CN113470806B - 病情检测模型的确定方法、装置、设备及计算机存储介质 - Google Patents
病情检测模型的确定方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113470806B CN113470806B CN202010244924.1A CN202010244924A CN113470806B CN 113470806 B CN113470806 B CN 113470806B CN 202010244924 A CN202010244924 A CN 202010244924A CN 113470806 B CN113470806 B CN 113470806B
- Authority
- CN
- China
- Prior art keywords
- model
- disease
- medical branch
- preset medical
- branch node
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 260
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 260
- 238000001514 detection method Methods 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000005484 gravity Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 description 60
- 210000004072 lung Anatomy 0.000 description 21
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 206010056342 Pulmonary mass Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 201000003144 pneumothorax Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 206010003598 Atelectasis Diseases 0.000 description 2
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 210000004712 air sac Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种病情检测模型的确定方法、装置、设备及计算机存储介质。该方法包括：获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，第一特征矩阵用于表示训练第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重；根据多个第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型；将第一病情检测中心模型分发至每个预设医疗分支节点，以使每个预设医疗分支节点根据第一病情检测中心模型识别待检测病情样本数据的病情类别值。根据本发明的实施例，能够大幅提高病情样本数据的数量，提高提高模型的泛化能力，进而更好的检测多种类的疾病。
Description
技术领域
本发明属于信息处理领域，尤其涉及一种病情检测模型的确定方法、装置、设备及计算机存储介质。
背景技术
目前，随着大数据和深度学习技术的发展，训练智能检测模型越来越广泛地应用到人们的工作和生活中。
对于医疗领域而言，由于医疗数据的局限性导致医疗检测模型不能得到很好的应用。首先、训练病情检测模型大量优质的数据支撑，而目前难以获取大量的病情样本数据。其次、单个医院数据样本单一，而医院数据涉及患者隐私，不方便广泛共享，模型训练一般只能在医院本地数据库进行，不能提高病情检测模型的泛化能力。
因此，如何大幅提高病情样本数据的数量，提高模型的泛化能力，成为一个有待解决的问题。
发明内容
本发明实施例提供一种病情检测模型的确定方法、装置、设备及计算机存储介质，能够大幅提高病情样本数据的数量，提高提高模型的泛化能力，进而更好的检测多种类的疾病。
第一方面，本申请提供了一种病情检测模型的确定方法，该方法包括：获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，第一特征矩阵用于表示训练第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重；根据多个第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型；将第一病情检测中心模型分发至每个预设医疗分支节点，以使每个预设医疗分支节点根据第一病情检测中心模型识别待检测病情样本数据的病情类别值。
在一种可能的实现中，在获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵之前，方法还包括：多个预设医疗分支节点中的每个预设医疗分支节点分别训练第一病情检测子模型；其中，一个预设医疗分支节点训练第一病情检测子模型，具体包括：获取第一训练样本子集，第一训练样本子集包括预设医疗分支节点内的多个第一病情样本数据；将第一训练样本子集输入到第一病情检测子模型中，对第一病情检测子模型进行迭代训练，直至第一病情检测子模型满足第一预设训练条件，得到训练后的第一病情检测子模型。
