CN112101550A - 分诊融合模型训练方法、分诊方法、装置、设备及介质 - Google Patents
分诊融合模型训练方法、分诊方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112101550A CN112101550A CN202011023857.7A CN202011023857A CN112101550A CN 112101550 A CN112101550 A CN 112101550A CN 202011023857 A CN202011023857 A CN 202011023857A CN 112101550 A CN112101550 A CN 112101550A
- Authority
- CN
- China
- Prior art keywords
- triage
- result
- fusion
- model
- sample
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 238000003745 diagnosis Methods 0.000 claims abstract description 67
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及大数据的数据处理领域,提供一种分诊融合模型训练方法、分诊方法、装置、设备及介质,方法包括:通过获取就诊样本集;将就诊样本输入含有初始参数的多融合神经网络模型;对就诊样本进行预测,获取至少两个分诊结果;对各分诊结果进行标准化转换得到标准化结果;将所有标准化结果进行权重融合得到样本分诊结果;通过多融合神经网络模型中的损失模型,获得总损失值;在总损失值未达到预设的收敛条件时,迭代更新多融合神经网络模型的初始参数,直至收敛,将收敛之后的多融合神经网络模型记录为分诊融合模型。本发明提升了多融合神经网络模型识别的性能和准确率。本发明适用于智慧医疗等领域,可进一步推动智慧城市的建设。
Description
技术领域
本发明涉及大数据的数据处理领域,尤其涉及一种分诊融合模型训练方法、分诊方法、装置、设备及介质。
背景技术
随着医学的进步和发展,医院对于科室的设置也更专业化,随之带来的问题是用户选择科室带来一定的困难,为了解决这个问题各大医院都增加了导诊环节,包括导诊人员和自主导诊服务,主要是帮助患者推荐诊疗科室。
目前,患者去医院就诊时,首先需要去分诊台进行人工分诊,在该过程中患者需要消耗大量排队时间,而且对分诊台的导诊人员的专业知识深度及广度上有较高的要求,如果导诊人员给患者分诊错误,又需要重新进行分诊,大大浪费患者的时间,严重影响患者体验,因此,在现有技术上,患者进行人工分诊过程中耗时长、很难给出合理的就诊科室或者就诊医生,从而导致患者体验差,以及就诊准确率低。
发明内容
本发明提供一种分诊融合模型训练、分诊方法、装置、计算机设备及存储介质,实现了准确地推荐主题数据给用户,提高了主题推荐的准确率,避免了不喜好的主题数据展示给用户,提升了用户的体验满意度,并提升了主题推荐的有效性,本发明适用于智慧医疗等领域,可进一步推动智慧城市的建设。
一种分诊融合模型训练方法,包括:
获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;
将所述就诊样本输入含有初始参数的多融合神经网络模型;
通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;
对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;
将所有所述标准化结果进行权重融合,得到样本分诊结果;
通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;
在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型。
一种分诊方法,包括:
接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;
将所述患者就诊信息输入如上述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果。
一种分诊融合模型训练装置,包括:
获取模块,用于获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;
输入模块,用于将所述就诊样本输入含有初始参数的多融合神经网络模型;
预测模块,用于通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;
标准化模块,用于对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;
权重模块,用于将所有所述标准化结果进行权重融合,得到样本分诊结果;
损失模块,用于通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;
迭代模块,用于在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型。
一种分诊装置,包括:
接收模块,用于接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;
分诊模块,用于将所述患者就诊信息输入如上述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述分诊融合模型训练方法的步骤,或者所述处理器执行所述计算机程序时实现上述分诊方法的步骤。
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,其中,所述计算机程序被处理器执行时实现上述分诊融合模型训练方法的步骤,或者所述计算机程序被处理器执行所述计算机程序时实现上述分诊方法的步骤。
本发明提供的分诊融合模型训练方法、装置、计算机设备及存储介质,通过获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;将所述就诊样本输入含有初始参数的多融合神经网络模型;通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;将所有所述标准化结果进行权重融合,得到样本分诊结果;通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型,因此,本发明提供了分诊融合模型训练方法,通过多融合神经网络模型预测出至少两个分诊结果(多融合神经网络模型包括至少两个模型,一个模型与一个分诊结果对应),对各分诊结果进行标准化转换得到各标准化结果,将所有标准化结果进行权重融合得到样本分诊结果,通过损失模型进行损失分析得到总损失值,根据总损失值迭代更新多融合神经网络模型直至收敛,实现了通过对多融合神经网络模型中的各个不同的模型输出的分诊结果进行标准化,使其具有大小相关的可比性,打破了各模型之间相互独立的局限性,再通过权重融合和损失分析,能够让多融合神经网络模型的训练更加高效和更加准确,提升了多融合神经网络模型识别的性能和准确率。
本发明提供的分诊方法、装置、计算机设备及存储介质,通过接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;将所述患者就诊信息输入如上述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果,如此,本发明通过分诊融合模型训练方法训练完成的分诊融合模型对患者就诊信息进行预测,获得最终分诊结果,该最终分诊结果给患者进行预约提供了准确的依据,提高了分诊的准确率和效率,提升了用户的满意度,并提升了分诊的有效性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中分诊融合模型训练方法或分诊方法的应用环境示意图;
图2是本发明一实施例中分诊融合模型训练方法的流程图;
图3是本发明一实施例中分诊融合模型训练方法的步骤S40的流程图;
图4是本发明一实施例中分诊融合模型训练方法的步骤S50的流程图;
图5是本发明一实施例中分诊融合模型训练方法的步骤S60的流程图;
图6是本发明一实施例中分诊方法的流程图;
图7是本发明一实施例中分诊融合模型训练装置的原理框图;
图8是本发明一实施例中分诊装置的原理框图;
图9是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的分诊融合模型训练方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。其中,客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种分诊融合模型训练方法,其技术方案主要包括以下步骤S10-S70:
S10,获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联。
可理解地,所述就诊样本集为收集的所述就诊样本的集合,所述就诊样本为收集的历史的患者历史输入的且已经完成分诊的就诊信息的数据,一个所述就诊样本与一个所述分诊标签关联,所述分诊标签为在实际就诊中与其对应的所述就诊样本最后被分诊后的科室,所述科室为医院中包含的各类科室。
S20,将所述就诊样本输入含有初始参数的多融合神经网络模型。
可理解地,所述多融合神经网络模型为融合了至少两个模型的神经网络模型,所述多融合神经网络模型可以根据需求选择融合的所述模型,比如选择融合模型可以为LSTM模型、深度卷积神经网络模型(DCNN模型)、循环神经网络模型(RNN模型)、深度残差网络模型(DRN模型)或者强化学习模型等等,所述初始参数包括所述多融合神经网络模型中的各所述模型的参数,各所述模型的参数可以通过迁移学习的方式从其他领域的与各所述模型相同类型的模型的参数直接迁移过来,即将其他领域的与各所述模型相同类型的模型的参数作为该模型的参数。
S30,通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果。
可理解地,所述多融合神经网络模型包括至少两个模型的神经网络模型,所述多融合神经网络模型对所述就诊样本进行预测,即所述多融合神经网络模型中的各个所述模型分别对所述就诊样本进行预测,所述预测为各个所述模型根据各自的算法进行处理,预测出各个分诊类别的预测值,从而各个所述模型预测出各自的所述分诊结果,即一个所述模型对应一个所述分诊结果,表明了所述多融合神经网络模型输出至少两个所述分诊结果,所述分诊结果包括所有分诊类别和与各分诊类别的预测值,所述预测值预测出该分诊类别的可能性,所述分诊类别的全集和所述分诊标签的全集相同,例如所述分诊标签有100个类别,则所述分诊类别也与所述分诊标签一一对应的100个类别,所述分诊结果中就有100个分诊类别和100个与分诊类别对应的预测值。
在一实施例中,所述多融合神经网络模型包括LSTM模型、深度卷积神经网络模型和强化学习模型,所述LSTM模型(Long short term memory network,长短时记忆网络模型)为通过LSTM算法对所述就诊样本进行预测分诊结果的模型,所述深度卷积神经网络模型为通过该深度卷积神经网络模型中的网络结构(比如VGG16、GoogleNet、ResNet等等网络结构)对所述就诊样本进行卷积、池化及全连接等预测出分诊结果的模型,所述强化学习模型为对所述就诊样本执行各个动作后获得的预期回报Q值并根据该预期回报Q值预测出分诊结果的模型。
S40,对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果。
可理解地,由于不同所述模型的分诊结果之间不具有大小相关的可比性,所以需要对各个不同的所述模型输出的所述分诊结果中的可能性的预测值进行标准化转换,使得各所述分诊结果具有大小相关的可比性,所述标准化转换为按照所述分诊结果中的各所述分诊类别的所述预测值由大到小的顺序进行对所述分诊结果排序,从排序后的所述分诊结果中获取序列在先的预设提取数量的分诊类别,将获取后的含有所述预设提取数量的分诊类别的各所述分诊结果确定为与各所述分诊结果对应的排序结果,通过标准化技术,对各所述排序结果中的各个分诊类别进行标准化赋值,即给各个分诊类别关联与该分诊类别在所述排序结果中的序列对应的可比值,从而得到与各所述排序结果一一对应的标准化结果,即得到与各所述分诊结果对应的所述标准化结果。
在一实施例中,如图3所示,所述步骤S40中,即所述对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果,包括:
S401,将各所述分诊结果中的分诊类别由大到小进行排序,并获取排序后序列在先的预设提取数量的分诊类别,将获取后的各所述分诊结果确定为与各所述分诊结果对应的排序结果;所述分诊结果包括所述分诊类别。
可理解地,按照所述分诊结果中的各所述分诊类别的所述预测值由大到小的顺序进行对所述分诊结果排序,从排序后的所述分诊结果中获取序列在先的预设提取数量的分诊类别,所述预设提取数量为从分诊结果中提取出序列在前的数量,所述预设提取数量可以根据需求设定,所述预设提取数量小于所述分诊类别全集的个数,作为优选,所述预设提取数量设定为10的倍数,比如10、20、30等等。
S402,通过标准化技术,对各所述排序结果中的各个分诊类别进行标准化赋值。
可理解地,所述标准化技术为通过标准化函数根据所述排序结果中的各个分诊类别所在的序列位数确定出赋予各个分诊类别的可比值,所述标准化函数为:
其中,h为所述预设提取数量,j为所述排序结果中序列为第j位的分诊类别的序列位数,比如第1位、第2位……等等,Yj为所述排序结果中序列为第j位的分诊类别的可比值。
其中,所述标准化赋值为将赋予各所述排序结果中的各个分诊类别一个可比值,所述可比值为根据分诊类别在其排序结果中的序列位数运用所述标准化函数计算的值,将所述排序结果中的各所述分诊类别与其对应的所述可比值关联。
S403,将赋值后的各所述排序结果确定为与各所述排序结果一一对应的标准化结果。
可理解地,将通过所述标准化技术赋值后的各个所述排序结果确定为与其对应的所述标准化结果,所述标准化结果包括所述分诊类别、与分诊类别对应的所述预测值和与分诊类别关联的所述可比值,如此,使得不同所述模型的分诊类别的可能性具有大小相关的可比性。
本发明实现了通过将各所述分诊结果中的分诊类别由大到小进行排序,并获取排序后序列在先的预设提取数量的分诊类别,将获取后的各所述分诊结果确定为与各所述分诊结果对应的排序结果;通过标准化技术,对各所述排序结果中的各个分诊类别进行标准化赋值;将赋值后的各所述排序结果确定为与各所述排序结果一一对应的标准化结果,如此,通过对不同模型的分诊结果进行标准化,使得不同模型的排序结果中的分诊类别之间具有大小相关的可比性,从而能够对后续的多模型的融合过程中提供辅助,进一步提升多融合神经网络模型的性能,提高了分诊预测的准确率和效率。
S50,将所有所述标准化结果进行权重融合,得到样本分诊结果。
可理解地,所述权重融合的过程为:首先,将各所述标准化结果进行预设维度的分诊向量转换,得到与各所述标准化结果一一对应的分诊向量,同时根据各所述分诊结果与所述分诊标签之间的差距,确定出与各所述分诊结果一一对应的准确率,即得到与各所述标准化结果一一对应的准确率;其次,根据所有所述准确率生成与各个所述准确率对应的所述标准化结果对应的分诊向量对应的权重;最后,根据各所述分诊向量和各所述权重,得到所述样本分诊结果。
其中,所述预设维度为所述分诊类别全集个数,所述预设维度大于所述预设提取数量。
在一实施例中,如图4所示,所述步骤S50中,即所述将所有所述标准化结果进行权重融合,得到样本分诊结果,包括:
S501,将各所述标准化结果进行预设维度的分诊向量转换,得到与各所述标准化结果对应的分诊向量。
可理解地,所述分诊向量转换为根据各所述标准化结果中的与各分诊类别对应的所述预测值转换成相同维度的向量,即给各所述标准化结果初始化一个所述预设维度的向量数组,该向量数组给所有分诊类别都预留一个元素位置,根据所述标准化结果中的各分诊类别对应的预测值填充至该向量数组中与该分诊类别对应的元素位置,剩余的元素位置用零填充,从而将填充后的向量数组确定为与该标准化结果对应的所述分诊向量的过程。
S502,根据各所述分诊结果和所述分诊标签,确定出与各所述分诊结果对应的准确率。
可理解地,对每个所述模型输出的所述分诊结果与所述分诊标签进行比较,获取各个所述模型的准确率,即在与所述分诊结果对应的所述排序结果中存在与所述分诊标签相同的分诊类别时,将所述排序结果的所有所述预测值进行求和,得到与所述分诊结果对应的模型的准确率,在与所述分诊结果对饮固定所述排序结果中不存在与所述分诊标签相同的分诊类别时,将所述分诊结果中的与所述分诊标签相同的分诊类别对应的预测值确定为与所述分诊结果对应的模型的准确率。
S503,根据所有所述准确率,生成与各所述分诊向量对应的权重。
可理解地,对所有所述准确率进行归一化处理,并在归一化处理后计算与各个所述准确率对应的权重,即将所有所述准确率求和,得到总准确率,将各所述分诊向量对应的所述准确率与所述总准确率的比值确定为与所述分诊向量对应的所述权重。
S504,根据各所述分诊向量和各所述权重,得到所述样本分诊结果。
可理解地,将所述分诊向量和与所述分诊向量对应的所述权重相乘,即将所述分诊向量中的各所述预测值与所述权重相乘,得到更新权重后的所述分诊向量中的权重预测值,再将所有更新权重后的所述分诊向量中相同分诊类别的所述权重预测值相加,即将所有更新权重后的所述分诊向量中相同分诊类别的所述权重预测值进行汇总,得到一个所述预设维度的向量数组,将汇总后的所述向量数组确定为所述样本分诊结果,将所述样本分诊结果中所述权重预测值确定为概率值。
本发明实现了通过将各所述标准化结果进行预设维度的分诊向量转换,得到与各所述标准化结果对应的分诊向量;根据各所述分诊结果和所述分诊标签,确定出与各所述分诊结果对应的准确率;根据所有所述准确率,生成与各所述分诊向量对应的权重;根据各所述分诊向量和各所述权重,得到所述样本分诊结果,如此,通过构建多融合神经网络模型的权重,以及融合各个模型,并融合生成一个预设维度的样本分诊结果,能够科学地、准确地融合多融合神经网络模型中的多个模型,提高了分诊的准确率和可靠性。
S60,通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值。
可理解地,将所述样本分诊结果按照所述样本分诊结果中的预测值由大到小顺序进行排序,并获取排序后的所述样本分诊结果中序列在先的预设数量的分诊类别,将获取后的所述样本分诊结果确定为过滤分诊结果;所述样本分诊结果包括所述分诊类别和与所述分诊类别对应的概率值,给所述过滤分诊结果中的各所述分诊类别赋予顺序相关值,其中,如果存在与所述分诊标签相同的所述分诊类别,就将概率总和值替代与所述分诊标签相同的所述分诊类别对应的所述概率值,将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值(包括替代后的所述概率值)输入所述损失模型中,通过所述损失模型进行损失分析,得到所述总损失值。
其中,所述预设数量可以根据需求设定,所述预设数量可以与所述预设提取数量相同,也可以与所述预设提取数量不相同,所述概率总和值为所有所述概率值之和。
在一实施例中,如图5所示,所述步骤S60中,即所述通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值,包括:
S601,将所述样本分诊结果由大到小顺序进行排序,并获取排序后的所述样本分诊结果中序列在先的预设数量的分诊类别,将获取后的所述样本分诊结果确定为过滤分诊结果;所述样本分诊结果包括所述分诊类别和与所述分诊类别对应的概率值。
可理解地,按照所述样本分诊结果中的各所述分诊类别的所述概率值由大到小的顺序进行对所述样本分诊结果排序,从排序后的所述样本分诊结果中获取序列在先的预设数量的分诊类别,所述预设数量为从样本分诊结果中提取出序列在前的数量,所述预设数量可以根据需求设定,所述预设数量可以与所述预设提取数量相同,也可以与所述预设提取数量不相同,比如所述预设数量为20、30等等,将获取后的所述样本分诊结果确定为所述过滤分诊结果。
S602,给所述过滤分诊结果中的各所述分诊类别赋予顺序相关值。
可理解地,通过顺序相关函数,给所述过滤分诊结果中的各所述分诊类别赋予所述顺序相关值ln(k-i+1),其中,k为所述预设数量,i为所述过滤分诊结果中的序列为第i位。
S603,若存在与所述分诊标签相同的所述分诊类别,将概率总和值替代与所述分诊标签相同的所述分诊类别对应的所述概率值,所述概率总和值为所有所述概率值之和。
可理解地,在存在所述过滤分诊结果中的所有分诊类别中与所述分诊标签相同的所述分诊类别时,将所述概率总和值替代与该分诊类别对应的所述概率值,在不存在所述过滤分诊结果中的所有分诊类别中与所述分诊标签相同的所述分诊类别时,无需对所述过滤分诊结果中的所述概率值处理。
S604,将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中,通过所述损失模型进行损失分析,得到所述总损失值。
可理解地,将与各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中的损失函数中,通过所述损失函数计算出所述总损失值。
在一实施例中,所述步骤S604中,即所述将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中,通过所述损失模型进行损失分析,得到所述总损失值,包括:
S6041,将与各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中的损失函数中,通过所述损失函数计算出所述总损失值;所述损失函数为:
L=-(p1×ln(k)+…+pi×ln(k-i+1)+…+pk×ln(1))
其中,
L为总损失值;
k为所述预设数量;
p1为与所述过滤分诊结果中序列为第一位的分诊类别对应的概率值;
ln(k)为与所述过滤分诊结果中序列为第一位的分诊类别对应的顺序相关值;
pi为与所述过滤分诊结果中序列为第i位的分诊类别对应的概率值;
ln(k-i+1)为与所述过滤分诊结果中序列为第i位的分诊类别对应的顺序相关值;
pk为与所述过滤分诊结果中序列为第k位的分诊类别对应的概率值;
ln(1)为与所述过滤分诊结果中序列为第k位的分诊类别对应的顺序相关值。
S70,在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型。
可理解地,所述收敛条件可以为所述总损失值经过了3000次计算后值为很小且不会再下降的条件,即在所述总损失值经过3000次计算后值为很小且不会再下降时,停止训练,并将收敛之后的所述多融合神经网络模型记录为分诊融合模型;所述收敛条件也可以为所述总损失值小于设定阈值的条件,即在所述总损失值小于设定阈值时,停止训练,并收敛之后的所述多融合神经网络模型记录为分诊融合模型,如此,在所述总损失值未达到预设的收敛条件时,不断调整所述多融合神经网络模型中的初始参数,并触发通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果的步骤,可以不断向准确的结果靠拢,让识别的准确率越来越高。如此,通过对多融合神经网络模型的损失函数进行改进,使得其能够优化多融合神经网络模型的样本分诊结果,通过这一改进提升了多融合神经网络模型的性能。
本发明实现了通过获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;将所述就诊样本输入含有初始参数的多融合神经网络模型;通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;将所有所述标准化结果进行权重融合,得到样本分诊结果;通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型,因此,本发明提供了分诊融合模型训练方法,通过多融合神经网络模型预测出至少两个分诊结果(多融合神经网络模型包括至少两个模型,一个模型与一个分诊结果对应),对各分诊结果进行标准化转换得到各标准化结果,将所有标准化结果进行权重融合得到样本分诊结果,通过损失模型进行损失分析得到总损失值,根据总损失值迭代更新多融合神经网络模型直至收敛,实现了通过对多融合神经网络模型中的各个不同的模型输出的分诊结果进行标准化,使其具有大小相关的可比性,打破了各模型之间相互独立的局限性,再通过权重融合和损失分析,能够让多融合神经网络模型的训练更加高效和更加准确,提升了多融合神经网络模型识别的性能和准确率。
本发明提供的分诊方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。其中,客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图6示,提供一种分诊方法,其技术方案主要包括以下步骤S100-S200:
S100,接收患者的分诊请求,获取所述分诊请求中的患者就诊信息。
可理解地,所述患者在应用程序平台上确定输入完所述患者就诊信息之后,触发所述分诊请求,所述患者就诊信息为患者在所述应用程序平台上登录之后输入的当前就诊的信息,所述患者就诊信息可以通过患者在应用程序平台上进行文本输入后获得,也可以通过患者在应用程序平台对患者输入的语音进行转换成文本后确认获得。
S200,将所述患者就诊信息输入如上述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果。
可理解地,将所述患者就诊信息输入至如上述分诊融合模型训练方法训练并训练完成的所述分诊融合模型,将上述分诊融合模型训练方法中输出的所述样本分诊结果中最高概率值对应的分诊类别确定为所述最终分诊结果,所述最终分诊结果给患者进行预约提供了准确的依据,便于患者选择准确的科室进行预约就诊。
本发明实现了通过接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;将所述患者就诊信息输入如上述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果,如此,本发明通过分诊融合模型训练方法训练完成的分诊融合模型对患者就诊信息进行预测,获得最终分诊结果,该最终分诊结果给患者进行预约提供了准确的依据,提高了分诊的准确率和效率,提升了用户的满意度,并提升了分诊的有效性。
在一实施例中,提供一种分诊融合模型训练装置,该分诊融合模型训练装置与上述实施例中分诊融合模型训练方法一一对应。如图7所示,该分诊融合模型训练装置包括获取模块11、输入模块12、预测模块13、标准化模块14、权重模块15、损失模块16和迭代模块17。各功能模块详细说明如下:
获取模块11,用于获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;
输入模块12,用于将所述就诊样本输入含有初始参数的多融合神经网络模型;
预测模块13,用于通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;
标准化模块14,用于对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;
权重模块15,用于将所有所述标准化结果进行权重融合,得到样本分诊结果;
损失模块16,用于通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;
迭代模块17,用于在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型。
关于分诊融合模型训练装置的具体限定可以参见上文中对于分诊融合模型训练方法的限定,在此不再赘述。上述分诊融合模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,提供一种分诊装置,该分诊装置与上述实施例中分诊方法一一对应。如图8所示,该分诊装置包括接收模块101和分诊模块102。各功能模块详细说明如下:
接收模块101,用于接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;
分诊模块102,用于将所述患者就诊信息输入如上述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果。
关于分诊装置的具体限定可以参见上文中对于分诊方法的限定,在此不再赘述。上述分诊装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分诊融合模型训练方法,或者分诊方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中分诊融合模型训练方法,或者处理器执行计算机程序时实现上述实施例中分诊方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中分诊融合模型训练方法,或者计算机程序被处理器执行时实现上述实施例中分诊方法。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,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精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分诊融合模型训练方法,其特征在于,包括:
获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;
将所述就诊样本输入含有初始参数的多融合神经网络模型;
通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;
对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;
将所有所述标准化结果进行权重融合,得到样本分诊结果;
通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;
在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型。
2.如权利要求1所述的分诊融合模型训练方法,其特征在于,所述对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果,包括:
将各所述分诊结果中的分诊类别由大到小进行排序,并获取排序后序列在先的预设提取数量的分诊类别,将获取后的各所述分诊结果确定为与各所述分诊结果对应的排序结果;所述分诊结果包括所述分诊类别;
通过标准化技术,对各所述排序结果中的各个分诊类别进行标准化赋值;
将赋值后的各所述排序结果确定为与各所述排序结果一一对应的标准化结果。
3.如权利要求1所述的分诊融合模型训练方法,其特征在于,所述将所有所述标准化结果进行权重融合,得到样本分诊结果,包括:
将各所述标准化结果进行预设维度的分诊向量转换,得到与各所述标准化结果对应的分诊向量;
根据各所述分诊结果和所述分诊标签,确定出与各所述分诊结果对应的准确率;
根据所有所述准确率,生成与各所述分诊向量对应的权重;
根据各所述分诊向量和各所述权重,得到所述样本分诊结果。
4.如权利要求1所述的分诊融合模型训练方法,其特征在于,所述通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值,包括:
将所述样本分诊结果由大到小顺序进行排序,并获取排序后的所述样本分诊结果中序列在先的预设数量的分诊类别,将获取后的所述样本分诊结果确定为过滤分诊结果;所述样本分诊结果包括所述分诊类别和与所述分诊类别对应的概率值;
给所述过滤分诊结果中的各所述分诊类别赋予顺序相关值;
若存在与所述分诊标签相同的所述分诊类别,将概率总和值替代与所述分诊标签相同的所述分诊类别对应的所述概率值,所述概率总和值为所有所述概率值之和;
将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中,通过所述损失模型进行损失分析,得到所述总损失值。
5.如权利要求4所述的分诊融合模型训练方法,其特征在于,所述将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中,通过所述损失模型进行损失分析,得到所述总损失值,包括:
将与各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中的损失函数中,通过所述损失函数计算出所述总损失值;所述损失函数为:
L=-(p1×ln(k)+…+pi×ln(k-i+1)+…+pk×ln(1))
其中,
L为总损失值;
k为所述预设数量;
p1为与所述过滤分诊结果中序列为第一位的分诊类别对应的概率值;
ln(k)为与所述过滤分诊结果中序列为第一位的分诊类别对应的顺序相关值;
pi为与所述过滤分诊结果中序列为第i位的分诊类别对应的概率值;
ln(k-i+1)为与所述过滤分诊结果中序列为第i位的分诊类别对应的顺序相关值;
pk为与所述过滤分诊结果中序列为第k位的分诊类别对应的概率值;
ln(1)为与所述过滤分诊结果中序列为第k位的分诊类别对应的顺序相关值。
6.一种分诊方法,其特征在于,包括:
接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;
将所述患者就诊信息输入如权利要求1至5任一项所述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果。
7.一种分诊融合模型训练装置,其特征在于,包括:
获取模块,用于获取就诊样本集;所述就诊样本集包括多个就诊样本,每个所述就诊样本与一个分诊标签关联;
输入模块,用于将所述就诊样本输入含有初始参数的多融合神经网络模型;
预测模块,用于通过所述多融合神经网络模型对所述就诊样本进行预测,获取至少两个分诊结果;
标准化模块,用于对各所述分诊结果进行标准化转换,得到与各所述分诊结果对应的标准化结果;
权重模块,用于将所有所述标准化结果进行权重融合,得到样本分诊结果;
损失模块,用于通过所述多融合神经网络模型中的损失模型,对所述样本分诊结果和所述分诊标签进行损失分析,得到总损失值;
迭代模块,用于在所述总损失值未达到预设的收敛条件时,迭代更新所述多融合神经网络模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述多融合神经网络模型记录为分诊融合模型。
8.一种分诊装置,其特征在于,包括:
接收模块,用于接收患者的分诊请求,获取所述分诊请求中的患者就诊信息;
分诊模块,用于将所述患者就诊信息输入如权利要求1至5任一项所述分诊融合模型训练方法训练完成的分诊融合模型,获取所述分诊融合模型输出的最终分诊结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述分诊融合模型训练方法,或者所述处理器执行所述计算机程序时实现如权利要求6所述分诊方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述分诊融合模型训练方法,或者所述处理器执行所述计算机程序时实现如权利要求6所述分诊方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011023857.7A CN112101550B (zh) | 2020-09-25 | 2020-09-25 | 分诊融合模型训练方法、分诊方法、装置、设备及介质 |
PCT/CN2020/135343 WO2021164388A1 (zh) | 2020-09-25 | 2020-12-10 | 分诊融合模型训练方法、分诊方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011023857.7A CN112101550B (zh) | 2020-09-25 | 2020-09-25 | 分诊融合模型训练方法、分诊方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101550A true CN112101550A (zh) | 2020-12-18 |
CN112101550B CN112101550B (zh) | 2024-05-03 |
Family
ID=73756210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011023857.7A Active CN112101550B (zh) | 2020-09-25 | 2020-09-25 | 分诊融合模型训练方法、分诊方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112101550B (zh) |
WO (1) | WO2021164388A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652386A (zh) * | 2020-12-25 | 2021-04-13 | 平安科技(深圳)有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
CN114512239A (zh) * | 2022-02-25 | 2022-05-17 | 国家康复辅具研究中心 | 基于迁移学习的脑卒中风险预测方法及*** |
CN117497158A (zh) * | 2023-12-28 | 2024-02-02 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114678113B (zh) * | 2022-03-14 | 2023-07-18 | 浙江大学 | 一种基于卷积神经网络的智能急诊预检分诊*** |
CN115662599B (zh) * | 2022-12-28 | 2023-03-21 | 温州医科大学附属第二医院(温州医科大学附属育英儿童医院) | 一种医院就诊的预约方法和预约装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347838A (zh) * | 2019-07-17 | 2019-10-18 | 成都医云科技有限公司 | 线上科室分诊模型训练方法及装置 |
CN110598845A (zh) * | 2019-08-13 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN111046959A (zh) * | 2019-12-12 | 2020-04-21 | 上海眼控科技股份有限公司 | 模型训练方法、装置、设备和存储介质 |
CN111291755A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质 |
CN111680746A (zh) * | 2020-06-08 | 2020-09-18 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202847B (zh) * | 2015-04-30 | 2018-11-30 | 青岛海信医疗设备股份有限公司 | 一种就诊预测方法 |
US20190279767A1 (en) * | 2018-03-06 | 2019-09-12 | James Stewart Bates | Systems and methods for creating an expert-trained data model |
CN110047584A (zh) * | 2019-04-23 | 2019-07-23 | 清华大学 | 基于深度学习的医院分诊方法、***、装置及介质 |
CN111477310A (zh) * | 2020-03-04 | 2020-07-31 | 平安国际智慧城市科技股份有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
CN111553399A (zh) * | 2020-04-21 | 2020-08-18 | 佳都新太科技股份有限公司 | 特征模型训练方法、装置、设备及存储介质 |
-
2020
- 2020-09-25 CN CN202011023857.7A patent/CN112101550B/zh active Active
- 2020-12-10 WO PCT/CN2020/135343 patent/WO2021164388A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347838A (zh) * | 2019-07-17 | 2019-10-18 | 成都医云科技有限公司 | 线上科室分诊模型训练方法及装置 |
CN110598845A (zh) * | 2019-08-13 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN111046959A (zh) * | 2019-12-12 | 2020-04-21 | 上海眼控科技股份有限公司 | 模型训练方法、装置、设备和存储介质 |
CN111291755A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质 |
CN111680746A (zh) * | 2020-06-08 | 2020-09-18 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652386A (zh) * | 2020-12-25 | 2021-04-13 | 平安科技(深圳)有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
CN114512239A (zh) * | 2022-02-25 | 2022-05-17 | 国家康复辅具研究中心 | 基于迁移学习的脑卒中风险预测方法及*** |
CN117497158A (zh) * | 2023-12-28 | 2024-02-02 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
CN117497158B (zh) * | 2023-12-28 | 2024-04-16 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021164388A1 (zh) | 2021-08-26 |
CN112101550B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101550B (zh) | 分诊融合模型训练方法、分诊方法、装置、设备及介质 | |
CN112735535B (zh) | 预测模型训练、数据预测方法、装置和存储介质 | |
Shukla | Neuro-genetic prediction of software development effort | |
JP2021524099A (ja) | 異なるデータモダリティの統計モデルを統合するためのシステムおよび方法 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN112016318B (zh) | 基于解释模型的分诊信息推荐方法、装置、设备及介质 | |
CN112016295A (zh) | 症状数据处理方法、装置、计算机设备及存储介质 | |
CN113299346B (zh) | 分类模型训练和分类方法、装置、计算机设备和存储介质 | |
CN112035674A (zh) | 导诊数据获取方法、装置、计算机设备和存储介质 | |
CN110991178A (zh) | 智能客服与人工客服的切换方法、装置及计算机设备 | |
WO2020226751A1 (en) | Interpretable neural network | |
WO2021151356A1 (zh) | 分诊数据处理方法、装置、计算机设备及存储介质 | |
CN111797629A (zh) | 医疗文本数据的处理方法、装置、计算机设备和存储介质 | |
CN112652358A (zh) | 基于三通道深度学习调控疾病靶点的药物推荐***、计算机设备、存储介质 | |
CN112652386A (zh) | 分诊数据处理方法、装置、计算机设备及存储介质 | |
CN114628001B (zh) | 基于神经网络的处方推荐方法、***、设备及存储介质 | |
CN111161880B (zh) | 基于分类模型的医疗信息分类方法、装置和计算机设备 | |
CN115409111A (zh) | 命名实体识别模型的训练方法和命名实体识别方法 | |
CN113345564B (zh) | 一种基于图神经网络的患者住院时长早期预测方法及装置 | |
CN113657970A (zh) | 基于人工智能的药品推荐方法、装置、设备及存储介质 | |
Correa et al. | Forecasting copper electrorefining cathode rejection by means of recurrent neural networks with attention mechanism | |
CN109003193B (zh) | 投保风险预测方法、装置、计算机设备和存储介质 | |
CN111782774B (zh) | 一种问题推荐的方法及装置 | |
CN115206421B (zh) | 药物重定位方法、重定位模型的训练方法及装置 | |
CN116109449A (zh) | 一种数据处理方法及相关设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40040603 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |