[发明专利]基于卷积神经网络和主动学习的电子病历分类方法及系统

摘要

本发明公开了一种基于卷积神经网络和主动学习的电子病历分类方法及系统，包括：获取样本集合中每个电子病历对应的实体向量；获取标注数据集和未标注数据集；用标注数据集对应的实体向量对预设卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；用获得的卷积神经网络模型预测未标注数据集中电子病历数据的分类概率，选择符合预设条件的电子病历补入标注数据集；用补入标注数据集的电子病历对应的实体向量，继续对训练后的卷积神经网络模型进行训练；重复训练后获得训练好的卷积神经网络模型；通过训练好的模型实现电子病历分类。本发明通过融合卷积神经网络和主动学习，可以在较小的样本下实现更加准确的分类效果。

主权项

1.一种基于卷积神经网络和主动学习的电子病历分类方法，其特征在于，包括以下步骤：步骤1，获取多个已诊断的电子病历构造样本集合，提取样本集合中的事件实体构建事件实体集合；将获得的事件实体集合中的所有事件实体映射为等维度向量形式，构成实体向量集合，最终获得样本集合中每个电子病历对应的实体向量；步骤2，从样本集合中随机选择预设批量的电子病历进行标注，构成标注数据集；样本集合中剩余的未标注的电子病历构成未标注数据集；步骤3，用步骤2获得的标注数据集对应的实体向量对预设卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；步骤4，用获得的卷积神经网络模型预测未标注数据集中电子病历数据的分类概率，根据预测的分类概率以及卷积神经网络提取到的数据特征，选择符合预设条件的电子病历补入标注数据集；步骤5，用补入标注数据集的电子病历对应的实体向量，继续对训练后的卷积神经网络模型进行训练，获得再次训练后的卷积神经网络模型；步骤6，重复步骤4和步骤5，直至模型结果满足预设收敛条件，获得训练好的卷积神经网络模型；步骤7，将待诊断电子病历对应的实体向量输入步骤6获得的训练好的卷积神经网络模型，获取待诊断电子病历分类信息。