在一种可能的实现中，在获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵之前，方法还包括：获取预设医疗分支节点内的第一训练样本子集的多个第一特征；确定第一训练样本子集包括的多个第一病情样本数据对应的第一病情类别值；根据第一病情类别值确定多个第一特征分别对应的权重值；根据多个第一特征分别对应的权重值确定第一特征矩阵。
在一种可能的实现中，在将第一病情检测中心模型分发至每个预设医疗分支节点之后，方法还包括：获取第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵；根据第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵，以及第二预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵确定第二病情检测中心模型，第一预设医疗分支节点为预设医疗分支节点中的部分医疗分支节点，第二预设医疗分支节点为预设医疗分支节点中除第一预设医疗分支节点以外的医疗分支节点；用第二病情检测中心模型更新第一病情检测中心模型。
在一种可能的实现中，第一特征包括下述中的至少一项：疾病类别特征、病情样本分布特征和医疗设备型号特征。
第二方面，本发明实施例提供了一种病情检测方法，该方法包括：获取待检测的病情样本数据；将待检测的病情样本数据输入第一病情检测中心模型，输出病情样本数据的病情类别值。
第三方面，本发明实施例提供了一种病情检测模型的确定装置，病情检测模型用于识别待检测病情样本数据的病情类别值，装置包括：获取模块，用于获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，第一特征矩阵用于表示训练第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重；确定模块，用于根据多个第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型；分发模块，用于将第一病情检测中心模型分发至每个预设医疗分支节点，以使每个预设医疗分支节点根据第一病情检测中心模型识别待检测病情样本数据的病情类别值。
第四方面，本发明实施例提供了一种病情检测装置，装置包括：获取模块，用于获取待检测的病情样本数据；输出模块，用于将待检测的病情样本数据输入第一病情检测中心模型，输出病情样本数据的病情类别值。
第五方面，本发明实施例提供了一种计算设备，设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面至第二方面，或者第一方面至第二方面任一可能的实现中的方法。
第六方面，本发明实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面至第二方面，或者第一方面至第二方面任一可能的实现中的方法。
本发明实施例的病情检测模型的确定方法、装置、设备及计算机存储介质，通过在分支节点使用该节点的医疗数据独立训练病情检测子模型，再根据分支节点训练好的病情检测子模型和分节点的特征矩阵进行综合分析来确定病情检测中心模型，再将病情检测中心模型分发至各个分支节点，能够提高提高模型的泛化能力，进而更好的检测多种类的疾病。
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中所需要使用的附图作简单的介绍，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是本发明实施例提供的一种病情检测模型的确定方法的流程示意图；
图2是本发明实施例提供的一种实现病情检测模型的确定方法的流程示意图；
图3是本发明实施例提供的另一种实现病情检测模型的确定方法的流程示意图；
图4是本发明实施例提供的一种病情检测方法的流程示意图；
图5是本发明实施例提供的一种病情检测模型的确定装置的结构示意图；
图6是本发明实施例提供的一种病情检测装置的结构示意图；
图7是本发明实施例提供的一种示例性硬件架构的示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当前技术下，建立检测模型需要大量的优质数据，并且数据分布需要多样性。目前的医疗数据的样本数量和样本质量均不能满足模型训练的需求。想以这样的数据量训练出一个可以实际投入生产的模型是不太可能的。并非训练模型之前不想获取更多医疗数据，实是无法获取更多医疗数据。这是因为医疗具有数据多源异构、敏感性强和数据离散分布等特点，医疗设备种类和型号多，造成训练模型非常困难。训练病情检测模型的难处具体体现在以下几个方面：
第一、训练模型需要大量优质的数据支撑。训练样本数据少会造成模型欠拟合；数据质量低会造成模型推理能力差。这两方面都会影响模型的输出效果。
第二、单个医院数据样本单一，难以达到训练数据满足高斯分布的假设，同时也会导致疾病筛查模型的局限性。
第三、医院数据敏感性强，涉及患者隐私，模型训练一般只能在院区本地进行，不能提高模型的泛化能力。
为了解决目前病情检测模型的训练数据不足的问题，可以在分支节点独立训练该分支节点的病情检测子模型，每个分支节点上传训练好的病情检测子模型、疾病种类、样本分布和采集数据的医疗设备类型等至中心节点，中心节点根据分支节点回传的数据，建立病情检测中心模型，对病情检测中心模型进行动态调整，提高病情检测中心模型的泛化能力。中心节点将病情检测中心模型分发至分支节点，提高各分支节点的推理能力。
基于此，本发明实施例提供了一种病情检测模型的确定方法。
下面对本发明实施例所提供的病情检测模型的确定方法进行描述。
图1所示为本发明实施例的病情检测模型的确定方法的流程示意图。
如图1所示，该病情检测模型的确定方法可以包括S101-S103，该方法应用于服务器，具体如下所示：
