病症分类模型的训练方法、装置、终端及可读存储介质制造方法及图纸

本申请实施例涉及人工智能技术领域，具体提供了一种病症分类模型的训练方法、装置、终端及可读存储介质。该方法包括：获得图像数据、结构化数据和类别标签；将图像数据输入至病症分类模型的特征提取网络获得第一特征向量；将结构化数据输入至病症分类模型的特征筛选网络获得第二特征向量；将第一特征向量和第二特征向量输入至病症分类模型的特征拼接网络，获得目标训练样本的第三特征向量；将第三特征向量输入至病症分类模型的特征分类网络获得预测类别和预测类别的预测概率，并根据预测类别、所述预测概率和类别标签构建损失函数；基于训练样本和损失函数对病症分类模型进行迭代更新，得到目标病症分类模型，提高了病症识别的准确率。别的准确率。别的准确率。

【技术实现步骤摘要】
病症分类模型的训练方法、装置、终端及可读存储介质


[0001]本申请涉及人工智能
，尤其涉及病症分类模型的训练方法、装置、终端及可读存储介质。

技术介绍

[0002]鼻咽坏死是耳鼻咽喉头颈部良恶性疾病放射治疗严重的并发症，其中约三分之一的鼻咽坏死患者合并肿瘤浸润，即肿瘤浸润性鼻咽坏死，这类患者相较无肿瘤浸润性鼻咽坏死患者，预后更差，治疗更复杂。
[0003]目前肿瘤浸润性鼻咽坏死的诊断主要依靠放射科医生对核磁共振技术的医学影像来辅助诊断，医生利用传统的成像方式来对肿瘤浸润性鼻咽坏死进行诊断的方式表现有限，该方法主要取决于放射科医生经验的判断。首先鼻咽坏死在核磁共振上的轮廓不规则，边缘不清晰，与周围组织的边界不明显。其次肿瘤浸润性鼻咽坏死只占整个坏死区域的一部分，而坏死区域周围是各种各样的结构，这给医生的判断造成一定的困难。
[0004]随着计算机科学技术的飞速发展，现已有非常多的人工智能手段应用于医疗服务行业，进而让患者享受安全、便利、优质的诊疗服务。但是在现有技术中肿瘤浸润性鼻咽坏死的诊断的预测准确性较低、效能有限亟需借助更丰富的信息、先进的数据挖掘以及数据分析的手段，进一步提升模型的预测效果。

技术实现思路

[0005]本申请实施例的主要目的在于提供一种病症分类模型的训练方法、装置、终端及可读存储介质，旨在解决肿瘤浸润性鼻咽坏死的诊断的预测准确性较低问题，进而提高利用模型诊断病症的准确性。
[0006]第一方面，本申请实施例提供一种病症分类模型的训练方法，包括：/>[0007]获得目标训练样本，所述目标训练样本包括图像数据、结构化数据和类别标签，所述图像数据为样本患者的医学图像，所述结构化数据为样本患者的个人结构化数据。
[0008]将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量。
[0009]将所述结构化数据输入至所述病症分类模型的特征筛选网络，获得所述结构化数据对应的第二特征向量。
[0010]将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所述目标训练样本的第三特征向量。
[0011]将所述第三特征向量输入至所述病症分类模型的特征分类网络获得所述目标训练样本的预测类别和所述预测类别的预测概率，并根据所述预测类别、所述预测类别的预测概率和所述类别标签构建损失函数。
[0012]基于所述训练样本和所述损失函数对所述病症分类模型进行迭代更新，得到目标病症分类模型。
[0013]第二方面，本申请实施例还提供一种病症分类模型训练装置，包括：
[0014]数据获取模块，用于获得目标训练样本，所述目标训练样本包括图像数据、结构化数据和类别标签，所述图像数据为样本患者的医学图像，所述结构化数据为样本患者的个人结构化数据；
[0015]图像特征提取模块，用于将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量；
[0016]数据特征提取模块，用于将所述结构化数据输入至所述病症分类模型的特征筛选网络，获得所述结构化数据对应的第二特征向量；
[0017]特征拼接模块，用于将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所述目标训练样本的第三特征向量；
[0018]数据分析模块，用于将所述第三特征向量输入至所述病症分类模型的特征分类网络获得所述目标训练样本的预测类别和所述预测类别的预测概率，并根据所述预测类别、所述预测类别的预测概率和所述类别标签构建损失函数；
[0019]数据更新模块，用于基于所述训练样本和所述损失函数对所述病症分类模型进行迭代更新，得到目标病症分类模型。
[0020]第三方面，本申请实施例还提供一种终端设备，终端包括处理器、存储器、存储在存储器上并可被处理器执行的计算机程序以及用于实现处理器和存储器之间的连接通信的数据总线，其中计算机程序被处理器执行时，实现如本申请说明书提供的任一项病症分类模型的训练方法的步骤。
[0021]第四方面，本申请实施例还提供一种存储介质，用于计算机可读存储，其特征在于，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如本申请说明书提供的任一项的病症分类模型的训练方法的步骤。
[0022]本申请实施例提供一种病症分类模型的训练方法、装置、终端以及存储介质，其中，该训练方法包括获得目标训练样本，目标训练样本包括图像数据、结构化数据和类别标签，图像数据为样本患者的医学图像，结构化数据为样本患者的个人结构化数据；将图像数据输入至待训练的病症分类模型的特征提取网络，获得图像数据对应的第一特征向量；将结构化数据输入至病症分类模型的特征筛选网络，获得结构化数据对应的第二特征向量；将第一特征向量和第二特征向量输入至病症分类模型的特征拼接网络，获得目标训练样本的第三特征向量；将第三特征向量输入至病症分类模型的特征分类网络获得目标训练样本的预测类别和预测类别的预测概率，并根据预测类别、预测类别的预测概率和所述类别标签构建损失函数；基于训练样本和损失函数对病症分类模型进行迭代更新，得到目标病症分类模型。从而可以利用得到的目标病症分类模型对患者的信息进行处理得到患者的病症分类结果。在目标病症分类模型训练时考虑到患者多模态信息，将不同模态的信息进行特征融合，进而可以有效的利用多个模态的信息，也提高病症分类模型识别的准确率。
附图说明
[0023]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
[0024]图1为本申请实施例提供的一种病症分类模型的训练方法的流程示意图；
[0025]图2为本申请实施例提供的一种病症分类模型的训练方法的数据传输示意图；
[0026]图3为本申请实施例提供的一种病症分类模型的训练数据分布示意图；
[0027]图4为本申请实施例提供的一种病症分类模型的具体效果示意图；
[0028]图5为本申请实施例提供的一种病症分类模型、深度学习模型和影像组学模型的分析结果；
[0029]图6为本申请实施例提供的一种临床诊断和病症分类模型预测结果的比较结果示意图；
[0030]图7为本申请实施例提供的一种病症分类模型的训练装置的模块结构示意图；
[0031]图8为本申请实施例提供的一种终端设备的结构示意框图。
具体实施方式
[0032]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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例，都属于本申请保护的范围。
[0033]附图中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病症分类模型的训练方法，其特征在于，所述训练方法包括：获得目标训练样本，所述目标训练样本包括图像数据、结构化数据和类别标签，所述图像数据为样本患者的医学图像，所述结构化数据为样本患者的个人结构化数据；将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量；将所述结构化数据输入至所述病症分类模型的特征筛选网络，获得所述结构化数据对应的第二特征向量；将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所述目标训练样本的第三特征向量；将所述第三特征向量输入至所述病症分类模型的特征分类网络获得所述目标训练样本的预测类别和所述预测类别的预测概率，并根据所述预测类别、所述预测类别的预测概率和所述类别标签构建损失函数；基于所述训练样本和所述损失函数对所述病症分类模型进行迭代更新，得到目标病症分类模型。2.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述获得目标训练样本包括：获取患者数据；将所述患者数据经过数据预处理，得到结构化数据。3.根据权利要求1所述的病症分类模型的训练方法，其特征在于，将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量之前，还包括：获得训练数据，所述训练数据包括第一图片和第一特征信息，所述第一特征信息为所述第一图片中目标对象的像素特征信息；将所述第一图片输入至初始特征提取网络，获得第二特征信息；根据所述第一特征信息和所述第二特征信息确定第一损失函数；根据所述训练数据和所述第一损失函数对初始特征提取网络进行迭代更新，得到待训练的病症分类模型的特征提取网络。4.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述特征筛选网络包括特征分析网络和特征选择网络；所述将所述结构化数据输入至所述病症分类模型的特征筛选网络，获得所述结构化数据对应的第二特征向量，包括：将所述结构化数据输入至所述特征分析网络进行特征分析，获得所述结构化数据中特征分析结果；将所述特征分析结果输入至所述特征选择网络进行特征筛选，获得所述结构化数据对应的第二特征向量。5.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述特征拼接网络包括特征池化层和特征全连接层；所述将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所...

【专利技术属性】
技术研发人员：杨琦，陈明远，林超，黄国恒，
申请(专利权)人：中山大学肿瘤防治中心中山大学附属肿瘤医院，中山大学肿瘤研究所，
类型：发明
国别省市：