[发明专利]一种医疗数据处理方法及系统

说明书

技术领域

本发明涉及医疗数据处理领域，特别是一种医疗数据处理方法及系统。

背景技术

目前，医疗资源不足的问题已经成为一个世界性的问题。在一些人口众多的发展中国家，如中国，印度，医疗资源非常紧张，特别是专业医生资源。医疗技术含量高的医生人数并不多，大部分集中在大中城市。这使一些小城镇和农村的医生无法对一些较复杂的疾病进行专业诊断，容易导致误诊，使许多患者无法及时得到治疗。而培养专业医生的周期很长，很难在短时间内解决医疗短缺问题。近年来随着人工智能技术的发展，人造智能在医疗领域的应用越来越广泛。人工智能在医学领域有很大的前景，特别是在具有专业知识和高诊断准确性的医疗诊断机器人方面。人工智能技术的出现为专业医生资源短缺提供了一个很好的解决方案。人工智能可以应用于许多医疗领域。例如，在放射学方面，中国医学图像数据每年以30％的速度增长，成像医生的增长率只有4％。因此，人工智能技术将使成像医生能够摆脱沉重的劳动。也可以帮助他们降低误诊率，提高准确率，其中深度学习是人工智能领域最流行的技术。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。医生使用图像观察疾病特异性的影响，以确定疾病和治疗方案。这提供了大量可用于训练和学习的数据，并使人工智能识别疾病和完成诊断成为可能。目前，许多研究人员在使用深入学习和疾病分类方面做了大量工作，如斯坦福大学研究团队已经实现到使用深度学习来训练皮肤癌图像来区分良性和恶性黑素瘤。中山大学团队提出使用深度学习诊断先天性白内障。这些人的工作证明，深入学习对于医学图像分类和识别是非常有效的，甚至可以达到专业医生的水平。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种医疗数据处理方法及系统，提高医疗数据处理的准确率，节约医疗资源。

为解决上述技术问题，本发明所采用的技术方案是：一种医疗数据处理方法，包括以下步骤：

1)接收训练数据，加载深度学习模型，将所述训练数据输入所述深度学习模型，并利用迁移学习方法得到训练模型，并保存在服务器中，并将服务器中保存的训练模型列表L发送到客户端；

2)客户端加载所述训练模型，采集医疗图像，利用所述训练模型识别所述医疗图像，得到识别结果R；

3)将所述识别结果R发送到服务器，所述服务器根据识别结果R在疾病数据库中检索所述识别结果R对应的疾病，得到最终的辅助诊断结果Y。

步骤3)之后，还进行如下处理：

4)所述服务器将所述辅助诊断结果Y发送到客户端，客户端显示所述辅助诊断结果。

所述客户端利用tensorflow模块识别所述医疗图像，得到识别结果R。

所述深度学习模型为inceptionV3模型。

相应地，本发明还提供了一种医疗数据处理系统，包括：

服务器，用于接收训练数据，加载深度学习模型，将所述训练数据输入所述深度学习模型，并保存所述训练模型，将保存的训练模型列表L发送到客户端；根据客户端识别结果R在疾病数据库中检索所述识别结果R对应的疾病，得到最终的辅助诊断结果Y；

客户端，用于加载所述训练模型，采集医疗图像，利用所述训练模型识别所述医疗图像，得到识别结果R；将所述识别结果R发送到服务器。

所述客户端还用于显示所述辅助诊断结果。

所述客户端包括缓存模块，用于缓存下载好的训练模型。

与现有技术相比，本发明所具有的有益效果为：本发明采用人工智能中的深度学习方法，通过人工智能的方式来提高医疗数据的处理精度，经过实验证明，加载训练模型后的识别方法可达到普通医院专业医生水平，极大的缓解了医疗资源紧张与分配不均衡的问题，可以提高医生诊断效率，降低误诊率。

附图说明

图1为本发明工作原理图。

图2为本发明移动客户端识别流程图。

图3为本发明服务端训练流程图。

具体实施方式

如图1，本发明具体实现步骤如下：