CN109935336A - 一种儿童呼吸科疾病的智能辅助诊断方法及诊断*** - Google Patents
一种儿童呼吸科疾病的智能辅助诊断方法及诊断*** Download PDFInfo
- Publication number
- CN109935336A CN109935336A CN201910037320.7A CN201910037320A CN109935336A CN 109935336 A CN109935336 A CN 109935336A CN 201910037320 A CN201910037320 A CN 201910037320A CN 109935336 A CN109935336 A CN 109935336A
- Authority
- CN
- China
- Prior art keywords
- information
- children
- disease
- diagnostic
- division
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 80
- 208000023504 respiratory system disease Diseases 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 201000010099 disease Diseases 0.000 claims abstract description 65
- 208000024891 symptom Diseases 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000005311 nuclear magnetism Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 206010020751 Hypersensitivity Diseases 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000007815 allergy Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 206010017533 Fungal infection Diseases 0.000 description 3
- 208000031888 Mycoses Diseases 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 208000027219 Deficiency disease Diseases 0.000 description 2
- 208000029523 Interstitial Lung disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001900 immune effect Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 206010001881 Alveolar proteinosis Diseases 0.000 description 1
- 206010006474 Bronchopulmonary aspergillosis allergic Diseases 0.000 description 1
- 241000222122 Candida albicans Species 0.000 description 1
- 206010007134 Candida infections Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000025678 Ciliary Motility disease Diseases 0.000 description 1
- 206010010099 Combined immunodeficiency Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 201000003883 Cystic fibrosis Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000017850 Diffuse alveolar hemorrhage Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000000616 Hemoptysis Diseases 0.000 description 1
- 206010069698 Langerhans' cell histiocytosis Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010035669 Pneumonia aspiration Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 206010047115 Vasculitis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 208000006778 allergic bronchopulmonary aspergillosis Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 201000009807 aspiration pneumonia Diseases 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 201000009267 bronchiectasis Diseases 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000013276 bronchoscopy Methods 0.000 description 1
