[发明专利]一种基于深度学习的疾病检测方法

说明书

本发明公开了一种基于深度学习的疾病检测方法，步骤为：利用自然语言处理技术，将病人输入的病例描述进行关键字提取，采用系统‑用户交互的模式进行疾病辅助判别；通过爬取省市范围内疾病数据，SIR传染病预测模型计算出疾病最大规模爆发时间及人数；采用实体‑关系‑属性三元组的形式利用neo4j软件生成家族遗传病知识图谱，对遗传病做出预警。本发明的基于深度学习的疾病检测方法以患者为中心，给予患者以全面、专业、个性化的医疗体验，结合大数据借鉴先进治疗经验，给患者提供安全可靠的治疗方案，有助于缓解医疗资源不足问题，并且能够有效的监测预防大型传染病。

技术领域

本发明属于智慧医疗的技术领域，尤其涉及一种基于深度学习的疾病检测方法。

背景技术

提高人民健康水平，实现病有所医的理想，是人类社会的共同追求。医疗卫生关系亿万人民健康，是一个重大民生问题。然而，医疗体系效率低下，排队挂号问诊的方式消耗了大量时间以至于患者可能错过最佳治疗时间。医疗服务质量欠佳，医生治疗水平参差不齐，误诊等情况偶有发生。看病难且贵，贫困地区和偏远山区交通不便，看病十分困难并且无力支付医疗费用。大医院人满为患，社区医院无人问津，病人就诊手续繁琐等问题都是由于医疗信息不畅不全面，医疗资源两极化等原因造成的。

据调查显示，日常生活中人们倾向于实时了解自己的身体指标数据而不是隔段时间去医院进行体检；生病时他们更愿意对自己的病因有了一定了解后再到医院就医；当有社会性疾病发生时，他们更愿意足不出户就掌握疫情最新动态。基于以上情况，为响应智慧医疗的号召，结合医疗大数据，知识图谱，数据可视化，人工智能领域疾病监测等多项新型技术，构建了一种基于深度学习的疾病检测系统。系统选用SSM框架，基于Java，python，MySQL等，主要从三个方面对疾病进行分析，

一是病情诊断：通过KEA算法提取出病人病情描述关键字，根据提取出的关键字利用数据库查询技术在海量疾病数据中进行搜索，以系统-用户响应模式辅助系统做出判断，最终得到预测疾病。用户可以查看预测疾病的成因，症状，推荐药物等信息，可以在病例数据库中搜索与自己有相同症状的病例。

二是传染病监测与防治：预测疾病为传染病，系统监测病人体温心跳等体征以折线图形式进行动态可视化分析，并给出吃药或治疗一段时间后的体征对比图，在后台数据库中提取出一段时间内患此种疾病的人员地区分布，用openstreetmap标注地区分布并分析此疾病是否为群体性传染病。利用python的爬虫技术爬取全国范围内此种疾病患病率，死亡率，治愈率等，AJAX对图中数据实时更新，利用SIR模型判断疾病最大规模爆发日期及人数并做出预警。

三是遗传病监测与防治：预测疾病为遗传病，系统监测病人体征并结合neo4j绘制的病人家族遗传史对病人做出疾病防治提醒。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于深度学习的疾病检测方法，以患者为中心，给予患者以全面、专业、个性化的医疗体验，结合大数据借鉴先进治疗经验，给患者提供安全可靠的治疗方案，有助于缓解医疗资源不足问题，并且能够有效的监测预防大型传染病。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供一种基于深度学习的疾病检测方法，包括以下步骤：

步骤1：利用自然语言处理技术，将病人输入的病例描述进行关键字提取，采用系统-用户交互的模式进行疾病辅助判别；

步骤2：采用OpenStreetMap对患病人员所在地区进行地理标注，聚类模型计算出疾病发病密度从而判定为聚集性传染病，通过爬取省市范围内疾病数据，SIR传染病预测模型计算出疾病最大规模爆发时间及人数；

步骤3：echarts图表对病人基础体征和疾病体征进行可视化，采用实体-关系-属性三元组的形式利用neo4j软件生成家族遗传病知识图谱，对遗传病做出预警。