[发明专利]一种仿真文本病历的生成方法及系统

权利要求书

1.一种仿真文本病历的生成方法，其特征在于，包括以下步骤：

步骤S1，对原始病历数据进行预处理，生成由真实病历数据组成的正样本，具体包括如下步骤：

步骤S11，获取包括病情描述和诊断结果的真实病历的文本；

步骤S12，对病情描述和诊断结果进行提取并分别编制适于计算机读取的编码；

步骤S14，生成所述正样本，

步骤S2，训练模型，具体包括以下步骤：

步骤S21，构建生成器与判别器，初始化参数；

步骤S23，对生成器与判别器进行对抗训练，循环执行如下过程直至生成式对抗网络收敛：

步骤S231，对生成器执行多次迭代，直至收敛，具体包括如下步骤：

步骤S2311，生成器执行T次循环，每次循环以上一次循环输出的词向量和疾病标签向量为输入，输出新的词向量，从而重复T次生成长度为T的句子X_1：T，其中，

以已经生成的词向量序列(x₁，x₂，...，x_t-1)为初始状态固定不变，重复运行生成器进行采样，生成以X_1：t-1为前缀的N个完整的句子，判别器对每个句子给出一个奖励值，对N个句子的奖励值取平均值，作为第t步所生成词向量x_t的奖励值，

其中，词向量从事先设定的包含病历词汇的词典中选取，疾病标签向量是与病情诊断结果对应的向量；

步骤S2312，根据得到的序列总长度为T的句子，和序列中每个词向量获得的来自于判别器的奖励值，更新生成器，然后返回步骤S2311，直至收敛；

步骤S232，对判别器执行多次迭代，直至收敛，具体包括如下步骤：

步骤S2321，用步骤S231计算收敛所得的生成器生成由虚构病历数据组成的负样本，并与所述正样本组成混合病历数据集；

步骤S2322，在判别器中，以疾病标签向量和混合病历数据集中的病历的词向量序列表示作为输入，经过神经网络计算得到混合病历数据集中每一病历来自真实病历的概率，训练更新判别器，然后返回步骤2321，直至收敛；

步骤S3，生成仿真病历数据；

步骤S31，输入疾病标签，使用训练好的生成器生成仿真病历数据；

步骤S32，将生成的仿真病历数据中的数字编码还原为可读文字。

2.如权利要求1所述的仿真文本病历的生成方法，其特征在于，在步骤S12后还包括步骤S13，去除重复数据和无效数据。

3.如权利要求1所述的仿真文本病历的生成方法，其特征在于，在步骤S21构建生成器与判别器后还包括步骤S22，预训练生成器和判别器，具体包括如下步骤：

步骤S221，在真实病历数据上，通过极大似然估计对生成器进行预训练；

步骤S222，生成器生成由虚构病历数据组成的预训练负样本，并将该预训练负样本与正样本组合成预训练混合病历数据集，在预训练混合病历数据集上，通过极小化交叉熵对判别器进行预训练。

4.如权利要求1所述的仿真文本病历的生成方法，其特征在于，步骤S12中对病情描述和诊断结果进行提取并编码具体包括：

步骤S121，利用分词的方法对病情描述进行分词处理并编码；

步骤S122，对诊断结果进行编码。

5.如权利要求1所述的仿真文本病历的生成方法，其特征在于，生成器为循环神经网络；判别器是二分类模型。