System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学数据处理,特别是涉及一种医学影像检查结果分析方法及装置。
技术介绍
1、随着现代科技的快速发展,医学影像处理技术越来越受到关注。医生通过医学影像的调阅和分析,能够快速、准确地确定病变位置和诊断结果,为患者提供更好的治疗方案和医疗保障。医学影像处理作为医学信息化的关键流程,对医学行业的质量和效率有着至关重要的影响,医学影像的标注作为医学影像处理的前端处理步骤,影响着后续医学图像处理质结果的好坏,因此,医学影像的数据处理可谓是医学信息化流程的重中之重。
2、医学影像检查是目前不可或缺的诊疗手段,通过影像检查,医生能很好的判断疾病发病部位、严重程度等,协助医生对患者做下一步的治疗。
3、但是,从患者角度来看,受限于专业技能和专业知识,患者并不能很好的从检查结果中获取到更多关于疾病的信息,不能很好的了解疾病的相关知识(如病因、表现、治疗手段等)。
4、综上所述,我们需要一种医学影像检查结果分析方法及装置,为医疗系统信息化的发展提供更优秀的技术支持和服务,帮助患者更好的了解自身病情。
技术实现思路
1、针对上述现有技术的不足,本申请提供一种医学影像检查结果分析方法及装置。
2、第一方面本申请提出了一种医学影像检查结果分析方法,包括以下步骤:
3、获取多家医院的医学影像检查数据,汇总所述医学影像检查数据得到疾病语料库;
4、搭建深度网络学习模型,通过历史医学影像检查结果对所述深度网络学习模型进行训练得到训
5、通过所述疾病语料库构建用于识别嵌套字符串的改进trie树,通过所述改进trie树遍历所述疾病语料库中所有的疾病名称得到遍历结果,根据遍历结果进行字符串匹配,得到第二类疾病分析实体;
6、获取初始疾病名称提取模型,对所述初始疾病名称提取模型进行模型微调,得到疾病名称提取模型,通过所述疾病名称提取模型对未知医学影像检查结果进行疾病名称预测,得到第三类疾病分析实体;
7、将所述第一类疾病分析实体、第二类疾病分析实体和第三类疾病分析实体进行实体合并得到疾病分析结果,将所述疾病分析结果经过疾病语料库映射到icd10编码上,从疾病知识库中获取疾病分析结果对应的疾病知识。
8、在一些实施例中,所述搭建深度网络学习模型,通过历史医学影像检查结果对所述深度网络学习模型进行训练得到训练后深度网络学习模型,根据训练后深度网络学习模型对未知医学影像检查结果进行实体预测,得到第一类疾病分析实体,包括:
9、搭建的所述深度网络学习模型的模型结构包括文本编码层、多头注意力结构层、残差连接层、归一化层、前馈全连接层和线性分类层;
10、训练所述深度网络学习模型对未知医学影像检查结果进行实体预测,得到第一类疾病分析实体的具体步骤为:
11、步骤a1:对所述历史医学影像检查结果进行实体标注得到训练数据集;
12、步骤a2:将所述训练数据集输入所述文本编码层得到文本向量;
13、步骤a3:将所述文本向量输入所述多头注意力结构层得到多头注意力向量;
14、步骤a4:将所述文本向量和所述多头注意力向量通过残差连接层进行残差连接得到残差连接向量;
15、步骤a5:将所述残差连接向量输入所述归一化层进行加速收敛得到收敛向量;
16、步骤a6:将所述收敛向量输入所述前馈全连接层得到前馈连接向量;
17、步骤a7:将所述前馈连接向量输入线性分类层得到分类向量,将所述分类向量经过反向传播获得损失函数;
18、步骤a8:循环执行一次步骤a2-步骤a7,在模型中加入获得的所述损失函数,最终得到训练后深度网络学习模型;
19、步骤a9:将所述未知医学影像检查结果输入训练后深度网络学习模型进行实体预测,得到第一类疾病分析实体。
20、在一些实施例中,所述通过所述疾病语料库构建用于识别嵌套字符串的改进trie树,通过所述改进trie树遍历所述疾病语料库中所有的疾病名称得到遍历结果,包括:
21、步骤b1:遍历所述疾病语料库中每一个疾病名称的每一个字符,在遍历过程中如果根节点下的子节点不存在第一子节点,则创建第一子节点,记录所述第一子节点不为字符串结束节点,如果存在第一子节点则将第一子节点标记为字符串结束标志;
22、步骤b2:在所述第一子节点基础上进行分析:如果所述第一子节点下的子节点不存在第二子节点,则创建第二子节点,并记录所述第二子节点不为字符串结束节点,如果存在第二子节点则将第二子节点标记为字符串结束标志;
23、步骤b3:在所述第二子节点基础上进行分析:如果第二子节点下的子节点不存在第三子节点,创建第三子节点,如果疾病名称遍历结束,则将第三子节点标记为字符串结束标志;如果疾病名称没有遍历结束,则返回所述步骤b1继续遍历,直至疾病名称遍历结束/出现所述字符串结束标志为止,得到遍历结果。
