本发明专利技术涉及数据处理技术领域,提出了一种疾病多模态数据智能分析方法,包括:采集疾病的若干患者的若干模态数据;对每个患者的每个模态数据进行向量转换,得到每个患者每个模态的维度向量并得到每个模态的聚类结果;根据每个患者在不同模态的聚类结果中的分布差异,获取每个患者的初始异常程度;根据患者每个模态去除前后,通过聚类结果分析异常程度之间的差异,得到每个患者每个模态的去心特征程度及替换特征程度;获取每个患者每个模态的信息特征程度;得到每个患者的若干剩余模态数据;对剩余模态数据进行融合并对疾病进行分析。本发明专利技术旨在解决多模态数据存在大量重复信息,但无法准确对模态数据进行舍弃而影响分析结果的问题。
【技术实现步骤摘要】
本专利技术涉及数据处理,具体涉及一种疾病多模态数据智能分析方法。
技术介绍
1、随着医学技术的不断发展和数据的快速积累,疾病诊断和治疗正朝着个性化、精准化的方向发展。传统的疾病诊断通常基于单一模态的数据,然而单一模态数据往往不能全面反映疾病的复杂性和多样性;因此将多种模态的数据融合分析并进行疾病诊断,已经成为一种重要的研究方向。
2、对于疾病多模态数据的智能分析,需要对多模态的数据进行融合处理;但是在融合的过程中,尽管多模态数据的表现形式不同,但是不同模态数据包含大量相同的疾病信息,因此在数据融合过程中,需要对包含大量相同疾病信息的模态数据进行舍弃;但是多模态数据的表现形式不同,会造成数据之间无法准确的获取需要舍弃的数据,进而无法得到准确的数据融合结果,造成数据融合的结果中存储较多的重复性信息,最终影响疾病多模态数据智能分析的效率。
技术实现思路
1、本专利技术提供一种疾病多模态数据智能分析方法,以解决现有的多模态数据存在大量重复信息,但无法准确对模态数据进行舍弃而影响分析结果的问题,所采用的技术方案具体如下:
2、本专利技术一个实施例提供了一种疾病多模态数据智能分析方法,该方法包括以下步骤:
3、采集疾病的若干患者的若干模态数据;
4、对每个患者的每个模态数据进行向量转换,得到每个患者每个模态的维度向量;对同一模态的维度向量进行聚类得到每个模态的聚类结果;根据每个患者在不同模态的聚类结果中的分布差异,获取每个患者的初始异常程度;p>5、根据患者每个模态去除前后,通过聚类结果分析异常程度之间的差异,得到每个患者每个模态的去心特征程度;根据同一模态下不同患者在聚类结果中的分布,结合去心特征程度,得到每个患者每个模态的替换特征程度;
6、根据去心特征程度及替换特征程度,获取每个患者每个模态的信息特征程度;根据信息特征程度对每个患者的若干模态数据进行删除,得到每个患者的若干剩余模态数据。
7、进一步的,所述采集疾病的若干患者的若干模态数据,包括的具体方法为:
8、采集患者的检查影像数据、检测指标数据、就诊数据及病历数据作为多模态数据,其中检查影像数据为图像数据,检测指标数据、就诊数据及病历数据均为文字数据,得到若干患者的若干模态数据。
9、进一步的,所述得到每个患者每个模态的维度向量,包括的具体方法为:
10、对于任意一个患者的检查影像数据,将检查影像数据中每行的像素点的灰度值按照从左到右的顺序排列,逐行从上到下首尾相连,得到一个向量,记为该患者在检查影像数据模态下的维度向量;
11、该患者的检测指标数据由若干检测指标及对应的数据组成,按照检测指标的默认排列顺序,将每个检测指标对应的数据进行排列,得到的向量记为该患者在检测指标数据模态下的维度向量;
12、对于该患者的就诊数据,通过jieba分词及wordvec模型进行词向量转换,将就诊数据转换为若干词向量,将该患者的就诊数据的所有词向量按顺序首尾向量,得到的向量记为该患者在就诊数据模态下的维度向量,获取该患者在病历数据模态下的维度向量。
13、进一步的,所述对同一模态的维度向量进行聚类得到每个模态的聚类结果,包括的具体方法为:
14、对于任意一个模态,根据每个患者该模态的维度向量对患者进行dbscan聚类,距离度量采用每个患者该模态的维度向量之间的dtw距离,聚类得到的若干聚簇记为该模态的若干聚簇,所有聚簇统称为该模态的聚类结果。
15、进一步的,所述每个患者的初始异常程度,具体的获取方法为:
16、对于任意两个模态,将两个模态的聚类结果作为一个组合,记为一个聚类结果组合;两个模态的聚类结果能够得到两个聚类结果组合,两个聚类结果组合的排列方式不同,将聚类结果组合中第一个模态作为基准模态,第二个模态作为参考模态;对所有模态得到若干聚类结果组合,预设初始参考数量;
17、
18、其中,表示第个患者的初始异常程度,表示聚类结果组合的数量,表示初始参考数量,表示第个聚类结果组合中第个患者在初始参考数量下的参考患者的数量,所述参考患者的数量的具体获取方法为:在第个聚类结果组合中基准模态的聚类结果中,获取与第个患者在基准模态下的维度向量的dtw距离最小的个维度向量对应的患者,记为第个聚类结果组合中第个患者的相似患者,将在参考模态的聚类结果中与第个患者属于同一个聚簇的相似患者,记为第个聚类结果组合中第个患者在初始参考数量下的参考患者,统计参考患者的数量并记为;表示第个聚类结果组合中第个患者与初始参考数量下所有相似患者在参考模态的聚类结果中,维度向量的dtw距离的均值;表示第个聚类结果组合中第个患者与初始参考数量下第个参考患者在参考模态的聚类结果中,维度向量的dtw距离;为避免指数函数数值过小的超参数,表示以自然常数为底的指数函数。
19、进一步的,所述得到每个患者每个模态的去心特征程度,包括的具体方法为:
20、对于第个患者及第个模态,预设第一参考数量、第二参考数量及第三参考数量,根据若干聚类结果组合,获取第个患者在第一参考数量下得到的异常程度,记为第个患者的第一异常程度;获取第二参考数量对应的第个患者的第二异常程度,以及第三参考数量对应的第个患者的第三异常程度;对第个患者的初始异常程度、第一异常程度、第二异常程度及第三异常程度计算方差,记为第个患者的异常波动程度;
21、从若干聚类结果组合中,去除包含第个模态的聚类结果组合,根据剩余的模态的聚类结果构建聚类结果组合,获取第个患者在去除第个模态后在初始参考数量下得到的异常程度,记为第个患者第个模态的初始去心异常程度;根据第一参考数量、第二参考数量及第三参考数量,获取第个患者第个模态的第一去心异常程度、第二去心异常程度及第三去心异常程度;对第个患者第个模态的初始去心异常程度、第一去心异常程度、第二去心异常程度及第三去心异常程度计算方差,记为第个患者第个模态的异常去心波动程度;
22、根据初始异常程度、初始去心异常程度、异常波动程度及异常去心波动程度,获取每个患者每个模态的去心特征程度。
23、进一步的,所述每个患者每个模态的去心特征程度,具体的获取方法为:
24、
25、其中,表示第个患者第个模态的去心特征程度,表示第个患者的异常波动程度,表示第个患者第个模态的异常去心波动程度,表示第个患者的初始异常程度,表示第个患者第个模态的初始去心异常程度,表示求绝对值。
26、进一步的,所述得到每个患者每个模态的替换特征程度,包括的具体方法为:
27、
28、其中,表示第个患者第个模态的替换特征程度,表示除第个患者之外其他患者的数量,表示第个患者的初始异常程度,表示除第个患者之外其他第个患者的初始异常程度,表示所有患者的初始异常程度的最大值,表示除第个患者之外其他第个患者第个模态的去心特征程度。
29、进一步的,本文档来自技高网
...
【技术保护点】
1.一种疾病多模态数据智能分析方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述采集疾病的若干患者的若干模态数据,包括的具体方法为:
3.根据权利要求2所述的一种疾病多模态数据智能分析方法,其特征在于,所述得到每个患者每个模态的维度向量,包括的具体方法为:
4.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述对同一模态的维度向量进行聚类得到每个模态的聚类结果,包括的具体方法为:
5.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述每个患者的初始异常程度,具体的获取方法为:
6.根据权利要求5所述的一种疾病多模态数据智能分析方法,其特征在于,所述得到每个患者每个模态的去心特征程度,包括的具体方法为:
7.根据权利要求6所述的一种疾病多模态数据智能分析方法,其特征在于,所述每个患者每个模态的去心特征程度,具体的获取方法为:
8.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述得到每个患者每个模态的替换特征程度,包括的具体方法为:
9.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述每个患者每个模态的信息特征程度,具体的获取方法为:
10.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述得到每个患者的若干剩余模态数据,包括的具体方法为:
...
【技术特征摘要】
1.一种疾病多模态数据智能分析方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述采集疾病的若干患者的若干模态数据,包括的具体方法为:
3.根据权利要求2所述的一种疾病多模态数据智能分析方法,其特征在于,所述得到每个患者每个模态的维度向量,包括的具体方法为:
4.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述对同一模态的维度向量进行聚类得到每个模态的聚类结果,包括的具体方法为:
5.根据权利要求1所述的一种疾病多模态数据智能分析方法,其特征在于,所述每个患者的初始异常程度,具体的获取方法为:
6.根据权利要求5...
【专利技术属性】
技术研发人员:周雪峰,甘伟谊,陈思源,孙岚,
申请(专利权)人:杭州深麻智能科技有限公司,
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。