CN113192586B - 基于区块链的智慧医疗档案共享方法及医疗大数据*** - Google Patents
基于区块链的智慧医疗档案共享方法及医疗大数据*** Download PDFInfo
- Publication number
- CN113192586B CN113192586B CN202110432927.2A CN202110432927A CN113192586B CN 113192586 B CN113192586 B CN 113192586B CN 202110432927 A CN202110432927 A CN 202110432927A CN 113192586 B CN113192586 B CN 113192586B
- Authority
- CN
- China
- Prior art keywords
- shared
- sharing
- information
- data
- attack
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 201000010099 disease Diseases 0.000 claims abstract description 243
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 243
- 238000011156 evaluation Methods 0.000 claims abstract description 192
- 239000013598 vector Substances 0.000 claims description 114
- 238000013475 authorization Methods 0.000 claims description 60
- 238000012795 verification Methods 0.000 claims description 39
- 230000006399 behavior Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 25
- 238000005192 partition Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000002085 persistent effect Effects 0.000 description 88
- 238000013507 mapping Methods 0.000 description 20
- 238000011161 development Methods 0.000 description 19
- 230000004807 localization Effects 0.000 description 18
- 208000037157 Azotemia Diseases 0.000 description 14
- 208000009852 uremia Diseases 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012790 confirmation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000000777 hematopoietic system Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 210000002229 urogenital system Anatomy 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开实施例提供一种基于区块链的智慧医疗档案共享方法及医疗大数据***,能够利用任意区块链共享节点终端发送的智慧医疗档案共享数据实现对共享档案库的更新,无需采用特定的智慧医疗档案采集终端,大大降低了共享档案库的更新代价。同时,本公开通过根据智慧医疗档案共享数据对目标疾病数据对象的共享评价信息进行更新,有效解决了由于区块链共享节点终端发送的智慧医疗档案共享数据存在数据价值低于特定智慧医疗档案共享价值的数据,无法直接用于对共享档案库更新的问题。
Description
技术领域
本公开涉及以大数据技术为基础的智慧医疗技术领域,示例性地,涉及一种基于区块链的智慧医疗档案共享方法及医疗大数据***。
背景技术
面对医疗健康产业的种种问题或痛点,区块链技术和医疗行业的结合,凭借分布式、不可篡改、可追溯等特点,可以在保障患者数据隐私的前提下,打通医疗数据的信息流通,改善机构之间互为数据孤岛的现状,重建医患之间的信任,提高医疗行业效率。
基于此,相关技术中,医疗档案共享可以为大量机构提供更多的数据共享和数据研究,然而当前由于区块链共享节点终端发送的智慧医疗档案共享数据存在数据价值低于特定智慧医疗档案共享价值的数据,无法直接用于对共享档案库更新。
发明内容
为了至少克服现有技术中的上述不足,本公开的目的在于提供一种基于区块链的智慧医疗档案共享方法及医疗大数据***。
第一方面,本公开提供一种基于区块链的智慧医疗档案共享方法,应用于医疗大数据***,所述医疗大数据***与多个区块链共享节点终端通信连接,所述方法包括:
获取所述区块链共享节点终端发送的智慧医疗档案共享数据,提取所述智慧医疗档案共享数据包含的目标疾病数据对象;
利用所述智慧医疗档案共享数据更新所述目标疾病数据对象对应的共享评价信息,所述共享评价信息是用于确定是否将所述目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数,其中,所述共享档案库为所述区块链网络预先授权的共享档案库,所述区块链网络具有与共享请求相对应的共享智能合约;
在所述共享评价信息满足预设共享条件时,将所述目标疾病数据对象的档案数据共享到所述共享档案库中。
第二方面,本公开实施例还提供一种基于区块链的智慧医疗档案共享***,所述基于区块链的智慧医疗档案共享***包括医疗大数据***以及与所述医疗大数据***通信连接的多个区块链共享节点终端;
所述医疗大数据***,用于:
获取所述区块链共享节点终端发送的智慧医疗档案共享数据,提取所述智慧医疗档案共享数据包含的目标疾病数据对象;
利用所述智慧医疗档案共享数据更新所述目标疾病数据对象对应的共享评价信息,所述共享评价信息是用于确定是否将所述目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数,其中,所述共享档案库为所述区块链网络预先授权的共享档案库,所述区块链网络具有与共享请求相对应的共享智能合约;
在所述共享评价信息满足预设共享条件时,将所述目标疾病数据对象的档案数据共享到所述共享档案库中。
根据上述任意一个方面,本公开提供的实施方式中,能够利用任意区块链共享节点终端发送的智慧医疗档案共享数据实现对共享档案库的更新,无需采用特定的智慧医疗档案采集终端,大大降低了共享档案库的更新代价。同时,本公开通过根据智慧医疗档案共享数据对目标疾病数据对象的共享评价信息进行更新,有效解决了由于区块链共享节点终端发送的智慧医疗档案共享数据存在数据价值低于特定智慧医疗档案共享价值的数据,无法直接用于对共享档案库更新的问题。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要调用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本公开实施例提供的基于区块链的智慧医疗档案共享***的应用场景示意图;
图2为本公开实施例提供的基于区块链的智慧医疗档案共享方法的流程示意图;
图3为本公开实施例提供的基于区块链的智慧医疗档案共享装置的功能模块示意图;
图4为本公开实施例提供的用于实现上述的基于区块链的智慧医疗档案共享方法的医疗大数据***的结构示意框图。
具体实施方式
下面结合说明书附图对本公开进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。
图1是本公开一种实施例提供的基于区块链的智慧医疗档案共享***10的解释示意图。基于区块链的智慧医疗档案共享***10可以包括医疗大数据***100以及与医疗大数据***100通信连接的区块链共享节点终端200。图1所示的基于区块链的智慧医疗档案共享***10仅为一种可行的示例,在其它可行的实施例中,该基于区块链的智慧医疗档案共享***10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
在一种实施例中,基于区块链的智慧医疗档案共享***10中的医疗大数据***100和区块链共享节点终端200可以通过配合执行以下方法实施例所描述的基于区块链的智慧医疗档案共享方法,具体医疗大数据***100和区块链共享节点终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,图2为本公开实施例提供的基于区块链的智慧医疗档案共享方法的流程示意图,本实施例提供的基于区块链的智慧医疗档案共享方法可以由图1中所示的医疗大数据***100执行,下面对该基于区块链的智慧医疗档案共享方法进行详细介绍。
步骤S110,获取所述区块链共享节点终端发送的智慧医疗档案共享数据,提取所述智慧医疗档案共享数据包含的目标疾病数据对象。
本实施例中,智慧医疗档案共享数据为利用设置于区块链共享节点终端采集得到任意需要进行共享的智慧医疗档案数据信息,包括但不限于医疗病历信息、医疗疾病诊断过程信息和医疗疾病临床信息。其中,医疗病历信息包括主诉信息(患者入院就诊的主要症状、体征及其发生时间、性质或程度、部位等)、现病史信息、既往史信息、家族史信息等信息。医疗疾病诊断过程信息包括医疗疾病在诊断过程中的特定信息,如呼吸***、循环***、消化***、泌尿生殖***、造血***、内分泌***及代谢、神经***、肌肉骨骼***等等***的医疗疾病在诊断过程中的起病时间、缓急,可能的病因和诱因(必要时包括起病前的一些情况)等信息。医疗疾病临床信息为根据医疗疾病诊断过程信息进一步讨论得到的临床行为数据等。
其中,在某一时刻产生的医疗病历信息、医疗疾病诊断过程信息和医疗疾病临床信息进行组合,作为一个档案数据,通常一个档案数据还与时序发展数据一一对应,即,一个档案数据是指医疗档案在某一时刻、某一地点采集到的医疗病历信息、医疗疾病诊断过程信息和医疗疾病临床信息。
本实施例中,还需要说明的是,疾病数据对象为实际疾病路上的标识数据对象,例如糖尿病A1(1型糖尿病)、糖尿病A2(2型糖尿病)等。其中,疾病数据对象是共享档案库的重要组成部分,也就是说,共享档案库中除档案存储区域和存储关系外,还能够展示出档案存储区域上的标识信息。目标疾病数据对象为智慧医疗档案共享数据中包含的疾病数据对象。
其中,智慧医疗档案共享数据可以通过特征参数的方式对目标疾病数据对象进行表达,例如,对***而言,智慧医疗档案共享数据可利用***的症状特征(比如慢性肾衰竭)来表达***。因此,可对智慧医疗档案共享数据中特征参数与疾病数据对象的对应关系确定目标疾病数据对象。应当理解的是,在智慧医疗档案共享数据为多媒体数据(如视频数据)时,还可利用深度学习模型等对图像数据进行分析获取相应的目标疾病数据对象。
步骤S120,利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,共享评价信息是用于确定是否将目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数。
其中,对目标疾病数据对象对应的共享评价信息进行更新为根据当前智慧医疗档案共享数据和目标疾病数据对象的过往置信度分布对目标疾病数据对象对应的共享评价信息进行更新。
在一种实施例中,在目标疾病数据对象已经存在与共享档案库中时,可根据共享档案库对目标疾病数据对象的表达获取目标疾病数据对象的预设共享评价信息,在目标疾病数据对象不在共享档案库中时,可将第一次观测到目标疾病数据对象的智慧医疗档案共享数据作为目标疾病数据对象的预设共享评价信息,然后根据每次采集到的智慧医疗档案共享数据对目标疾病数据对象对应的预设共享评价信息进行更新。
步骤S130,在共享评价信息满足预设共享条件时,将目标疾病数据对象的档案数据共享到共享档案库中。
其中,预设共享条件包括在共享档案库中添加共享和在共享档案库中删除共享,即,将目标疾病数据对象添加到共享档案库中或将目标疾病数据对象从共享档案库中删除。
具体而言,在获取到区块链共享节点终端发送的智慧医疗档案共享数据之后,通过对智慧医疗档案共享数据进行分析,提取智慧医疗档案共享数据包含的目标疾病数据对象,然后利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,得到目标疾病数据对象的当前共享评价信息,在共享评价信息满足预设共享条件时,将目标疾病数据对象的档案数据共享到共享档案库中,实现对共享档案库的更新。
由此,本公开能够利用任意区块链共享节点终端发送的智慧医疗档案共享数据实现对共享档案库的更新,无需采用特定的智慧医疗档案采集终端,大大降低了共享档案库的更新代价。同时,本公开通过根据智慧医疗档案共享数据对目标疾病数据对象的共享评价信息进行更新,有效解决了由于区块链共享节点终端发送的智慧医疗档案共享数据存在数据价值低于特定智慧医疗档案共享价值的数据,无法直接用于对共享档案库更新的问题。
在一种实施例中,本公开实施例的基于区块链的智慧医疗档案共享方法,包括以下步骤:
步骤S201,在获取预先配置的智慧医疗档案共享数据之后,存储预先配置的智慧医疗档案共享数据中包含的预设疾病数据对象,和与预设目标疾病数据对象对应的预设共享评价信息。
需要说明的是,与预设目标疾病数据对象对应的预设共享评价信息为根据预先配置的智慧医疗档案共享数据对预设疾病数据对象进行置信度分布计算得到的。
也就是说,在获取预先配置的智慧医疗档案共享数据之后,可直接提取预先配置的智慧医疗档案共享数据中包含的预设目标疾病数据对象,然后根据预设目标疾病数据对象的疾病对象特征信息,计算与预设目标疾病数据对象对应的预设共享评价信息,将预设目标疾病数据对象和与预设目标疾病数据对象对应的预设共享评价信息进行存储。
步骤S202,获取当前发送的智慧医疗档案共享数据。
在本公开实施例中,当前时刻为预设时刻的下一时刻,在根据每个当前时刻对目标疾病数据对象的共享评价信息进行更新之后,将当前时刻作为预设时刻,进而获取下一个当前发送的智慧医疗档案共享数据。
步骤S203,将当前发送的智慧医疗档案共享数据与预设目标疾病数据对象进行匹配,得到当前发送的智慧医疗档案共享数据包含的当前目标疾病数据对象,当前目标疾病数据对象与预设目标疾病数据对象之间存在关联关系。
其中,关联关系为当前目标疾病数据对象与预设目标疾病数据对象用于表达同一实际广义上的疾病数据对象。在一种实施例中,利用智慧医疗档案共享数据中的特征参数的方式将当前发送的智慧医疗档案共享数据与预设目标疾病数据对象进行匹配,例如,在当前发送的智慧医疗档案共享数据中的特征参数与预设目标疾病数据对象对应的特征参数之间的差值小于共享评价置信度时,确定当前发送的智慧医疗档案共享数据中的目标疾病数据对象与预设目标疾病数据对象相匹配,或者可利用深度学习模型等方式将当前发送的智慧医疗档案共享数据与预设目标疾病数据对象进行匹配。
由此,本公开实施例能够有效从区块链共享节点终端发送的智慧医疗档案共享数据中提取到用于对共享档案库进行更新的目标疾病数据对象,同时确保提取到的当前目标疾病数据对象能够与预设目标疾病数据对象相匹配,有效避免出现对目标疾病数据对象错误更新的问题。
而且,本公开基于对预设目标疾病数据对象和与预设目标疾病数据对象对应的预设共享评价信息进行存储,并根据存储的共享评价信息确定是否直接将目标疾病数据对象的档案数据共享到共享档案库中,无需根据存储共享评价信息对共享档案库反复处理,有效节约对共享档案库的更新代价。
在一种实施例中,利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,包括:将智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,得到与目标疾病数据对象的疾病对象特征信息对应的共享评价信息。
其中,共享评价决策网络是利用智慧医疗档案共享数据按照疾病对象特征信息的周期指标观测值进行迭代更新得到的,疾病对象特征信息是用于表征目标疾病数据对象的参数。
在一种实施例中,疾病对象特征信息可包括共享热度特征、学术描述特征和患者需求特征。共享热度特征是目标疾病数据对象在共享档案库中的跨节点请求次数和共享次数,学术描述特征是指目标疾病数据对象的学术描述标签,患者需求特征是指目标疾病数据对象在共享档案库中患者需求的趋势。
也就是说,可利用共享评价决策网络来获取根据当前智慧医疗档案共享数据确定的目标疾病数据对象的当前共享评价信息,例如,可获取根据上一时刻的智慧医疗档案共享数据迭代更新后的共享评价决策网络,然后将当前发送的智慧医疗档案共享数据输入到共享评价决策网络中,得到与目标疾病数据对象的疾病对象特征信息对应的当前共享评价信息。
进一步地,在疾病对象特征信息为共享热度特征时,将智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,包括:将智慧医疗档案共享数据输入到共享热度特征对应的共享评价决策网络,得到与共享热度特征对应的共享评价信息,与共享热度特征对应的共享评价信息为共享热度特征的热度特征均值。
需要说明的是,目标疾病数据对象的共享热度特征通常是实时更新事件,即,目标疾病数据对象被区块链共享节点终端采集到为实时更新事件,因此,目标疾病数据对象的共享热度特征可以服从一定规律的实时热度分布,因此,共享热度特征对应的共享评价决策网络可以基于不同共享词条的共享热度进行拟合获得,进而在实施过程中可以基于共享评价决策网络获得智慧医疗档案共享数据中匹配不同共享词条的共享热度进行加权来获得与共享热度特征对应的共享评价信息,与共享热度特征对应的共享评价信息为共享热度特征的热度特征均值。
再例如,可直接将智慧医疗档案共享数据输入到与共享热度特征对应的共享评价决策网络中,然后对共享评价决策网络进行计算,首先,计算智慧医疗档案共享数据中目标疾病数据对象对应的共享热度周期指标观测值与目标疾病数据对象之间的雅可比矩阵:
然后再使用卡尔曼滤波算法进一步对共享评价决策网络进行解析,得到共享热度特征的热度特征均值。
也就是说,再获取当前发送的智慧医疗档案共享数据之后,提取智慧医疗档案共享数据包含的目标疾病数据对象,获取该目标疾病数据对象在智慧医疗档案共享数据中看(观测)到的共享热度周期指标观测值,然后将共享热度周期指标观测值输入到与共享热度特征对应的共享评价决策网络中,并利用卡尔曼滤波算法对共享热度特征对应的共享评价决策网络进行解析,得到共享热度特征的热度特征均值。
在实际情况中,区块链共享节点终端连续共享过程中,可对目标疾病数据对象产生连续的多个智慧医疗档案共享数据,例如,区块链共享节点终端连续共享10个周期,可以采集到20个智慧医疗档案共享数据,此时,可针对连续采集到的20个智慧医疗档案共享数据批量输入到共享热度特征对应的共享评价决策网络中,以通过该区块链共享节点终端连续采集的智慧医疗档案共享数据对目标疾病数据对象进行共享热度特征的更新。
例如,可将连续获取多个智慧医疗档案共享数据分别与预设智慧医疗档案共享数据进行匹配,以得到目标疾病数据对象在每帧智慧医疗档案共享数据中的共享热度周期指标观测值,将多个智慧医疗档案共享数据输入到与用于多个智慧医疗档案共享数据的共享热度特征对应的共享评价决策网络中。然后,利用相应的解析算法对用于多个智慧医疗档案共享数据的共享热度特征对应的共享评价决策网络进行解析,得到目标疾病数据对象对应的共享热度特征的热度特征均值。在一种实施例中,可采用DogLeg算法对最小二乘模型进行求解。
由此,本公开能够通过单个或多个上传的智慧医疗档案共享数据对目标疾病数据对象的共享热度特征对应的共享评价信息进行更新,以便于后续根据目标疾病数据对象的共享评价信息确定是否将目标疾病数据对象的档案数据共享到共享档案库中。
进一步地,在疾病对象特征信息为学术描述特征时,学术描述特征是指目标疾病数据对象的学术描述标签,将智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,包括:将智慧医疗档案共享数据输入到预先构建的学术描述决策网络,得到目标疾病数据对象的学术描述标签信息和学术描述标签信息对应的置信度;将学术描述标签信息对应的置信度输入到与学术描述特征对应的共享评价决策网络,得到学术描述特征对应的共享评价信息,与学术描述特征对应的共享评价信息是将与学术描述标签信息对应的置信度进行加权得到的评价信息。
其中,预先构建的学术描述决策网络可为经过训练的深度学习模型,将智慧医疗档案共享数据输入到经过训练的学术描述决策网络中,利用学术描述决策网络得到目标疾病数据对象的学术描述标签信息和学术描述标签信息对应的置信度。学术描述决策网络是基于深度学习算法构建的用于对智慧医疗档案共享数据进行学术描述标签的模型。
本公开实施例,利用学术描述决策网络对智慧医疗档案共享数据进行分离识别得到学术描述标签c和学术描述标签c对应的置信度,例如,假设***类别为原发***和后发***,将智慧医疗档案共享数据输入到预先构建的学术描述决策网络后,可能得到该智慧医疗档案共享数据被学术描述标签为原发***的置信度为0.8和被学术描述标签为后发***的置信度为0.2。
然后,将与学术描述标签信息对应的置信度与预设目标疾病数据对象对应的学术描述标签信息对应的置信度进行融合,得到学术描述特征对应的共享评价信息。
在一种实施例中,在接收到当前发送的智慧医疗档案共享数据之后,将智慧医疗档案共享数据输入到训练好的学术描述决策网络中,利用深度学习模型得到目标疾病数据对象的学术描述标签信息和与学术描述标签信息对应的置信度,例如原发***c1对应的置信度和后发***c2对应的置信度,然后获取根据预先配置的智慧医疗档案共享数据得到的目标疾病数据对象的学术描述标签信息和与学术描述标签信息对应的置信度,即原发***c1对应的置信度和后发***c2对应的置信度,然后分别对两种学术描述标签信息对应的置信度进行加权,得到原发***c1对应的置信度和后发***c2对应的置信度。
在疾病对象特征信息为患者需求特征时,患者需求特征是指目标疾病数据对象在共享档案库中患者需求的趋势,将智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,包括:将智慧医疗档案共享数据输入到预先构建的患者需求决策网络,得到目标疾病数据对象的患者需求置信度;将患者需求置信度输入到与患者需求特征对应的共享评价决策网络,得到与患者需求特征对应的共享评价信息,与患者需求特征对应的共享评价信息是将患者需求置信度进行加权得到的评价信息。
其中,与学术描述特征类似的,预先构建的患者需求决策网络也可为训练好的深度学习模型,应当理解的是,与学术描述特征对应的预先构建的学术描述决策网络和与患者需求特征对应的预先构建的患者需求决策网络训练时的训练样本集不同,以形成不同类型的深度学习模型。
例如,可将智慧医疗档案共享数据输入到经过训练的患者需求决策网络中,利用患者需求决策网络得到目标疾病数据对象的患者需求置信度。应当理解的是,在本公开实施例中,患者需求置信度符合二值分布,其中,取值为存在或不存在。在取值为存在时,说明该疾病数据对象应存在于共享档案库中,在为不存在时,说明该疾病数据对象不应存在于共享档案库中。
然后,将目标疾病数据对象的患者需求置信度与预设目标疾病数据对象对应的患者需求置信度进行融合,得到患者需求特征对应的共享评价信息。
在一种实施例中,在接收到当前发送的智慧医疗档案共享数据之后,将智慧医疗档案共享数据输入到训练好的患者需求决策网络中,利用患者需求决策网络得到目标疾病数据对象的患者需求置信度,然后获取根据预先配置的智慧医疗档案共享数据得到的历史患者需求置信度(此时的预设时刻的患者需求置信度可来自于共享档案库),经过对历史患者需求置信度和当前患者需求置信度进行融合,得到与患者需求特征对应的共享评价信息。
由此,本公开能够利用深度学习模型和融合计算分别对目标疾病数据对象的学术描述特征和患者需求特征进行更新,得到目标疾病数据对象的学术描述特征对应的共享评价信息和患者需求特征对应的共享评价信息。
在一种实施例中,基于区块链的智慧医疗档案共享方法,可以包括如下步骤:
步骤S301,获取区块链共享节点终端发送的智慧医疗档案共享数据。
步骤S302,提取智慧医疗档案共享数据包含的目标疾病数据对象。
步骤S303,利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,共享评价信息是用于确定是否将目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数。
步骤S304,在与患者需求特征对应的共享评价信息小于第一共享评价置信度时,在共享档案库中不共享目标疾病数据对象。
步骤S305,在与患者需求特征对应的共享评价信息大于或等于第一共享评价置信度时,根据与共享热度特征对应的共享评价信息和与学术描述特征对应的共享评价信息确定在共享档案库中共享目标疾病数据对象。
需要说明的是,第一共享评价置信度用于判定目标疾病数据对象是否存在,可将第二共享评价置信度设置为50%,即,在目标疾病数据对象的患者需求置信度大于50%时,根据共享热度特征对应的共享评价信息和与学术描述特征对应的共享评价信息确定在共享档案库中共享目标疾病数据对象。
在患者需求特征对应的共享评价信息大于或等于第二共享评价置信度时,说明确定存在疾病数据对象,需要在共享档案库中对疾病数据对象进行展示,此时,需要进一步获取疾病数据对象的共享热度特征对应的共享评价信息和与学术描述特征对应的共享评价信息,并判断目标疾病数据对象的共享热度特征对应的共享评价信息和与学术描述特征对应的共享评价信息是否收敛至能够确定疾病数据对象的学术描述标签信息和共享热度特征。
其中,由于共享热度特征的收敛情况可通过均方差值来确定,学术描述特征可根据学术描述特征对应的置信度来确定,因此,可分别获取共享热度特征对应的热度特征方差值和均值、学术描述特征对应的共享评价信息中的语义置信度最大值。其中,学术描述特征对应的共享评价信息中的最大值代表疾病数据对象最有可能对应的语义信息。
例如,在与学术描述特征对应的共享评价信息大于等于第二共享评价置信度,且热度特征方差值小于第三共享评价置信度时,按照共享热度特征的均值在共享档案库中共享目标疾病数据对象。
其中,第三共享评价置信度为共享热度特征对应的热度特征方差值的收敛阈值,第二共享评价置信度为学术描述特征对应的共享评价信息的收敛阈值。
具体而言,在获取到区块链共享节点终端发送的智慧医疗档案共享数据,从智慧医疗档案共享数据中提取目标疾病数据对象,利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,包括共享热度特征对应的共享评价信息、学术描述特征对应的共享评价信息和患者需求特征对应的共享评价信息。在患者需求特征对应的共享评价信息小于第一共享评价置信度时,说明当前共享档案库中存在的目标疾病数据对象是错误的,或者预先配置的智慧医疗档案共享数据是错误的,因此,从存储的目标疾病数据对象中删除此疾病数据对象,即,向共享档案库共享不存在此疾病数据对象的显示信息,在患者需求特征对应的共享评价信息大于或等于第二共享评价置信度时,说明目标疾病数据对象是实际存在的,需要在共享档案库中对其进行显示,此时,可进一步获取目标档案的共享热度特征对应的均方差值和均值以及学术描述特征对应的共享评价信息,判断均方差值是否小于第三共享评价置信度,且学术描述特征对应的共享评价信息大于或等于第二共享评价置信度,如果是,则按照共享热度特征的均值在共享档案库中共享目标疾病数据对象,如果有任一条件不满足,则不向共享档案库中共享目标疾病数据对象。
应当理解的是,对于共享档案库中疾病数据对象的错误修正可以理解为将存在的错误疾病数据对象删除后,添加新的疾病数据对象。
在一种实施例中,在将目标疾病数据对象的档案数据共享到共享档案库中之前,还可统计共享评价信息满足预设共享条件的目标疾病数据对象的数量,在共享评价信息满足预设共享条件的目标疾病数据对象的数量大于或等于预设数量时,将目标疾病数据对象的档案数据共享到共享档案库中。
在一种实施例中,一种基于区块链的智慧医疗档案共享方法,包括以下步骤:
步骤S401,获取区块链共享节点终端发送的智慧医疗档案共享数据。
步骤S402,分别提取智慧医疗档案共享数据的第一时序发展数据和共享档案库的第二时序发展数据。
具体而言,可从智慧医疗档案共享数据中提取医疗疾病诊断过程信息采集的时序发展数据作为第一时序发展数据,获取共享档案库中各位置点对应的时序发展数据作为第二时序发展数据。
步骤S403,将第一时序发展数据向目标时序空间映射,得到第一映射节点,并将第二时序发展数据向目标时序空间映射,得到第二映射节点。
其中,目标时序空间可为提前构建的时序空间,也可为共享档案库所处的时序空间,或者基于医疗疾病诊断过程信息计算的医疗疾病临床信息的时序空间中任一个。应当理解的是,在本实施例中,使用目标时序空间的目的在于将智慧医疗档案共享数据和共享档案库的数据统一到一个时序空间中,以便于确定智慧医疗档案共享数据和共享档案库指示的共享节点是否相符,因此,本公开对目标时序空间的选择不做具体限定。
步骤S404,在第一映射节点和第二映射节点的映射相关度大于或等于共享评价置信度时,确定智慧医疗档案共享数据与共享档案库匹配,并确定与共享档案库匹配的智慧医疗档案共享数据为参考数据。
也就是说,当智慧医疗档案共享数据在目标时序空间的第一映射节点和共享档案库在目标时序空间的第二映射节点的映射相关度大于或等于共享评价置信度时,说明智慧医疗档案共享数据和共享档案库指示的是同一实际共享节点,此时,利用该智慧医疗档案共享数据则可以作为参考数据对共享档案库进行更新。
在一种实施例中,共享评价置信度可为95%-99%,其中,共享评价置信度仅作为示例性进行说明,具体可根据实际参考系确定。
步骤S405,提取智慧医疗档案共享数据包含的目标疾病数据对象。
步骤S406,利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,共享评价信息是用于确定是否将目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数。
步骤S407,在共享评价信息满足预设共享条件时,将目标疾病数据对象的档案数据共享到共享档案库中。
具体而言,在获取到区块链共享节点终端发送的智慧医疗档案共享数据之后,提取智慧医疗档案共享数据的第一时序发展数据,并映射至目标时序空间中获得第一映射节点,然后根据智慧医疗档案共享数据的第一时序发展数据获取共享档案库中相应的第二时序发展数据,并映射至目标时序空间中获得第二映射节点,如果第一映射节点和第二映射节点的映射相关度大于或等于共享评价置信度,则确定该帧智慧医疗档案共享数据可作为参考数据,用于对共享档案库进行更新,如果第一映射节点和第二映射节点的映射相关度小于共享评价置信度,则确定该帧智慧医疗档案共享数据与共享档案库不匹配,不适用于对共享档案库的更新。
由此,本公开通过将智慧医疗档案共享数据和共享档案库的时序发展数据进行比较,选择出与共享档案库指示同一实际共享节点的智慧医疗档案共享数据,有效确保用于对共享档案库进行更新的智慧医疗档案共享数据的准确性。
在一种实施例中,在利用时序发展数据对智慧医疗档案共享数据和共享档案库进行匹配之前,还可先对智慧医疗档案共享数据进行数据预处理,例如,数据筛选。例如,可先对智慧医疗档案共享数据的第一时序发展数据的精度进行识别,当第一时序发展数据的精度小于预设精度时,确定智慧医疗档案共享数据为无效数据,进行删除。
进一步地,还可对智慧医疗档案共享数据中的全部特征数据进行数据预处理,即,对每帧智慧医疗档案共享数据中的医疗病历信息、医疗疾病诊断过程信息和医疗疾病临床信息分别进行精度检测,将精度小于相应精度阈值的数据作为无效数据删除,即,仅保留精度满足精度阈值的采集数据作为智慧医疗档案共享数据。
举例来说,在获取到众包数据发送的智慧医疗档案共享数据之后,提取智慧医疗档案共享数据中的时序发展数据,判断时序发展数据的精度是否达到预设精度,如果精度未达到预设精度,则确定该帧智慧医疗档案共享数据为无效数据予以删除,如果精度达到预设精度,则进一步对该帧车端采集中的其它数据的精度进行判断,如果任一数据的精度低于该数据的预设精度,例如图像数据的图像精度小于预设图像精度,则将该帧智慧医疗档案共享数据中的图像数据予以删除,而其它满足预设精度的数据予以保留,并将删除了无效数据的智慧医疗档案共享数据作为参考数据,用于对共享档案库中的疾病数据对象的特征信息进行更新,进而基于更新后的特征信息对共享档案库进行更新。
由此,本公开能够在对疾病数据对象进行特征信息更新前对智慧医疗档案共享数据进行有效性判断,大大降低无效数据对特征信息更新带来的影响,确保共享档案库更新的准确性,同时,通过对无效数据的删除,降低了数据处理量,提高了共享档案库更新数据处理速度。
在一种实施例中,基于区块链的智慧医疗档案共享方法,包括以下步骤:
步骤S501,获取区块链共享节点终端发送的智慧医疗档案共享数据。
步骤S502,提取智慧医疗档案共享数据包含的目标疾病数据对象.
步骤S5031,将智慧医疗档案共享数据输入到与共享热度特征对应的共享评价决策网络,得到与共享热度特征对应的共享评价信息,与共享热度特征对应的共享评价信息为共享热度特征的热度特征均值。
步骤S5032,将智慧医疗档案共享数据输入到预先构建的学术描述决策网络,得到目标疾病数据对象的学术描述标签信息和与学术描述标签信息对应的置信度。
步骤S5033,将与学术描述标签信息对应的置信度输入到与学术描述特征对应的共享评价决策网络,得到与学术描述特征对应的共享评价信息,与学术描述特征对应的共享评价信息是将与学术描述标签信息对应的置信度进行加权得到的评价信息。
步骤S5034,将智慧医疗档案共享数据输入到预先构建的患者需求决策网络,得到目标疾病数据对象的患者需求置信度。
步骤S5035,将患者需求置信度输入到与患者需求特征对应的共享评价决策网络,得到与患者需求特征对应的共享评价信息,与患者需求特征对应的共享评价信息是将患者需求置信度进行加权得到的评价信息。
步骤S504,在与患者需求特征对应的共享评价信息小于第一共享评价置信度时,在共享档案库中不共享目标疾病数据对象.
步骤S505,在与患者需求特征对应的共享评价信息大于或等于第一共享评价置信度时,根据与共享热度特征对应的共享评价信息和与学术描述特征对应的共享评价信息确定在共享档案库中共享目标疾病数据对象。
步骤S506,在与学术描述特征对应的共享评价信息大于等于第二共享评价置信度,且热度特征方差值小于第三共享评价置信度时,按照共享热度特征的均值在共享档案库中共享目标疾病数据对象。
例如,区块链共享节点终端可以采集医疗病历信息、医疗疾病诊断过程信息和医疗疾病临床信息,根据医疗病历信息、医疗疾病诊断过程信息和医疗疾病临床信息生成智慧医疗档案共享数据,区块链共享节点终端将智慧医疗档案共享数据发送至医疗大数据***,医疗大数据***获取智慧医疗档案共享数据,提取智慧医疗档案共享数据包含的目标疾病数据对象,并利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,在共享评价信息满足预设共享条件时,将目标疾病数据对象的档案数据共享到共享档案库中。
综上所述,本公开能够利用任意区块链共享节点终端发送的智慧医疗档案共享数据实现对共享档案库的更新,无需采用特定的智慧医疗档案采集终端,大大降低了共享档案库的更新代价。同时,本公开通过根据智慧医疗档案共享数据对目标疾病数据对象的共享评价信息进行更新,有效解决了由于区块链共享节点终端发送的智慧医疗档案共享数据存在数据价值低于特定智慧医疗档案共享价值的数据,无法直接用于对共享档案库更新的问题。
在一种实施例中,该基于区块链的智慧医疗档案共享方法还可以包括以下步骤:
步骤S601,获取区块链网络中的任意一个区块链共享节点终端发送的针对第一目标疾病数据对象的共享访问请求。
其中,共享访问请求具体可以包括区块链共享节点终端的共享验证服务信息,也就是说,区块链网络中的任意一个区块链共享节点终端在需要发起针对第一目标疾病数据对象的共享访问时,需要上传其共享验证服务信息,例如其医疗机构资质信息、医疗机构认证信息等。
步骤S602,根据共享访问请求,获取对应的智能合约的智能合约条件,并判断共享验证服务信息是否符合智能合约条件。
本实施例中,智能合约的智能合约条件可以实际设计需要进行灵活选定,具体可以参照现有技术的实施方式即可,此处不是本申请的发明点,不再赘述。
步骤S603,在共享验证服务信息符合智能合约条件时,基于共享验证服务信息中的共享索引对象从区块链网络预先授权的共享档案库中获取目标疾病数据对象的共享医疗档案数据,并将共享医疗档案数据发送给区块链共享节点终端。
基于上述步骤,只要在共享验证服务信息符合智能合约条件时,才会基于共享验证服务信息中的共享索引对象从区块链网络预先授权的共享档案库中获取目标疾病数据对象的共享医疗档案数据,并将共享医疗档案数据发送给区块链共享节点终端,进而提高共享访问的安全性和数据隐私性。
在一种实施例中,该基于区块链的智慧医疗档案共享方法还可以包括以下步骤:
步骤S701,获取区块链网络中的任意一个区块链共享节点终端发送的针对第一目标疾病数据对象的共享访问请求,其中,共享访问请求包括区块链共享节点终端的共享验证服务信息。
步骤S702,根据共享访问请求,获取对应的智能合约的智能合约条件,并判断共享验证服务信息是否符合智能合约条件。
步骤S703,在共享验证服务信息不符合智能合约条件时,确定出共享验证服务信息中不符合智能合约条件的目标验证服务信息。
步骤S704,将目标验证服务信息发送区块链共享节点终端,并在接收到区块链共享节点终端发送的异常上报信息时,判断目标验证服务信息在智能合约条件的验证过程中是否存在针对目标验证服务信息的网络信息攻击行为。
本实施例中,当区块链共享节点终端接收到共享验证服务信息中不符合智能合约条件的目标验证服务信息,可以交由用户判断本次验证过程中是否存在异常(如网络行为攻击等异常情况),并反馈异常上报信息,从而使得医疗大数据***进一步判断目标验证服务信息在智能合约条件的验证过程中是否存在针对目标验证服务信息的网络信息攻击行为。
步骤S705,当目标验证服务信息在智能合约条件的验证过程中存在针对目标验证服务信息的网络信息攻击行为时,追踪网络信息攻击行为的多攻击链路数据流中攻击行为阶段的网络攻击情报线索。
本实施例中,一个网络信息攻击行为通常会具有多个攻击链路,因此接下来可以追踪多攻击链路数据流,并获得其中攻击行为阶段的网络攻击情报线索,例如攻击报文的头信息等。
步骤S706,基于网络攻击情报线索获取匹配多个共享安全事件标签的待追溯的共享访问授权服务以及待追溯的共享访问授权服务对应的目标追溯规则。
本实施例中,目标追溯规则例如可以为待追溯的共享访问授权服务的授权共享项目所属的追溯规则,其中,目标追溯规则包括至少一个追溯规则节点。其中,
步骤S707,根据目标追溯规则检测待追溯的共享访问授权服务的多个共享访问请求信息中包含的持续攻击向量和非持续攻击向量。
在一种实施例中,待追溯的共享访问授权服务可以是医疗研究注册项目、医疗信息对接项目等实体访问授权服务,持续攻击向量可以是访问授权服务位于不同的授权维度时受到攻击时的攻击内容特征信息存在动态变化的具有攻击疑似属性的攻击向量,例如,针对医疗机构地址信息、医疗机构人员信息等可以动态变化的向量信息,当访问授权服务处于不同授权维度时,针对于访问授权服务上的持续攻击向量将发生一定变化,且持续攻击向量的变化符合一定的规律变化。非持续攻击向量通常是不会因为访问授权服务的状态不同而发生变化的攻击向量,如医疗机构的注册名称等等,但不限于此。
一般而言,对于存在威胁的访问授权服务,在其后通常不包含攻击向量,或者只包含部分攻击向量,或者攻击向量与真实访问授权服务存在差异(如误操作的访问授权服务上的持续攻击向量通常不会或者很少由于状态发生变化而变化、或者变化方式与真实访问授权服务存在区别等),因此可以获取通过不同业务大数据采集维度对待追溯的共享访问授权服务进行索引数据采集得到的多个共享访问请求信息,以基于持续攻击向量和非持续攻击向量来综合确定访问授权服务的攻击定位识别结果。
步骤S708,提取非持续攻击向量所在攻击分区的潜在轨迹特征点,得到非持续攻击轨迹,提取持续攻击向量所在攻击分区的潜在轨迹特征点及持续攻击向量在多个共享访问请求信息之间的攻击遍历属性,得到持续攻击轨迹。
在一种实施例中,非持续攻击向量标签属性即是实际场景中潜在轨迹特征点,因此可以通过提取非持续攻击向量所在攻击分区的潜在轨迹特征点作为非持续攻击轨迹,比如可以通过K-MEANS算法来提取非持续攻击轨迹等,或者也可以通过卷积神经网络来提取非持续攻击轨迹。而对于持续攻击向量而言,不仅需要考虑非持续攻击向量所在攻击分区的潜在轨迹特征点,而且还要在此基础上增加时序维度,以捕捉多个持续攻击向量的变化特征,具体可以采用深度学习网络来提取持续攻击轨迹,详见后文。
步骤S709,基于非持续攻击轨迹识别各个非持续攻击向量对应的攻击定位信息,基于持续攻击轨迹识别各个持续攻击向量对应的攻击定位信息。
在一种实施例中,可以根据各个非持续攻击向量的非持续攻击轨迹所处的第一攻击轨迹区间,以及第一攻击轨迹区间所关联的攻击定位信息,确定各个非持续攻击向量对应的攻击定位信息。比如,可以事先设定攻击定位攻击向量的攻击轨迹区间范围,然后根据非持续攻击轨迹所处的攻击轨迹区间范围来确定非持续攻击向量的攻击定位信息。
类似地,也可以根据各持续攻击向量的持续攻击轨迹所处的第二攻击轨迹区间,以及第二攻击轨迹区间所关联的攻击定位信息,确定各个持续攻击向量对应的攻击定位信息。
在一种实施例中,也可以采用攻击定位分类的方法来确定非持续攻击向量和持续攻击向量的攻击定位信息。比如采用SVM(Support Vector Machine,支持向量机)分类器进行攻击向量的攻击定位分类,或者通过神经网络中的攻击定位分类节点来进行攻击向量的攻击定位分类等。
在一种实施例中,可以从包含待追溯的共享访问授权服务的共享访问过往信息中提取指定共享访问引用信息,该指定共享访问引用信息可以是共享访问过往信息中的所有共享访问引用信息,或者可以是按照设定间隔从共享访问过往信息中提取出的一个或多个共享访问引用信息,或者也可以是待追溯的共享访问授权服务处于授权激活状态的共享访问引用信息。然后在该指定共享访问引用信息中提取非持续攻击向量所在攻击分区的潜在轨迹特征点。基于此,在一种实施例中,可以根据从各个指定共享访问引用信息中提取出的非持续攻击轨迹,识别各个指定共享访问引用信息中包含的非持续攻击向量的攻击定位信息,然后根据各个指定共享访问引用信息中包含的非持续攻击向量的攻击定位信息,确定同一个非持续攻击向量在各个指定共享访问引用信息中的攻击定位信息,进而根据同一个非持续攻击向量在各个指定共享访问引用信息中的攻击定位信息,计算待追溯的共享访问授权服务上的各个非持续攻击向量的攻击定位信息。
示例性地,对于任意一个共享访问引用信息,都可以采用前述实施例中的技术方案来检测其中包含的非持续攻击向量,并识别其中的非持续攻击向量的攻击定位信息。然后将提取出的指定共享访问引用信息中包含的相同非持续攻击向量的攻击定位信息进行综合来得到各个非持续攻击向量的攻击定位信息。比如,攻击定位信息可以是攻击定位置信度,进而可以将指定共享访问引用信息中包含的相同非持续攻击向量的攻击定位置信度进行平均,然后将得到的平均值作为各个非持续攻击向量的攻击定位信息。
需要说明的是,如果不是从共享访问过往信息中提取出指定共享访问引用信息来确定非持续攻击向量的攻击定位信息,而是直接采集多张共享访问请求信息来确定非持续攻击向量的攻击定位信息,那么具体的处理方式与基于从共享访问过往信息中提取出指定共享访问引用信息来确定非持续攻击向量的攻击定位信息的方案是类似的,不再赘述。
在一种实施例中,可以从包含待追溯的共享访问授权服务的共享访问过往信息中提取至少一组共享访问引用信息,然后在这至少一组共享访问引用信息中提取持续攻击向量所在攻击分区的潜在轨迹特征点及持续攻击向量的攻击遍历属性。基于此,在一种实施例中,可以根据从各组共享访问引用信息中提取出的持续攻击向量所在攻击分区的潜在轨迹特征点及持续攻击向量的攻击遍历属性,识别各组共享访问引用信息中包含的持续攻击向量的攻击定位信息,然后根据各组共享访问引用信息中包含的持续攻击向量的攻击定位信息,确定同一个持续攻击向量在各组共享访问引用信息中的攻击定位信息,进而根据同一个持续攻击向量在各组共享访问引用信息中的攻击定位信息,计算待追溯的共享访问授权服务上的各个持续攻击向量的攻击定位信息。
示例性地,对于任意一组共享访问引用信息,都可以采用前述实施例中的技术方案来检测其中包含的持续攻击向量,并识别其中的持续攻击向量的攻击定位信息。然后将提取出的各组共享访问引用信息中包含的相同持续攻击向量的攻击定位信息进行综合来得到各个持续攻击向量的攻击定位信息。比如,攻击定位信息可以是攻击定位置信度,进而可以将各组共享访问引用信息中包含的相同持续攻击向量的攻击定位置信度进行平均,然后将得到的平均值作为各个持续攻击向量的攻击定位信息。
当然,如果不是从共享访问过往信息中提取出至少一组共享访问引用信息来确定持续攻击向量的攻击定位信息,而是直接采集多张共享访问请求信息来确定持续攻击向量的攻击定位信息,那么具体的处理方式与基于从共享访问过往信息中提取出至少一组共享访问引用信息来确定持续攻击向量的攻击定位信息的方案是类似的,比如也可以根据这多张共享访问请求信息来划分得到至少一组共享访问请求信息,然后进行攻击定位识别,不再赘述。
在一种实施例中,如前实施例所述,可以通过深度学习网络来提取持续攻击轨迹,同时也可以输出持续攻击向量对应的攻击定位信息。例如,可以将包含持续攻击向量所在攻击分区的多个共享访问请求信息输入至深度学习网络,以通过深度学习网络提取持续攻击向量在多个共享访问请求信息之间的多攻击描述特征以及持续攻击向量所在攻击分区的潜在轨迹特征点。然后,通过深度学习网络中的归一化节点将多攻击描述特征转换为归一化描述特征,作为持续攻击向量在多个共享访问请求信息之间的攻击遍历属性,并将潜在轨迹特征点和攻击遍历属性作为持续攻击轨迹,通过深度学习网络中攻击定位分类节点输出持续攻击向量对应的攻击定位信息。
作为示例,深度学习网络可以采用4个特征提取单元,这4个特征提取单元依次串行,每个特征提取单元是conv3d+BN(即Batch Normalization,批量归一化)层+Relu(Rectified Linear Unit,线性整流单元)的结构,4个特征提取单元的特征单元分别对应于4列,描述特征之间的连接用于表示下一层的一个特征单元是由上一层的相关联几个特征单元卷积得到的,最后将多攻击描述特征转换为归一化描述特征,作为持续攻击向量在多个共享访问请求信息之间的攻击遍历属性,并将潜在轨迹特征点和攻击遍历属性作为持续攻击轨迹,通过攻击定位分类节点输出攻击向量对应的攻击定位置信度。该攻击定位置信度可以是:“医疗认证项目”+置信度,以及“医疗资质项目”+置信度的形式。比如,“医疗认证项目”79.3%;“医疗资质项目”23.8%。
步骤S710,根据各个非持续攻击向量对应的攻击定位信息和各个持续攻击向量对应的攻击定位信息确定待追溯的共享访问授权服务的攻击定位。
在一种实施例中,如果攻击定位信息包括攻击定位置信度,那么可以根据各个非持续攻击向量的加权比例和各个持续攻击向量的加权比例,对各个非持续攻击向量对应的攻击定位置信度和各个持续攻击向量对应的攻击定位置信度进行加权,得到攻击定位置信度综合值,进而根据攻击定位置信度综合值确定待追溯的共享访问授权服务的攻击定位。
例如,假设待追溯的共享访问授权服务有1个非持续攻击向量和2个持续攻击向量,非持续攻击向量a的加权比例为0.2,持续攻击向量b的加权比例为0.4,持续攻击向量c的加权比例为0.4,而非持续攻击向量a的攻击定位置信度为:“医疗认证项目”0.4;持续攻击向量b的攻击定位置信度为:“医疗资质项目”0.7;持续攻击向量c的攻击定位置信度为“医疗认证项目”0.5,则可以计算待追溯的共享访问授权服务对应的攻击定位为“医疗认证项目”的置信度综合值为0.2×0.4+0.4×(1-0.7)+0.4×0.5=0.4。
示例性地,在计算得到待追溯的共享访问授权服务的攻击定位置信度综合值后,可以将该攻击定位置信度综合值与预设阈值进行比较,如果待追溯的共享访问授权服务的攻击定位为“医疗认证项目”的置信度综合值大于预设阈值,则判定待追溯的共享访问授权服务的攻击定位为“医疗认证项目”,反之,如果待追溯的共享访问授权服务为“医疗认证项目”的置信度综合值小于等于预设阈值,则判定目标订阅业务项的攻击定位不为“医疗认证项目”。其中,预设阈值可以根据实际情况进行设定。
这样,本实施例主要是基于共享访问请求信息上的持续攻击向量和非持续攻击向量共同来进行访问授权服务的攻击定位,对于非持续攻击向量而言,考虑了非持续攻击向量所在攻击分区的潜在轨迹特征点,对于持续攻击向量而言,不仅考虑了持续攻击向量所在攻击分区的潜在轨迹特征点,而且考虑了持续攻击向量在多个共享访问请求信息之间的攻击遍历属性,并且可以先确定各个非持续攻击向量对应的攻击定位信息和各个持续攻击向量对应的攻击定位信息,进而根据各个非持续攻击向量对应的攻击定位信息和各个持续攻击向量对应的攻击定位信息来识别待追溯的共享访问授权服务的攻击定位,提高了攻击定位确定的准确性。
在一种实施例中,针对步骤S710,在基于所述待追溯的共享访问授权服务的攻击定位确定所述目标验证服务信息200的攻击追溯结果信息的流程中,可以通过以下示例性的子步骤实现,详细描述如下。
子步骤S711,获取待追溯的共享访问授权服务的攻击定位中的哈希摘要信息和业务服务终端200的验证服务对象的追溯源地址信息。
子步骤S712,基于待追溯的共享访问授权服务的攻击定位中的哈希摘要信息和追溯源地址信息之间的地址相关程度,对待追溯的共享访问授权服务的攻击定位中的哈希摘要信息和追溯源地址信息进行匹配,得到匹配信息。
子步骤S713,将匹配成功的追溯源地址信息确定为选定追溯源地址信息,根据匹配信息中的追溯源地址信息与选定追溯源地址信息之间的相同地址业务,确定与选定追溯源地址信息相对应的追溯路径资源定位信息。
子步骤S714,对与选定追溯源地址信息相对应的追溯路径资源定位信息和选定追溯源地址信息进行追溯路径查找,得到追溯路径查找结果。
子步骤S715,根据追溯路径查找结果和匹配信息,确定待追溯的共享访问授权服务的攻击定位所对应的攻击确认信息和攻击确认信息对应的攻击指纹结果,根据攻击指纹结果确定业务服务终端200的攻击追溯结果信息。
基于上述子步骤,本实施例首先获取待追溯的共享访问授权服务的攻击定位中的哈希摘要信息和业务服务终端200的验证服务对象的追溯源地址信息,其次基于地址相关程度进行哈希摘要信息和追溯源地址信息的匹配以得到匹配信息,然后根据匹配成功的追溯源地址信息确定追溯路径资源定位信息从而进行追溯路径查找得到追溯路径查找结果,以根据追溯路径查找结果和匹配信息确定待追溯的共享访问授权服务的攻击定位所对应的攻击确认信息对应的攻击指纹结果,根据攻击指纹结果确定业务服务终端200的攻击追溯结果信息。能够通过攻击指纹结果进行针对性的需求确定,进而可以使得确定获得的验证服务对象需求更符合用户的实际意图,提高后续信息推送的准确性。
在一种实施例中,对于子步骤S711,可以通过以下示例性的实施方式实现。
(1)获取待追溯的共享访问授权服务的攻击定位中的至少两个哈希摘要属性和至少两个追溯源地址属性。
(2)获取至少两个哈希摘要属性之间的哈希摘要簿更新信息和哈希摘要属性的属性转移信息,获取至少两个追溯源地址属性之间的追溯源地址更新信息和追溯源地址属性的属性转移信息。
(3)根据哈希摘要簿更新信息和哈希摘要属性的属性转移信息,对至少两个哈希摘要属性进行组合,得到待追溯的共享访问授权服务的攻击定位中的哈希摘要信息。其中,一个哈希摘要信息包括至少一个哈希摘要属性。
(4)根据追溯源地址更新信息和追溯源地址属性的属性转移信息,对至少两个追溯源地址属性进行组合,得到待追溯的共享访问授权服务的攻击定位中的追溯源地址信息。其中,一个追溯源地址信息包括至少一个追溯源地址属性。
在一种实施例中,对于子步骤S712,可以通过以下示例性的实施方式实现。
(1)将待追溯的共享访问授权服务的攻击定位中的追溯源地址信息确定为已激活追溯源地址信息,将待追溯的共享访问授权服务的攻击定位中的哈希摘要信息确定为已激活哈希摘要信息。
