[发明专利]基于Transformer子空间表征学习的因果推理辅助诊断方法

说明书

本发明提供了一种基于Transformer子空间表征学习的因果推理辅助诊断方法。该方法包括：通过Transformer网络从电子病历数据中提取患者的特征信息；通过自监督学习的方式对患者的特征信息进行扩容后，映射到低维的共享子空间和独立子空间，得到患者的低维共享特征表示和特异特征表示，通过堆叠两种特征表示得到患者的低维特征表示；使用对抗模型来平衡患者的低维特征表示中不同分组之间的分布，得到分布平衡的低维特征表示并输入到前馈网络，得到患者的预测诊断结果。本发明可以应用于辅助诊断预测中，使用患者的生理数据及实验室数据等结构化信息较好地做出诊断，为医生诊断时提供参考意见，可以解决现有的方案中存在的选择偏差和缺乏可解释性等问题。

技术领域

本发明涉及医疗信息化技术领域，尤其涉及一种基于Transformer子空间 表征学习的因果推理辅助诊断方法。

背景技术

近年来，随着计算机和信息技术的不断发展，我国的医疗信息化产业逐 渐建设完善，其中患者就诊也由传统的医生单体的望闻问切式诊断转变为以 医生诊断为主，数字化辅助检测备和基于人工智能的辅助诊断方法为辅的方 式。相比于人工智能在商业，工业等领域的发展，人工智能在医学辅助诊断 领域中起步较晚。但随着医疗卫生系统愈发收到人们的关注重视。

电子病历是人工智能医疗体系中重要的数据资料，其贯穿于患者就诊看 病的全部医疗活动中，涵盖了大量的医疗信息和健康信息，有着巨大的研究 意义。首先对于患者来说，挖掘电子病历中的信息有益于自身的健康发展。 患者以往的诊断信息和健康状况都被记录在电子病历中，如果能从提取、分 析这些记录中的数据信息，可以为患者的身体状况、健康信息提供一定的参 考与预测。同时，通过挖掘分析患者的电子病历数据，可以在大数据中寻找 到其他类似的患者，以其他患者的状况信息为该患者提供参考。其次对于医生来说，挖掘电子病历中的宝贵信息能提高医疗效率。计算机通过自然语言 处理、机器学习等方法对大量电子病历进行处理，尤其是获取病历中的文本 信息，可以辅助医务人员完成对诊断与治疗，提高医生的决策能力和患者的 就诊效率。

电子病例中记录了大量的病患信息和实验室指标，这些信息为智能辅助 诊断方法提供了坚实的数据基石。目前，现有技术中的智能辅助诊断方法基 于传统的监督学习框架来进行建模，然而在实践中发现，基于监督学习构建 的辅助诊断模型准确性低，且缺乏可解释性。此外，传统的基于人工特征提 取方式不仅大量耗费人力，而且也要求其具备专业知识。

发明内容

本发明的实施例提供了一种基于Transformer子空间表征学习的因果推理 辅助诊断方法，以解决现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于Transformer子空间表征学习的因果推理辅助诊断方法，包括：

通过Transformer网络从电子病历数据中提取患者的特征信息；

通过自监督学习的方式对所述患者的特征信息进行扩容，将扩容后的患 者的特征信息映射到低维的共享子空间和特异子空间，得到患者的低维共享 特征表示和特异特征表示，通过堆叠所述低维共享特征表示和特异特征表示 得到患者的低维特征表示；

构建对抗模型，使用对抗模型来平衡所述患者的低维特征表示中不同分 组之间的分布，得到分布平衡的低维特征表示；

将所述分布平衡的低维特征表示输入到前馈网络，所述前馈网络输出患 者的预测诊断结果。

优选地，所述的通过Transformer网络从电子病历数据中提取患者的特征 信息，包括：

获取去除隐私信息的医院电子病历，从医院电子病历中提取结构化的患 者数据，该患者数据包括患者的生理信息、数据化的主诉信息和实验室指 标，对患者数据进行预处理后，通过Transformer网络从患者数据中提取患者 的特征信息；