S101，获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，第一特征矩阵用于表示训练第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重。
S102，根据多个第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型。
S103，将第一病情检测中心模型分发至每个预设医疗分支节点，以使每个预设医疗分支节点根据第一病情检测中心模型识别待检测病情样本数据的病情类别值。
本申请提供的病情检测模型的确定方法中，通过在分支节点使用该节点的医疗数据独立训练病情检测子模型，再根据分支节点训练好的病情检测子模型和分节点的特征矩阵进行综合分析来确定病情检测中心模型，再将病情检测中心模型分发至各个分支节点，能够提高提高模型的泛化能力，进而更好的检测多种类的疾病。
为了方便描述，将结合图2对本发明实施例的整体架构做简要说明。如图2所示，预设区域内存在三家医院，医院A、医院B与医院C分别与中心节点互联，医院A、医院B与医院C彼此之间互不相联。可以理解的是，图2中的医院A、医院B与医院C用于示例性的表示本发明实施例中涉及的预设医疗分支节点，用于确定预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵。图2中的中心节点用于根据多个预设医疗分支节点上传的第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型。
下面，对S101-S103的内容分别进行描述：
首先，涉及S101，获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵。为了保证患者的隐私，在各个预设医疗分支节点分别独立的训练第一病情检测子模型。这样中心节点能够获取每个预设医疗分支节点训练好的的第一病情检测子模型及其对应的第一特征矩阵，而无需直接获取患者的病情样本数据，保障了患者的隐私。
其中，待检测病情样本数据的病情类别值是用数字表示的病情类别，比如0用于表示肺实变、1用于表示肺间质性、2用于表示肺结节等。
作为本申请的一种实现方式，为了提高病情检测模型的精度，在S101之前，还可以包括以下步骤：
多个预设医疗分支节点中的每个预设医疗分支节点分别训练第一病情检测子模型；其中，一个预设医疗分支节点训练第一病情检测子模型，具体包括：获取第一训练样本子集，第一训练样本子集包括预设医疗分支节点内的多个第一病情样本数据；将第一训练样本子集输入到第一病情检测子模型中，对第一病情检测子模型进行迭代训练，直至第一病情检测子模型满足第一预设训练条件，得到训练后的第一病情检测子模型。
预设医疗分支节点部署在各个医院的本地服务器，可以获取医院的敏感数据，即预设医疗分支节点内的多个第一病情样本数据，把医院的敏感数据输入第一病情检测子模型，对第一病情检测子模型进行迭代训练，直至第一病情检测子模型满足第一预设训练条件，得到训练后的第一病情检测子模型。并将包括但不限于模型文件、疾病种类、样本分布和采集医疗设备型号等特征数据上传至中心节点。
作为本申请的一种实现方式，为了提高病情检测模型的精度，在S101之前，还可以包括以下步骤：
获取预设医疗分支节点内的第一训练样本子集的多个第一特征；确定第一训练样本子集包括的多个第一病情样本数据对应的第一病情类别值；根据第一病情类别值确定多个第一特征分别对应的权重值；根据多个第一特征分别对应的权重值确定第一特征矩阵。
以肺部常见病举例来说，常见的肺部计算机断层扫描(Computer Tomography，CT)影像可以诊断肺实变、肺间质性、肺结节、肺不张、肺气胸、肺气囊等病症。在实际应用中，经常会出现其中一家医院的肺部CT影像数据中其中几项样本多(例如，断肺实变和肺间质性)，其他几类病症的样本少的情况。
例如，预设区域内存在三家医院，医院A、医院B与医院C分别与中心节点互联，医院A、医院B与医院C彼此之间互不相联，若医院A的肺部CT影像数据中断肺实变和肺间质性的样本多，其他几类病症的样本少；医院B的肺部CT影像数据中肺结节、肺不张的样本多，其他几类病症的样本少；医院C的肺部CT影像数据中肺气胸、肺气囊的样本多，其他几类病症的样本少。如此，在医院A、医院B与医院C独立训练肺部CT影像AI筛查模型时，会导致肺部CT影像数据样本少其他几类病症诊断效果明显不足，造成病情检测模型的漏诊和误诊率高。
如图3所示，根据本发明的实施例，医院A、B、C分布将其各自训练的模型A、模型B、模型C文件和其对应的疾病种类、样本分布和肺部CT设备型号等影响因子上传至中心节点。中心节点将医院A、B、C上传的数据综合分析，建立如下基于上述影响因子的数学模型：
上式中modelN、modelA、modelB、modelC分别表示中心节点计算的新的模型、医院A训练的模型、医院B训练的模型、医院C训练的模型。
其中，第一特征包括下述中的至少一项：疾病类别特征、病情样本分布特征和医疗设备型号特征。λd、λs、λe分别表示疾病种类、样本分布和设备型号的权重。
以肺部CT影像筛查为例，医院A、B、C一共记录了六种病症，医院A中肺实变和肺间质性的样本数为其他病症的两倍，设备型号为A；医院B中肺结节、肺不张的样本数为其他病症的两倍，设备型号为B；医院C中肺气胸、肺气囊的样本数为其他病症的两倍，设备型号为C。因此影响因子，即根据多个第一特征分别对应的权重值确定的第一特征矩阵分别如下：
λdA＝[0 0 1 1 1 1]
λdB＝[1 1 0 0 1 1]
λdC＝[1 1 1 1 0 0]
将上述影响因子和各个医院的模型文件，即第一病情检测子模型代入公式(1)，计算得到新的模型文件N，即第一病情检测中心模型。中心节点将新模型N传输至各个分支，更新其模型文件。
其次，涉及S102，中心节点部署在医院外的服务器，通过网络与预设医疗分支节点连接。中心节点接收多个预设医疗分支节点的数据，综合分析模型文件、疾病种类、样本分布和采集医疗设备型号等数据，建立数学模型，计算出新的模型文件，即根据多个第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型。
最后，涉及S103，中心节点再推送更新服务，更新各个预设医疗分支节点的模型文件。即将第一病情检测中心模型分发至每个预设医疗分支节点，以使每个预设医疗分支节点根据第一病情检测中心模型识别待检测病情样本数据的病情类别值。
作为本申请的一种实现方式，为了提高病情检测模型的精度，在S103之后，还可以包括以下步骤：
获取第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵；根据第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵，以及第二预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵确定第二病情检测中心模型，第一预设医疗分支节点为预设医疗分支节点中的部分医疗分支节点，第二预设医疗分支节点为预设医疗分支节点中除第一预设医疗分支节点以外的医疗分支节点；用第二病情检测中心模型更新第一病情检测中心模型。
在预设医疗分支节点有更新，即获取了新样本数据的情况下，首先，获取有更新的第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵。然后，根据有更新的第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵，以及无更新的第二预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵确定第二病情检测中心模型。最后，用第二病情检测中心模型更新之前确定的第一病情检测中心模型。
如此，随着各个医院，即预设医疗分支节点不断运用新的患者病情数据对自身的病情检测子模型的更新，中心节点也随之更新自身的病情检测中心模型，再将更新后的病情检测中心模型分发至各个预设医疗分支节点。如此迭代更新，能不断优化病情检测中心模型的精度，进而提升病情检测的准确度。
综上，本发明实施例的病情检测模型的确定方法，通过在分支节点使用该节点的医疗数据独立训练病情检测子模型，再根据分支节点训练好的病情检测子模型和分节点的特征矩阵进行综合分析来确定病情检测中心模型，再将病情检测中心模型分发至各个分支节点，能够提高提高模型的泛化能力，进而更好的检测多种类的疾病。抑制了在单一样本较多的情况下产生的过拟合现象，可以更好地辅助筛查全病症的疾病。
另外，本发明实施例还提供了一种病情检测方法，具体结合图4进行详细说明。
图4是本发明实施例提供的一种病情检测方法的流程示意图；
如图4所示，该病情检测方法可以包括S401-S402，该方法应用于服务器，具体如下所示：
S401，获取待检测的病情样本数据。
S402，将待检测的病情样本数据输入第一病情检测中心模型，输出病情样本数据的病情类别值。
本发明实施例的病情检测方法，基于训练后的病情检测模型检测来检测病情数据，可以提高病情检测的效率和准确率。
另外，基于上述病情检测模型的确定方法，本发明实施例还提供了一种病情检测模型的确定装置，具体结合图5进行详细说明。
图5是本发明实施例提供的一种病情检测模型的确定装置的结构示意图；
如图5所示，该装置500可以包括：
获取模块510，用于获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，第一特征矩阵用于表示训练第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重。
确定模块520，用于根据多个第一病情检测子模型及其分别对应的第一特征矩阵确定第一病情检测中心模型。
分发模块530，用于将第一病情检测中心模型分发至每个预设医疗分支节点，以使每个预设医疗分支节点根据第一病情检测中心模型识别待检测病情样本数据的病情类别值。
获取模块510还用于多个预设医疗分支节点中的每个预设医疗分支节点分别训练第一病情检测子模型；其中，一个预设医疗分支节点训练第一病情检测子模型，具体包括：获取第一训练样本子集，第一训练样本子集包括预设医疗分支节点内的多个第一病情样本数据；将第一训练样本子集输入到第一病情检测子模型中，对第一病情检测子模型进行迭代训练，直至第一病情检测子模型满足第一预设训练条件，得到训练后的第一病情检测子模型。
获取模块510还用于获取预设医疗分支节点内的第一训练样本子集的多个第一特征；确定第一训练样本子集包括的多个第一病情样本数据对应的第一病情类别值；根据第一病情类别值确定多个第一特征分别对应的权重值；根据多个第一特征分别对应的权重值确定第一特征矩阵。
分发模块530还用于获取第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵；根据第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵，以及第二预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵确定第二病情检测中心模型，第一预设医疗分支节点为预设医疗分支节点中的部分医疗分支节点，第二预设医疗分支节点为预设医疗分支节点中除第一预设医疗分支节点以外的医疗分支节点；用第二病情检测中心模型更新第一病情检测中心模型。
本发明实施例中涉及的第一特征包括下述中的至少一项：疾病类别特征、病情样本分布特征和医疗设备型号特征。
综上，本发明实施例的病情检测模型的确定装置，通过在分支节点使用该节点的医疗数据独立训练病情检测子模型，再根据分支节点训练好的病情检测子模型和分节点的特征矩阵进行综合分析来确定病情检测中心模型，再将病情检测中心模型分发至各个分支节点，能够提高提高模型的泛化能力，进而更好的检测多种类的疾病。
另外，基于上述病情检测方法，本发明实施例还提供了一种病情检测装置，具体结合图6进行详细说明。
如图6所示，该装置600可以包括：
获取模块610，用于获取待检测的病情样本数据。
输出模块620，用于将待检测的病情样本数据输入第一病情检测中心模型，输出病情样本数据的病情类别值。
本发明实施例的病情检测装置，基于训练后的病情检测模型检测来检测病情数据，可以提高病情检测的准确率。
图7示出了本发明实施例提供的一种示例性硬件架构的示意图。
该设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关容灾设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。在特定实施例中，存储器702包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种病情检测模型的确定方法。
在一个示例中，该设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将信息处理设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该处理设备可以执行本发明实施例中的病情检测模型的确定方法，从而实现结合图1描述的病情检测模型的确定方法。
该处理设备可以执行本发明实施例中的病情检测方法，从而实现结合图4描述的病情检测方法。
另外，结合上述实施例中的病情检测模型的确定方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意病情检测模型的确定方法。
另外，结合上述实施例中的病情检测方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意病情检测方法。
需要明确的是，本发明实施例并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明实施例的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明实施例的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为软件方式，本发明实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明实施例不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，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，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种病情检测模型的确定方法，其特征在于，所述方法包括：
获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，所述第一特征矩阵用于表示训练所述第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重；
根据多个所述第一病情检测子模型及其分别对应的所述第一特征矩阵确定第一病情检测中心模型；
将所述第一病情检测中心模型分发至每个所述预设医疗分支节点，以使所述每个预设医疗分支节点根据所述第一病情检测中心模型识别待检测病情样本数据的病情类别值；
在所述将所述第一病情检测中心模型分发至每个所述预设医疗分支节点之后，所述方法还包括：
获取第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵；
根据所述第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵，以及第二预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵确定第二病情检测中心模型，所述第一预设医疗分支节点为所述预设医疗分支节点中的部分医疗分支节点，所述第二预设医疗分支节点为所述预设医疗分支节点中除所述第一预设医疗分支节点以外的医疗分支节点；所述第二特征矩阵为有更新的第一预设医疗分支节点的第二病情检测子模型及其对应的特征矩阵，所述第一特征矩阵为无更新的第二预设医疗分支节点的第一病情检测子模型及其对应的特征矩阵；用所述第二病情检测中心模型更新所述第一病情检测中心模型。
2.根据权利要求1所述的方法，其特征在于，在所述获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵之前，所述方法还包括：
多个预设医疗分支节点中的每个预设医疗分支节点分别训练第一病情检测子模型；
其中，一个预设医疗分支节点训练第一病情检测子模型，具体包括：
获取第一训练样本子集，所述第一训练样本子集包括所述预设医疗分支节点内的多个第一病情样本数据；
将所述第一训练样本子集输入到所述第一病情检测子模型中，对所述第一病情检测子模型进行迭代训练，直至所述第一病情检测子模型满足第一预设训练条件，得到训练后的第一病情检测子模型。
3.根据权利要求2所述的方法，其特征在于，在所述获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵之前，所述方法还包括：
获取所述预设医疗分支节点内的第一训练样本子集的多个第一特征；
确定所述第一训练样本子集包括的多个第一病情样本数据对应的第一病情类别值；
根据所述第一病情类别值确定所述多个第一特征分别对应的权重值；
根据所述多个第一特征分别对应的权重值确定所述第一特征矩阵。
4.根据权利要求3所述的方法，其特征在于，所述第一特征包括下述中的至少一项：疾病类别特征、病情样本分布特征和医疗设备型号特征。
5.一种病情检测方法，其特征在于，所述方法包括：
获取待检测的病情样本数据；
将所述待检测的病情样本数据输入第一病情检测中心模型，输出所述病情样本数据的病情类别值；其中，所述第一病情检测中心模型是基于权利要求1-4任意一项所述的病情检测模型的确定方法训练得到。
6.一种病情检测模型的确定装置，其特征在于，所述病情检测模型用于识别待检测病情样本数据的病情类别值，包括：
获取模块，用于获取多个预设医疗分支节点中的每个预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵，所述第一特征矩阵用于表示训练所述第一病情检测子模型的第一病情样本数据对应的多个第一特征之间的比重；
确定模块，用于根据多个所述第一病情检测子模型及其分别对应的所述第一特征矩阵确定第一病情检测中心模型；
分发模块，用于将所述第一病情检测中心模型分发至每个所述预设医疗分支节点，以使所述每个预设医疗分支节点根据所述第一病情检测中心模型识别待检测病情样本数据的病情类别值；
在所述将所述第一病情检测中心模型分发至每个所述预设医疗分支节点之后，还包括：
获取第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵；
根据所述第一预设医疗分支节点的第二病情检测子模型及其对应的第二特征矩阵，以及第二预设医疗分支节点的第一病情检测子模型及其对应的第一特征矩阵确定第二病情检测中心模型，所述第一预设医疗分支节点为所述预设医疗分支节点中的部分医疗分支节点，所述第二预设医疗分支节点为所述预设医疗分支节点中除所述第一预设医疗分支节点以外的医疗分支节点；所述第二特征矩阵为有更新的第一预设医疗分支节点的第二病情检测子模型及其对应的特征矩阵，所述第一特征矩阵为无更新的第二预设医疗分支节点的第一病情检测子模型及其对应的特征矩阵；
用所述第二病情检测中心模型更新所述第一病情检测中心模型。
7.一种病情检测装置，其特征在于，包括：
获取模块，用于获取待检测的病情样本数据；
输出模块，用于将所述待检测的病情样本数据输入第一病情检测中心模型，输出所述病情样本数据的病情类别值；其中，所述第一病情检测中心模型是基于权利要求6的病情检测模型的确定装置得到。
8.一种计算设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010244924.1A CN113470806B (zh) | 2020-03-31 | 2020-03-31 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010244924.1A CN113470806B (zh) | 2020-03-31 | 2020-03-31 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470806A CN113470806A (zh) | 2021-10-01 |
| CN113470806B true CN113470806B (zh) | 2024-05-24 |
Family
ID=77866156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010244924.1A Active CN113470806B (zh) | 2020-03-31 | 2020-03-31 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470806B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729914A (zh) * | 2017-09-06 | 2018-02-23 | 鲁小杰 | 一种病理数据的检测方法 |
| CN109686441A (zh) * | 2018-12-21 | 2019-04-26 | 质直(上海)教育科技有限公司 | 一种大数据医疗数据特征提取和智能分析预测方法 |
| CN109871702A (zh) * | 2019-02-18 | 2019-06-11 | 深圳前海微众银行股份有限公司 | 联邦模型训练方法、***、设备及计算机可读存储介质 |
| CN110362586A (zh) * | 2019-07-12 | 2019-10-22 | 之江实验室 | 一种无患者数据共享的多中心生物医学数据协同处理***及方法 |
| CN110443375A (zh) * | 2019-08-16 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法及装置 |
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110797124A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种模型多端协同训练方法、医疗风险预测方法和装置 |
| CN110795477A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技（深圳）有限公司 | 数据的训练方法及装置、*** |
| CN110825970A (zh) * | 2019-11-07 | 2020-02-21 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11575673B2 (en) * | 2014-09-30 | 2023-02-07 | Baxter Corporation Englewood | Central user management in a distributed healthcare information management system |
| US11823067B2 (en) * | 2017-06-27 | 2023-11-21 | Hcl Technologies Limited | System and method for tuning and deploying an analytical model over a target eco-system |
-
2020
- 2020-03-31 CN CN202010244924.1A patent/CN113470806B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729914A (zh) * | 2017-09-06 | 2018-02-23 | 鲁小杰 | 一种病理数据的检测方法 |
| CN109686441A (zh) * | 2018-12-21 | 2019-04-26 | 质直(上海)教育科技有限公司 | 一种大数据医疗数据特征提取和智能分析预测方法 |
| CN109871702A (zh) * | 2019-02-18 | 2019-06-11 | 深圳前海微众银行股份有限公司 | 联邦模型训练方法、***、设备及计算机可读存储介质 |
| CN110362586A (zh) * | 2019-07-12 | 2019-10-22 | 之江实验室 | 一种无患者数据共享的多中心生物医学数据协同处理***及方法 |
| CN110443375A (zh) * | 2019-08-16 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法及装置 |
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110795477A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技（深圳）有限公司 | 数据的训练方法及装置、*** |
| CN110797124A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种模型多端协同训练方法、医疗风险预测方法和装置 |
| CN110825970A (zh) * | 2019-11-07 | 2020-02-21 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 联邦学习在保险行业的应用研究;王春凯 等;《保险职业学院学报》;20200215(第01期);15-19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113470806A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109350032B (zh) | 一种分类方法、***、电子设备及存储介质 | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及*** | |
| CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
| CN112117011A (zh) | 基于人工智能的传染病早期风险预警方法、装置 | |
| CN113053535B (zh) | 一种医疗信息预测***及医疗信息预测方法 | |
| CN108595657B (zh) | His***的数据表分类映射方法和装置 | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| CN108242266A (zh) | 辅助诊断装置和方法 | |
| CN115691722B (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
| CN115168669A (zh) | 传染病筛查方法、装置、终端设备及介质 | |
| CN115131630A (zh) | 模型训练、微卫星状态预测方法、电子设备及存储介质 | |
| CN113288131A (zh) | 基于图卷积网络的无创血糖检测方法、处理器及装置 | |
| CN107169264B (zh) | 一种复杂疾病诊断*** | |
| CN116598012A (zh) | 一种基于联邦学习价值评估的慢性病医疗保健方法和*** | |
| CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
| CN113470806B (zh) | 病情检测模型的确定方法、装置、设备及计算机存储介质 | |
| US20230060794A1 (en) | Diagnostic Tool | |
| CN114972220B (zh) | 一种图像处理方法、装置、电子设备及可读存储介质 | |
| CN108346471B (zh) | 一种病理数据的分析方法及装置 | |
| CN116302870A (zh) | 基于进化图的机械硬盘健康评估方法、***和存储介质 | |
| CN109003680B (zh) | 癫痫数据统计方法及装置 | |
| US11289202B2 (en) | Method and system to improve clinical workflow | |
| CN110767310A (zh) | 一种基于大数据的肺癌筛查*** | |
| CN109492690B (zh) | 一种基于卷积神经网络检测ct图像的方法 | |
| CN113096815A (zh) | 一种基于logistic回归的慢性肾病预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |