[发明专利]一种训练多病种转诊系统的方法、多病种转诊系统以及方法

说明书

本发明提供一种构建多病种转诊系统的方法，包括：S1、获取用于训练的眼底图像的训练样本，以每个样本对应的所有疾病为阳性标签对其眼底图像进行标注获得训练数据集；S2、将所述训练数据集中的训练样本输入至所述待训练的多病种转诊系统，其中，所述多病种转诊系统包括多个疾病分支网络，每个疾病分支网络包括一个对应疾病的分类器以及对所述分类器的输出进行处理的激活层；所述多病种转诊系统还包括用于对所有疾病分支网络的分类器的输出进行计算的归一化层；S3、根据所述训练样本的损失函数更新所述多个疾病分支网络的权重，直至收敛；其中损失函数包括所有疾病分支网络的损失加上所有疾病分支网络的分类器的输出进行合并的多标签回归损失。

技术领域

本发明涉及人工智能领域，具体来说，涉及人工智能在医疗领域的应用，更具体地说，涉及一种训练多病种转诊系统的方法、多病种转诊系统以及多病种转诊方法。

背景技术

眼底图像包含丰富的血管健康信息，通过眼底图像中出现的病变特征，可以对多种疾病进行诊断或辅助诊断。卷积神经网络作为深度学习的经典模型，可以从海量眼底图像数据中学习参数从而获得强大的特征提取能力，实现对眼底图像病变的判断。基于CNN模型，可以实现一套多病种转诊系统的构建，即将眼底图像输入模型进行多种疾病的判断，当模型判断该眼底图像中呈现出某种疾病的病变特征时，则进行转诊作进一步诊断；若模型判断眼底图像正常无疾病，则不进行转诊。当将该系统真正应用在实际医疗场景中时，需要保证需转诊和不转诊的准确率，同时也要保证对需转诊多种疾病间有一定的区分度。

例如，假设多病种转诊系统需要判断个体的眼底图像是正常的健康眼底还是患有①、②、③、④四种疾病中某些疾病的需转诊病例，现有技术下，常见的做法有如下几种方式：

一种做法是将这五种作为五类，即直接针对样本将其分类为健康眼底患有疾病①、患有疾病②、患有疾病③、患有疾病④中的一种，训练模型时使用五分类的SoftmaxLoss进行训练。然而这种做法没有考虑到不同疾病间没有互斥的关系，一些疾病甚至有较大的并发概率，训练集中也存在有包含多个疾病标签的样本，如果仅仅简单的将其作为五分类任务，则是将不同疾病当成了互斥的关系，无法处理并发疾病转诊的情况，故该任务并不合适作为互斥的分类任务处理，

另一种做法是将每种疾病的判断作为一个二分类任务，模型训练阶段使用四个Sigmoid分类+二分类交叉熵损失，每个分类器对应一种疾病，模型结构如图1所示，应用阶段则根据Sigmoid输出和阈值对每个疾病分别做判断。这种做法缺点是无法保证模型对不同疾病的区分能力。在训练阶段，每种疾病分类只训练该疾病阳性和健康眼底(例如分类器①，其只对正样本①阳性和负样本产生损失)，则该分类器对其他疾病阳性的样本输出的分数是没有限制的，且由于病变眼底和正常眼底的显著差异，分类器输出分布会如图2所示，图1中分类器①可以较好地区分健康样本和疾病①阳性样本，但会将大量其他疾病阳性的样本也判为疾病①阳性，分类器②、③、④也有类似情况，且不同分类器的Sigmoid输出没有可比较性，即模型无法区分不同疾病阳性，造成系统最终给出的转诊原因混乱。

第三种方式，是在第二种方式的基础上进行改进，在训练每个分类器时训练该分类器对应疾病阳性和所有该疾病阴性样本，包括健康样本和其他疾病阳性但该疾病为阴性的样本(例如分类器①，对正样本①阳性和负样本所有其他数据产生损失)。这种方式存在如下问题：1.标注不齐全，标注人员在进行样本标注时，对于一些疾病并发的情况，很可能只注意到图像中呈现的最显著或最严重的病变，而导致次要病变、早期病变的漏标；2.特征过拟合，由于一些疾病的病变在图像上呈现的特征有相似性，违背这种客观相似性，要求某个疾病的分类器将其他具有相似图像特征的疾病样本和健康样本都归为一类负样本，可能会导致分类器对训练集中该疾病样本的独有特征过拟合，而在应用时将一些独有特征不显著的样本判为阴性，造成FN(FN指的是假阴性，即把阳性判断为阴性)，影响转诊与否的准确率。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种针对多病种转诊系统设计的模型训练方法，可以在保证判断是否转诊的准确率同时，提高对不同疾病的区分度，给出更准确的转诊原因。