[发明专利]一种仿真文本病历的生成方法及系统

说明书

一种仿真文本病历的生成方法及系统，采用原始病历生成正样本，生成器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，重复多次生成由多个词向量组成的句子。每生成一个词向量，以已生成词向量序列为初始状态，重复运行生成器采样，生成多个句子，判别器对所有句子的奖励值取平均值，作为该次的词向量的奖励值，根据得到的句子和词向量的奖励值更新生成器，如此反复直至收敛。收敛的生成器生成负样本，与正样本组成混合病历数据集，以疾病标签向量和词向量序列为输入，得到每一病历来自真实病历的概率，更新判别器，如此反复直至收敛。本发明避免涉及病人隐私，仿真文本病历可辅助其它机器学习任务，方便对该疾病的研究。

技术领域

本发明涉及机器学习技术领域，具体地说，涉及一种仿真文本病历的生成方法及系统。

背景技术

随着时代的发展，信息化程度的不断提高，电子病历的使用越来越广泛。与此同时，随着近年来机器学习与深度学习的快速发展，人们开始尝试用机器学习的方法解决医疗领域的问题，并取得了一些成效。然而，电子病历数据的获取与使用，一方面由于涉及病人隐私等问题，可能受到患者个人意愿和法律法规的层层限制，从而制约了基于大数据的机器学习等相关算法的使用；另一方面由于病历数据本身具有较大的差异性，对于某类疾病可能会出现正负样本(患病样本与非患病样本)不均衡的情况，影响机器学习相关算法的效果。针对以上问题，生成尽量还原真实病历样本分布的仿真病历数据，是一种有效的解决方案，然而当前却很少有技术尝试解决这一问题。少量的病历生成与文本生成的相关技术也存在以下问题：1.作用仅为辅助生成格式化病历，使之符合标准格式需要，减轻医生手写排版的工作，并未涉及自动生成仿真病历。2.可以根据已有文本进行合并，生成新文本，但并未涉及机器学习相关算法，生成文本多样性也十分有限。3.相关基于人工智能的文本生成方法作用范围有限(仅为文本扩展，而无法生成全文本)，且应用范围不明确，与医疗领域结合不紧密。

发明内容

为解决以上问题，本发明提供一种仿真文本病历的生成方法及系统，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，执行多次迭代，直至收敛，具体包括如下步骤：