24、在一些实施例中,所述根据遍历结果进行字符串匹配,得到第二类疾病分析实体,包括:
25、在获取的遍历结果中进行字符串匹配,字符串匹配步骤为:
26、选择遍历结果中任一个影像检查结果字符,逐一检查所述影像检查结果字符是否存在对应节点下的子节点,并检查对应节点下的子节点是否为带有所述字符串结束标志的结束节点,如果存在对应的子节点并且不为所述结束节点,则对下一个影像检查结果字符进行节点检查,直到检查到的子节点为字符串的结束节点并且当前字符的下一个字符不存在对应节点下的子节点,则完成字符串匹配,根据字符串匹配的识别结果得到第二类疾病分析实体。
27、在一些实施例中,所述获取初始疾病名称提取模型,对所述初始疾病名称提取模型进行模型微调,得到疾病名称提取模型,通过所述疾病名称提取模型对未知医学影像检查结果进行疾病名称预测,得到第三类疾病分析实体,包括:
28、步骤c1:调用llama模型作为初始疾病名称提取模型,同时获取现有标注数据作为微调数据;
29、步骤c2:微调所述初始疾病名称提取模型的学习率、激活函数以及训练轮次,得到微调模型;
30、步骤c3:通过所述微调模型对所述微调数据进行模型预测,通过预测结果进行模型参数调整,得到疾病名称提取模型;
31、步骤c4:通过所述疾病名称提取模型对未知医学影像检查结果进行疾病名称预测,得到第三类疾病分析实体。
32、第二方面本申请提出一种医学影像检查结果分析装置,包括疾病语料库获取模块、第一类疾病分析实体获取模块、第二类疾病分析实体获取模块、第三类疾病分析实体获取模块和疾病知识获取模块;
33、所述疾病语料库获取模块,用于获取多家医院的医学影像检查数据,汇总所述医学影像检查数据得到疾病语料库;
34、所述第一本文档来自技高网...
【技术保护点】
1.一种医学影像检查结果分析方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的方法,其特征在于:所述搭建深度网络学习模型,通过历史医学影像检查结果对所述深度网络学习模型进行训练得到训练后深度网络学习模型,根据训练后深度网络学习模型对未知医学影像检查结果进行实体预测,得到第一类疾病分析实体,包括:
3.根据权利要求2所述的方法,其特征在于:所述通过所述疾病语料库构建用于识别嵌套字符串的改进Trie树,通过所述改进Trie树遍历所述疾病语料库中所有的疾病名称得到遍历结果,包括:
4.根据权利要求3所述的方法,其特征在于:所述根据遍历结果进行字符串匹配,得到第二类疾病分析实体,包括:
5.根据权利要求4所述的方法,其特征在于:所述获取初始疾病名称提取模型,对所述初始疾病名称提取模型进行模型微调,得到疾病名称提取模型,通过所述疾病名称提取模型对未知医学影像检查结果进行疾病名称预测,得到第三类疾病分析实体,包括:
6.一种医学影像检查结果分析装置,其特征在于:包括疾病语料库获取模块、第一类疾病分析实体获取模块、第二类疾病分
7.根据权利要求6所述的装置,其特征在于:所述第一类疾病分析实体获取模块包括深度网络学习模型搭建单元和第一实体分析单元;
8.根据权利要求7所述的装置,其特征在于:所述第二类疾病分析实体获取模块包括第一遍历单元、第二遍历单元和第三遍历单元;
9.根据权利要求8所述的装置,其特征在于:所述第二类疾病分析实体获取模块还包括字符串匹配单元;
10.根据权利要求9所述的装置,其特征在于:所述第三类疾病分析实体获取模块包括第一微调单元、第二微调单元、第三微调单元和第四微调单元;
...【技术特征摘要】
1.一种医学影像检查结果分析方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的方法,其特征在于:所述搭建深度网络学习模型,通过历史医学影像检查结果对所述深度网络学习模型进行训练得到训练后深度网络学习模型,根据训练后深度网络学习模型对未知医学影像检查结果进行实体预测,得到第一类疾病分析实体,包括:
3.根据权利要求2所述的方法,其特征在于:所述通过所述疾病语料库构建用于识别嵌套字符串的改进trie树,通过所述改进trie树遍历所述疾病语料库中所有的疾病名称得到遍历结果,包括:
4.根据权利要求3所述的方法,其特征在于:所述根据遍历结果进行字符串匹配,得到第二类疾病分析实体,包括:
5.根据权利要求4所述的方法,其特征在于:所述获取初始疾病名称提取模型,对所述初始疾病名称提取模型进行模型微调,得到疾病名称提取模型,通过所述疾病名...
【专利技术属性】
技术研发人员:宋佳祥,白焜太,刘硕,杨雅婷,许娟,
申请(专利权)人:神州医疗科技股份有限公司,
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。