[发明专利]基于卷积神经网络和主动学习的电子病历分类方法及系统

说明书

本发明公开了一种基于卷积神经网络和主动学习的电子病历分类方法及系统，包括：获取样本集合中每个电子病历对应的实体向量；获取标注数据集和未标注数据集；用标注数据集对应的实体向量对预设卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；用获得的卷积神经网络模型预测未标注数据集中电子病历数据的分类概率，选择符合预设条件的电子病历补入标注数据集；用补入标注数据集的电子病历对应的实体向量，继续对训练后的卷积神经网络模型进行训练；重复训练后获得训练好的卷积神经网络模型；通过训练好的模型实现电子病历分类。本发明通过融合卷积神经网络和主动学习，可以在较小的样本下实现更加准确的分类效果。

技术领域

本发明属于数据处理和机器学习技术领域，特别涉及一种基于卷积神经网络和主动学习的电子病历分类方法及系统。

背景技术

患者的电子病历中包含所有的患病、用药、检查等历史信息，这些对于分析患者病情具有极大的参考价值。近十年来，基于电子病历数据分析判断病情的研究正在逐步增加，但是绝大多数都是采用医疗专家人工设计特征，采用SVM、随机森林等传统机器学习方法分类，其准确率依赖于数据特异性、特征提取方式等，无法做到端到端的训练方式。随着深度学习成功应用在图像和文本领域，也有部分基于深度学习的研究开始分析电子病历数据；但是这些主要基于循环神经网络分析电子病历的方法，速度较慢，而且依赖于海量样本的数据训练学习。

综上，亟需一种新型的电子病历分类方法及系统。

发明内容

本发明的目的在于提供一种基于卷积神经网络和主动学习的电子病历分类方法及系统，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或多个问题。

为达到上述目的，本发明采用以下技术方案：

一种基于卷积神经网络和主动学习的电子病历分类方法，包括以下步骤：

步骤1，获取多个已诊断的电子病历构造样本集合，提取样本集合中的事件实体构建事件实体集合；将获得的事件实体集合中的所有事件实体映射为等维度向量形式，构成实体向量集合，最终获得样本集合中每个电子病历对应的实体向量；

步骤2，从样本集合中随机选择预设批量的电子病历进行标注，构成标注数据集；样本集合中剩余的未标注的电子病历构成未标注数据集；

步骤3，用步骤2获得的标注数据集对应的实体向量对预设卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；

步骤4，用获得的卷积神经网络模型预测未标注数据集中电子病历数据的分类概率，根据预测的分类概率以及卷积神经网络提取到的数据特征，选择符合预设条件的电子病历补入标注数据集；

步骤5，用补入标注数据集的电子病历对应的实体向量，继续对训练后的卷积神经网络模型进行训练，获得再次训练后的卷积神经网络模型；

步骤6，重复步骤4和步骤5，直至模型结果满足预设收敛条件，获得训练好的卷积神经网络模型；

步骤7，将待诊断电子病历对应的实体向量输入步骤6获得的训练好的卷积神经网络模型，获取待诊断电子病历分类信息。

进一步地，步骤1中构建事件实体集合时，同一事件实体只提取一次。

进一步地，步骤1中，事件实体包含诊断结果、检验化验结果、患者症状以及用药信息中的一种或多种。

进一步地，步骤3中，预设卷积神经网络模型包括：卷积层、池化层、全连接层和softmax层；

卷积层的输入用于接收训练数据；卷积层的输出作为池化层的输入，池化层的输出作为全连接层是输入，全连接层用于全连接操作；全连接层的输出作为softmax层的输入，softmax层用于输出预测分类概率。

进一步地，步骤3中，每次卷积层和全连接层操作之后都进行ReLU非线性激活函数操作。