[发明专利]疾病分类方法、装置、设备和存储介质

权利要求书

1.一种疾病分类方法，其特征在于，包括：

获取待分类的目标对象的病例信息的数值向量；

将所述病例信息的数值向量分别输入至训练好的第一疾病分类模型和第二疾病分类模型中，得到所述病例信息属于各疾病类型的第一疾病分类概率和第二疾病分类概率，其中，所述第一疾病分类模型基于非标准化的多个历史病历样本数据进行训练得到；所述第二疾病分类模型基于结构化的多个历史病例样本数据进行训练得到；

基于所述病例信息属于各疾病类型的所述第一疾病分类概率和所述第二疾病分类概率，确定所述目标对象的病例信息的目标疾病类型。

2.根据权利要求1所述的方法，其特征在于，所述历史病例样本数据包括：历史病例样本信息和历史病例样本信息所对应的疾病类型；

所述第一疾病分类模型和所述第二疾病分类模型中的任一模型的训练方法，包括：

基于每一个历史病例样本信息，确定各所述历史病例样本信息的数值向量；

基于每一个所述历史病例样本信息的数值向量，确定所述第一疾病分类模型和所述第二疾病分类模型中的任一模型的训练样本；

基于所述训练样本和训练样本所对应的疾病类型，对所述第一疾病分类模型和所述第二疾病分类模型中的任一模型进行迭代训练。

3.根据权利要求2所述的方法，其特征在于，当对所述第一疾病分类模型进行训练时，

所述基于每一个历史病例样本信息，确定各所述历史病例样本信息的数值向量，包括：

基于每一个非标准化的历史病例样本信息中的每一个字符与每一个非标准化的历史病例样本信息中的每一个字符所对应的数值编码的对应关系，确定每一个历史病例样本信息中的每一个字符的数值编码；

将每一个非标准化的历史病例样本信息中的每一个字符的数值编码进行有序拼接，得到每一个非标准化的历史病例样本信息的数值向量。

4.根据权利要求2所述的方法，其特征在于，当对所述第二疾病分类模型进行训练时，

所述基于每一个历史病例样本信息，确定各所述历史病例样本信息的数值向量，包括：

基于每一个结构化的历史病例样本信息中的各结构化的特征信息，确定各结构化的所述特征信息所对应的特征值在数值序列中的位置；

基于每一个结构化的历史病例样本信息中的各结构化的所述特征信息所对应的特征值，以及各结构化的所述特征信息所对应的特征值在数值序列中的位置，确定每一个结构化的所述历史病例信息的数值向量。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

当非标准化的历史病例样本信息的数值向量中的数值的数量大于预设数量阈值时，将超过预设数量阈值的数值删除，以使非标准化的历史病例样本信息的数值向量中的数值的数量与所述预设数量阈值相等；

当非标准化的历史病例样本信息的数值向量中的数值的数量小于预设数量阈值时，在非标准化的历史病例样本信息的数值向量的中最后一个数值后补充预设数值，以使非标准化的历史病例样本信息的数值向量中的数值的数量与所述预设数量阈值相等。

6.根据权利要求1所述的方法，其特征在于，所述基于所述病例信息属于各疾病类型的所述第一疾病分类概率和所述第二疾病分类概率，确定所述目标对象的病例信息的目标疾病类型，包括：

将所述病例信息属于当前种类疾病类型的所述第一疾病分类概率和所述第二疾病分类概率进行累加，得到所述病例信息属于当前种类疾病类型的目标概率；

将所述病例信息属于各疾病类型的目标概率进行排序，基于排序结果，确定所述目标对象的病例信息的目标疾病类型。

7.根据权利要求1所述的方法，其特征在于，所述第一疾病分类模型为循环神经网络模型，其中，2层双向长短期记忆网络模型作为所述循环神经网络模型的隐藏层，归一化层作为所述循环神经网络模型的输出层；

所述第二疾病分类模型为全连接神经网络模型，2层全连接层作为全连接神经网络模型的隐藏层，S型生长曲线层作为全连接神经网络模型的输出层。