[发明专利]一种增强局部特征提取的中医辅助诊断系统及方法

说明书

本公开公开的一种增强局部特征提取的中医辅助诊断系统及方法，包括：数据获取模块，用于获取待测中医诊断文本；局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。实现了对疾病的准确预测。

技术领域

本发明涉及医药技术领域，尤其涉及一种增强局部特征提取的中医辅助诊断系统及方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

中医(TCM)可作为现代医学的补充疗法。在中医诊断中，中医执业医师对患者的相应证候进行分析，根据中医四种诊断方法获得的信息进行鉴别诊断，但是由于中医诊断存在模糊性和主观性，在诊断推理的过程中，容易发生误诊的情况，影响中医人工诊断的准确性；为此，可以通过建立中医临床诊治的智能辅助模型，帮助从业人员利用复杂的医学知识，在临床诊断决策中更有效、更快速地处理各种医学问题，避免遗漏以及重要信息和线索的丢失，从而为疑难杂症找到更多解决方案。

传统的中医辅助诊断模型用的方法是综合分析法，结合数据挖掘技术，提出一种个人理解方法和统计分析方法，以探索中医疾病治疗的辩证法和治疗规律，但由于个人水平和研究目的不同，结论相对主观且费时，结论推广相对较差。近年来，机器学习尤其是深度学习的发展为中医临床诊断的辅助模型提供了许多新方法，以从海量的医学数据中快速发现医生的学术思想和临床经验。例如，卷积神经网络、递归神经网络(RNN)以及fasttext，为了提高准确性,不少学者将attention机制引入到相关的模型中来；张诗如等人基于卷积神经网络提出了一种辅助诊断的模型，此模型可以通过人们的手腕脉搏诊断来对病人的病情进行诊断。Kale等人将现代LSTM应用于多元临床时间序列的大型数据集的工作并取得了不错的效果；胡秦安，于彤等人基于fasttext提出了一种可以通过计算阴阳辩证法来进行辅助诊断的模型，以及使用神经网络和随机森林进行建模，在多类别分类的临床诊断中显示出很高的准确性。这些模型虽然绕过了传统方法存在的一些问题，但中医文本具有模糊性，采用传统的方法提取文本特征时，会丧失大量的文本信息，从而降低模型的准确性。

发明内容

本公开为了解决上述问题，提出了一种增强局部特征提取的中医辅助诊断系统及方法，通过BERT网络对全局信息进行了编码，然后对融入了全局信息的局部特征进行特征提取，从而使最终提取的特征包含更多的文本信息，提高了预测的准确性。

为实现上述目的，本公开采用如下技术方案：

第一方面，提出了一种增强局部特征提取的中医辅助诊断系统，包括：

数据获取模块，用于获取待测中医诊断文本；

局部特征向量获取模块，用于获取待测中医诊断文本中的局部特征向量；

疾病预测模块，用于将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。

第二方面，提出了一种增强局部特征提取的中医辅助诊断方法，包括：

获取待测中医诊断文本；

获取待测中医诊断文本中的局部特征向量；

将局部特征向量输入训练好的中医辅助诊断模型中，获得疾病预测结果，其中，中医辅助诊断模型包括BERT网络、卷积神经网络和softmax层，BERT网络的输出与局部特征向量一起作为卷积神经网络的输入，卷积神经网络的输出作为softmax层的输入。