【技术实现步骤摘要】
本专利技术属于及医疗服务，具体来说：涉及一种基于深度学习的智能护理决策支持系统。
技术介绍
1、随着医疗技术的方案，临床决策支持系统正越来越多地成为患者护理递送中的重要因素。临床决策支持系统能够直接改善患者护理结果和健康护理组织的性能。但在实践中：传统护理决策支持系统主要依赖于结构化的临床数据,而对非结构化数据和实时动态数据利用不足，无法综合文本数据和图像数据帮助医生做出合理的决策支持。因此，如何开发出一种智能护理决策支持系统，以克服现有技术中存在的上述问题，是本领域技术人员需要进一步研究的方向。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的智能护理决策支持系统，能够综合文本数据和图像数据帮助医生做出合理的决策支持。
2、本专利技术提供了一种基于深度学习的智能护理决策支持系统，其包括：
3、数据采集模块，所述数据采集模块用于分别采集和输入患者的文本数据和图像数据；
4、文本处理模块，所述文本处理模块用于读取所述数据采集模块、通过bilstm-crf模型对所述文本数据进行训练评估；
5、图像处理模块，所述图像处理模块用于读取所述数据采集模块、通过卷积神经网络对所述图像数据进行训练评估；
6、决策支持模块，所述决策模块用于分别读取所述文本处理模块和所述图像处理模块，对所述文本处理模块及所述图像处理模块的训练评估结果进行拼接处理并取得护理决策。
7、优选的是，所述文本处理模块用于通过如下步骤对所述文本
8、步骤210：对文本数据进行预处理；
9、步骤220：构建包括双向lstm层以及crf层的文本训练模型、基于所述文本训练模型对文本数据进行训练。
10、优选的是，步骤210包括：
11、步骤211：对所述文本数据进行数据清洗、清除所述文本数据中的无关信息；
12、步骤212：对所述文本数据进行信息标注、形成训练用文本数据；
13、步骤213：对所述训练用文本数据进行分词处理以及向量化处理。
14、优选的是，步骤220包括：
15、基于以下表达式定义crf层损失函数、优化标签序列预测的全局一致性；
16、
17、所述st(yt)为时间步t对于标签k的发射得分，其通过一个线性层从ht计算得到，即st(k)＝wk·ht+bk，所述ht是时间步t的bilstm输出，其中和分别是从左到右和从右到左的lstm隐藏状态；wk和bk是需要学习的参数；
18、所述为crf层的转移矩阵中从标签yt到yt+1的转移得分，所述转移得分用于计算标签序列的联合得分；此处，标签y为模型预测的输出，每个yi对应于xi的实体类别标签；此处，xi为模型的输入，是所述文本数据中的单词或短语序列；
19、所述log(z(x))是所有可能的标签序列的得分的对数和；其中，z(x)为规范化因子，其基于以下表达式进行计算：
20、
21、αt(j)为时间步t在标签j结束时所有可能序列的得分总和；
22、初始条件：αt(j)＝exp(st(j))，即第一个时间步的计算仅依赖于初始发射得分；
23、将所有αn(j)相加即得到所述z(x)。
24、优选的是，所述图像处理模块用于通过如下步骤对所述图像数据进行模型训练和评估；
25、步骤310：对图像数据进行预处理；
26、步骤320：构建基于卷积神经网络的图像训练模型、基于所述图像训练模型对图像数据进行训练。
27、优选的是，步骤310包括：
28、步骤311：从医院影像数据库中收集反映患者病变位置的图像数据；
29、步骤312：对所图像数据进行信息标注、形成训练用图像数据；
30、步骤213：对所述训练用图像数据进行归一化处理。
31、优选的是，步骤320包括：
32、步骤3211：图像数据前向传播至卷积层，以数个卷积操作对训练用图像数据进行特征提取，所述卷积操作定义为：
33、
34、是第l层第k个卷积核的权重矩阵，是相应的偏置项，a[l-1]是上一层的输出；
35、步骤3212：图像数据前向传播至激活层，应用激活函数relu引入非线性：
36、
37、其中，relu函数定义为max(0,x)，逐元素应用于
38、步骤3213：图像数据前向传播至池化层，通过最大池化降低特征维度，减少计算量：
39、
40、其中，maxpool是最大池化、它对的局部区域取最大值；
41、步骤3214：图像数据前向传播至全连接层，通过softmax函数输出预测概率：
42、a[l]＝softmax(w[l]·flatten(p[l-1])+b[l])
43、其中，wl是全连接层的权重，b[l]是全连接层的偏置，softmax函数用于将输出归一化为概率分布；
44、步骤322：使用交叉熵损失函数评估模型输出与真实标签之间的差异：
45、
46、其中，m是样本数量，c是类别数，yt,c是第t个样本是否属于类c的真实标签，是模型对应的预测概率；
47、步骤323：基于反向传播计算取得模型的参数梯度，所述参数梯度包括：
48、损失函数l相对于第l层的权重w[l]的偏导数
49、以及损失函数l相对于第l层的偏置b[l]的偏导数
50、步骤324：基于步骤323取得的模型的参数梯度更新模型的权重和偏置，以取得以最小化损失函数；
51、基于以下表达式获取从输入数据到预测输出的映射：
52、
53、
54、其中，学习率α是一个超参数，用于控制在损失梯度方向上更新参数的步长大小。
55、优选的是，所述决策支持模块通过如下步骤对所述文本处理模块及所述图像处理模块的训练评估结果进行拼接处理并输出护理决策：
56、步骤410：由卷积神经网络提取图像特征向量fcnn、由bilstm模型提取序列特征向量fbilstm；
57、步骤420：基于以下表达式对图像特征向量fcnn和序列特征向量fbilstm进行拼接：
58、fcombined＝concat(fcnn,fbilstm)
59、步骤430：通过全连接层基于以下表达式对fcombined进行特征变换：
60、ftransformed＝σ(wfcombined+b)
61、其中，w是全连接层的权重矩阵，尺寸为dout×(dcnn+dbilstm)，dout是输出特征的维度；b是偏置向量，维度为dout，σ是激活函数；
62、步骤440：基于ftransformed本文档来自技高网...
【技术保护点】
1.一种基于深度学习的智能护理决策支持系统，其特征在于，包括：
2.根据权利要求1所述智能护理决策支持系统，其特征在于，
3.根据权利要求2所述智能护理决策支持系统，其特征在于，步骤210包括：
4.根据权利要求3所述智能护理决策支持系统，其特征在于，步骤220包括：
5.根据权利要求4所述智能护理决策支持系统，其特征在于，
6.根据权利要求5所述智能护理决策支持系统，其特征在于，步骤310包括：
7.根据权利要求6所述智能护理决策支持系统，其特征在于，步骤320包括：
8.根据权利要求7所述智能护理决策支持系统，其特征在于，
【技术特征摘要】
1.一种基于深度学习的智能护理决策支持系统，其特征在于，包括：
2.根据权利要求1所述智能护理决策支持系统，其特征在于，
3.根据权利要求2所述智能护理决策支持系统，其特征在于，步骤210包括：
4.根据权利要求3所述智能护理决策支持系统，其特征在于，步骤220包括：
【专利技术属性】
技术研发人员：蔡瑶，詹璐，牛丹，江春霞，吴玉玲，卢贺然，
申请(专利权)人：中国人民解放军海军军医大学第一附属医院，
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。