[发明专利]一种基于疾病关联学习和疾病语义抽象的疾病预诊断方法

说明书

本发明设计了一种基于疾病关联学习和疾病语义抽象的疾病预诊断方法，包括：初始化病历词汇和疾病词汇的向量表示编码；利用病历词汇的向量表示编码构造初始病历表示编码；利用疾病词汇的向量表示编码构造面向疾病语义的病历表示编码；动态融合初始病历表示编码和面向疾病语义的病历表示编码得到疾病语义抽象的病历表示编码；建模疾病关联更新病历表示编码得到融合疾病关联的病历表示编码；计算疾病分类参数与病历表示编码的空间角度，获取最大概率分布，输出预诊断的疾病类型。本发明在病历表示编码过程中提取并抽象病历中与疾病诊断密切相关的语义信息以降低原始数据噪音的影响；同时考虑疾病之间的相关关系，提升了疾病预问诊的准确率。

技术领域

本发明属于智能医疗技术领域，尤其是一种基于疾病关联学习和病历疾病化语义抽象的疾病预诊断方法。

背景技术

随着人工智能技术被应用到多个领域，智能医疗场景也得到了广泛的关注，对减少医疗资源的浪费和提升患者就医体验的满意度起到了重大作用。其中，最典型的是使用人工智能技术对病历进行疾病的预诊断方法。已有研究证实，病历中有关疾病的描述，以及疾病之间的关联关系对计算机预诊断疾病起着重要的作用。

常规的计算机方法，通常是从病历中提取出伴随大量噪音的语义信息，并且没有考虑疾病之间关联关系，导致低下的疾病预问诊准确率和低下的患者就医体验满意度。在一定程度上造成医疗资源的浪费以及耽误患者的病情。

综述所述，基于病历进行疾病的预诊断方法是目前热门的关注领域。目前，对于病历进行疾病的预诊断方法尚未出现置信度高、有指导意义的预测方法。如何从伴有噪音的病历中提取并抽象病历中与疾病诊断密切相关的内容语义信息、从疾病之间的关联关系更新病历表示编码，提升合并疾病和伴随疾病联合发生情况的诊断召回率以及提升疾病预问诊的准确率是目前迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于疾病关联学习和病历疾病化语义抽象的疾病预诊断方法，其通过强大的深度神经网络从伴有噪音的病历中提取并抽象病历中与疾病诊断密切相关的内容语义信息，考虑疾病之间的关联关系更新病历表示编码，来增强最后预诊断疾病结果的鲁棒性，提升了合并疾病和伴随疾病联合发生情况的诊断召回率以及疾病预问诊的准确率，缓解了医疗资源的浪费以及耽误患者的病情的问题。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于疾病关联学习和病历疾病化语义抽象的疾病预诊断方法，包括以下步骤：

步骤1:分别初始化病历词汇和疾病词汇的向量表示编码；

步骤2：基于步骤1中病历词汇的向量表示编码，构造初始病历表示编码；

步骤3：基于步骤1中疾病词汇的向量表示编码，构造面向疾病语义的病历表示编码；

步骤4：动态融合步骤2得到的初始病历表示编码和步骤3得到的面向疾病语义的病历表示编码，获取疾病化语义抽象的病历表示编码；

步骤5：建立病历中多种疾病种类之间关联关系的疾病分类模型以更新步骤4获取的疾病化语义抽象的病历表示编码，获取融合疾病关联的病历表示编码；

步骤6：计算疾病分类模型参数向量与融合疾病关联的病历表示编码的空间角度，获取疾病类型的概率分布，输出概率分布最大的疾病类型即为预诊断疾病类型。

进一步，上述方法还包括：计算预诊断疾病类型与真实的疾病之间的预测误差，利用预测误差对疾病分类模型参数进行更新优化。

进一步，所述步骤1的具体实现方法为：通过神经网络词向量技术将病历词汇和疾病词汇映射到低维向量空间，实现病历词汇和疾病词汇向量表示编码的初始化。

进一步，所述步骤2的具体实现方法为：基于步骤1中的病历词汇的向量表示编码，利用长短时记忆网络得到初始病历表示编码。