[发明专利]基于监督学习的一致性诊断方法及其系统

说明书

本发明公开公开一种基于监督学习的一致性诊断方法及其系统。所述基于监督学习的一致性诊断方法包括一致性诊断系统确认N(N是2以上的整数)个诊断系统‑N个诊断系统的每个系统分别用由互不相同的标注(annotation)主体所标注的学习数据来学习的各系统‑分别接受各自预定的生物数据后输出的N个个别诊断结果的步骤；基于所述一致性诊断系统确认的所述各个别诊断结果输出所述生物数据的一致性诊断结果的步骤。

技术领域

本发明涉及一种通过学习诊断疾病的方法及其系统。具体涉及的这种方法和系统具备多个通过神经网络并基于监督学习的已学习诊断系统，通过多个诊断系统达成一致而得出最终诊断结果，从而弥补基于监督学习的学习的漏洞。

背景技术

病理学或病理科主要工作之一就是读取患者的生物图像，所进行的诊断是判断特定疾病的状态或征兆。这种诊断是一种依赖于资深的业务熟练的医务人员的经验和知识的方式。

近期，随着机器学习的不断发展，正在积极尝试通过计算机实现识别或分类图像等工作任务的自动化。尤其是，正在尝试利用机器学习的一种即神经网络(例如利用卷积神经网络(Convolution neural network，CNN)的深度学习方法)使以往由业务熟练的医务人员执行的诊断工作实现自动化。

特别是，通过利用神经网络(例如CNN)进行深度学习的诊断并不只是使以往业务熟练的医务人员的经验和知识实现自动化，而是通过自主学习找到特征因素并找出想要的答案，有时候反而能在图像中发现业务熟练的医务人员所不了解的疾病因素的特征。

一般来说，通过利用生物数据(例如生物图像)的神经网络诊断疾病的方法是：熟练掌握生物数据的医疗人员对特定疾病的状态(例如癌症是否表达)进行标注(annotaion)，并利用已标注的多个数据作为学习数据来学习神经网络。也就是说，为了学习，对学习数据进行标注并通过标注的学习数据进行学习，这种学习方式被称为监督学习(supervised learning)。

但实际上，监督学习会使所学习系统的性能受到执行标注的标注主体的判断取向或倾向所产生的支配性影响。也就是说，学习诊断系统的诊断结果取决于标注主体的标注倾向或取向。

但是，实际上每一个要执行标注的每个标注程序会执行互不相同的标注，但现实中，要学习的生物数据中存在相当多的难以明确分类的生物数据。也就是说，即使是熟练的医疗人员进行标注，根据生物数据对疾病的表达与否或疾病的发展程度进行分类时，也可能会有不同的意见。

但是，在基于监督学习的已学习疾病诊断系统存在一个漏洞，就是取决于标注主体倾向的判断被作为诊断结果输出。

因此需要能够弥补这一漏洞的技术思想。

*现有技术文献

-专利文献

韩国授权专利10-20170057399“一种通过模块化强化学习的疾病诊断系统”

发明内容

技术课题

本发明想要实现的技术课题是提供一种方法和系统，即具备多个由互不相同的标注主体所学习的基于监督学习的诊断系统，对所预设的生物数据，根据所述多个诊断系统各自执行的诊断结果得出最终诊断结果，即为了导出诊断系统之间一致的诊断结果而弥补监督学习的漏洞的一种方法和系统。

并且，提供一种方法和系统，利用这些诊断系统达成一致得出的诊断结果可以重新学习个别诊断系统，从而有效提高这些诊断系统的性能。

课题解决手段