[发明专利]一种基于卷积神经网络的医疗分析辅助系统

说明书

本发明提供了一种基于卷积神经网络的医疗分析辅助系统。该系统利用构建的医疗分析模型提供医疗建议，构建医疗分析模型的步骤包括：根据医学书籍记载的疾病种类和医学特征之间的关联性，构建由多组样本数据组成的训练样本集，其中每组样本数据包括一种疾病种类和对应的医学特征；基于所述训练样本集，以医学特征作为输入，以疾病种类作为输出，通过训练卷积神经网络获得用于预测疾病信息的医疗分析模型。利用本发明的医疗分析辅助系统能够提供有效的医疗建议。

技术领域

本发明涉及疾病分析设备技术领域，尤其涉及一种基于卷积神经网络的医疗分析辅助系统。

背景技术

信息技术的迅猛发展与计算机硬件的不断更新为医疗服务行业带来了巨大的机遇，智能医疗诊断系统的相关研究极大促进了医疗信息化产业的快速发展，智能医疗诊断系统中的诊断模型也在不断发展进步。在临床诊断中，医师根据自己的知识储备和临床经验，通过患者的症状和相关检查结果，对病人进行诊断，而智能医疗诊断系统使用的诊断模型首先需要学习大量医学知识，然后输出医疗指导建议。因此，抽取高质量的医学知识，以及疾病诊断模型对医学知识的有效学习，是训练出高效的疾病诊断模型的重要条件。

目前，疾病诊断模型的知识来源是医学图像数据和门诊病历文本数据两个方面，即现有的疾病诊断模型均是基于医学图像数据和病历文本数据进行训练。在基于医学图像数据的诊断模型中，通常仅能根据医学图像数据对某一特定的疾病进行诊断，例如，仅针对肺部结节进行检测诊断，存在诊断范围单一的问题。在基于病历文本数据的诊断模型中，通常使用自然语言处理技术对病历文本进行处理，再使用规则模型、机器学习模型或神经网络模型进行疾病诊断，这需要使用大量电子病历文本数据训练诊断模型，获取待诊断的电子病历对应的词向量矩阵，然后将待诊断的电子病历对应的词向量矩阵输入到预先构建的深度卷积神经网络模型中，利用分类器对待诊断的电子病历的特征向量进行分类诊断，这种方式将卷积神经网络运用到医疗电子病历文本语义理解并进行辅助医疗诊断，在有大量电子病历数据的前提下效果较好，但对于没有大量电子病历的稀有疾病效果不佳。

而且，现有技术中的许多诊断模型是基于规则提取和匹配实现的，这类模型基于临床数据库的大量病例整理出大量的IF-THEN形式的规则，或由专家医师总结临床经验整理规则，然后根据患者信息进行规则匹配进行诊断。在这类模型中，整理专家规则需要耗费大量人工成本，专家规则知识库维护成本高、可扩展性差，并且规则中易出现语义歧义问题，从而导致诊断效果不佳。

尽管针对医学病例数据较少的情况，许多专家学者采用不同的采样技术进行弥补，例如，从多数类疾病病例样本中进行欠采样，使多数类与少数类达到平衡，但是这种方法并没有改变少数类病例数据少的问题，仍会影响疾病诊断的效果。

综上所述，诊断模型的实现都建立在拥有大量医学图像数据或者大量病历文本数据的基础上，而对于稀有疾病来说，其发病率较低、临床案例较少，难以获取大量的医学图像数据或文本病历数据，无法通过现有的方法建立有效的诊断模型，因此，需要对现有技术进行改进以提供针对稀有疾病的医疗分析模型，并进而提供有效的医疗分析辅助系统。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种基于卷积神经网络的医疗分析系统。

根据本发明的第一方面，提供了一种构建医疗分析模型的方法。该方法包括以下步骤：

步骤1：根据医学书籍记载的疾病种类和医学特征之间的关联性，构建由多组样本数据组成的训练样本集，其中每组样本数据包括一种疾病种类和对应的医学特征；

步骤2：基于所述训练样本集，以医学特征作为输入，以疾病种类作为输出，通过训练卷积神经网络获得用于预测疾病信息的医疗分析模型。

在一个实施例中，在步骤1，对于所述医学书籍包含的多种疾病中的一种疾病，执行以下步骤：

步骤11：从所述医学书籍中抽取关于该种疾病的多个方面的文字描述；