CN115798707A - 病历处理方法、装置、存储介质与芯片 - Google Patents
病历处理方法、装置、存储介质与芯片 Download PDFInfo
- Publication number
- CN115798707A CN115798707A CN202211469057.7A CN202211469057A CN115798707A CN 115798707 A CN115798707 A CN 115798707A CN 202211469057 A CN202211469057 A CN 202211469057A CN 115798707 A CN115798707 A CN 115798707A
- Authority
- CN
- China
- Prior art keywords
- vector
- medical record
- representation vector
- loss function
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及一种病历处理方法、装置、存储介质与芯片,涉及数据处理技术领域。该方法包括:确定电子病历对应的第一患者表示向量;以多个目标任务为学习目标,对该第一患者表示向量进行学习,得到该多个目标任务对应的损失函数值;根据该多个目标任务的损失函数值得到的联合损失函数值,对该第一患者表示向量进行更新,得到第二患者表示向量,第二患者表示向量用于对病历处理模型进行训练。使用本公开提出的病历处理方法,可以增强患者表示向量的语义表示,使用语义增强后的患者表示向量对病历处理模型进行训练后,可以提高病历处理模型的泛化能力。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种病历处理方法、装置、存储介质与芯片。
背景技术
临床辅助决策***是利用人工智能技术为临床工作站提供智能辅助诊断、智能鉴别诊断、智能推荐治疗等功能,帮助医生提供更好的医疗服务,提升医疗质量和效率的业务应用。
相关技术中,是将患者表示学习作为一个单独的计算任务来进行实现,患者分布式表示学习是模型学习患者表示向量,来对单一固定场景下的任务进行预测,然而这种模型对其余场景下的任务预测的适应能力较弱,模型的泛化能力较弱。
发明内容
为克服相关技术中存在的问题,本公开提供一种病历处理方法、装置、存储介质与芯片。
根据本公开实施例的第一方面,提供一种病历处理方法,所述方法包括:
确定电子病历对应的第一患者表示向量;
以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务对应的损失函数值;
根据所述多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,所述第二患者表示向量用于对病历处理模型进行训练。
可选地,所述根据多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,包括:
根据所述多个目标任务的损失函数值以及所述多个目标任务的损失函数值对应的权重,得到所述联合损失函数值;
根据所述联合损失函数值,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
可选地,所述根据所述联合损失函数值,对所述第一患者表示向量进行更新,得到所述第二患者表示向量,包括:
将所述联合损失函数值作为所述多个目标任务的实际损失值;
根据所述实际损失值,调整病历处理模型;
通过调整后的所述病历处理模型,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
可选地,所述方法还包括:
以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务的中间特征向量;
对所述多个目标任务的中间特征向量进行拼接,得到拼接向量;
以所述拼接向量对所述第二患者表示向量进行更新,得到第三患者表示向量。
可选地,所述目标任务的损失函数值通过以下步骤确定:
对所述第一患者表示向量进行解码,得到所述电子病历中就诊记录对应的预测向量;
根据所述预测向量以及所述就诊记录对应的编码向量,得到所述目标任务的损失函数值。
可选地,所述确定电子病历对应的第一患者表示向量,包括:
确定所述电子病历中不同的就诊记录对应的编码向量;
将所述编码向量转换为低维稠密向量;
根据所述不同就诊记录的低维稠密向量,得到所述第一患者表示向量。
根据本公开实施例的第二方面,提供一种病历处理装置,所述装置包括:
第一患者表示向量确定模块,被配置为确定电子病历对应的第一患者表示向量;
损失函数值确定模块,被配置为以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务对应的损失函数值;
更新模块,被配置为根据所述多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,所述第二患者表示向量用于对病历处理模型进行训练。
根据本公开实施例的第三方面,提供一种病历处理装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
执行所述可执行指令,以实现本公开实施例的第一方面提供的病历处理方法的步骤。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开实施例的第一方面提供的病历处理方法的步骤。
根据本公开实施例的第五方面,提供一种芯片,包括处理器和接口;所述处理器用于读取指令以执行本公开实施例的第一方面提供的病历处理方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过上述技术方案,可以确定多个目标任务的损失函数值,再对多个目标任务的损失函数值进行融合,得到联合损失函数值,再根据联合损失函数值对第一患者表示向量进行更新,得到第二患者表示向量。
在这个过程中,第二患者表示向量是在第一患者表示向量的基础上,不断地融合了不同目标任务的损失函数值,才更新得到的,所以第二患者表示向量能够具有不同目标任务的特性,而不仅仅具备一种目标任务的特性,自然,采用能够表达各种不同目标任务的第二患者表示向量,来对病历处理模型进行训练之后,病历处理模型才能适应各种目标任务的新鲜样本,从而提高病历处理模型的泛化能力,使得病历处理模型在面对不同目标任务时,均能得到准确的预测结果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种病历处理方法的流程图。
图2是根据一示例性实施例示出的一种病历处理模型的框图。
图3是根据一示例性实施例示出的一种病历处理装置的框图。
图4是根据一示例性实施例示出的一种病历处理装置的框图。
图5是根据一示例性实施例示出的一种病历处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
相关技术中,是将患者表示学习作为一个单独的计算任务来进行实现,患者分布式表示学习是模型学习患者表示向量,来对单一固定场景下的任务进行预测,然而这种模型对其余场景下的任务预测的适应能力较弱,模型的泛化能力较弱。
例如,患者表示向量1与患者表示向量2均是同一病人的表示向量,患者表示向量1是作为诊断预测任务相关的训练样本,患者表示向量2是作为智能推荐任务相关的训练样本。诊断预测任务是根据病历预测出病症,例如根据病历中记载的烧心、反酸、胃痛等病状,预测出病症是“浅表性胃炎”;智能推荐任务是根据病历预测推荐的医学项目,例如根据病历中记载的烧心、反酸、胃痛等病状,预测推荐的医学项目是“胃镜”。
采用患者表示向量1对模型进行训练之后,模型仅能根据患者表示向量1,来预测病历对应的病症;当模型面对患者表示向量2这种新鲜样本时,模型适应新鲜样本的适应能力较差,导致依据患者表示向量2所预测推荐的检查项目的准确性较低。可见,单一模型仅能适应固定场景下的任务进行预测,适应其余场景下的任务预测的适应能力较弱,导致预测结果的准确性较低。
有鉴于此,请参阅图1所示的病历处理方法,该病历处理方法包括以下步骤:
在步骤S11中,确定电子病历对应的第一患者表示向量。
其中,电子病历包括以下至少一者:医生根据患者就诊所记录的病状描述、患者检查完医学项目之后所的医学检验资料以及患者检查医学项目之后的影像检查资料。医学检验资料可以是患者身体的血红蛋白、白细胞计数、血小板计数等参数,影像检查资料可以是胃镜图、心电图等影像。电子病历中存在至少一条就诊记录,每条就诊记录中记录了每次患者就诊的病状描述、医院检验资料与影像检查资料等。
第一患者表示向量可以是一个患者的电子病历对应的患者表示向量,第一患者表示向量包含了患者按照时间先后顺序排列的至少一条就诊记录对应的编码向量;编码向量是将就诊记录编码为二进制的向量,该二进制向量可以被终端所识别,每条就诊记录对应一个编码向量。
在步骤S12中,以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务对应的损失函数值。
其中,病历处理模型可以以多个目标任务为学习目标,来对第一患者表示向量进行学习,来分别得到多个目标任务对应的损失函数值。
多个目标任务包括基础解码任务与领域计算任务中的至少两个,领域计算任务包括诊断预测任务、智能推荐任务、危急值预警任务等。诊断预测任务是根据病历预测出病症,例如根据病历中记载的烧心、反酸、胃痛等病状,预测出病症是“浅表性胃炎”;智能推荐任务是根据病历预测推荐的医学项目,例如根据病历中记载的烧心、反酸、胃痛等病状,预测推荐的医学项目是“胃镜”;危急值预警任务是根据病历预测出患者是否处于危险状态,例如根据病历中记载的红血蛋白小于50g/L,说明患者异常。
基础解码任务是为了保证病历处理模型预测得到的预测向量能够与输入至病历处理模型中的编码向量保持一致,在二者一致时,即可确定第一患者表示向量包含了患者所有的就诊记录,该第一患者表示向量是准确的。
领域计算任务是为了保证病历处理模型预测得到的预测向量能够与真实标签一致,在二者一致时,即可确定病历处理模型能够准确地进行分类预测。例如,医生根据病历确定出患者的病症是“胃病”,那么真实标签则是“胃病”病症,病历处理模型以诊断预测任务为学习目标,对病历对应的第一患者表示向量进行学习之后,是为了保证预测得到的病症,能够与真实标签“胃病”一致,如此,才能确定病历处理模型能够准确地依据病历预测出患者的病症;又如,医生根据病历确定为患者推荐的医学项目是“胃镜”,那么真实标签则是“胃镜”医学项目,病历处理模型以智能推荐任务为学习目标,对病历对应的第一患者表示向量进行学习之后,是为了保证预测推荐的医学项目,能够与真实标签“胃镜”一致,如此,才能确定病历处理模型能够准确地依据病历推荐出合理的医学项目。
其中,分类预测指的是病历处理模型在以同一目标任务为学习目标的过程中,可以得到该目标任务下的多个种类的预测结果。例如,病历处理模型以诊断预测任务为学习目标,可以根据病历预测出患者具有“胃病”、“风湿”、“感冒”等不同类别的病症中某一种或多种病症。
其中,病历处理模型在以不同的目标任务为学习目标,对第一患者表示向量进行学习的过程中,对于不同的目标任务,病历处理模型具有不同的损失函数值。
其中,可以对第一患者表示向量进行解码,得到电子病历中每条就诊记录对应的预测向量;根据预测向量与就诊记录对应的编码向量,来得到目标任务的损失函数值。
示例地,对于基础解码任务(基础解码任务为图2中的通用解码任务)而言,请参阅图2所示,病历处理模型的损失函数值可以通过预测向量与编码向量之间的差异值来得到,具体可以通过以下表达式(1)来表示:
在公式(1)中,为病历处理模型输出的预测向量;v为病历处理模型对就诊记录进行编码后的编码向量;viv为至少一个就诊记录中第i次就诊记录对应的编码向量;为至少一个就诊记录中第i次就诊记录对应的预测向量;N为训练样本数量,表示N个患者的历次就诊记录;是病历处理模型以基础解码任务为学习目标时的损失函数值。
可见,对于基础解码任务而言,损失函数值则是电子病历中每条就诊记录对应的编码向量与预测向量之间的差异值,该差异值越大,代表病历处理模型的预测向量与实际的编码向量之间的差距越大。
其中,也可以将第一患者表示向量输入至病历处理模型,得到电子病例中患者历次就诊记录对应的预测向量;根据预测向量与标签向量,来得到目标任务的损失函数值。
示例地,对于领域计算任务而言,由于病历处理模型学习领域计算任务是对类别进行预测,所以病历处理模型的损失函数可以通过以下表达式来进行表达:
在公式(2)中,为病历处理模型输出的预测值;y为病历处理模型的真实标签值;yic为第i个样本对应的标签向量,可以视为第i个患者的就诊记录对应的标签向量;为第i个样本对应的预测向量,可以视为第i个患者的就诊记录对应的预测向量;N为训练样本数量;M为病历处理模型可以预测的类别的数量,例如病历处理模型可以预测10个类别,那么类别的数量则是10;为病历处理模型以领域计算任务为学习目标时的损失函数值。
从公式(1)与公式(2)可以看出,病历处理模型在学习不同的目标任务时,具有不同的损失函数值。
在步骤S13中,根据所述多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,第二患者表示向量用于对病历处理模型进行训练。
其中,联合损失函数值是对多个目标任务的损失函数值进行融合得到的,联合损失函数值包含了多个目标任务的损失函数值的特性,以联合损失函数值对第一患者表示向量进行更新之后得到的第二患者表示向量,其语义多样性以及表达能力,均高于第一患者表示向量,可以充分表示多个目标任务的训练样本,而不单独只用于表示一个目标任务的训练样本。
其中,在对多个目标任务的损失函数值进行融合,来得到联合损失函数时,可以根据多个目标任务的损失函数值以及多个目标任务的损失函数值对应的权重,来得到联合损失函数值;再根据联合损失函数值,对第一患者表示向量进行更新,得到第二患者表示向量。多个目标任务的损失函数值对应的权重,可以通过***来调节,也可以通过人工调节,当该目标任务对于病历处理模型比较重要时,则可以提高该目标任务的损失函数值对应的权重。
示例地,以病历处理模型学习基础解码任务、诊断预测任务与智能推荐任务这三个目标任务为例,联合损失函数可以通过以下表达式来得到:
loss=α1Loss1+α2Loss2+α3Loss3 (3)
在公式(3)中,loss为联合损失函数值,Loss1为基础解码任务的损失函数值;Loss2为诊断预测任务的损失函数值,Loss3为智能推荐任务的损失函数值;α1为基础解码任务的损失函数对应的权重,α2为诊断预测任务的损失函数对应的权重,α3为智能推荐任务的损失函数对应的权重。
从公式(3)可以看出,联合损失函数值是多个目标任务的损失函数值的加权平均值,该联合损失函数值融合了多个目标任务的损失函数值,考虑了多个目标任务带来的损失,所以基于联合损失函数值更新得到的第二患者表示向量的语义更加丰富。当然,病历处理模型在学习目标任务时,目标任务的数量也不仅限于公式(3)所示出的三个目标任务,还可以为其他数量的目标任务。终端设计了API(Application Programming Interface,应用程序编程接口)扩展接口,可以为病历处理模型动态地添加领域计算任务。
可以理解的是,相关技术中是一种目标任务具有一个患者表示向量,病历处理模型学习一种目标任务的患者表示向量,仅能预测出一种目标任务,而在面对其余不同的目标任务的患者表示向量时,病历处理模型的泛化能力则较弱,无法加快地学习其余目标任务的患者表示向量的规律。
通过上述技术方案,可以确定多个目标任务的损失函数值,再对多个目标任务的损失函数值进行融合,得到联合损失函数值,再根据联合损失函数值对第一患者表示向量进行更新,使得得到的第二患者表示向量的语义更加丰富,能够更加表达多个目标任务的语义。
在这个过程中,第二患者表示向量是在第一患者表示向量的基础上,不断地融合了不同目标任务的损失函数值,才更新得到的,所以第二患者表示向量能够具有不同目标任务的特性,而不仅具备一种目标任务的特性,自然,采用能够表达各种不同目标任务的第二患者表示向量,来对病历处理模型进行训练之后,病历处理模型才能适应各种目标任务的新鲜样本,从而提高病历处理模型的泛化能力,使得病历处理模型在面对不同目标任务时,均能得到准确的预测结果。
在一种可能的实施方式中,在得到联合损失函数值之后,可以通过以下步骤来更新第一患者表示向量:
在步骤S21中,将所述联合损失函数值作为所述多个目标任务的实际损失值。
其中,在得到联合损失函数值之后,将联合损失函数值作为多个目标任务的实际损失值,将多个目标任务原有的损失值替换为实际损失值。
示例地,请参阅上述公式(3),可以将基础解码任务的损失函数值Loss1、诊断预测任务的损失函数值Loss2以及智能推荐任务的损失函数值Loss3均替换为loss。
在步骤S22中,根据所述实际损失值,调整病历处理模型。
其中,在得到每个目标任务的实际损失值之后,病历处理模型依据实际损失值来调整目标函数中的可学习参数,从而实现病历处理模型的自我更新。
目标函数用于表达病历处理模型,可学习参数是病历处理模型在训练过程中不断学习的参数值,随着每一轮的迭代训练过程中实际损失值的变化而变化。
在步骤S23中,通过调整后的所述病历处理模型,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
其中,病历处理模型中的可学习参数调整之后,更新后的病历处理模型再次对第一患者表示向量进行更新,输出得到第二患者表示向量,在每一轮可学习参数调整之后,病历处理模型均会进行第一患者表示向量的更新,如此迭代,直至最终得到的实际损失值无法继续变小的情况下,代表病历处理模型在面对不同的目标任务时,均能够输出与真实标签相近或相同的预测结果。
其中,在病历处理模型的学习过程中,对于一个患者的就诊记录增加时,新增的就诊记录也会形成新的患者表示向量,来重新对病历处理模型学习不同目标任务进行训练,使得病历处理模型在反复的自我更新的过程中,能够输出更加准确的预测结果。
其中,第一患者表示向量会随着病历处理模型的可学习参数与输入至病历处理模型中就诊记录对应的编码向量的变化而变化,当编码向量不变,且可学习参数随着迭代过程中实际损失值的变小而变化时,得到的第二患者表示向量的语义表示会更加贴近多个目标任务,其语义得到了增强。
通过上述技术方案,将联合损失函数值作为多个目标任务的实际损失值,病历处理模型再依据实际损失值进行自我更新,以输出第二患者表示向量。在这个过程中,由于每次训练过程得到的实际损失值均不同,所以会导致可学习参数也会随之变化,使得最终输出的第二患者表示向量也随着可学习参数变化,其语义更加贴近不同的目标任务,采用能够表达不同目标任务的第二患者表示向量来对病历处理模型进行训练,病历处理模型适应不同目标任务下的样本的泛化能力也得到增强。
在一种可能的实施方式中,为了进一步地增强第二患者表示向量的语义多样性,本公开还包括以下步骤:
在步骤S31中,以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务的中间特征向量。
其中,病历处理模型在以多个目标任务为学习目标,对第一患者表示向量进行学习训练的过程中,对于不同的目标任务而言,会按照不同目标任务的目的,将第一患者表示向量通过特征提取,将第一患者表示向量内的维度特征转换成不同目标任务的中间特征向量,使得不同的目标任务具有适合各自领域特点的中间特征向量。
在步骤S32中,对所述多个目标任务的中间特征向量进行拼接,得到拼接向量。
在步骤S33中,以所述拼接向量对所述第二患者表示向量进行更新,得到第三患者表示向量。
其中,可以将第二患者表示向量与拼接向量相加,来得到第三患者表示向量。
示例地,以多个目标任务包括基础解码任务、诊断预测任务、智能推荐任务为例,第三患者表示向量可以通过以下表达式来得到:
Pnew=Pold+Wmix·concat(P1,P2,P3) (4)
在公式(4)中,P1为基础解码任务的中间特征向量,P2为诊断预测任务的中间特征向量,P3为智能推荐任务的中间特征向量;Pold为第二患者表示向量;Pnew为第三患者表示向量;Wmix为学习的参数矩阵,concat为向量拼接操作。
其中,在对多个中间特征向量进行拼接,得到拼接向量的过程中,会使得向量的维度增加,例如中间特征向量原有的维度为二维,在经过三次拼接之后,会得到六维的拼接向量。
本公开中,中间特征向量的维度与第二患者表示向量的维度一致,在将P1,P2,P3进行拼接之后,会将三个中间特征向量拼接为(3dim(Pold),1)维度的拼接向量,导致拼接向量的维度是第二患者表示向量的维度的3倍,因此Wmix可以将拼接向量的维度调整至与第二患者表示向量的维度一致,才能使得第二患者表示向量能够与拼接向量相加。
其中,拼接向量是多个目标任务的中间特征向量拼接而成的,所以保留了多个目标任务的中间特征向量原有的特征,具备多个目标任务的中间特征向量原有的特性,所以以拼接向量对第二患者表示向量进行更新之后,得到的第三患者表示向量的语义得到了更一步地增强,第三患者表示向量的语义相较于第二患者表示向量的语义,更加贴合多个目标任务。
通过上述技术方案,可以在病历处理模型对多个目标任务进行学习时产生的中间特征向量进行拼接,来得到拼接向量,最后用拼接向量对第二患者表示向量进行更新,得到第三患者表示向量。
由于拼接向量融合了体现多个目标任务特性的中间特征向量,所以使得得到的第三患者表示向量的语义进一步增强,相应地,采用第三患者表示向量对病历处理模型进行训练之后,病历处理模型对不同目标任务的新鲜样本的适应能力也得到了增强,提升了病历处理模型的泛化能力。并且,由于病历处理模型适应不同目标任务的新鲜样本的适应能力较强,所以在面对新的目标任务时,病历处理模型也能够较快学习,使得病历处理模型的训练过程被缩短。
在一种可能的实施方式中,可以通过以下步骤来确定电子病历对应的第一患者表示向量:
在步骤S41中,确定所述电子病历中不同的就诊记录对应的编码向量。
其中,可以将电子病历中每条就诊记录通过多热编码的方式编码为编码向量,编码向量为高维稀疏向量。请参阅图2所示,对于每条就诊记录的编码向量可以用就诊记录v进行表示,例如就诊记录v1、就诊记录v2与就诊记录v3等。
其中,通过多热编码的方式进行编码之后,每条就诊记录中的病状则会被划分为多个维度的维度特征。每条就诊记录对应的编码向量中包含了不同维度的维度特征。
示例地,一条就诊记录中包含了身高、体重、年龄、姓名、咳嗽、发烧、流鼻涕、头孢、止咳糖浆等病状记录,身高、体重、年龄、姓名的维度特征为身份特征;咳嗽、发烧、流鼻涕的维度特征为症状特征;头孢、止咳糖浆的维度特征为用药特征。那么该就诊记录对应的编码向量则包含了身份特征、症状特征与用药特征等多个维度。
其中,电子病历中的就诊记录无法被终端所识别,所以需要将就诊记录转换成二进制的编码向量,以使得就诊记录能够以编码向量的形式被终端所识别。
在步骤S42中,将所述编码向量转换为低维稠密向量。
其中,为了进一步提取编码向量中的维度特征,可以将编码向量通过多层的全连接神经网络(Fully Convolutional Networks,FCN)与非线性激活函数,来进行转换,得到低维稠密向量。
示例地,以全连接神经网络为10层举例,编码向量为3个举例,将编码向量转换成低维稠密向量可以通过以下表达式得到:
xi=W9·ReLU(W8…W2·ReLU(W1·ReLU(W0·vi)))) (5)
在公式(5)中,Wn为可学习参数矩阵,n的取值范围为[0,9];vi为经过多热编码的编码向量;xi为低维稠密向量;i的取值范围为[1,3];ReLU为非线性激活函数。
病历处理模型将编码向量转换成低维稠密向量之后,可以将大量稀疏的维度特征,学习为少量密集的维度特征,从而便于病历处理模型将低维稠密向量编码为第一患者表示向量。
在步骤S43中,根据所述不同就诊记录的低维稠密向量,得到所述第一患者表示向量。
其中,请参阅图2所示,可以将低维稠密向量通过编码器进行编码,来得到具有诊疗时序序列的分布式向量hi,并最终得到的分布式向量hi作为第一患者表示向量。编码器采用RNN循环神经网络设计得到,用于捕捉患者就诊记录的时序特征,该时序特征为具有时序的低维稠密向量的特征。RNN也可以使用LSTM(Long short-term memory,长短期记忆)或GRU(Gate Recurrent Unit,门控循环单元)等网络。
示例地,请参阅图2所示,可以将低维稠密向量x1、x2、x3依次分别输入至RNN循环神经网络-编码器中,并通过RNN循环神经网络-编码器的时序特征的提取,得到具有诊疗时序序列的分布式向量h1、h2、h3;最终将分布式向量h3作为第一患者表示向量P。RNN循环神经网络-编码器计算具有时序特征的分布式向量的公式如下:
hi=tanh(Ule·xi+Wle·hi-1) (6)
在公式(6)中,Ule,Wle为可学习权重参数;hi为第i次就诊记录对应的RNN循环神经网络-编码器内的隐藏层向量,为患者历次就诊记录编码后的分布式向量,h0为RNN循环神经网络-编码器隐藏层的初始化向量,i的取值范围为[1,3];xi为经过全连接神经网络转换的与就诊记录对应的低维稠密向量;tanh为非线性激活函数。
其中,对于目标任务而言,在得到第一患者表示向量之后,还需要将第一患者表示向量通过解码器(解码器同样地也设计为RNN循环神经网络,用于反序列化解码编码后的时序特征)进行解码,以得到不同就诊记录对应的预测向量,并将预测向量与编码向量进行比较,在二者不一致时生成目标任务的损失函数值,具体请参见上述步骤S12,在此不再赘述。
示例地,预测向量通过以下计算公式来进行表达:
在公式(7)中,Uld,Wld为RNN循环神经网络-解码器中的可学习参数矩阵;为第i次就诊记录对应的RNN循环神经网络-解码器内的隐藏层向量,病历处理模型将提取隐藏层向量作为预测向量;为RNN循环神经网络-解码器隐藏层的初始化向量,i的取值范围为[1,3];P为第一患者表示向量。
从公式(7)可以看出,将第一患者分布式向量进行解码之后,可以得到预测向量,并在上一个预测向量的基础上进行二次解码,来得到下一个预测向量,最终解码得到多个预测向量。
通过上述技术方案,将每条就诊记录编码为每个编码向量,再将编码向量转换成低维稠密向量,将低维稠密向量输入至RNN循环神经网络构成的编码器中,来得到第一患者表示向量,而单个第一患者表示向量则是患者历次就诊记录的向量表示。
图3是根据一示例性实施例示出的一种病历处理装置的框图。参照图3,该病历处理装置320包括:第一患者表示向量确定模块321、损失函数值确定模块322与更新模块323。
第一患者表示向量确定模块321,被配置为确定电子病历对应的第一患者表示向量;
损失函数值确定模块322,被配置为以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务对应的损失函数值;
更新模块323,被配置为根据所述多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,所述第二患者表示向量用于对病历处理模型进行训练。
可选地,更新模块323包括:
联合损失函数值确定子模块,被配置为根据所述多个目标任务的损失函数值以及所述多个目标任务的损失函数值对应的权重,得到所述联合损失函数值;
第一更新子模块,被配置为根据所述联合损失函数值,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
可选地,更新模块323包括:
实际损失值确定子模块,被配置为将所述联合损失函数值作为所述多个目标任务的实际损失值;
调整子模块,被配置为根据所述实际损失值,调整病历处理模型;
第二更新子模块,被配置为通过调整后的所述病历处理模型,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
可选地,病历处理装置320包括:
中间特征向量确定子模块,被配置为以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务的中间特征向量;
拼接子模块,被配置为对所述多个目标任务的中间特征向量进行拼接,得到拼接向量;
第三更新子模块,被配置为以所述拼接向量对所述第二患者表示向量进行更新,得到第三患者表示向量。
可选地,病历处理装置320包括:
预测向量确定子模块,被配置为对所述第一患者表示向量进行解码,得到所述电子病历中就诊记录对应的预测向量;
损失函数值确定子模块,被配置为根据所述预测向量以及所述就诊记录对应的编码向量,得到所述目标任务的损失函数值。
可选地,第一患者表示向量确定模块321包括:
编码向量确定子模块,被配置为确定所述电子病历中不同的就诊记录对应的编码向量;
转换子模块,被配置为将所述编码向量转换为低维稠密向量;
第一患者表示向量确定子模块,被配置为根据所述不同就诊记录的低维稠密向量,得到所述第一患者表示向量。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的病历处理方法的步骤。
图4是根据一示例性实施例示出的一种用于病历处理的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述病历处理方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该装置可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(GraphicsProcessing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上***或***级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的病历处理方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的病历处理方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的病历处理方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的病历处理方法的代码部分。
图5是根据一示例性实施例示出的一种用于病历处理的装置1900的框图。例如,装置1900可以被提供为一服务器。参照图5,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述病历处理方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入/输出接口1958。装置1900可以操作基于存储在存储器1932的操作***。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种病历处理方法,其特征在于,所述方法包括:
确定电子病历对应的第一患者表示向量;
以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务对应的损失函数值;
根据所述多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,所述第二患者表示向量用于对病历处理模型进行训练。
2.根据权利要求1所述的方法,其特征在于,所述根据多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,包括:
根据所述多个目标任务的损失函数值以及所述多个目标任务的损失函数值对应的权重,得到所述联合损失函数值;
根据所述联合损失函数值,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述联合损失函数值,对所述第一患者表示向量进行更新,得到所述第二患者表示向量,包括:
将所述联合损失函数值作为所述多个目标任务的实际损失值;
根据所述实际损失值,调整所述病历处理模型;
通过调整后的所述病历处理模型,对所述第一患者表示向量进行更新,得到所述第二患者表示向量。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务的中间特征向量;
对所述多个目标任务的中间特征向量进行拼接,得到拼接向量;
以所述拼接向量对所述第二患者表示向量进行更新,得到第三患者表示向量。
5.根据权利要求1所述的方法,其特征在于,所述目标任务的损失函数值通过以下步骤确定:
对所述第一患者表示向量进行解码,得到所述电子病历中就诊记录对应的预测向量;
根据所述预测向量以及所述就诊记录对应的编码向量,得到所述目标任务的损失函数值。
6.根据权利要求1所述的方法,其特征在于,所述确定电子病历对应的第一患者表示向量,包括:
确定所述电子病历中不同的就诊记录对应的编码向量;
将所述编码向量转换为低维稠密向量;
根据所述不同就诊记录的低维稠密向量,得到所述第一患者表示向量。
7.一种病历处理装置,其特征在于,所述装置包括:
第一患者表示向量确定模块,被配置为确定电子病历对应的第一患者表示向量;
损失函数值确定模块,被配置为以多个目标任务为学习目标,对所述第一患者表示向量进行学习,得到所述多个目标任务对应的损失函数值;
更新模块,被配置为根据所述多个目标任务的损失函数值得到的联合损失函数值,对所述第一患者表示向量进行更新,得到第二患者表示向量,所述第二患者表示向量用于对病历处理模型进行训练。
8.一种病历处理装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
执行所述可执行指令,以实现权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
10.一种芯片,其特征在于,包括处理器和接口;所述处理器用于读取指令以执行权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469057.7A CN115798707A (zh) | 2022-11-22 | 2022-11-22 | 病历处理方法、装置、存储介质与芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469057.7A CN115798707A (zh) | 2022-11-22 | 2022-11-22 | 病历处理方法、装置、存储介质与芯片 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115798707A true CN115798707A (zh) | 2023-03-14 |
Family
ID=85440215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211469057.7A Pending CN115798707A (zh) | 2022-11-22 | 2022-11-22 | 病历处理方法、装置、存储介质与芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798707A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理*** |
-
2022
- 2022-11-22 CN CN202211469057.7A patent/CN115798707A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210073563A1 (en) | Depth-based object re-identification | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
TW202112299A (zh) | 圖像處理方法、電子設備和電腦可讀儲存介質 | |
WO2023125335A1 (zh) | 问答对生成的方法和电子设备 | |
Al Alkeem et al. | Robust deep identification using ECG and multimodal biometrics for industrial internet of things | |
CN109543714A (zh) | 数据特征的获取方法、装置、电子设备及存储介质 | |
CN112669928B (zh) | 结构化信息构建方法、装置、计算机设备及存储介质 | |
CN115100472B (zh) | 展示对象识别模型的训练方法、装置和电子设备 | |
CN113658178B (zh) | 组织图像的识别方法、装置、可读介质和电子设备 | |
CN111881763A (zh) | 确定用户注视位置的方法、装置、存储介质和电子设备 | |
Ehatisham-Ul-Haq et al. | C2FHAR: Coarse-to-fine human activity recognition with behavioral context modeling using smart inertial sensors | |
CN115798707A (zh) | 病历处理方法、装置、存储介质与芯片 | |
CN111178298A (zh) | 人体关键点检测方法、装置、电子设备及存储介质 | |
CN114186622A (zh) | 图像特征提取模型训练方法、图像特征提取方法和装置 | |
CN115170464A (zh) | 肺图像的处理方法、装置、电子设备和存储介质 | |
CN113349810A (zh) | 脑出血病灶识别及血肿扩大预测方法及装置 | |
CN113569042A (zh) | 文本信息分类方法、装置、计算机设备及存储介质 | |
CN109886211A (zh) | 数据标注方法、装置、电子设备及存储介质 | |
CN114444705A (zh) | 模型更新方法及装置 | |
CN111462910A (zh) | 项目的匹配方法及装置、电子设备和存储介质 | |
CN115761371A (zh) | 医学影像分类方法、装置、存储介质及电子设备 | |
CN115132359A (zh) | 预测模型构建方法及装置、预测方法及装置、电子设备 | |
CN115115826A (zh) | 特征选择、提取方法及装置、异常检测模型及其构建方法 | |
WO2021233259A1 (zh) | 一种评估女性情绪的方法及相关装置、设备 | |
CN114036937A (zh) | 场景布局预测网络的训练方法及场景布局的估计方法 |
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 |