其中,已激活追溯源地址信息中的追溯源地址属性是从针对待追溯的共享访问授权服务的攻击定位的实时配置属性中所确定的。
(2)获取实时配置属性中的哈希摘要属性。将实时配置属性中的哈希摘要属性与已激活哈希摘要信息中的哈希摘要属性之间的配置属性相关度,确定为已激活追溯源地址信息与已激活哈希摘要信息之间的地址相关程度。
当地址相关程度大于或等于预设地址相关程度时,对已激活追溯源地址信息和已激活哈希摘要信息进行匹配,得到匹配信息。
譬如,在一种实施例中,选定追溯源地址信息包括待追溯的共享访问授权服务的攻击定位中的分散追溯源地址属性。匹配信息的数量为至少两个。每个匹配信息中的追溯源地址信息分别包括待追溯的共享访问授权服务的攻击定位中的全局追溯源地址属性。
在此基础上,在一种实施例中,对于子步骤S713,可以通过以下示例性的实施方式实现。
(1)根据分散追溯源地址属性,获取选定追溯源地址信息的分散追溯链。
(2)根据每个匹配信息包括的全局追溯源地址属性,分别获取每个匹配信息中的追溯源地址信息的全局追溯链。
(3)获取分散追溯链分别与每个匹配信息对应的全局追溯链之间的追溯链联动信息。
(4)根据每个匹配信息所属的追溯链联动信息,确定每个匹配信息中的追溯源地址信息分别与选定追溯源地址信息之间的相同地址业务。
(5)当目标匹配信息的匹配次数大于第一预设匹配次数阈值且小于或等于第二预设匹配次数阈值时,将目标匹配信息中的哈希摘要信息所包含的追溯路径资源定位信息,确定为与选定追溯源地址信息相对应的追溯路径资源定位信息。目标匹配信息,指所属的相同地址业务对应的业务更新时间差异大于或等于预设业务更新时间差异的匹配信息。
在一种实施例中,分散追溯源地址属性的配置属性数量为至少两个。在子步骤S713的(1)中根据分散追溯源地址属性,获取选定追溯源地址信息的分散追溯链的过程中,可以获取至少两个分散追溯源地址属性中的每个分散追溯源地址属性分别对应的追溯节点,根据每个分散追溯源地址属性分别对应的追溯节点,获取至少两个分散追溯源地址属性对应的追溯节点连通图,将追溯节点连通图,确定为分散追溯链。
在一种实施例中,至少两个匹配信息包括匹配信息i,i为小于或等于至少两个匹配信息的总数量的正整数。匹配信息i包括的全局追溯源地址属性的配置属性数量为至少两个。
这样,在子步骤S713的(2)中根据每个匹配信息包括的全局追溯源地址属性,分别获取每个匹配信息中的追溯源地址信息的全局追溯链的过程中,可以获取匹配信息i包括的至少两个全局追溯源地址属性中的每个全局追溯源地址属性分别对应的追溯节点,然后根据每个全局追溯源地址属性分别对应的追溯节点,获取至少两个全局追溯源地址属性对应的全局追溯节点连通图,将全局追溯节点连通图,确定为匹配信息i中的追溯源地址信息的全局追溯链。
在一种实施例中,选定追溯源地址信息的数量为至少两个,当目标匹配信息的数量小于或等于第一预设匹配次数阈值时,将与每个选定追溯源地址信息之间的相同地址业务对应的业务更新时间差异最大的追溯源地址信息所对应的匹配信息,分别确定为每个选定追溯源地址信息对应的选定匹配结果。
在此基础上,可以将每个选定追溯源地址信息对应的选定匹配结果中的哈希摘要信息所包含的追溯路径资源定位信息,分别确定为每个选定追溯源地址信息对应的选定追溯路径资源定位信息,然后根据每个选定追溯源地址信息对应的选定追溯路径资源定位信息,确定选定追溯行为关系对应的至少两个追溯行为关系特征表示。
接着,可以获取至少两个追溯行为关系特征表示在至少两个匹配信息的哈希摘要信息所包含的追溯路径资源定位信息中的第一追溯行为定位资源,根据第一追溯行为定位资源,确定每个选定追溯源地址信息针对选定追溯行为关系的第一目标追溯行为关系特征表示,将分别具有每个选定追溯源地址信息对应的第一目标追溯行为关系特征表示的选定追溯行为关系,确定为与每个选定追溯源地址信息相对应的追溯路径资源定位信息。至少两个追溯行为关系特征表示在与每个选定追溯源地址信息相对应的追溯路径资源定位信息中的第二追溯行为定位资源对应的追溯行为关系的追溯代价,等于第一追溯行为定位资源的追溯行为关系的追溯代价。
在一种实施例中,当目标匹配信息的数量大于第二预设匹配次数阈值时,统计选定追溯行为关系的至少两个追溯行为关系特征表示在目标匹配信息的哈希摘要属性所包含的追溯路径资源定位信息中的资源定位信息位置信息。至少两个追溯行为关系特征表示,是根据目标匹配信息中的哈希摘要信息所包含的追溯路径资源定位信息所确定的。
在此基础上,可以根据选定追溯源地址信息与目标匹配信息之间的相同地址业务、以及业务位置信息,从至少两个追溯行为关系特征表示中,确定选定追溯源地址信息针对选定追溯行为关系的第二目标追溯行为关系特征表示,将具有第二目标追溯行为关系特征表示的选定追溯行为关系,确定为与选定追溯源地址信息相对应的追溯路径资源定位信息。
在一种实施例中,本实施例还可以进一步将匹配信息中的哈希摘要信息所包含的追溯路径资源定位信息,确定为匹配信息所包含的追溯路径资源定位信息,将匹配信息和追溯路径查找结果,确定为待追溯的共享访问授权服务的攻击定位中的已激活匹配结果,将已激活匹配结果所包含的追溯路径资源定位信息,确定为目标追溯路径资源定位信息,为目标追溯路径资源定位信息与所对应的已激活匹配结果中的追溯源地址信息添加相同的资源定位信息标签,将具有追溯源地址标签的目标追溯路径资源定位信息,分别输入至预设的多服务均值聚类网络中,获得目标追溯路径资源定位信息的攻击指纹结果。
其中,对于子步骤S715,可以根据已激活匹配结果中的追溯源地址信息,确定待追溯的共享访问授权服务的攻击定位中的攻击确认信息,根据已激活匹配结果中的追溯源地址信息所具有的追溯源地址标签,从预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中,获取攻击确认信息对应的攻击指纹结果。
其中,根据已激活匹配结果中的追溯源地址信息所具有的追溯源地址标签,从预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中,获取攻击确认信息对应的攻击指纹结果可以通过以下示例性的实施方式实现。
(1)根据已激活匹配结果中的追溯源地址信息所具有的追溯源地址标签,生成用于在预设的多服务均值聚类网络中检测目标追溯路径资源定位信息的第一源特征数据,当根据第一源特征数据未从预设的多服务均值聚类网络中确定出攻击确认信息对应的攻击指纹结果时,根据第一源特征数据,生成用于在预设的深度学习神经网络中检测目标追溯路径资源定位信息的第二源特征数据。
(2)当根据第二源特征数据未从预设的深度学习神经网络中确定出攻击确认信息对应的攻击指纹结果时,根据第二源特征数据,生成用于在预设的前向反馈神经网络中检测目标追溯路径资源定位信息的第三源特征数据。
(3)根据第三源特征数据,从预设的前向反馈神经网络中获取攻击确认信息对应的攻击指纹结果。
图3为本公开实施例提供的基于区块链的智慧医疗档案共享装置300的功能模块示意图,下面分别对该基于区块链的智慧医疗档案共享装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取区块链共享节点终端发送的智慧医疗档案共享数据,提取智慧医疗档案共享数据包含的目标疾病数据对象。
更新模块320,用于利用智慧医疗档案共享数据更新目标疾病数据对象对应的共享评价信息,共享评价信息是用于确定是否将目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数,其中,共享档案库为区块链网络预先授权的共享档案库,区块链网络具有与共享请求相对应的共享智能合约。
共享模块330,用于在共享评价信息满足预设共享条件时,将目标疾病数据对象的档案数据共享到共享档案库中。
图4示出了本公开实施例提供的用于实现上述的基于区块链的智慧医疗档案共享方法的医疗大数据***100的硬件结构意图,如图4所示,医疗大数据***100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的医疗大数据***执行指令,使得处理器110可以执行如上方法实施例的基于区块链的智慧医疗档案共享方法,处理器110、机器可读存储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动作,从而可以与前述的区块链共享节点终端200进行数据收发。
处理器110的具体实现过程可参见上述医疗大数据***100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本公开实施例还提供一种可读存储介质,所述可读存储介质中预设有医疗大数据***执行指令,当处理器执行所述医疗大数据***执行指令时,实现如上基于区块链的智慧医疗档案共享方法。
最后,应当理解的是,本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此,作为示例而非限制,本说明书实施例的替代配置可启用为与本说明书的教导匹配。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种基于区块链的智慧医疗档案共享方法,其特征在于,应用于医疗大数据***,所述医疗大数据***与区块链网络中的多个区块链共享节点终端通信连接,所述方法包括:
获取所述区块链共享节点终端发送的智慧医疗档案共享数据,提取所述智慧医疗档案共享数据包含的目标疾病数据对象;
利用所述智慧医疗档案共享数据更新所述目标疾病数据对象对应的共享评价信息,所述共享评价信息是用于确定是否将所述目标疾病数据对象的档案数据共享到共享档案库的评价置信度参数,其中,所述共享档案库为所述区块链网络预先授权的共享档案库,所述区块链网络具有与共享请求相对应的共享智能合约;
在所述共享评价信息满足预设共享条件时,将所述目标疾病数据对象的档案数据共享到所述共享档案库中;
其中,利用所述智慧医疗档案共享数据更新所述目标疾病数据对象对应的共享评价信息,包括:
将所述智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,得到与所述目标疾病数据对象的疾病对象特征信息对应的共享评价信息,所述共享评价决策网络是利用所述智慧医疗档案共享数据按照所述疾病对象特征信息的周期指标观测值进行迭代更新得到的,所述疾病对象特征信息是用于表征所述目标疾病数据对象的特征的信息;
其中,所述疾病对象特征信息为共享热度特征,所述共享热度特征是所述目标疾病数据对象在所述共享档案库中的跨节点请求次数和共享次数,所述将所述智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,包括:
将所述智慧医疗档案共享数据输入到与共享热度特征对应的共享评价决策网络,得到与所述共享热度特征对应的共享评价信息,所述与所述共享热度特征对应的共享评价信息为所述共享热度特征的热度特征均值;
其中,所述疾病对象特征信息为学术描述特征,所述学术描述特征是指所述目标疾病数据对象的学术描述标签,所述将所述智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,包括:
将所述智慧医疗档案共享数据输入到预先构建的学术描述决策网络,得到所述目标疾病数据对象的学术描述标签信息和与学术描述标签信息对应的置信度;
将所述与学术描述标签信息对应的置信度输入到与所述学术描述特征对应的共享评价决策网络,得到与所述学术描述特征对应的共享评价信息,所述与所述学术描述特征对应的共享评价信息是将所述与学术描述标签信息对应的置信度进行加权得到的评价信息;
其中,所述疾病对象特征信息为患者需求特征,所述患者需求特征是指所述目标疾病数据对象在所述共享档案库中患者需求的趋势,所述将所述智慧医疗档案共享数据输入到与目标疾病数据对象的疾病对象特征信息对应的共享评价决策网络,包括:
将所述智慧医疗档案共享数据输入到预先构建的患者需求决策网络,得到所述目标疾病数据对象的患者需求置信度;
将所述患者需求置信度输入到与所述患者需求特征对应的共享评价决策网络,得到与所述患者需求特征对应的共享评价信息,所述与所述患者需求特征对应的共享评价信息是将所述患者需求置信度进行加权得到的评价信息;
其中,所述智慧医疗档案共享数据通过特征参数的方式对目标疾病数据对象进行表达,根据智慧医疗档案共享数据中特征参数与疾病数据对象的对应关系确定目标疾病数据对象;
其中,在所述智慧医疗档案共享数据为多媒体数据时,利用深度学习模型对图像数据进行分析获取相应的目标疾病数据对象。
2.根据权利要求1所述的基于区块链的智慧医疗档案共享方法,其特征在于,所述共享评价信息包括:与共享热度特征对应的共享评价信息、与学术描述特征对应的共享评价信息和与患者需求特征对应的共享评价信息,则在所述共享评价信息满足预设共享条件时,将所述目标疾病数据对象的档案数据共享到所述共享档案库中,包括:
在与所述患者需求特征对应的共享评价信息小于第一共享评价置信度时,在所述共享档案库中不共享所述目标疾病数据对象的档案数据;
在与所述患者需求特征对应的共享评价信息大于或等于第一共享评价置信度时,根据与所述共享热度特征对应的共享评价信息和与所述学术描述特征对应的共享评价信息确定是否在所述共享档案库中共享所述目标疾病数据对象的档案数据;
其中,与所述共享热度特征对应的共享评价信息包括共享热度特征的热度特征均值和热度特征方差值,则根据与所述共享热度特征对应的共享评价信息和与所述学术描述特征对应的共享评价信息确定是否在所述共享档案库中共享所述目标疾病数据对象的档案数据,包括:
在与所述学术描述特征对应的共享评价信息大于等于第二共享评价置信度,且所述热度特征方差值小于第三共享评价置信度时,按照所述共享热度特征的热度特征均值在所述共享档案库中共享所述目标疾病数据对象的档案数据。
3.根据权利要求1所述的基于区块链的智慧医疗档案共享方法,其特征在于,所述提取所述智慧医疗档案共享数据包含的目标疾病数据对象,包括:
在获取预先配置的智慧医疗档案共享数据之后,存储所述预先配置的智慧医疗档案共享数据中包含的预设目标疾病数据对象,和与所述预设目标疾病数据对象对应的预设共享评价信息;
获取当前发送的智慧医疗档案共享数据;
将所述当前发送的智慧医疗档案共享数据与所述预设目标疾病数据对象进行匹配,得到所述当前发送的智慧医疗档案共享数据包含的当前目标疾病数据对象,所述当前目标疾病数据对象与所述预设目标疾病数据对象之间存在关联关系。
4.根据权利要求1-3中任意一项所述的基于区块链的智慧医疗档案共享方法,其特征在于,所述方法还包括:
获取所述区块链网络中的任意一个区块链共享节点终端发送的针对第一目标疾病数据对象的共享访问请求,其中,所述共享访问请求包括所述区块链共享节点终端的共享验证服务信息;
根据所述共享访问请求,获取对应的智能合约的智能合约条件,并判断所述共享验证服务信息是否符合所述智能合约条件;
在所述共享验证服务信息符合所述智能合约条件时,基于所述共享验证服务信息中的共享索引对象从所述区块链网络预先授权的共享档案库中获取所述第一目标疾病数据对象的共享医疗档案数据,并将所述共享医疗档案数据发送给所述区块链共享节点终端。
5.根据权利要求4所述的基于区块链的智慧医疗档案共享方法,其特征在于,所述方法还包括:
在所述共享验证服务信息不符合所述智能合约条件时,确定出所述共享验证服务信息中不符合所述智能合约条件的目标验证服务信息;
将所述目标验证服务信息发送给所述区块链共享节点终端,并在接收到所述区块链共享节点终端发送的异常上报信息时,判断所述目标验证服务信息在所述智能合约条件的验证过程中是否存在针对所述目标验证服务信息的网络信息攻击行为;
当所述目标验证服务信息在所述智能合约条件的验证过程中存在针对所述目标验证服务信息的网络信息攻击行为时,追踪所述网络信息攻击行为的多攻击链路数据流中攻击行为阶段的网络攻击情报线索;
基于所述网络攻击情报线索获取匹配多个共享安全事件标签的待追溯的共享访问授权服务以及所述待追溯的共享访问授权服务对应的目标追溯规则,所述目标追溯规则为所述待追溯的共享访问授权服务的授权共享项目所属的追溯规则,其中,所述目标追溯规则包括至少一个追溯规则节点;
根据所述目标追溯规则检测所述待追溯的共享访问授权服务的多个共享访问请求信息中包含的持续攻击向量和非持续攻击向量;
提取所述非持续攻击向量所在攻击分区的潜在轨迹特征点,得到非持续攻击轨迹,提取所述持续攻击向量所在攻击分区的潜在轨迹特征点及所述持续攻击向量在多个共享访问请求信息之间的攻击遍历属性,得到持续攻击轨迹;
基于所述非持续攻击轨迹识别各个非持续攻击向量对应的攻击定位信息,基于所述持续攻击轨迹识别各个持续攻击向量对应的攻击定位信息;
根据所述各个非持续攻击向量对应的攻击定位信息和所述各个持续攻击向量对应的攻击定位信息确定所述待追溯的共享访问授权服务的攻击定位,并基于所述待追溯的共享访问授权服务的攻击定位确定所述目标验证服务信息的网络信息攻击行为的攻击追溯结果信息;
其中,当访问授权服务处于不同授权维度时,针对于访问授权服务上的持续攻击向量将发生变化,且所述持续攻击向量的变化符合规律变化,所述非持续攻击向量是不会因为访问授权服务的状态不同而发生变化的攻击向量。
6.一种医疗大数据***,其特征在于,所述医疗大数据***包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线***相关联,所述网络接口用于与至少一个区块链共享节点终端通信连接,所述机器可读存储介质用于存储医疗大数据***指令,所述处理器用于执行所述机器可读存储介质中的医疗大数据***指令,以执行权利要求1-5中任意一项所述的基于区块链的智慧医疗档案共享方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432927.2A CN113192586B (zh) | 2021-04-22 | 2021-04-22 | 基于区块链的智慧医疗档案共享方法及医疗大数据*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432927.2A CN113192586B (zh) | 2021-04-22 | 2021-04-22 | 基于区块链的智慧医疗档案共享方法及医疗大数据*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192586A CN113192586A (zh) | 2021-07-30 |
CN113192586B true CN113192586B (zh) | 2022-01-07 |
Family
ID=76977969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110432927.2A Active CN113192586B (zh) | 2021-04-22 | 2021-04-22 | 基于区块链的智慧医疗档案共享方法及医疗大数据*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192586B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344470B (zh) * | 2021-08-02 | 2021-11-16 | 山东炎黄工业设计有限公司 | 一种基于区块链的供电***智能管理方法 |
CN114338814B (zh) * | 2022-03-03 | 2022-06-28 | 广州卓远虚拟现实科技有限公司 | 基于区块链的数据共享处理方法及*** |
CN117675870B (zh) * | 2024-01-31 | 2024-04-19 | 中国医学科学院北京协和医院 | 一种基于区块链的电子病历分布式共享方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391944A (zh) * | 2017-07-27 | 2017-11-24 | 北京太云科技有限公司 | 一种基于区块链的电子病历共享*** |
CN109729168A (zh) * | 2018-12-31 | 2019-05-07 | 浙江成功软件开发有限公司 | 一种基于区块链的数据共享交换***及方法 |
CN111625587A (zh) * | 2020-05-28 | 2020-09-04 | 泰康保险集团股份有限公司 | 数据共享装置 |
CN111816271A (zh) * | 2020-07-03 | 2020-10-23 | 深圳市易链信息技术有限公司 | 基于区块链的电子病历共享方法、***和可读存储介质 |
CN112181922A (zh) * | 2020-10-22 | 2021-01-05 | 中山大学 | 一种区块链数据共享方法、***、装置及介质 |
CN112349368A (zh) * | 2020-09-29 | 2021-02-09 | 福建西岸康健管理有限公司 | 基于医疗区块链的电子健康档案授权共享与管理*** |
CN112543196A (zh) * | 2020-12-04 | 2021-03-23 | 国网山东省电力公司电力科学研究院 | 一种基于区块链智能合约的网络威胁情报共享平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI784092B (zh) * | 2018-11-28 | 2022-11-21 | 臺北醫學大學 | 分享電子醫療健康記錄的方法與系統 |
-
2021
- 2021-04-22 CN CN202110432927.2A patent/CN113192586B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391944A (zh) * | 2017-07-27 | 2017-11-24 | 北京太云科技有限公司 | 一种基于区块链的电子病历共享*** |
CN109729168A (zh) * | 2018-12-31 | 2019-05-07 | 浙江成功软件开发有限公司 | 一种基于区块链的数据共享交换***及方法 |
CN111625587A (zh) * | 2020-05-28 | 2020-09-04 | 泰康保险集团股份有限公司 | 数据共享装置 |
CN111816271A (zh) * | 2020-07-03 | 2020-10-23 | 深圳市易链信息技术有限公司 | 基于区块链的电子病历共享方法、***和可读存储介质 |
CN112349368A (zh) * | 2020-09-29 | 2021-02-09 | 福建西岸康健管理有限公司 | 基于医疗区块链的电子健康档案授权共享与管理*** |
CN112181922A (zh) * | 2020-10-22 | 2021-01-05 | 中山大学 | 一种区块链数据共享方法、***、装置及介质 |
CN112543196A (zh) * | 2020-12-04 | 2021-03-23 | 国网山东省电力公司电力科学研究院 | 一种基于区块链智能合约的网络威胁情报共享平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113192586A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113192586B (zh) | 基于区块链的智慧医疗档案共享方法及医疗大数据*** | |
CN113315752B (zh) | 基于区块链的智慧医疗攻击追溯方法及医疗大数据*** | |
US11829914B2 (en) | Medical scan header standardization system and methods for use therewith | |
US11145059B2 (en) | Medical scan viewing system with enhanced training and methods for use therewith | |
Yan et al. | Learning from multiple annotators with varying expertise | |
CN110797124A (zh) | 一种模型多端协同训练方法、医疗风险预测方法和装置 | |
CN102246174B (zh) | 用于在采用异构信任模型的分布式和自治保健环境中改进记录链接的自动决断再利用 | |
CN111145910A (zh) | 基于人工智能的异常案例识别方法、装置、计算机设备 | |
CN102947832A (zh) | 患者记录的身份匹配 | |
CN110808095B (zh) | 诊断结果识别、模型训练的方法、计算机设备及存储介质 | |
CN112132624A (zh) | 医疗理赔数据预测*** | |
US11227684B2 (en) | Systems and methods for processing electronic images for health monitoring and forecasting | |
CN111767192B (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
CN112131277A (zh) | 基于大数据的医疗数据异常分析方法、装置和计算机设备 | |
CN113691556A (zh) | 一种应用于信息防护检测的大数据处理方法及服务器 | |
US20230316505A1 (en) | Medical scan viewing system with roc adjustment and methods for use therewith | |
US20220051114A1 (en) | Inference process visualization system for medical scans | |
Yang et al. | A trustworthy neural architecture search framework for pneumonia image classification utilizing blockchain technology | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN113094497B (zh) | 一种电子健康记录推荐方法及共享边缘计算平台 | |
Tarek et al. | Blockchain and Artificial Intelligence-based Solutions for Healthcare Management: Liver Disease Detection as a Case Study | |
Sushma et al. | A Hybrid Approach on Smart Health Prediction using Data Mining | |
US20220375071A1 (en) | Systems and methods to process electronic images to categorize intra-slide specimen tissue type | |
Gligorijevic | Predictive Uncertainty Quantification and Explainable Machine Learning in Healthcare | |
Song et al. | AI-Enabled Health 4.0: An IoT-Based COVID-19 Diagnosis Use-Case |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211223 Address after: 210000 780 Yingtian street, Jianye District, Nanjing, Jiangsu Province (503-507, 517-518, building 3, Yingtian Zhihui Industrial Park) Applicant after: JIANGSU NANGONG TECHNOLOGY GROUP Co.,Ltd. Address before: Room 1508, block a, kungong National Science and technology entrepreneurship building, 296 Xuefu Road, Wuhua District, Kunming, Yunnan 650033 Applicant before: Kan Zhongqiang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |