一种基于肺结节预测概率的健康管理方法及其相关设备技术

本申请属于人工智能领域，应用于数字医疗领域中，涉及一种基于肺结节预测概率的健康管理方法及其相关设备，包括从获取的待测

【技术实现步骤摘要】
一种基于肺结节预测概率的健康管理方法及其相关设备


[0001]本申请涉及人工智能技术和数据医疗领域，尤其涉及一种基于肺结节预测概率的健康管理方法及其相关设备
。

技术介绍

[0002]医院信息化是大势所趋，当前医院基础配置已支持了医疗信息数据，但电子病例存在大量非结构化的描述，缺乏数据治理的能力
、
数据与知识之间的关联能力，无法直接应用大数据与人工智能能力
。
需要通过科学的数据分析和挖掘将自由文本转换成规范化
、
标准化和结构化的数据，并对其加以分析利用
。
[0003]传统医疗场景的
CT(Computed Tomography
，电子计算机断层扫描
)
影像文字报告存在大量专业性描述，由于病人对医学知识不够了解
、
不懂医学术语，导致患者对影像报告诊断理解上存在困难
。
特别是报告异常时，很容产生一定的焦虑情绪
。
由于病人不能获得便捷的自诊服务，无法正确判断当前的身体健康状况
。
可能还存在部分轻症患者不放心导致的“过度医疗”，部分高危病人未引起重视导致病情延误等医疗资源错配情况
。
[0004]另外，在门诊短时间内，医生可能无法充分向患者解释病情，那病人很有可能受到网络上错误的医疗信息引导，会让患者压力倍增，浪费大量的人力
、
物力
、
财力，且无法最大限度地得到医疗保健服务
。/>
技术实现思路

[0005]本申请实施例的目的在于提出一种基于肺结节预测概率的健康管理方法
、
装置
、
计算机设备及存储介质，以解决现有技术中患者对影像报告诊断理解上存在困难，无法正确判断当前的身体健康状况，且容易受到误导，无法最大限度地得到医疗保健服务的技术问题
。
[0006]为了解决上述技术问题，本申请实施例提供一种基于肺结节预测概率的健康管理方法，采用了如下所述的技术方案：
[0007]获取目标患者的待测
CT
影像报告数据，从所述待测
CT
影像报告数据中提取目标基础信息和目标肺结节特征信息；
[0008]基于构建好的肺结节概率预测模型，从所述目标基础信息和所述目标肺结节特征信息中获得目标肺结节风险因子；
[0009]将所述目标肺结节风险因子输入所述肺结节概率预测模型，得到肺结节预测概率；
[0010]基于所述预测概率确定所述目标患者的肺结节风险等级；
[0011]根据所述风险等级为所述目标患者匹配相应的健康管理方案，并将所述健康管理方案发送给所述目标患者
。
[0012]进一步的，在所述获取目标患者的待测
CT
影像报告数据的步骤之前还包括：
[0013]获取历史
CT
影像文字报告数据，从所述历史
CT
影像文字报告数据中提取患者的基
础信息和历史肺结节特征信息；
[0014]对所述历史肺结节特征信息进行实体关系标注，得到实体关系标注数据；
[0015]基于所述实体关系标注数据训练得到实体关系联合抽取模型；
[0016]根据所述基础信息获取所述患者的最新
CT
影像报告数据，将所述最新
CT
影像报告数据输入所述实体关系联合抽取模型进行实体关系抽取，得到肺部实体关系；
[0017]基于所述基础信息和所述肺部实体关系，利用
Logistics
回归获得肺结节概率预测模型
。
[0018]进一步的，所述基于所述实体关系标注数据训练得到实体关系联合抽取模型的步骤包括：
[0019]将所述实体关系标注数据按照预设比例划分为训练集和测试集；
[0020]将所述标注数据训练集输入预构建初始模型，输出预测实体关系三元组；
[0021]根据所述预测实体关系三元组和所述训练集中的实体关系计算损失函数；
[0022]基于所述损失函数调整所述初始模型的模型参数，直至模型收敛，输出待验证模型；
[0023]将所述测试集输入所述待验证模型进行验证，得到验证结果；
[0024]在所述验证结果符合预设条件时，输出最终的实体关系联合抽取模型
。
[0025]进一步的，所述初始模型包括输入层
、
编码层
、
头实体识别层以及关系与尾实体联合识别层，所述将所述标注数据训练集输入预构建初始模型，输出预测实体关系三元组的步骤包括：
[0026]通过所述输入层将所述训练集传输至所述编码层进行特征提取，获得含有上下文语义信息的词编码向量；
[0027]将所述词编码向量输入所述头实体识别层进行识别，输出所有头实体；
[0028]将每个所述头实体与对应的所述词编码向量进行融合，得到每个所述头实体的实体编码向量；
[0029]将所述实体编码向量输入所述关系与尾实体联合识别层进行识别，得到每个所述头实体的所有特定关系和尾实体；
[0030]基于所述头实体
、
所述特定关系和所述尾实体得到预测实体关系三元组
。
[0031]进一步的，所述将所述词编码向量输入所述头实体识别层进行识别，输出所有头实体的步骤包括：
[0032]通过所述头实体识别层计算所述词编码向量分别作为开始位置和结束位置的概率，得到第一开始概率和第一结束概率；
[0033]根据所述第一开始概率和所述第一结束概率，利用最近匹配原则得到所有头实体
。
[0034]进一步的，所述将每个所述头实体与对应的所述词编码向量进行融合，得到每个所述头实体的实体编码向量的步骤包括：
[0035]获取每个所述头实体中每个词对应的所述词编码向量，得到实体词编码向量；
[0036]计算所有所述实体词编码向量的平均向量，并将所述头实体和所述平均向量进行融合，得到实体编码向量
。
[0037]进一步的，所述基于所述基础信息和所述肺部实体关系，利用
Logistics
回归获得
肺结节概率预测模型的步骤包括：
[0038]基于所述基础信息获取基础影响因素，并从所述肺部实体关系中提取肺部异常影响因素；
[0039]将所述基础影响因素和所述肺部异常影响因素作为肺结节风险因子，利用
Logistics
回归对所述肺结节风险因子进行分析，得到每个所述肺结节风险因子的回归系数；
[0040]根据所述回归系数获得肺结节概率预测模型
。
[0041]为了解决上述技术问题，本申请实施例还提供一种基于肺结节预测概率的健康管理装置，采用了如下所述的技术方案：
[0042]提取模块，用于获取目标患者的待测
CT
影像报告数据，从所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于肺结节预测概率的健康管理方法，其特征在于，包括下述步骤：获取目标患者的待测
CT
影像报告数据，从所述待测
CT
影像报告数据中提取目标基础信息和目标肺结节特征信息；基于构建好的肺结节概率预测模型，从所述目标基础信息和所述目标肺结节特征信息中获得目标肺结节风险因子；将所述目标肺结节风险因子输入所述肺结节概率预测模型，得到肺结节预测概率；基于所述预测概率确定所述目标患者的肺结节风险等级；根据所述风险等级为所述目标患者匹配相应的健康管理方案，并将所述健康管理方案发送给所述目标患者
。2.
根据根据权利要求1所述的基于肺结节预测概率的健康管理方法，其特征在于，在所述获取目标患者的待测
CT
影像报告数据的步骤之前还包括：获取历史
CT
影像文字报告数据，从所述历史
CT
影像文字报告数据中提取患者的基础信息和历史肺结节特征信息；对所述历史肺结节特征信息进行实体关系标注，得到实体关系标注数据；基于所述实体关系标注数据训练得到实体关系联合抽取模型；根据所述基础信息获取所述患者的最新
CT
影像报告数据，将所述最新
CT
影像报告数据输入所述实体关系联合抽取模型进行实体关系抽取，得到肺部实体关系；基于所述基础信息和所述肺部实体关系，利用
Logistics
回归获得肺结节概率预测模型
。3.
根据权利要求2所述的基于肺结节预测概率的健康管理方法，其特征在于，所述基于所述实体关系标注数据训练得到实体关系联合抽取模型的步骤包括：将所述实体关系标注数据按照预设比例划分为训练集和测试集；将所述标注数据训练集输入预构建初始模型，输出预测实体关系三元组；根据所述预测实体关系三元组和所述训练集中的实体关系计算损失函数；基于所述损失函数调整所述初始模型的模型参数，直至模型收敛，输出待验证模型；将所述测试集输入所述待验证模型进行验证，得到验证结果；在所述验证结果符合预设条件时，输出最终的实体关系联合抽取模型
。4.
根据权利要求3所述的基于肺结节预测概率的健康管理方法，其特征在于，所述初始模型包括输入层
、
编码层
、
头实体识别层以及关系与尾实体联合识别层，所述将所述标注数据训练集输入预构建初始模型，输出预测实体关系三元组的步骤包括：通过所述输入层将所述训练集传输至所述编码层进行特征提取，获得含有上下文语义信息的词编码向量；将所述词编码向量输入所述头实体识别层进行识别，输出所有头实体；将每个所述头实体与对应的所述词编码向量进行融合，得到每个所述头实体的实体编码向量；将所述实体编码向量输入所述关系与尾实体联合识别层进行识别，得到...

【专利技术属性】
技术研发人员：唐淑雨，刘齐，
申请(专利权)人：平安健康保险股份有限公司，
类型：发明
国别省市：