合症状特征输入所述分类模型中的疾病分类层，以通过所述疾病分类层，基于所述综合症状特征，识别出所述用户所患的疾病；基于识别出的所述用户所患的疾病，进行信息推荐。2.如权利要求1所述的方法，其特征在于，将所述图像输入到预先训练的分类模型中，以通过所述分类模型中的第一全连接层输出各特征数据，具体包括：将所述图像输入到预先训练的分类模型中，以通过所述分类模型中的编码层，对所述图像进行特征提取，得到图像特征；将所述图像特征输入到所述分类模型中的池化层，以通过所述池化层输出池化后特征；将所述池化后特征输入到所述分类模型中的第一全连接层，以通过所述第一全连接层输出所述病灶部位所表征的各特征数据。3.如权利要求1所述的方法，其特征在于，基于每个特征数据归属于该种症状的概率以及所述各特征数据，确定该种症状对应的融合特征，具体包括：针对每个特征数据，将该特征数据归属于该种症状的概率与该特征数据进行相乘，得到该特征数据对应的局部特征；将每个特征数据对应的局部特征进行累加，得到该种症状对应的融合特征。4.如权利要求1所述的方法，其特征在于，获取针对用户的病灶部位所采集的图像，具体包括：获取针对用户的病灶部位所采集的全局图像以及获取针对用户的病灶部位所采集的局部图像；将所述图像输入到预先训练的分类模型中，以通过所述分类模型中的第一全连接层输出各特征数据，具体包括：将所述全局图像和所述局部图像输入到预先训练的分类模型中，以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据，作为各第一特征数据，以及输出所述局部图像对应的各特征数据，作为各第二特征数据；将所述各特征数据输入所述分类模型中的症状分类层，以通过所述症状分类层，针对
每种症状，确定每个特征数据归属于该种症状的概率，具体包括：将所述各第一特征数据输入所述分类模型中的第一症状分类层，以通过所述第一症状分类层，针对每种症状，确定每个第一特征数据归属于该种症状的概率；将所述各第二特征数据输入所述分类模型中的第二症状分类层，以通过所述第二症状分类层，针对每种症状，确定每个第二特征数据归属于该种症状的概率；将所述各特征数据以及每个特征数据归属于每种症状的概率输入到所述分类模型中的融合层，以通过所述融合层，针对每种症状，基于每个特征数据归属于该种症状的概率以及所述各特征数据，确定该种症状对应的融合特征，具体包括：将所述各第一特征数据以及每个第一特征数据归属于每种症状的概率输入到所述分类模型中的第一融合层，以通过所述第一融合层，针对每种症状，基于每个第一特征数据归属于该种症状的概率以及所述各第一特征数据，确定该种症状对应的第一融合特征；将所述各第二特征数据以及每个第二特征数据归属于每种症状的概率输入到所述分类模型中的第二融合层，以通过所述第二融合层，针对每种症状，基于每个第二特征数据归属于该种症状的概率以及所述各第二特征数据，确定该种症状对应的第二融合特征；将该种症状对应的第一融合特征以及该种症状对应的第二融合特征输入到所述分类模型中的第三融合层，以通过所述第三融合层，将该种症状对应的第一融合特征与该种症状对应的第二融合特征进行融合，得到该种症状对应的综合融合特征；将每种症状对应的融合特征输入到所述分类模型中的第二全连接层，以通过所述第二全连接层输出每种症状对应的症状特征，具体包括：将每种症状对应的综合融合特征输入到所述分类模型中的第二全连接层，以通过所述第二全连接层输出每种症状对应的症状特征。5.如权利要求4所述的方法，其特征在于，获取针对用户的病灶部位所采集的局部图像，具体包括：将所述全局图像输入到预先训练的注意力机制模型中，以通过所述注意力机制模型确定出所述全局图像中位于病灶部分的像素集合，作为第一集合；将所述全局图像输入到预先训练的分割模型中，以通过所述分割模型确定出所述全局图像中位于病灶部分的像素集合，作为第二集合；其中，所述注意力机制模型和所述分割模型是采用不同训练方式进行训练的；确定所述第一集合和所述第二集合中的公共像素点；从所述全局图像中确定出包含所述公共像素点的最小外接矩形的图像区域，作为局部图像。6.如权利要求4所述的方法，其特征在于，所述第一全连接层包括：第一子全连接层和第二子全连接层；将所述全局图像和所述局部图像输入到预先训练的分类模型中，以通过所述分类模型中的第一全连接层输出所述全局图像对应的各特征数据，作为各第一特征数据，以及输出所述局部图像对应的各特征数据，作为各第二特征数据，具体包括：将所述全局图像和所述局部图像输入到预先训练的分类模型中，以通过所述分类模型中的第一编码层，对所述全局图像进行特征提取，得到第一图像特征；通过所述分类模型中的第二编码层，对所述局部图像进行特征提取，得到第二图像特征；
将所述第一图像特征输入到所述分类模型中的池化层，以通过所述池化层输出第一池化后特征；将所述第二图像特征输入到所述分类模型中的池化层，以通过所述池化层输出第二池化后特征；将所述第一池化后特征输入到所述分类模型中的第一子全连接层，以通过所述第一子全连接层输出所述全局图像对应的各特征数据，作为各第一特征数据；将所述第二池化后特征输入到所述分类模型中的第二子全连接层，以通过所述第二子全连接层输出所述局部图像对应的各特征数据，作为各第二特征数据。7.如权利要求6所述的方法，其特征在于，将每种症状对应的症状特征进行拼接，得到综合症状特征，具体包括：将每种症状对应的症状特征进行拼接，得到拼接后特征；将所述拼接后特征与所述第一池化后特征进行拼接，得到综合症状特征。8.如权利要求1所述的方法，其特征在于，在获取针对用户的病灶部位所采集的图像之前，所述方法还包括：获取针对患者的病灶部位所采集的样本图像；将所述样本图像输入到待训练的分类模型中，以通过所述分类模型中的第一全连接层输出各待优化特征数据；将所述各待优化特征数据输入所述分类模型中的症状分类层，以通过所述症状分类层，针对每种症状，确定每个待优化特征数据归属于该种症状的概率；将所述各待优化特征数据以及每个待优化特征数据归属于每种症状的概率输入到所述分类模型中的融合层，以通过所述融合层，针对每种症状，基于每个待优化特征数据归属于该种症状的概率以及所述各待优化特征数据，确定该种症状对应的待优化融合特征；将每种症状对应的待优化融合特征输入到所述分类模型中的第二全连接层，以通过所述第二全连接层输出每种症状对应的待优化症状特征；将每种症状对应的待优化症状特征输入所述分类模型中的拼接层，以通过所述拼接层，将每种症状对应的待优化症状特征进行拼接，得到待优化综合症状特征；将所述待优化综合症...

【专利技术属性】
技术研发人员：黄正行，李金绪，张梦璘，潘淑，
申请(专利权)人：浙江大学，
类型：发明
国别省市：