CN111916210A - 辅助诊断方法、装置、服务器及存储介质 - Google Patents
辅助诊断方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111916210A CN111916210A CN202011063862.0A CN202011063862A CN111916210A CN 111916210 A CN111916210 A CN 111916210A CN 202011063862 A CN202011063862 A CN 202011063862A CN 111916210 A CN111916210 A CN 111916210A
- Authority
- CN
- China
- Prior art keywords
- target
- state
- diagnosis
- time
- action
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供了一种辅助诊断方法、装置、服务器及存储介质,应用于医疗科技领域,服务器包括处理器和存储器,存储器用于存储计算机程序,计算机程序包括程序指令,处理器被配置用于调用程序指令,执行以下步骤:接收终端设备发送的辅助诊断请求,辅助诊断请求包括目标患者在目标时间的目标状态;调用预训练的强化学习模型以根据目标状态确定该目标状态对应的目标动作,目标动作包括目标状态对应的目标诊断参考数据;将目标诊断参考数据发送至终端设备以进行展示。采用本申请,可以提供一种客观的辅助诊断方式以提升诊断过程的可靠性。本申请涉及区块链技术,如可将目标诊断参考数据写入区块链中。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种辅助诊断方法、装置、服务器及存储介质。
背景技术
疾病,无论是慢性病还是急性病都会对患者的身体带来不可忽视的危害。患者的致病因素的复杂性也给医生的诊疗过程带来了难度。
以慢性肾病为例,我国慢性肾病的发病率高达10.8%,而其中近3000万患者将发展成终末期肾病。慢性肾病的病程通常分为一到五期,第四期第五期需要进行长期透析治疗,需要患者的长期坚持和医护人员的密切配合。
普通的肾病患者的常规治疗方式包括服药以及透析,尤其是透析的治疗方式与患者的各项指标密切相关,由于患者的身体状态在不同时间可能差异较大,这就给透析医生提出了较高的要求。并且医生的判断与自身的临床经验,疲劳程度等有很大的关系。所以急需一种完全客观的辅助诊疗方式以提升诊断过程的可靠性。
发明内容
本申请实施例提供了一种辅助诊断方法、装置、服务器及存储介质,可以提供一种客观的辅助诊断方式以提升诊断过程的可靠性。
第一方面,本申请实施例提供了一种服务器,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行以下步骤:
接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
可选地,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
调用原始的强化学习模型,以根据所述样本患者在至少一个时间中每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值,所述状态包括身体状态;
根据所述每个状态对应的动作的延时奖励值,得到累计延时奖励值;
多次迭代所述原始的强化学习模型,直到所述累计延时奖励值达到最大累计延时奖励值时,得到预训练的强化学习模型。
可选地,在调用原始的强化学习模型,以根据所述每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
调用原始的强化学习模型,以根据所述至少一个时间中第一时间的第一状态,确定所述第一状态对应的第一动作,并获得所述第一动作的延时奖励值;所述第一时间为所述至少一个时间中的任一时间;
调用所述原始的强化学习模型,以根据所述至少一个时间中第二时间的第二状态,确定所述第二状态对应的第二动作,并获得所述第二动作的延时奖励值;所述第二时间为所述第一时间的下一时间。
可选地,在获得所述第一动作的延时奖励值时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
在所述样本患者由第一状态转移到第二状态后,根据状态与分值之间的对应关系,确定所述第二状态对应的分值;
将所述第二状态对应的分值确定为所述第一动作的延时奖励值。
可选地,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
获取诊断模板;
利用所述目标诊断参考数据对所述诊断模板进行填充处理,得到填充后的诊断模板作为诊断文件;
将所述诊断文件发送至所述终端设备,以便所述终端设备展示所述诊断文件。
可选地,在将所述诊断文件发送至所述终端设备后,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
接收所述终端设备发送的对所述诊断文件的编辑请求,该编辑请求携带编辑参数;
利用所述编辑参数更新所述诊断文件,得到更新后的诊断文件;
将所述更新后的诊断文件发送至所述终端设备,以便所述终端设备展示所述更新后的诊断文件。
可选地,在调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作后,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
确定所述目标患者在所述目标时间的下一时间的状态,并根据所述下一时间的状态确定所述目标动作的延时奖励值;
利用所述目标动作的延时奖励值更新所述预训练的强化学习模型。
第二方面,本申请实施例提供了一种辅助诊断方法,包括:
接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
第三方面,本申请实施例提供了一种辅助诊断装置,包括:
通信模块,用于接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
处理模块,用于调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
所述通信模块,还用于将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如第一方面所述的服务器执行的步骤。
综上所述,服务器可以获取目标患者在目标时间的目标状态,并调用预训练的强化学习模型以根据该目标状态确定该目标状态对应的目标动作,并将该目标动作包括的该目标状态对应的目标诊断参考数据发送至终端设备,以便终端设备展示该目标诊断参考数据,相较于现有技术完全依赖于医生的主观诊断的方法对患者进行诊断的过程,本申请可以提供一种客观的辅助诊断方式以提升诊断过程的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种辅助诊断方法的流程示意图;
图2是本申请实施例提供的一种强化学习模型训练过程的示意图;
图3是本申请实施例提供的另一种辅助诊断方法的流程示意图;
图4是本申请实施例提供的一种辅助诊断***的网络架构示意图;
图5是本申请实施例提供的一种辅助诊断装置的结构示意图;
图6是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参阅图1,为本申请实施例提供的一种辅助诊断方法的流程示意图。该方法可以应用于服务器。该服务器可以为一个服务器或服务器集群。具体地,该方法可以包括以下步骤:
S101、接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态。
其中,此处的终端设备包括但不限于笔记本电脑、台式电脑等智能终端。目标患者可以为任一就诊的患者。目标时间可以为该目标患者的就诊时间,或者还可以为该目标患者的就诊时间之前的任一时间。目标状态是指目标患者在目标时间的状态。在一个实施例中,该目标状态还可以包括心理状态和/或诊疗依从性,如服药依从性。
在一个的应用场景中,在患者甲到医生乙处就诊时,医生乙可以使用台式电脑进入辅助诊断页面,并在基于该辅助诊断页面输入患者甲当天的身体状态后,点击辅助诊断页面包括的辅助诊断按钮,台式电脑可以响应于对该辅助诊断按钮的点击操作,根据该患者甲在当天的身体状态发送辅助诊断请求至服务器,该辅助诊断请求携带该患者甲在当天时间的身体状态,服务器可以接收台式电脑发送的辅助诊断请求。
S102、调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到。
其中,目标诊断参考数据是指目标状态对应的诊断参考数据。该诊断参考数据可以包括以下至少一项:针对目标状态对目标患者的用药建议、针对目标状态对目标患者的检查方式建议。例如,对于慢性肾病而言,该目标诊疗参考数据可以包括针对目标状态对该目标患者的用药建议,针对目标状态对该目标患者的血液透析量及血液透析方式建议。用药建议可以包括药品名称和药品使用方法,血液透析量建议可以包括血液透析量数值,血液透析方式建议可以包括血液透析方式的名称。
在一个实施例中,本申请实施例提及的预训练的强化学习模型可以通过如下方式得到:服务器调用原始的强化学习模型,以根据该样本患者在至少一个时间中每个时间的状态,确定该每个状态对应的动作,并获得该每个状态对应的动作的延时奖励值,该状态包括身体状态;服务器根据该每个状态对应的动作的延时奖励值,得到累计延时奖励值,并多次迭代该原始的强化学习模型,直到该累计延时奖励值达到最大累计延时奖励值时,得到预训练的强化学习模型。本申请实施例可以反复迭代该原始的强化学习模型以最大化累计延时奖励值,具体可以多次迭代该原始的强化学习模型,逐渐增大累计延时奖励值,使其最终收敛至某个值,该值即可作为最大累计延时奖励值。模型训练就是最大化奖励值之和,同时对于引起单个延时奖励值下降的动作会进行避免,但是依旧会尝试,这是因为引起当前延时奖励值下降的动作(例如服用不同的药)可能引起下一个延时奖励值严重的上升。经过多次迭代后,模型会尝试完所有可能的可能性,从而收敛到一个稳定的行为状态中,这时就可以得到预训练的强化学习模型。
在一个实施例中,服务器调用原始的强化学习模型,以根据该每个时间的状态,确定每个状态对应的动作,并获得该每个状态对应的动作的延时奖励值的过程可以如下:服务器调用原始的强化学习模型,以根据该至少一个时间中第一时间的第一状态,确定该第一状态对应的第一动作,并获得该第一动作的延时奖励值;该第一时间为该至少一个时间中的任一时间;服务器调用该原始的强化学习模型,以根据该至少一个时间中第二时间的第二状态,确定该第二状态对应的第二动作,并获得该第二动作的延时奖励值。其中,该第二时间为该第一时间的下一时间。第一状态可以是指样本患者在第一时间的状态。第二状态可以是指样本患者在第二时间的状态。第一动作可以是指第一状态对应的动作,第二动作是指第二状态对应的动作。第一动作可以包括第一状态对应的诊断参考数据。第二动作可以包括第二状态对应的诊断参考数据。其中,电子设备根据该至少一个时间中第二时间的第二状态,确定该第二状态对应的第二动作,并获得该第二动作的延时奖励值的方式,可以参见电子设备根据该至少一个时间中第一时间的第一状态,确定该第一状态对应的第一动作,并获得该第一动作的延时奖励值的方式,本申请实施例在此不做赘述。
例如,参见图2,图2所示的第一状态S1为样本患者在第一时间的状态,服务器调用原始的强化学习模型,以根据S1确定S1对应的第一动作A1,并可以确定对A1对应的第一延时奖励值。由于样本患者会从S1进入第二状态S2,S2为样本患者在第二时间的状态,服务器可以调用原始的强化学习模型根据S2确定S2对应的第二动作A2,并可以确定A2对应的第二延时奖励值。服务器可以将第一延时奖励值和第二延时奖励值相加,得到累计延时奖励值R。服务器多次迭代原始的强化学习模型,直到当R达到最大R时,得到预训练的强化学习模型。在一次训练过程中,如果一些行为导致R降低,下一次训练就会避免这些行为以进行模型训练。
在一个实施例中,服务器获得该第一动作的延时奖励值的过程可以如下:服务器在该样本患者由第一状态转移到第二状态后,根据状态与分值之间的对应关系,确定该第二状态对应的分值,并将该第二状态对应的分值确定为该第一动作的延时奖励值。采用该过程,可以根据转移到的状态有效结合实际情况对第一动作进行奖励,以便于后续准确地进行动作选择。
例如,若第二状态指示患者身体状况没有恶化(如表皮生长因子受体(EpidermalGrowth Factor Receptor,EGFR)数值没有变化),则可以根据状态与分值的对应关系,确定该第二状态对应的分值为1分,进而可以确定该第一动作的延时奖励值为1分。若第二状态指示患者身体状况恶化(如EGFR数值下降),则可以根据状态与分值的对应关系,确定该第二状态对应的分值为-1分,进而确定对该第一动作的延时奖励值为-1分。若第二状态指示患者身体状况连续恶化(如在预设时间段内EGFR数值多次下降),则可以根据状态与分值的对应关系,确定该第二状态对应的分值为-2分,进而可以确定对该第一动作的延时奖励值为-2分。若第二状态指示患者死亡,则可以根据状态与分值的对应关系,确定该第二状态对应的分值为-3分,进而可以确定对该第一动作的延时奖励值为-3分。其中,确定其它动作的延时奖励值的过程可以参见上述过程,本申请实施例在此不一一赘述。
S103、将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
本申请实施例中,服务器可以将该目标诊断参考数据发送至终端设备,终端设备可以展示该目标诊断参考数据。
可见,图1所示的实施例中,服务器可以获取目标患者在目标时间的目标状态,并调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,并将该目标动作包括的所述目标状态对应的目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据,相较于现有技术完全依赖于医生的主观诊断方法对患者进行诊断的过程,本申请实施例可以提供一种客观的辅助诊断方式以提升诊断过程的可靠性。
请参阅图3,为本申请实施例提供的另一种辅助诊断方法的流程示意图。该方法可以应用于服务器。该服务器可以为一个服务器或服务器集群。具体地,该方法可以包括以下步骤:
S301、接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态。
S302、调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到。
S303、将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
其中,步骤S301-步骤S303可以参见图1实施例中的步骤S101-步骤S103,本申请实施例在此不做赘述。
在一个实施例中,服务器可以在调用预训练的强化学习模型以根据该目标状态确定该目标状态对应的目标动作后,确定该目标患者在该目标时间的下一时间的状态,并根据该下一时间的状态确定该目标动作的延时奖励值,从而利用该目标动作的延时奖励值更新该预训练的强化学习模型。该过程可以根据模型应用过程中的实际反馈来优化预训练的强化学习模型,使模型能够更准确的根据状态选择最优动作。
S304、获取诊断模板。
本申请实施例中,服务器可以从本地或数据库获取诊断模板。
在一个实施例中,服务器可以获取该目标患者所在医院的标识,并根据医院的标识与诊断模板的对应关系从本地或数据库中查询出该所在医院的标识对应的诊断模板。
在一个实施例中,服务器可以在接收到终端设备发送的诊断模板获取指令时,触发执行从本地或数据库获取诊断模板的步骤。
S305、利用所述目标诊断参考数据对所述诊断模板进行填充处理,得到填充后的诊断模板作为诊断文件。
S306、将所述诊断文件发送至所述终端设备,以便所述终端设备展示所述诊断文件。
本申请实施例中,服务器可以将目标诊断参考数据填充至诊断模板中,得到填充后的诊断模板作为诊断文件,并将该诊断文件发送至该终端设备,以便该终端设备展示该诊断文件。
在一个实施例中,终端设备可以向服务器发送对该诊断文件的编辑请求。服务器可以接收该终端设备发送的对该诊断文件的编辑请求,该编辑请求携带编辑参数。此处的编辑参数如可以包括该诊断文件对应的待新增、待修改或待删除的参数。服务器利用该编辑参数更新该诊断文件,得到更新后的诊断文件,并将该更新后的诊断文件发送至终端设备,以便终端设备展示该更新后的诊断文件。
可见,图3所示的实施例中,服务器还可以根据目标诊断参考数据填充诊断模板,得到填充后的诊断模板作为诊断文件,并通过终端设备展示该诊断文件,实现了诊断文件的自动化智能化生成过程,提升了诊断文件的生成效率。
本申请可应用于医疗科技领域,涉及区块链技术,如可将目标诊断参考数据写入区块链中,或可以将诊断文件的哈希值写入区块链中。
请参阅图4,为本申请实施例提供的一种辅助诊断***的网络架构示意图。图4所述的辅助诊断***包括服务器10和终端设备20。其中:
终端设备20可以向服务器10发送辅助诊断请求。服务器可以根据该辅助诊断请求通过执行步骤S101和步骤S102得到目标患者在目标时间的目标状态对应的目标动作,并可以通过执行步骤S103以通过终端设备20展示该目标动作包括的目标诊断参考数据,该过程通过提供一种客观的辅助诊断方式可以提升诊断过程的可靠性。
请参阅图5,为本申请实施例提供的一种辅助诊断装置的结构示意图。该辅助诊断装置可以应用于前述提及的服务器。具体地,该辅助诊断装置可以包括:
通信模块501,用于接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态。
处理模块502,用于调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到。
通信模块501,还用于将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
在一种可选的实施方式中,处理模块502,还用于调用原始的强化学习模型,以根据所述样本患者在至少一个时间中每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值,所述状态包括身体状态;根据所述每个状态对应的动作的延时奖励值,得到累计延时奖励值;多次迭代所述原始的强化学习模型,直到所述累计延时奖励值达到最大累计延时奖励值时,得到预训练的强化学习模型。
在一种可选的实施方式中,处理模块502调用原始的强化学习模型,以根据所述每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值,具体为调用原始的强化学习模型,以根据所述至少一个时间中第一时间的第一状态,确定所述第一状态对应的第一动作,并获得所述第一动作的延时奖励值;所述第一时间为所述至少一个时间中的任一时间;调用所述原始的强化学习模型,以根据所述至少一个时间中第二时间的第二状态,确定所述第二状态对应的第二动作,并获得所述第二动作的延时奖励值;所述第二时间为所述第一时间的下一时间。
在一种可选的实施方式中,处理模块502获得所述第一动作的延时奖励值,具体为在所述样本患者由第一状态转移到第二状态后,根据状态与分值之间的对应关系,确定所述第二状态对应的分值;将所述第二状态对应的分值确定为所述第一动作的延时奖励值。
在一种可选的实施方式中,处理模块502,还用于获取诊断模板;利用所述目标诊断参考数据对所述诊断模板进行填充处理,得到填充后的诊断模板作为诊断文件;通过通信模块501将所述诊断文件发送至所述终端设备,以便所述终端设备展示所述诊断文件。
在一种可选的实施方式中,处理模块502,还用于在将所述诊断文件发送至所述终端设备后,通过通信模块501接收所述终端设备发送的对所述诊断文件的编辑请求,该编辑请求携带编辑参数;利用所述编辑参数更新所述诊断文件,得到更新后的诊断文件;通过通信模块501将所述更新后的诊断文件发送至所述终端设备,以便所述终端设备展示所述更新后的诊断文件。
在一种可选的实施方式中,处理模块502,还用于在调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作后,确定所述目标患者在所述目标时间的下一时间的状态,并根据所述下一时间的状态确定所述目标动作的延时奖励值;利用所述目标动作的延时奖励值更新所述预训练的强化学习模型。
可见,图5所示的实施例中,辅助诊断装置可以获取目标患者在目标时间的目标状态,并调用预训练的强化学习模型以根据该目标状态确定该目标状态对应的目标动作,从而将该目标动作包括的该目标状态对应的目标诊断参考数据发送至终端设备,以便终端设备展示该目标诊断参考数据,相较于现有技术完全依赖于医生的主观诊断方法对患者进行诊断的过程,本申请可以提供一种客观的辅助诊断方式以提升诊断过程的可靠性。
请参阅图6,为本申请实施例提供的一种服务器的结构示意图。本实施例中所描述的服务器可以包括:一个或多个处理器1000和存储器2000。处理器1000、和存储器2000可以通过总线连接。
处理器1000可以是中央处理模块(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器2000可以是高速RAM存储器,也可为非不稳定的存储器(non-volatilememory),例如磁盘存储器。其中,存储器2000用于存储计算机程序,所述计算机程序包括程序指令,处理器1000被配置用于调用所述程序指令,执行以下步骤:
接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
在一个实施例中,本申请实施例可以通过输入装置(图未示)接收终端设备发送的辅助诊断请求。本申请实施例可以通过输出装置(图未示)将所述目标诊断参考数据发送至终端设备。所述的输入装置和输出装置可以为标准的有线/无线接口。
在一个实施例中,处理器1000被配置用于调用所述程序指令,还执行以下步骤:
调用原始的强化学习模型,以根据所述样本患者在至少一个时间中每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值,所述状态包括身体状态;
根据所述每个状态对应的动作的延时奖励值,得到累计延时奖励值;
