[发明专利]基于图卷积神经网络的皮肤诊断系统、方法、设备及介质

说明书

本发明公开了一种基于图卷积神经网络的皮肤诊断系统、方法、设备及介质，通过病历特征节点‑皮肤病特征节点交互图的构建将病历特征与皮肤病特征、病历特征与病历特征、皮肤病特征与皮肤病特征相结合，在进行皮肤病诊断时，除了考虑皮损特征信息，还考虑到其他病历特征在皮肤病诊断中的重要地位，能够得到更加可靠、准确的皮肤病诊断结果；利用异质卷积神经网络来处理和学习病历特征与皮肤病特征之间的非欧式数据关系，利用同质卷积神经网络来处理和学习病历特征与病历特征、皮肤病特征与皮肤病特征之间的非欧式数据关系，弥补了传统诊断系统只能用于图像分类的不足，进一步提高了皮肤病诊断的可靠性和准确性。

技术领域

本发明属于人工智能技术领域，尤其涉及一种基于图卷积神经网络的皮肤诊断系统、方法、设备及介质。

背景技术

中国是皮肤病的高发地之一，截至2014年，全球约有4.2亿人患皮肤病，中国就有将近1.5亿人，约占35.7％。而目前我国的皮肤科医生供需严重失衡，截至2020年，平均60000人才有1名皮肤科医生。不仅如此，优质医疗资源分布严重失衡，高水平医疗人才持续向大城市集中，使基层医院皮肤科医生缺少的状况不断加剧。根据我国目前职业医师培养规划来说，培养一个高水平的皮肤科医师最少需要8年，如此漫长的培养周期使得医患比例失调这一问题在短时间内得不到解决。因此，如果皮肤病仅凭人工诊断，难以应对数量庞大的患者群体。

2006年深度学习这一概念被提出后，人工智能行业呈现出爆炸式地发展。在医学领域，IBM公司开发的Watson可以在17秒内阅读3469本医学专著、24.8万篇论文，学习69种治疗方案、61540次试验数据、10.6万份临床报告。通过高效地汲取医学知识，IBMWatson在不到1年的时间内就能与人类肿瘤专家相媲美，大大缩短了医生的培养周期。这表明“人工智能+医学诊断”将成为未来的发展趋势。

目前，已有的人工智能诊断系统多以能够进行医学影像识别分类任务为主，大多采用了较为成熟的卷积神经网络(ConvolutionalNeuralNetworks，CNN)作为框架。如现有技术1(申请号：201910334631.X，公开号：CN110895968A)公开了一种人工智能医学图像自动诊断系统和方法，通过最优AI分类模型和最优AI语义分割模型，实现了对医学显微镜图像特别是妇科微生态显微镜图像的分割及诊断，但其忽略了患者的主诉、病史、家族史等患者病历信息在医学诊断中的重要地位。再如现有技术2(申请号：202010211383.2，公开号：CN111466876A)公开了一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，该系统虽考虑到将大脑处于活动状态时血红蛋白的理化性质作为诊断的依据，但未将医学图像和病历特征进行结合。

发明内容

本发明的目的在于提供一种基于图卷积神经网络的皮肤诊断系统、方法、设备及介质，以克服现有人工智能诊断系统未将病历信息作为诊断依据，以及未将医学图像与病历信息结合来进行病情诊断的问题。

第一方面，本发明提供一种基于图卷积神经网络的皮肤诊断系统，包括：

数据库构建单元，用于构建皮肤病病例数据库，所述皮肤病病例数据库包括病历子数据库和皮肤病子数据库；所述病历子数据库包括患者基本信息、患者主诉信息、患者病史信息、患者皮损特征信息以及患者皮肤病诊断结果；所述皮肤病子数据库包括不同的皮肤病、以及每种皮肤病所对应的特征；

特征节点提取单元，用于从所述病历子数据库中提取所有的病历特征，从所述皮肤病子数据库中提取所有的皮肤病特征；

交互图构建单元，用于构建病历特征节点-皮肤病特征节点交互图；

模型构建及训练单元，用于构建图卷积神经网络模型，所述图卷积神经网络模型包括异质卷积神经网络和同质卷积神经网络；

用于利用异质卷积神经网络，从所述病历特征节点-皮肤病特征节点交互图中获取病历特征节点与皮肤病特征节点之间的链接信息；