[发明专利]一种训练多疾病转诊模型的方法及设备

权利要求书

1.一种训练多疾病转诊模型的方法，其特征在于，包括：

获取训练集，其包括多个样本中每个样本的决策轮廓和转诊标签，以及多种转诊分类中每种转诊分类的决策模板；

获取机器学习模型，其被配置为根据决策轮廓、决策模板和多个决策权重确定转诊结果，其中，根据决策轮廓和决策模板得到多个距离分量并根据多个决策权重计算决策距离，根据决策距离输出相应样本的转诊结果；

利用训练集对机器学习模型进行训练，基于转诊结果和转诊标签对多个决策权重进行调整，得到多疾病转诊模型。

2.根据权利要求1所述的方法，其特征在于，基于转诊结果和转诊标签计算损失值并根据所述损失值对所述可学习的决策权重进行调整。

3.根据权利要求1所述的方法，其特征在于，所述多种转诊分类包括单一类，其中，所述单一类为一种疾病对应的转诊分类。

4.根据权利要求3所述的方法，其特征在于，单一类对应的决策模块是按照以下方式获得的：

将具有该单一类对应的转诊标签的所有样本的决策轮廓求平均，得到该单一类的决策模板。

5.根据权利要求3所述的方法，其特征在于，所述多种转诊分类包括复合类，其中，所述复合类为至少两种疾病的复合转诊分类。

6.根据权利要求3所述的方法，其特征在于，所述多种转诊分类包括复合类，其中，所述复合类为错分比例达到预设阈值的至少两种疾病的复合转诊分类。

7.根据权利要求5或6所述的方法，其特征在于，复合类对应的决策模板是按照以下方式获得的：

将该复合类所包含的疾病下彼此被错分的所有样本的决策轮廓求平均，得到该复合类的决策模板。

8.根据权利要求1至7任一项所述的方法，其特征在于，所述机器学习模型为预定义的数学函数模型或者分类神经网络模型。

9.根据权利要求2所述的方法，其特征在于，在计算损失值时，根据相应类别的样本被错分的情况，为每种类别的样本设置相应的惩罚调节参数。

10.根据权利要求9所述的方法，其特征在于，所述损失值按照以下公式计算：

其中，i表示样本x_i的序号i，ln表示自然对数，e表示常数e，表示第一惩罚调整参数，n_c表示第二惩罚调节参数，表示样本x_i的决策轮廓DP(x_i)与其转诊标签y_i对应的转诊分类的决策模板之间的决策距离，或者DP(x)表示样本x的决策轮廓，DT_c表示第c类的决策模板，a_i,j表示决策轮廓与决策模板中第i行第j列的元素间的距离分量对应的决策权重，y_k＝c表示第k个样本属于第c类，d_i,j(x_k)表示第i个分类器预测第k个样本属于第j类的概率，N_c表示训练集中属于第c类的样本数。

11.一种用于训练多疾病转诊模型的设备，包括：

数据获取模块，用于获取训练集，其包括多个样本中每个样本的决策轮廓和转诊标签，以及多种转诊分类中每种转诊分类的决策模板；

模型获取模块，用于获取机器学习模型，该机器学习模型被配置为根据决策轮廓、决策模板和多个决策权重确定转诊结果，其中，根据决策轮廓和决策模板得到多个距离分量并根据多个决策权重计算决策距离，根据决策距离输出相应样本的转诊结果；

模型训练模块，用于利用训练集对机器学习模型进行训练，训练时基于转诊结果和转诊标签对多个决策权重进行调整，得到多疾病转诊模型。