- 201000003984 candidiasis Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 208000003401 eosinophilic granuloma Diseases 0.000 description 1
- 201000008298 histiocytosis Diseases 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001821 langerhans cell Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 201000001037 lung lymphoma Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 201000009266 primary ciliary dyskinesia Diseases 0.000 description 1
- 201000003489 pulmonary alveolar proteinosis Diseases 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种儿童呼吸科疾病的智能辅助诊断方法及诊断***,方法包括:S1、获取待诊断儿童的辅助检查信息和/或医生问诊记录信息;S2、根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息;S3、依据预先建立的儿童疾病知识库***,采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。上述智能辅助诊断方法可以帮助非专家医生提高对疑难杂症的诊断水平,减少误诊。
Description
技术领域
本发明涉及人工智能技术,特别是一种儿童呼吸科疾病的智能辅助诊断方法及诊断***。
背景技术
我国现有儿童医疗健康服务中人员短缺和能力分布不均的现状依然非常严重,基层人员缺乏丰富的临床经验,传统的医疗培训手段也很难起到期望的作用。其直接表现是基层医生往往难于担负起应有的职责,而患者难以得到高质量的医疗服务。
为此,业内人士关注基于人工智能为核心的技术,复制国内最优秀儿科医疗资源的能力,通过技术实现优质医疗资源有序有效下沉。
当前,百度推出人工智能在医疗领域内的最新成果——百度医疗大脑,正式将人工智能技术应用到医疗健康行业,百度医疗大脑是百度大脑在医疗场景中的具体应用。具体应用场景包括为百度医生在线问诊提供智能协助、为医院提供帮助以及为患者建立用户画像,以便进行慢病管理等。
上述百度医疗大脑并不能实现对儿童疾病的诊断医疗。由于儿童不会表达,其各个特征无法明确获知。目前,人工智能在儿童呼吸疾病,尤其是疑难杂症诊疗方面尚数空白,现有的对仅局限在成人肺部放射影像的人工智能图像分析,而且多集中于肺部癌症的判读,对儿童呼吸科疑难杂症的研究很少,而且儿童群体由于其特殊性,临床上严格限制放射影像的应用。
如何实现对儿童的疑难杂症的智能化诊断成为当前亟需解决的问题。
发明内容
针对现有技术中的问题,本发明提供一种儿童呼吸科疾病的智能辅助诊断方法及诊断***。
第一方面,本发明提供一种儿童呼吸科疾病的智能辅助诊断方法,包括:
S1、获取待诊断儿童的辅助检查信息和/或医生问诊记录信息;
S2、根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息;
S3、依据预先建立的儿童疾病知识库***,采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;
所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。
可选地,步骤S3之前,所述方法还包括:
收集儿童呼吸科疑难杂症的各类症状信息及诊断信息;
依据收集的症状信息及诊断信息及专家的先验知识,建立呼吸科疑难杂症的术语词典及术语词典中的各病例信息;
通过术语词典中的各病例信息,构建包括训练集、验证集和测试集的儿童疾病知识库***;
采用构建的儿童疾病知识库***训练建立的典型症状诊断模型,获得训练后的典型症状诊断模型;
或者,
收集儿童呼吸科的各类症状信息及诊断信息;
依据收集的症状信息及诊断信息及专家的先验知识,建立呼吸科的术语词典及术语词典中的各病例信息;
通过术语词典中的各病例信息,构建包括训练集、验证集和测试集的儿童疾病知识库***;
采用构建的儿童疾病知识库***训练建立的典型症状诊断模型,获得训练后的典型症状诊断模型。
可选地,所述诊断信息包括:诊断思路、诊断方法、诊断过程、疾病症状表现、疾病鉴别诊断中的一种或多种。
可选地,所述辅助检查信息包括:病理检查信息、超声辅助检查信息、X射线辅助检查信息、CT、核磁辅助检查信息中的一种或多种;
和/或,
所述医生问诊记录信息包括:非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
可选地,所述步骤S2包括:
获取自动诊断***存储的待诊断儿童的个人疾病史数据;
依据待诊断儿童的个人疾病史数据、辅助检查信息和/或医生问诊记录信息,筛选关键信息;或者,采用隐马尔科夫、条件随机场CRF和深度学习方法中的一种对个人疾病史数据、辅助检查信息和/或医生问诊记录信息进行处理,筛选出用于构成输入向量的疾病特征的关键信息;
和/或,所述关键信息中所有词的权重采用一个向量表示,以及关键信息为多维向量,且每一个疾病特征为一个维度信息。
可选地,典型症状诊断模型为BP神经网络模型,
BP神经网络模型的输入层节点数与输入向量的维数一致,
学习步长为0.01~0.8;隐藏层节点数为使用节点删除法和扩张法依据网络结构复杂程度和误差需求确定的节点数;
BP神经网络模型的输出层为一层,且节点数与输出向量的个数一致。
第二方面,一种儿童呼吸科疾病的智能辅助诊断***,包括:
第一信息收集模块,用于收集待诊断儿童的医生问诊记录信息;
第二信息收集模块,用于在所述医生问诊记录信息中存在辅助检查项目时,获取待诊断儿童的辅助检查信息;
处理模块,用于根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息;以及依据预先建立的儿童疾病知识库***,并采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;
展示模块,用于展示所述诊断结果,所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。
可选地,所述第一信息收集模块包括:
起病记录单元,用于记录待诊断儿童的起病分类信息;
症状表现记录单元,用于记录待诊断儿童的身体状态信息;
症状检查记录单元,用于记录当前医生对所述待诊断儿童的初步检查信息;
既往病史询问记录单元,用于记录待诊断儿童的应答的病历信息;
辅助检查项目确认单元,用于记录需要进行辅助检查的辅助检查项目。
可选地,所述第一信息收集模块和所述展示模块同时位于所述辅助诊断***的信息展示界面。
本发明具有的有益效果:
本发明中,基于获取儿童呼吸科疑难杂症的诊断标准及先验知识,利用人工智能技术开发儿童呼吸科疑难杂症人工智能辅助诊断***,帮助医生提高对疑难杂症的认知及诊断水平,减少误诊、优化治疗方案和早期预防提供了强有力的支撑。
此外,基于本发明的方法可以实现对基层医疗的有利支撑,使得患儿在基层可以做初步检查及筛查,发现问题再转专家,由此可以合理分配医疗资源,保证了医疗资源的合理使用。
本发明的方法已经经过测试,对于呼吸科疑难杂症的分辨率可达99%,能够有效的协助医生进行检查。
附图说明
图1为本发明一实施例提供的儿童呼吸科疾病的智能辅助诊断方法的流程示意图;
图2为本发明一实施例提供的儿童呼吸科疾病的智能辅助诊断***的信息展示界面的示意图;
图3为本发明一实施例提供的训练BP神经网络的流程图;
图4为本发明一实施例提供的训练后的BP神经网络诊断的过程示意图;
图5为本发明一实施例提供的儿童呼吸科疾病的智能辅助诊断方法的架构图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例1
如图1所示,本实施例的儿童呼吸科疾病的智能辅助诊断方法包括以下步骤:
S1、获取待诊断儿童的辅助检查信息和/或医生问诊记录信息。
举例来说,所述辅助检查信息包括:超声辅助检查信息、X射线辅助检查信息、核磁辅助检查信息中的一种或多种;
所述医生问诊记录信息包括:非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
S2、根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息。
举例来说,获取自动诊断***存储的待诊断儿童的个人疾病史数据;
依据待诊断儿童的个人疾病史数据、辅助检查信息和/或医生问诊记录信息,筛选关键信息。
本实施例的关键信息可采用向量表示,且关键信息中的每一个疾病特征可为一个维度的向量。
本实施例中的辅助检查信息包括:病理检查信息、超声辅助检查信息、X射线辅助检查信息、CT、核磁辅助检查信息中的一种或多种;
上述的医生问诊记录信息包括:非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
S3、依据预先建立的儿童疾病知识库***,采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;如图5所示。
所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。
本实施例中的典型症状诊断模型可为BP神经网络模型,其具有预先训练的输入层、卷积层和全连接层等,根据各个不同的疾病特征训练后的BP神经网络模型中的阈值、权值等适应性变化。
举例来说,本实施例中可在步骤S3之前,执行如下的步骤,以建立儿童疾病知识库***,并基于建立的儿童疾病知识库***训练BP神经网络模型。
A01、收集儿童呼吸科疑难杂症的各类症状信息及诊断信息。
举例来说,所述诊断信息包括:诊断思路、诊断方法、诊断过程、疾病症状表现、疾病鉴别诊断中的一种或多种。诊断信息包括文本信息和/或图像数据。
A02、依据收集的症状信息及诊断信息及专家的先验知识,建立呼吸科疑难杂症的术语词典及术语词典中的各病例信息。
本实施例中术语词典中包括多个分类信息,每一分类信息中可包括多个病例信息。
A03、通过术语词典中的各病例信息,构建包括训练集、验证集和测试集的儿童疾病知识库***;
A04、采用构建的儿童疾病知识库***训练建立的典型症状诊断模型,获得训练后的典型症状诊断模型。
在训练过程中,针对训练集中各个疾病分布不均匀的缺陷,本实施例中可采用数据上采样的方式均衡各个疾病,例如采用oversample/undersample的方法进行处理。
上述针对目前儿科对应的呼吸科疑难杂症进行说明的。
当然,在实际应用中,还可针对呼吸科各症状均进行收集,不一定限定为呼吸科疑难杂症。此时,上述的步骤A01可适应性调整为:收集儿童呼吸科的各类症状信息及诊断信息。
如下表示出的术语词典的部分分类信息。
序号 | 科室 | ICD编码 | 疾病名称 |
1 | 呼吸科 | B37.101+J99.8* | 肺真菌感染-肺念珠菌病 |
2 | 呼吸科 | B44.101+J99.8* | ***反应性支气管肺曲霉病 |
3 | 呼吸科 | B44.102+J99.8* | 肺真菌感染-肺曲霉病 |
4 | 呼吸科 | B45.001+J99.8* | 肺真菌感染-肺隐球菌病 |
5 | 呼吸科 | C85.908 | 肺淋巴瘤 |
6 | 呼吸科 | C95.0018 | 淋巴细胞间质性肺炎 |
7 | 呼吸科 | D71xx03 | 慢性肉芽肿病 |
8 | 呼吸科 | D76.015 | 朗格汉斯细胞的组织细胞增多症 |
9 | 呼吸科 | D80.501 | 高lgM症免疫缺陷病 |
10 | 呼吸科 | D81.901 | 联合免疫缺陷病 |
11 | 呼吸科 | D83.901 | 普通变异性免疫缺陷病 |
12 | 呼吸科 | E84.902 | 囊性纤维化 |
13 | 呼吸科 | J47xx01 | 支气管扩张 |
14 | 呼吸科 | J67.902 | 过敏性肺泡炎 |
15 | 呼吸科 | J69.001 | 吸入性肺炎 |
16 | 呼吸科 | J84.001 | 肺泡蛋白沉积症 |
17 | 呼吸科 | J84.003 | 弥漫性肺泡出血 |
18 | 呼吸科 | J84.902 | 间质性肺炎 |
19 | 呼吸科 | M30.101 | 嗜酸性肉芽肿性血管炎 |
20 | 呼吸科 | G24.902 | 原发性纤毛运动障碍 |
本实施例中的儿童疾病知识库***可包括训练集、验证集和测试集。
在本申请的一些实施例中,可以从各网站或网页如百度百科/寻医问药、电子病历数据等收集大量的专业术语,构建多类型的术语词典;以及可采用CRF(条件随机场)、隐马尔科夫、深度学习方法等进行分词处理,本实施例中可由儿科转件对分词的信息进行校正,得到术语词典中的语料库。
采用向量表示语料库中的每一个词,使得语料库中的关键词可特征向量化。
由于向量的维度较大,非0元素较少,因此通常采用稀疏方式进行存储。比如,为每个单词指定一个数字ID,例如“发烧”记作3,“发热”记作5(假设从0开始标记)。在编程实现时,通过Hash表就能完成每个单词的编号分配工作。可使用Skip-gram模型训练词向量。
进一步地,还可以从电子病历的文本处理为模型输入所需的格式计算机能够识别的格式,例如,从数据库中抽取电子病历后,处理为模型输入所需的格式;以及,从医院的***中获取CT、超声、MR和病理等图像数据,对图像数据进行预处理操作(如标准化或二值化处理)。
由于诊断信息包括文本信息和图像数据,为此,对图像数据的标准化处理可包括:
对训练集、验证集和测试集的图像数据进行标准化处理,例如,本实施例中先计算出训练集的均值和标准差,然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理,以使用统一的标准去处理上述的包括分类信息和诊断信息的数据集。此外,还可以对训练集的数据做数据增强操作,以增大数据集处理过程中的数据量,提高数据集处理过程中的训练精度。
本实施例中的儿童疾病知识库***为采用向量化表示的术语词典,每个术语词典中一个分类可为一个多维向量,每一维度可理解为该分类中的疾病特征,多个分类的疾病特征的权重也采用一个向量表示。
另外,本实施例中使用的模型为BP神经网络模型。BP神经网络训练的过程可说明如下:
结合图3和图4所示,在诊断模型中,可以应用BP网络建立疾病的预测模型,建模的基本过程如下:首先收集导致疾病发生的主要影响因素及疾病发生的结果,如上儿童疾病知识库***的训练集、测试集和验证集;然后把影响因素及疾病结果输入到设计好神经网络模型中进行反复训练,直到网络收敛(即达到预期的训练误差),在训练过程中可适当采用一定的技巧使网络的训练速度最快、误差最小、模型最优,最后用建立好的模型进行疾病预测。
输入层的设计
构建BP神经网络,其输入层节点数取决于输入向量的维数,即特征向量的维数。因此,以呼吸科在设计呼吸***疾病诊断仿真***的时候,在呼吸***疾病诊断中选取与疾病有关的变量,即年龄z、症状(咳嗽.z、胸痛.22。、发烧z、咳痰zs、咳血e、呼吸困难z、冒冷汗zs、杵状指z。)、检查(放射线检查z。、纤支镜检查z)作为输入数据,数据经过预处理后,得到特征向量的维数从而确定网络输入层节点数。
隐含层的设计
隐层(即隐含层)节点数设计
在BP网络中,隐层节点数的选择非常重要,它不仅对建立的神经网络模型的性能影响很大,若隐层节点数太少,网络可能根本不能训练或网络性能很差;若隐层节点数太多,虽然可使网络的***误差减小,但一方面使网络训练时间延长,另一方面,训练容易陷入局部极小点而得不到最优点,也是训练时出现“过拟合”的内在原因。因此,合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下用节点删除法和扩张法确定。
本实施例中,确定隐层节点数,尽可能避免训练时出现“过拟合”现象,保证足够高的网络性能和泛化能力,确定隐层节点数的最基本原则是:在满足精度要求的前提下取尽可能紧凑的结构,即取尽可能少的隐层节点数。本文根据经验公式h为隐含层节点数,m为输入层节点数,n为输出层节点数,a为常数。或者,经验公式为h=n(输入层节点数)+m(输出层节点数)+a(常数)。
学习步长
学习步长影响BP神经网络学习过程的稳定性。大的学习率可能使网络权值每一次的修正量过大,甚至会导致权值在修正过程中超出某个误差的极小值呈不规则跳跃而不收敛;但过小的学习率导致学习时间过长,不过能保证收敛于某个极小值。一般倾向选取较小的学习率以保证学习过程的收敛性(稳定性),通常在0.01~0.8之间。
网络的初始连接权值
BP算法决定了误差函数一般存在多个局部极小点,不同的网络初始权值直接决定了BP算法收敛于哪个局部极小点或是全局极小点。
传递函数的确定
BP神经网络常用的有线性传递函数purelin、tan-sigmoid传递函数tansig和log-sigmoid传递函数logsig。
1)线性传递函数是一个从网络的输入计算输出层的输出的线性传递函数,格式为:f(x)=purelin(x)。
2)正切Signoid型传递函数用于将神经元的输入范围从正无穷到负无穷,映射到(-1,1)。正切Sigmoid型传递函数tansig()是可微函数,因此很适合于利用BP算法训练神经网络,本实施例选取该函数作为网络隐含和输出层的传递函数。其格式为:f(x)=tansig(x)。
3)对数Sigmoid型传递函数用于将神经元的输入范围从正无穷到负无穷映射到(0,1)。对数Sigmoid型传递函数logsig()也是可微函数,适合于利用BP算法训练神经网络,其格式为:f(x)=logsig(x)。
输出层的设计
BP神经网络的输出层仅有一层,节点数目由输出向量的个数确定。如呼吸科研究为10种病(肺炎、哮喘、神经***结合、急性支气管炎……)则,输出向量为10。
神经网络***的训练
BP网络的训练就是通过应用误差反传原理不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。通过训练集中训练样本的学习(训练)建立合理的BP神经网络模型,利用训练好的BP神经网络模型,用测试集和验证集中的数据进行仿真诊断,将实验结果与经验丰富的医生诊断对比,诊断符合率>90%为合格。
实施例2
如图2所示,本实施例提供一种儿童呼吸科疾病的智能辅助诊断***,包括:
第一信息收集模块,用于收集待诊断儿童的医生问诊记录信息;
第二信息收集模块,用于在所述医生问诊记录信息中存在辅助检查项目时,获取待诊断儿童的辅助检查信息;
处理模块,用于根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息;以及依据预先建立的儿童疾病知识库***,采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;
展示模块,用于展示所述诊断结果,所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。
如图2所示,所述第一信息收集模块包括:
起病记录单元,用于记录待诊断儿童的起病分类信息;
症状表现记录单元,用于记录待诊断儿童的身体状态信息;
症状检查记录单元,用于记录当前医生对所述待诊断儿童的初步检查信息;
既往病史询问记录单元,用于记录待诊断儿童的应答的病历信息;
辅助检查项目确认单元,用于记录需要进行辅助检查的辅助检查项目。
在实际应用中,所述第一信息收集模块和所述展示模块同时位于所述辅助诊断***的信息展示界面。
通过机器学习,形成在呼吸科疑难杂症/呼吸科发生早期的典型症状诊断模型。首先,在儿童医院呼吸科合作专家的临床规范诊疗质控过程中,形成高敏感性的对关键临床工作要素进行筛出提醒;其次,在关键疑难杂症分型工作中,实现高特异性的辅助精准诊断分型,并对疾病的状态风险和后续转归做出辅助判断。
该产品操作简单,适用范围特别广,适用于各个医疗卫生***,该产品左侧是根据北京儿童医院的呼吸科专家整理的疾病症状,包括患者年龄,起病情况,主要症状,专科检查,既往史家族史,辅助检查;右侧展示疾病诊断结果。医生通过点选患者的症状表现,右侧栏即可实时展示诊断结果。
智能诊断右侧提供的诊断结果格式为,疾病名称+诊断权重,诊断结果按权重由大到小排列。每个诊断结果下面列举了此疾病的典型症状,其中蓝色高亮症状表示当前患者已体现,灰色症状表示当前患者未体现。若诊断疾病的结果为疑难杂症,右上角给出红色的提醒,提醒该患者有患有疑难杂症的可能,可帮助医生鉴别诊断疑难症状。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上述各个实施例可以相互参照,本实施例不对各个实施例进行限定。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种儿童呼吸科疾病的智能辅助诊断方法,其特征在于,包括:
S1、获取待诊断儿童的辅助检查信息和/或医生问诊记录信息;
S2、根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息;
S3、依据预先建立的儿童疾病知识库***,采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;
所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。
2.根据权利要求1所述的方法,其特征在于,步骤S3之前,所述方法还包括:
收集儿童呼吸科疑难杂症的各类症状信息及诊断信息;
依据收集的症状信息及诊断信息及专家的先验知识,建立呼吸科疑难杂症的术语词典及术语词典中的各病例信息;
通过术语词典中的各病例信息,构建包括训练集、验证集和测试集的儿童疾病知识库***;
采用构建的儿童疾病知识库***训练建立的典型症状诊断模型,获得训练后的典型症状诊断模型;
或者,
收集儿童呼吸科的各类症状信息及诊断信息;
依据收集的症状信息及诊断信息及专家的先验知识,建立呼吸科的术语词典及术语词典中的各病例信息;
通过术语词典中的各病例信息,构建包括训练集、验证集和测试集的儿童疾病知识库***;
采用构建的儿童疾病知识库***训练建立的典型症状诊断模型,获得训练后的典型症状诊断模型。
3.根据权利要求2所述的方法,其特征在于,
所述诊断信息包括:诊断思路、诊断方法、诊断过程、疾病症状表现、疾病鉴别诊断中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,
所述辅助检查信息包括:病理检查信息、超声辅助检查信息、X射线辅助检查信息、CT、核磁辅助检查信息中的一种或多种;
和/或,
所述医生问诊记录信息包括:非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
5.根据权利要求1所述的方法,其特征在于,所述步骤S2包括:
获取自动诊断***存储的待诊断儿童的个人疾病史数据;
依据待诊断儿童的个人疾病史数据、辅助检查信息和/或医生问诊记录信息,筛选关键信息;或者,采用隐马尔科夫、条件随机场CRF和深度学习方法中的一种对个人疾病史数据、辅助检查信息和/或医生问诊记录信息进行处理,筛选出用于构成输入向量的疾病特征的关键信息;
和/或,所述关键信息中所有词的权重采用一个向量表示,以及关键信息为多维向量,且每一个疾病特征为一个维度信息。
6.根据权利要求1至5任一所述的方法,其特征在于,典型症状诊断模型为BP神经网络模型,
BP神经网络模型的输入层节点数与输入向量的维数一致,
学习步长为0.01~0.8;隐藏层节点数为使用节点删除法和扩张法依据网络结构复杂程度和误差需求确定的节点数;
BP神经网络模型的输出层为一层,且节点数与输出向量的个数一致。
7.一种儿童呼吸科疾病的智能辅助诊断***,其特征在于,包括:
第一信息收集模块,用于收集待诊断儿童的医生问诊记录信息;
第二信息收集模块,用于在所述医生问诊记录信息中存在辅助检查项目时,获取待诊断儿童的辅助检查信息;
处理模块,用于根据所述辅助检查信息和/或医生问诊记录信息,筛选关键信息;以及依据预先建立的儿童疾病知识库***,并采用预先训练的典型症状诊断模型对所述关键信息进行处理,获取诊断结果;
展示模块,用于展示所述诊断结果,所述诊断结果包括:至少一种可能的疾病,及每一种可能的疾病对应待诊断儿童的特征。
8.根据权利要求7所述的智能辅助诊断***,其特征在于,
所述第一信息收集模块包括:
起病记录单元,用于记录待诊断儿童的起病分类信息;
症状表现记录单元,用于记录待诊断儿童的身体状态信息;
症状检查记录单元,用于记录当前医生对所述待诊断儿童的初步检查信息;
既往病史询问记录单元,用于记录待诊断儿童的应答的病历信息;
辅助检查项目确认单元,用于记录需要进行辅助检查的辅助检查项目。
9.根据权利要求8所述的智能辅助诊断***,其特征在于,所述第一信息收集模块和所述展示模块同时位于所述辅助诊断***的信息展示界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910037320.7A CN109935336B (zh) | 2019-01-15 | 2019-01-15 | 一种儿童呼吸科疾病的智能辅助诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910037320.7A CN109935336B (zh) | 2019-01-15 | 2019-01-15 | 一种儿童呼吸科疾病的智能辅助诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109935336A true CN109935336A (zh) | 2019-06-25 |
CN109935336B CN109935336B (zh) | 2023-10-31 |
Family
ID=66984909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910037320.7A Active CN109935336B (zh) | 2019-01-15 | 2019-01-15 | 一种儿童呼吸科疾病的智能辅助诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109935336B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349668A (zh) * | 2019-07-11 | 2019-10-18 | 四川大学 | 一种基于bp神经网络的治疗方案辅助决策方法及其*** |
CN110349651A (zh) * | 2019-07-18 | 2019-10-18 | 深圳市善世缘生物科技有限公司 | 一种小儿推拿的在线诊疗方法及*** |
CN110660482A (zh) * | 2019-09-29 | 2020-01-07 | 北京一药良心信息科技有限公司 | 一种基于大数据的中医处方智能推荐***及其控制方法 |
CN111192683A (zh) * | 2020-01-03 | 2020-05-22 | 首都医科大学附属北京儿童医院 | 一种儿童社区获得性肺炎的智能诊断方法 |
CN111383760A (zh) * | 2020-04-10 | 2020-07-07 | 韩琳 | 一种神经***疾病的医疗智能诊断***建立方法 |
CN111445993A (zh) * | 2020-03-25 | 2020-07-24 | 北京嘉和海森健康科技有限公司 | 疾病的层级关系处理方法、装置及电子设备 |
CN111863237A (zh) * | 2020-05-29 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的移动端疾病智能辅助诊断*** |
CN111986803A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于认知模型的呼吸***疾病认知*** |
CN112133426A (zh) * | 2020-09-11 | 2020-12-25 | 上海朔茂网络科技有限公司 | 一种基于深度学习的呼吸***疾病辅助诊断方法 |
CN112201359A (zh) * | 2020-09-30 | 2021-01-08 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
CN112216400A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于大数据的食源性疾病致病因子预测的方法和*** |
CN112420192A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 融合多维诊疗信息的疾病分型方法及相关设备 |
CN112509691A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
CN112687399A (zh) * | 2020-12-11 | 2021-04-20 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于人工智能信息化的传染病监测与预警*** |
CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断*** |
CN115083624A (zh) * | 2021-03-11 | 2022-09-20 | 海信集团控股股份有限公司 | 在线问诊方法、用户服务器及用户终端设备 |
CN116313061A (zh) * | 2023-05-18 | 2023-06-23 | 山东师范大学 | 一种基于医疗大数据的辅助诊断***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090177453A1 (en) * | 2007-05-23 | 2009-07-09 | Sysmex Corporation | Medical diagnosis support computer system, computer program, and server computer |
CN105468900A (zh) * | 2015-11-20 | 2016-04-06 | 邹远强 | 一种基于知识库的智能病历录入平台 |
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建***、临床诊断*** |
CN107038343A (zh) * | 2017-04-10 | 2017-08-11 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建***、临床诊断*** |
CN107785075A (zh) * | 2017-11-01 | 2018-03-09 | 杭州依图医疗技术有限公司 | 基于文本病历的小儿发热疾病深度学习辅助诊断*** |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及*** |
-
2019
- 2019-01-15 CN CN201910037320.7A patent/CN109935336B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090177453A1 (en) * | 2007-05-23 | 2009-07-09 | Sysmex Corporation | Medical diagnosis support computer system, computer program, and server computer |
CN105468900A (zh) * | 2015-11-20 | 2016-04-06 | 邹远强 | 一种基于知识库的智能病历录入平台 |
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建***、临床诊断*** |
CN107038343A (zh) * | 2017-04-10 | 2017-08-11 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建***、临床诊断*** |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及*** |
CN107785075A (zh) * | 2017-11-01 | 2018-03-09 | 杭州依图医疗技术有限公司 | 基于文本病历的小儿发热疾病深度学习辅助诊断*** |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349668A (zh) * | 2019-07-11 | 2019-10-18 | 四川大学 | 一种基于bp神经网络的治疗方案辅助决策方法及其*** |
CN110349651A (zh) * | 2019-07-18 | 2019-10-18 | 深圳市善世缘生物科技有限公司 | 一种小儿推拿的在线诊疗方法及*** |
CN110660482A (zh) * | 2019-09-29 | 2020-01-07 | 北京一药良心信息科技有限公司 | 一种基于大数据的中医处方智能推荐***及其控制方法 |
CN111192683A (zh) * | 2020-01-03 | 2020-05-22 | 首都医科大学附属北京儿童医院 | 一种儿童社区获得性肺炎的智能诊断方法 |
CN111445993A (zh) * | 2020-03-25 | 2020-07-24 | 北京嘉和海森健康科技有限公司 | 疾病的层级关系处理方法、装置及电子设备 |
CN111445993B (zh) * | 2020-03-25 | 2023-08-08 | 北京嘉和海森健康科技有限公司 | 疾病的层级关系处理方法、装置及电子设备 |
CN111383760A (zh) * | 2020-04-10 | 2020-07-07 | 韩琳 | 一种神经***疾病的医疗智能诊断***建立方法 |
CN111863237A (zh) * | 2020-05-29 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的移动端疾病智能辅助诊断*** |
CN111986803A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于认知模型的呼吸***疾病认知*** |
CN111986803B (zh) * | 2020-08-27 | 2024-05-24 | 武汉东湖大数据科技股份有限公司 | 一种基于认知模型的呼吸***疾病认知*** |
CN112133426A (zh) * | 2020-09-11 | 2020-12-25 | 上海朔茂网络科技有限公司 | 一种基于深度学习的呼吸***疾病辅助诊断方法 |
CN112201359A (zh) * | 2020-09-30 | 2021-01-08 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
CN112201359B (zh) * | 2020-09-30 | 2024-05-03 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
CN112216400A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于大数据的食源性疾病致病因子预测的方法和*** |
CN112420192B (zh) * | 2020-11-26 | 2023-12-15 | 清华大学 | 融合多维诊疗信息的疾病分型方法及相关设备 |
CN112420192A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 融合多维诊疗信息的疾病分型方法及相关设备 |
CN112509691B (zh) * | 2020-11-30 | 2024-04-19 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
CN112509691A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
CN112687399A (zh) * | 2020-12-11 | 2021-04-20 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于人工智能信息化的传染病监测与预警*** |
CN115083624A (zh) * | 2021-03-11 | 2022-09-20 | 海信集团控股股份有限公司 | 在线问诊方法、用户服务器及用户终端设备 |
CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断*** |
CN116313061A (zh) * | 2023-05-18 | 2023-06-23 | 山东师范大学 | 一种基于医疗大数据的辅助诊断***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109935336B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109935336A (zh) | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断*** | |
JP7459386B2 (ja) | グラフニューラルネットワークに基づく疾患診断予測システム | |
CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
CN113871003B (zh) | 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断*** | |
WO2022227294A1 (zh) | 一种基于多模态融合的疾病风险预测方法和*** | |
CN110534192B (zh) | 一种基于深度学习的肺结节良恶性识别方法 | |
CN107016438B (zh) | 一种基于中医辨证人工神经网络算法模型的*** | |
CN111967495B (zh) | 一种分类识别模型构建方法 | |
WO2024008043A1 (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及*** | |
CN109192298A (zh) | 基于脑网络的深度脑疾病诊断算法 | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
CN112489769A (zh) | 基于深度神经网络的慢性病智慧中医诊断与药物推荐*** | |
CN111477337B (zh) | 基于个体自适应传播网络的传染病预警方法、***及介质 | |
CN115690072A (zh) | 基于多模态深度学习的胸片特征提取和疾病分类方法 | |
CN116779091B (zh) | 一种多模态网络互联融合的胸部影像诊断报告自动生成方法 | |
CN115858886B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN115062165A (zh) | 基于读片知识图谱的医学影像诊断方法及装置 | |
CN114724710A (zh) | 突发事件的应急方案推荐方法、装置及存储介质 | |
CN111581969A (zh) | 医疗术语向量表示方法、装置、存储介质及电子设备 | |
CN109192312A (zh) | 一种心力衰竭患者不良事件智能管理***及方法 | |
CN113360643A (zh) | 一种基于短文本分类的电子病历数据质量评价方法 | |
CN112712895A (zh) | 一种针对2型糖尿病并发症的多模态大数据的数据分析方法 | |
CN111798324A (zh) | 一种基于动态就医行为对齐的医保欺诈发现方法 | |
CN110827990A (zh) | 一种基于知识图谱的伤寒辨证推理*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |