[发明专利]一种训练多疾病转诊模型的方法及设备

说明书

本发明实施例提供了一种训练多疾病转诊模型的方法及设备，该方法包括：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。本发明可以根据决策轮廓中不同元素对转诊结果的贡献差异，提升模型的转诊分类性能。

技术领域

本发明涉及疾病转诊技术领域，具体来说涉及基于决策模板法的疾病转诊技术领域，更具体地说，涉及一种训练多疾病转诊模型的方法及设备。

背景技术

随着计算机技术的进步和医疗数据的累积，通过各种机器学习方法已经可以实现对多种疾病高效的辅助诊断和预测。分类模型是一种最典型的机器学习模型，可以对数据样本进行分类，例如逻辑回归模型，会输出输入的样本属于某个类别的概率，再通过比较概率与阈值的大小确定样本是否属于某个类别；Softmax回归是将逻辑回归扩展到多个类别的分类模型，输出属于各个类别的概率，一般以概率最大的类别作为样本的分类结果。在医疗应用的场景中，会以某种疾病阳性作为一个类别。基于分类模型，可以实现一套多病种转诊系统，即将样本输入分类器模型进行多种疾病的判断，当分类器将样本分类为某个疾病阳性时，则进行转诊作进一步诊断；若分类器将样本分类为无疾病，则不进行转诊。

多病种转诊系统需要融合多个分类器模型，即使限定系统的输入为单模态，例如图像，对不同的病种，可以有不同的分类器进行判断，即便对某一种疾病，也可以有不同版本的分类器。如果输入为多模态，那么在不同模态下也会有不同的分类器。系统中包含的每个分类器，都会对某种或某几种疾病给出分类的输出，需要收集这些输出，并给出最终结果，即是否转诊和转诊的原因。

利用现有的决策模板法计算转诊结果时，决策轮廓中所有元素对转诊结果的影响是相同的，导致转诊结果不够准确。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种训练多疾病转诊模型的方法及设备。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种训练多疾病转诊模型的方法，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。本发明对现有技术进行改进，构建相应的机器学习模型，利用样本训练机器学习模型对多个决策权重的值进行调整，利用调整后的多个决策权重，可以实现对相应的距离分量采用相应的决策权重进行加权求和，从而根据决策轮廓中不同元素对转诊结果的贡献差异，提升模型的转诊分类性能。

在本发明的一些实施例中，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。

在本发明的一些实施例中，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。

在本发明的一些实施例中，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。

在本发明的一些实施例中，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。由于一些疾病本身存在共性，疾病分类器在分类时可能存在错分的情况，因此，可以将多种疾病复合在一起，形成复合类。增加复合类后，可以同时判断是否可能存在多种潜在疾病的可能。