多次迭代所述原始的强化学习模型,直到所述累计延时奖励值达到最大累计延时奖励值时,得到预训练的强化学习模型。
在一个实施例中,在调用原始的强化学习模型,以根据所述每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
调用原始的强化学习模型,以根据所述至少一个时间中第一时间的第一状态,确定所述第一状态对应的第一动作,并获得所述第一动作的延时奖励值;所述第一时间为所述至少一个时间中的任一时间;
调用所述原始的强化学习模型,以根据所述至少一个时间中第二时间的第二状态,确定所述第二状态对应的第二动作,并获得所述第二动作的延时奖励值;所述第二时间为所述第一时间的下一时间。
在一个实施例中,在获得所述第一动作的延时奖励值时,处理器1000被配置用于调用所述程序指令,执行以下步骤:
在所述样本患者由第一状态转移到第二状态后,根据状态与分值之间的对应关系,确定所述第二状态对应的分值;
将所述第二状态对应的分值确定为所述第一动作的延时奖励值。
在一个实施例中,处理器1000被配置用于调用所述程序指令,还执行以下步骤:
获取诊断模板;
利用所述目标诊断参考数据对所述诊断模板进行填充处理,得到填充后的诊断模板作为诊断文件;
将所述诊断文件发送至所述终端设备,以便所述终端设备展示所述诊断文件。
在一个实施例中,本申请实施例可以通过输出装置将所述诊断文件发送至所述终端设备,以便所述终端设备展示所述诊断文件。
在一个实施例中,在将所述诊断文件发送至所述终端设备后,处理器1000被配置用于调用所述程序指令,还执行以下步骤:
接收所述终端设备发送的对所述诊断文件的编辑请求,该编辑请求携带编辑参数;
利用所述编辑参数更新所述诊断文件,得到更新后的诊断文件;
将所述更新后的诊断文件发送至所述终端设备,以便所述终端设备展示所述更新后的诊断文件。
在一个实施例中,本申请实施例可以通过输入装置接收所述终端设备发送的对所述诊断文件的编辑请求,该编辑请求携带编辑参数。本申请实施例可以通过输出装置将所述更新后的诊断文件发送至所述终端设备。
在一个实施例中,在调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作后,处理器1000被配置用于调用所述程序指令,还执行以下步骤:
确定所述目标患者在所述目标时间的下一时间的状态,并根据所述下一时间的状态确定所述目标动作的延时奖励值;
利用所述目标动作的延时奖励值更新所述预训练的强化学习模型。
具体实现中,本申请实施例中所描述的处理器1000可执行图1实施例、图3实施例所描述的实现方式,也可执行本申请实施例所描述的实现方式,在此不再赘述。
在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采样硬件的形式实现,也可以采样软件功能模块的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的计算机可读存储介质可为易失性的或非易失性的。例如,该计算机存储介质可以为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。所述的计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于本申请所涵盖的范围。
Claims (10)
1.一种服务器,其特征在于,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行以下步骤:
接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
2.根据权利要求1所述的服务器,其特征在于,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
调用原始的强化学习模型,以根据所述样本患者在至少一个时间中每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值,所述状态包括身体状态;
根据所述每个状态对应的动作的延时奖励值,得到累计延时奖励值;
多次迭代所述原始的强化学习模型,直到所述累计延时奖励值达到最大累计延时奖励值时,得到预训练的强化学习模型。
3.根据权利要求2所述的服务器,其特征在于,在调用原始的强化学习模型,以根据所述每个时间的状态,确定每个状态对应的动作,并获得所述每个状态对应的动作的延时奖励值时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
调用原始的强化学习模型,以根据所述至少一个时间中第一时间的第一状态,确定所述第一状态对应的第一动作,并获得所述第一动作的延时奖励值;所述第一时间为所述至少一个时间中的任一时间;
调用所述原始的强化学习模型,以根据所述至少一个时间中第二时间的第二状态,确定所述第二状态对应的第二动作,并获得所述第二动作的延时奖励值;所述第二时间为所述第一时间的下一时间。
4.根据权利要求3所述的服务器,其特征在于,在获得所述第一动作的延时奖励值时,所述处理器被配置用于调用所述程序指令,执行以下步骤:
在所述样本患者由第一状态转移到第二状态后,根据状态与分值之间的对应关系,确定所述第二状态对应的分值;
将所述第二状态对应的分值确定为所述第一动作的延时奖励值。
5.根据权利要求1所述的服务器,其特征在于,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
获取诊断模板;
利用所述目标诊断参考数据对所述诊断模板进行填充处理,得到填充后的诊断模板作为诊断文件;
将所述诊断文件发送至所述终端设备,以便所述终端设备展示所述诊断文件。
6.根据权利要求5所述的服务器,其特征在于,在将所述诊断文件发送至所述终端设备后,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
接收所述终端设备发送的对所述诊断文件的编辑请求,该编辑请求携带编辑参数;
利用所述编辑参数更新所述诊断文件,得到更新后的诊断文件;
将所述更新后的诊断文件发送至所述终端设备,以便所述终端设备展示所述更新后的诊断文件。
7.根据权利要求1所述的服务器,其特征在于,在调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作后,所述处理器被配置用于调用所述程序指令,还执行以下步骤:
确定所述目标患者在所述目标时间的下一时间的状态,并根据所述下一时间的状态确定所述目标动作的延时奖励值;
利用所述目标动作的延时奖励值更新所述预训练的强化学习模型。
8.一种辅助诊断方法,其特征在于,包括:
接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
9.一种辅助诊断装置,其特征在于,包括:
通信模块,用于接收终端设备发送的辅助诊断请求,所述辅助诊断请求包括目标患者在目标时间的目标状态,所述目标状态包括目标身体状态;
处理模块,用于调用预训练的强化学习模型以根据所述目标状态确定该目标状态对应的目标动作,所述目标动作包括所述目标状态对应的目标诊断参考数据,所述预训练的强化学习模型根据样本患者在至少一个时间中每个时间的状态训练得到;
所述通信模块,还用于将所述目标诊断参考数据发送至所述终端设备,以便所述终端设备展示所述目标诊断参考数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的服务器执行的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011063862.0A CN111916210A (zh) | 2020-09-30 | 2020-09-30 | 辅助诊断方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011063862.0A CN111916210A (zh) | 2020-09-30 | 2020-09-30 | 辅助诊断方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111916210A true CN111916210A (zh) | 2020-11-10 |
Family
ID=73265287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011063862.0A Pending CN111916210A (zh) | 2020-09-30 | 2020-09-30 | 辅助诊断方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111916210A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209161A1 (en) * | 2017-05-12 | 2018-11-15 | The Regents Of The University Of Michigan | Individual and cohort pharmacological phenotype prediction platform |
CN109952582A (zh) * | 2018-09-29 | 2019-06-28 | 区链通网络有限公司 | 一种强化学习模型的训练方法、节点、***及存储介质 |
CN110335675A (zh) * | 2019-06-20 | 2019-10-15 | 北京科技大学 | 一种基于中医知识图库的辨证方法 |
EP3709236A1 (en) * | 2019-03-05 | 2020-09-16 | Honeywell International Inc. | Systems and methods for cognitive services of a connected fms or avionics saas platform |
CN111681767A (zh) * | 2020-06-12 | 2020-09-18 | 电子科技大学 | 一种电子病历数据处理方法及*** |
CN111710425A (zh) * | 2020-06-19 | 2020-09-25 | 复旦大学附属中山医院 | 一种免疫检查点抑制剂心脏毒性评估方法,***及装置 |
-
2020
- 2020-09-30 CN CN202011063862.0A patent/CN111916210A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209161A1 (en) * | 2017-05-12 | 2018-11-15 | The Regents Of The University Of Michigan | Individual and cohort pharmacological phenotype prediction platform |
CN109952582A (zh) * | 2018-09-29 | 2019-06-28 | 区链通网络有限公司 | 一种强化学习模型的训练方法、节点、***及存储介质 |
EP3709236A1 (en) * | 2019-03-05 | 2020-09-16 | Honeywell International Inc. | Systems and methods for cognitive services of a connected fms or avionics saas platform |
CN110335675A (zh) * | 2019-06-20 | 2019-10-15 | 北京科技大学 | 一种基于中医知识图库的辨证方法 |
CN111681767A (zh) * | 2020-06-12 | 2020-09-18 | 电子科技大学 | 一种电子病历数据处理方法及*** |
CN111710425A (zh) * | 2020-06-19 | 2020-09-25 | 复旦大学附属中山医院 | 一种免疫检查点抑制剂心脏毒性评估方法,***及装置 |
Non-Patent Citations (1)
Title |
---|
董超俊,等著: "《城市区域智能交通控制模型与算法》", 30 April 2015, 华南理工大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753543B (zh) | 药物推荐方法、装置、电子设备及存储介质 | |
US7705727B2 (en) | System, method, and computer program for interfacing an expert system to a clinical information system | |
US10014080B2 (en) | Evidence based medical record | |
WO2012094542A2 (en) | Devices, systems, and methods for the real-time and individualized prediction of health and economic outcomes | |
US20160055314A1 (en) | Method, system, and apparatus for electronic prior authorization accelerator | |
US20140214451A1 (en) | Adaptive Medical Documentation System | |
CN110660482A (zh) | 一种基于大数据的中医处方智能推荐***及其控制方法 | |
WO2021179694A1 (zh) | 药物推荐方法、装置、计算机设备及存储介质 | |
US20170116169A1 (en) | Managing data relationships of customizable forms | |
US8527297B2 (en) | Methods, apparatuses, and computer program products for facilitating co-morbid care management | |
CN111785343A (zh) | 随访方法、装置、电子设备及存储介质 | |
US20190189293A1 (en) | System and method for remote provision of healthcare | |
US20230268043A1 (en) | Therapeutic application distribution system, therapeutic application distribution method, therapeutic application distribution program, and terminal | |
CN111916210A (zh) | 辅助诊断方法、装置、服务器及存储介质 | |
KR20210130179A (ko) | 분산형 컴퓨팅 플랫폼을 사용하여 우선순위에 의해 지리적 영역들에 걸쳐 건강 데이터를 분석하기 위한 시스템 아키텍처 및 방법들 | |
CN111916170A (zh) | 一种病史提醒方法、管理服务器及电子病历管理*** | |
CN111899844B (zh) | 一种样本生成方法、装置、服务器及存储介质 | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
CN113076486B (zh) | 药物信息推送方法、装置、计算机设备及存储介质 | |
CN115862892A (zh) | 基于移动终端的医药教育***及其应用方法 | |
CN113421638B (zh) | 基于迁移学习的模型生成方法、装置和计算机设备 | |
CA2900718A1 (en) | Method, system, and apparatus for electronic prior authorization accelerator | |
CN111739598A (zh) | 数据处理方法、装置、介质及电子设备 | |
WO2021151330A1 (zh) | 用户分群方法、装置、设备和计算机可读存储介质 | |
US20140019159A1 (en) | Method, apparatus, and computer program product for patient charting |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |