本发明专利技术涉及医疗数据处理领域，公开了一种医疗模型训练方法、医疗数据分析方法、装置及相关设备，所述方法包括：获取图结构和每个医疗客户端对应的局部模型参数；对所述图结构中的每个节点进行特征提取，得到每个所述节点的结构特征；采用拉普拉斯核函数，对所述图结构中任意两个节点进行相似度计算，得到相似度结果；对满足预设条件的相似度结果对应的两个节点构造伪边，并根据构造的所有伪边确定伪边图结构；将所述伪边图结构和所述图结构融合，得到增强图结构；基于所述增强图结构，对所述初始医疗模型进行训练，当满足训练结束条件时，将训练得到的模型作为医疗模型。采用本发明专利技术提高对医疗数据分析的准确率。高对医疗数据分析的准确率。高对医疗数据分析的准确率。
【技术实现步骤摘要】
医疗模型训练方法、医疗数据分析方法、装置及相关设备
[0001]本专利技术涉及医疗数据处理领域，尤其涉及一种医疗模型训练方法、医疗数据分析方法、装置及相关设备。
技术介绍
[0002]在现实中，在各大医疗机构的信息化建设过程中，对医疗数据存在医疗数据孤岛的问题，各大医疗机构的医疗数据均为隐私数据，不能直接用于研究。现有解决数据孤岛问题的方法是联邦学习。联邦学习允许各个医疗机构在不分享医疗数据的前提下，分布式地训练一个人工智能模型，打破了医疗机构之间的“数据孤岛”局面。联邦学习只要求分享模型参数，而不需要分享数据，降低了数据泄露的可能性。但在面临客户端数据分布不平衡时，由联邦学习获得的模型往往会表现出不准确、不公平的结果，从而造成对医疗数据进行分析时，分析结果准确率不高。
[0003]因此，在客户端数据分布不平衡的情况下，存在对医疗数据进行分析的准确率低的技术问题。
技术实现思路
[0004]本专利技术实施例提供一种医疗模型训练方法、医疗数据分析方法、装置及相关设备，以提高对医疗数据分析的准确率。
[0005]为了解决上述技术问题，本申请实施例提供一种医疗模型训练方法，包括：获取图结构和每个医疗客户端对应的局部模型参数，其中，所述局部模型参数是指所述医疗客户端对初始医疗模型训练得到的参数，所述图结构包括连接边和节点，一个节点对应一个所述医疗客户端和所述医疗客户端对应的局部模型参数，所述连接边用于连接节点；对所述图结构中的每个节点进行特征提取，得到每个所述节点的结构特征；采用拉普拉斯核函数，对所述图结构中任意两个节点进行相似度计算，得到相似度结果；对满足预设条件的相似度结果对应的两个节点构造伪边，并根据构造的所有伪边确定伪边图结构；将所述伪边图结构和所述图结构融合，得到增强图结构；基于所述增强图结构，对所述初始医疗模型进行训练，当满足训练结束条件时，将训练得到的模型作为医疗模型。
[0006]为了解决上述技术问题，本申请实施例提供一种医疗数据分析方法，包括：获取待分析医疗数据；
[0007]将所述待分析医疗数据输入本地医疗模型中进行分析，得到分析结果，其中，所述本地医疗模型为通过医疗客户端训练得到的模型，所述医疗模型为根据上述医疗模型训练方法训练得到的模型。
[0008]为了解决上述技术问题，本申请实施例还提供一种医疗模型训练装置，包括：模型参数获取模块，用于获取图结构和每个医疗客户端对应的局部模型参数，其中，所述局部模型参数是指所述医疗客户端对初始医疗模型训练得到的参数，所述图结构包括连接边和节点，一个节点对应一个所述医疗客户端和所述医疗客户端对应的局部模型参数，所述连接边用于连接节点；结构特征确定模块，用于对所述图结构中的每个节点进行特征提取，得到每个所述节点的结构特征；相似度计算模块，用于采用拉普拉斯核函数，对所述图结构中任意两个节点进行相似度计算，得到相似度结果；伪边图结构确定模块，用于对满足预设条件的相似度结果对应的两个节点构造伪边，并根据构造的所有伪边确定伪边图结构；融合模块，用于将所述伪边图结构和所述图结构融合，得到增强图结构；医疗模型确定模块，用于基于所述增强图结构，对所述初始医疗模型进行训练，当满足训练结束条件时，将训练得到的模型作为医疗模型。
[0009]为了解决上述技术问题，本申请实施例还提供一种医疗数据分析装置，包括：待分析医疗数据获取模块，用于获取待分析医疗数据；分析模块，用于将所述待分析医疗数据输入本地医疗模型中进行分析，得到分析结果，其中，所述本地医疗模型为通过医疗客户端训练得到的模型，所述医疗模型为根据上述医疗模型训练方法训练得到的模型。
[0010]为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述医疗模型训练方法的步骤，或者，所述处理器执行所述计算机程序时实现上述医疗数据分析方法的步骤。
[0011]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述医疗模型训练方法的步骤，或者，所述计算机程序被处理器执行时实现上述医疗数据分析方法的步骤。
[0012]本专利技术实施例提供的医疗模型训练方法、医疗数据分析方法、装置及相关设备，通过获取图结构和每个医疗客户端对应的局部模型参数；对所述图结构中的每个节点进行特征提取，得到每个所述节点的结构特征；采用拉普拉斯核函数，对所述图结构中任意两个节点进行相似度计算，得到相似度结果；对满足预设条件的相似度结果对应的两个节点构造伪边，并根据构造的所有伪边确定伪边图结构；将所述伪边图结构和所述图结构融合，得到增强图结构；基于所述增强图结构，对所述初始医疗模型进行训练，当满足训练结束条件时，将训练得到的模型作为医疗模型。通过对医疗客户端的图结构进行增强，并基于增强后的图结构和每个医疗客户端对应的局部模型参数训练得到医疗模型，能有效提高对医疗数据分析的准确率。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0014]图1是本申请可以应用于其中的示例性系统架构图；图2是本申请的医疗模型训练方法的一个实施例的流程图；图3是本申请的医疗数据分析方法的一个实施例的流程图；图4是根据本申请的医疗模型训练装置的一个实施例的结构示意图；图5是根据本申请的医疗数据分析装置的一个实施例的结构示意图；图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
[0015]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0016]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0017]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医疗模型训练方法，其特征在于，所述医疗模型训练方法包括：获取图结构和每个医疗客户端对应的局部模型参数，其中，所述局部模型参数是指所述医疗客户端对初始医疗模型训练得到的参数，所述图结构包括连接边和节点，一个节点对应一个所述医疗客户端和所述医疗客户端对应的局部模型参数，所述连接边用于连接节点；对所述图结构中的每个节点进行特征提取，得到每个所述节点的结构特征；采用拉普拉斯核函数，对所述图结构中任意两个节点进行相似度计算，得到相似度结果；对满足预设条件的相似度结果对应的两个节点构造伪边，并根据构造的所有伪边确定伪边图结构；将所述伪边图结构和所述图结构融合，得到增强图结构；基于所述增强图结构，对所述初始医疗模型进行训练，当满足训练结束条件时，将训练得到的模型作为医疗模型。2.如权利要求1所述的医疗模型训练方法，其特征在于，所述获取图结构和每个医疗客户端对应的局部模型参数的步骤包括：将初始医疗模型发送至每个医疗客户端，所述医疗客户端对初始医疗模型进行训练，得到局部模型参数；获取每个所述医疗客户端对应的局部模型参数；基于图神经网络和医疗客户端信息，构建图结构。3.如权利要求1所述的医疗模型训练方法，其特征在于，所述对所述图结构中的每个节点进行特征提取，得到每个所述节点的结构特征的步骤包括：按照如下公式计算每个节点的结构特征：，其中，i是指第i个节点，i的取值范围为（1，n），i为正整数，n为节点总数，N（i）是指第i个节点的邻居节点集合，k的取值范围为（1，N），k为正整数，N为第i个节点的邻居节点集合的节点总数，是指第i个节点与邻居节点集合中的第k个节点连接边的权重，是指度矩阵中第i行第i列的值，是指度矩阵中第k行第k列的值。4.如权利要求1所述的医疗模型训练方法，其特征在于，所述采用拉普拉斯核函数，对所述图结构中任意两个节点进行相似度计算，得到相似度结果的步骤包括：按照如下公式计算任意两个节点之间的相似度结果：，其中，是指第a个节点，是指第b个节点，a和b的取值范围均为（1，n），a和b均为正整数，n为节点总数，是指第a个节点和第b个节点的相似度结果，为指数，是拉普拉斯核函数的带宽参数，是指第a个节点和第b个节点的加权特征相似度。5.如权利要求1所述的医疗模型训练方法，其特征在于，当所述图结构为分级图结构时，所述将所述伪边图结构和所述图结构融合，得到增强图结构的步骤包括：
将伪边图结构和所述...
【专利技术属性】
技术研发人员：陈晓红，唐鸿凯，梁伟，胡东滨，徐雪松，曹文治，
申请(专利权)人：湖南红普创新科技发展有限公司，
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。