一种皮肤病检测模型的训练方法、装置和存储介质制造方法及图纸

本发明专利技术公开一种皮肤病检测模型的训练方法、装置和存储介质。其中，所述方法应用于边缘计算节点；所述方法包括：基于皮肤病相关的第一数据构建初始模型；所述初始模型包括用于检测皮肤病患处的更快的区域卷积神经网络(fast

【技术实现步骤摘要】
一种皮肤病检测模型的训练方法、装置和存储介质


[0001]本专利技术涉及皮肤病检测
，尤其涉及一种皮肤病检测模型的训练方法、装置和存储介质。

技术介绍

[0002]相关技术中，由于医疗相关的数据集往往涉及病人隐私，所以在获取后必须进行脱敏操作，大部分医院对患者信息比较敏感，不愿增加患者信息泄露的风险，算法工程师往往较难从医院直接获取医疗数据；获取医院医疗数据的中间环节多，审批、谈判、合规性流程长，在部分医疗领域会使来之不易的数据丧失时效性。如果在传输或存储过程中遭受黑客攻击(如传输工程中被抓包拦截，云服务器/数据库被破解)，很容易导致用户数据泄露的安全性问题。当进行皮肤病检测模型的训练时，由于前期每种皮肤病的样本数量不均衡，往往只能先对某几种皮肤病进行建模训练，而皮肤病的种类繁多，当后续新的皮肤病数据集数量或质量达到可训练的标准时，必须重新建模进行训练，浪费了大量的时间和计算资源。针对该问题，目前尚无有效解决方案。

技术实现思路

[0003]为解决现有存在的技术问题，本专利技术的主要目的在于提供一种皮肤病检测模型的训练方法、装置和存储介质。
[0004]为达到上述目的，本专利技术实施例的技术方案是这样实现的：
[0005]第一方面，本专利技术提供一种皮肤病检测模型的训练方法，应用于边缘计算节点；所述方法包括：
[0006]基于皮肤病相关的第一数据构建初始模型；所述初始模型包括用于检测皮肤病患处的更快的区域卷积神经网络(faster region based Convolutional Neural Network，fast
‑
RCNN)和用于分类患者病症描述的双向编码(Bidirectional Encoder Representations from Transformer，BERT)；
[0007]当新类别的皮肤病出现时，获取所述新类别的皮肤病相关的第二数据；
[0008]对所述初始模型的输出层的节点进行扩展，得到包括扩展节点的目标模型；
[0009]根据所述第一数据和所述第二数据对所述目标模型进行增量学习训练；得到所述目标模型对应的损失函数；
[0010]基于所述损失函数更新所述目标模型的参数。
[0011]在上述方案中，所述根据所述第一数据和所述第二数据对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数，包括：
[0012]按预设比例抽取所述第一数据对应的第一数据集；
[0013]采用所述初始模型对所述第二数据进行学习训练，得到所述第二数据对应的第二数据集；
[0014]对所述第一数据集中的数据和所述第二数据集中是数据进行整合，得到目标数据
集；
[0015]基于所述目标数据集对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数。
[0016]在上述方案中，所述扩展节点对应的第一权重包括所述输出层的节点对应的第二权重；所述基于所述目标数据集对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数，包括：
[0017]对所述目标数据集中数据进行划分，得到目标训练数据和目标测试数据；所述目标训练数据的数量至少是所述目标测试数据的数量的两倍；
[0018]在所述第二权重的值保持不变的情况下，根据所述第一权重和所述第二权重确定权重的梯度变化参数；
[0019]基于所述梯度变化参数对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数。
[0020]在上述方案中，所述第一数据包括患者描述所述皮肤病的第一标注数据、实验检查所述皮肤病对应结果的第二标注数据、被剪切后的所述皮肤病对应图片的第三标注数据、所述皮肤病的原发性皮损对应的第一特征和继发性皮损对应的第二特征；所述基于皮肤病相关的第一数据构建初始模型，包括：
[0021]基于所述第一标注数据构建第一初始子模型；
[0022]基于所述第二标注数据构建第二初始子模型；
[0023]基于所述第三标注数据构建第三初始子模型；
[0024]基于所述第一特征和所述第二特征构建第四初始子模型；
[0025]根据所述第一初始子模型、所述第二初始子模型、所述第三初始子模型和所述第四初始子模型确定初始模型。
[0026]在上述方案中，所述基于所述第一标注数据构建第一初始子模型，包括：
[0027]基于所述第一标注数据确定第一训练数据和第一测试数据；所述第一训练数据的数量至少是所述第一测试数据的数量的两倍；
[0028]将所述第一训练数据和所述第一测试数据输入所述BERT模型进行归一化训练，得到所述BERT模型对应的损失函数；
[0029]根据所述BERT模型对应的损失函数确定所述BERT模型的第一目标参数；
[0030]基于所述第一目标参数更新所述BERT模型，构建第一初始子模型。
[0031]在上述方案中，所述方法还包括：
[0032]根据医生对所述皮肤病患处进行实验检查，得到所述实验检查所述皮肤病对应结果的第二标注数据。
[0033]在上述方案中，所述基于所述第三标注数据构建第三初始子模型，包括：
[0034]基于所述第三标注数据确定第二训练数据和第二测试数据；所述第二训练数据的数量至少是所述第二测试数据的数量的两倍；
[0035]将所述第二训练数据和所述第二测试数据输入所述fast
‑
RCNN模型进行归一化训练，得到所述fast
‑
RCNN模型对应的损失函数；
[0036]根据所述fast
‑
RCNN模型对应的损失函数确定所述fast
‑
RCNN模型的第二目标参数；
[0037]基于所述第二目标参数更新所述fast
‑
RCNN模型，构建第三初始子模型。
[0038]在上述方案中，所述方法还包括：
[0039]获取医生对所述被剪切后的所述皮肤病图片的描述信息；
[0040]根据所述描述信息确定所述皮肤病的原发性皮损对应的第一特征和继发性皮损对应的第二特征。
[0041]第二方面，本专利技术还提供一种皮肤病检测模型的训练装置，所述装置应用于边缘计算节点；所述装置包括构建单元、获取单元、扩展单元、训练单元和更新单元，其中，
[0042]所述构建单元，用于基于皮肤病相关的第一数据构建初始模型；所述初始模型包括用于检测皮肤病患处的fast
‑
RCNN和用于分类患者病症描述的BERT；
[0043]所述获取单元，用于当新类别的皮肤病出现时，获取所述新类别的皮肤病相关的第二数据；
[0044]所述扩展单元，用于对所述初始模型的输出层的节点进行扩展，得到包括扩展节点的目标模型；
[0045]所述训练单元，用于根据所述第一数据和所述第二数据对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数；
[0046]所述更新单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种皮肤病检测模型的训练方法，其特征在于，应用于边缘计算节点；所述方法包括：基于皮肤病相关的第一数据构建初始模型；所述初始模型包括用于检测皮肤病患处的更快的区域卷积神经网络fast
‑
RCNN和用于分类患者病症描述的双向编码BERT；当新类别的皮肤病出现时，获取所述新类别的皮肤病相关的第二数据；对所述初始模型的输出层的节点进行扩展，得到包括扩展节点的目标模型；根据所述第一数据和所述第二数据对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数；基于所述损失函数更新所述目标模型的参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一数据和所述第二数据对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数，包括：按预设比例抽取所述第一数据对应的第一数据集；采用所述初始模型对所述第二数据进行学习训练，得到所述第二数据对应的第二数据集；对所述第一数据集中的数据和所述第二数据集中的数据进行整合，得到目标数据集；基于所述目标数据集对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数。3.根据权利要求2所述的方法，其特征在于，所述扩展节点对应的第一权重包括所述输出层的节点对应的第二权重；所述基于所述目标数据集对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数，包括：对所述目标数据集中的数据进行划分，得到目标训练数据和目标测试数据；所述目标训练数据的数量至少是所述目标测试数据的数量的两倍；在所述第二权重的值保持不变的情况下，根据所述第一权重和所述第二权重确定权重的梯度变化参数；基于所述梯度变化参数对所述目标模型进行增量学习训练，得到所述目标模型对应的损失函数。4.根据权利要求1所述的方法，其特征在于，所述第一数据包括患者描述所述皮肤病的第一标注数据、实验检查所述皮肤病对应结果的第二标注数据、被剪切后的所述皮肤病对应图片的第三标注数据、所述皮肤病的原发性皮损对应的第一特征和继发性皮损对应的第二特征；所述基于皮肤病相关的第一数据构建初始模型，包括：基于所述第一标注数据构建第一初始子模型；基于所述第二标注数据构建第二初始子模型；基于所述第三标注数据构建第三初始子模型；基于所述第一特征和所述第二特征构建第四初始子模型；根据所述第一初始子模型、所述第二初始子模型、所述第三初始子模型和所述第四初始子模型确定所述初始模型。5.根据权利要求4所述的方法，其特征在于，所述基于所述第一标注数据构建第一初始子模型，包括：基于所述第一标注数据确定第...

【专利技术属性】
技术研发人员：梁乃文，刘佳，张玲，郑海燕，钱琦，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：