[发明专利]基于深度学习的辅助诊断方法及系统

权利要求书

1.基于深度学习的辅助诊断方法，其特征在于，包括以下步骤：

S1、由语料库导入原始语料数据，对原始语料数据进行分词处理，并建立词嵌入查询表；

S2、提取电子病历数据中的关键特征字段，并生成训练样本，使用所述词嵌入查询表对训练样本进行数字化转换，将数字化训练样本输入卷积神经网络进行训练，生成辅助诊断模型；

S3、对新输入的电子病历提取关键特征字段，并生成待预测集，使用所述词嵌入查询表对待预测集进行数字化转换，将数字化待预测集输入所述辅助诊断模型进行匹配，输出匹配的诊断结果。

2.如权利要求1所述的基于深度学习的辅助诊断方法，其特征在于，所述步骤S1具体包括：

S11、从语料库导入原始语料数据，对原始语料数据进行数据清洗；

S12、对语料数据进行中文分词，将得到的分词结果输入到词向量模型训练，建立词嵌入查询表。

3.如权利要求1所述的基于深度学习的辅助诊断方法，其特征在于，所述步骤S2具体包括：

S21、由电子病历数据库中提取已经确认无误诊的原始电子病历数据集，从原始电子病历数据集中提取出原始病历数据，对提取出的原始病历数据进行数据清洗；

S22、对清洗后的病历数据进行特征提取，提取医生在诊断中的关键特征字段；

S23、对S22提取出来的关键特征字段进行分词处理，生成训练样本；

S24、使用所述词嵌入查询表将训练样本中的每个词转换为对应的词向量；

S25、统一各特征字段的向量维度，最终拼接成整条诊断记录的向量表示形式，完成训练样本的数字化；

S26、将数字化的训练样本输入到卷积神经网络进行训练，生成辅助诊断模型。

4.如权利要求3所述的基于深度学习的辅助诊断方法，其特征在于：步骤S26中的卷积神经网络中，通过卷积核与数字化训练样本中的逐条向量按照某一方向进行卷积，并加上一个偏置项，通过激活函数输出一个特征；

则有，c_i＝f(w×x_i∶i+h-1+b)；

式中，c_i代表新的特征；w代表一个卷积核，以k代表空间维度，一个窗口中包含h个诊断记录特征单元，则卷积核为w∈R^hk；x_i：i+h-1表示从第i个关键特征字段到第i+h-1个关键字特征字段之间的向量值；b代表一个偏置项；f为非线性函数。

5.如权利要求1所述的基于深度学习的辅助诊断方法，其特征在于，步骤S3具体包括：

S31、对新输入的电子病历提取关键特征字段；

S32、对提取出的关键特征字段进行分词处理，获得待预测集；

S32、使用所述词嵌入查询表将待预测集中的每个词转换为对应的词向量；

S33、统一各特征字段的向量维度，最终拼接成整条诊断记录的向量表示形式，完成待预测集的数字化；

S34、将数字化的待预测集输入到所述辅助诊断模型，得出匹配的诊断结果。

6.如权利要求1所述的基于深度学习的辅助诊断方法，其特征在于：步骤S2及S3中提取的关键特征字段均包括主诉、现病史及体格检查结果。