本申請涉及大數(shù)據(jù)，特別是涉及一種醫(yī)療數(shù)據(jù)分析模型構建方法、分析方法、設備及介質(zhì)。

背景技術：

1、隨著醫(yī)療信息化的普及與快速發(fā)展，當前的醫(yī)療數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)種類多、價值高、價值密度低、產(chǎn)生快、處理快等特點。則可以對大量的醫(yī)療數(shù)據(jù)進行分級分類處理，以充分挖掘其醫(yī)療價值，為改善醫(yī)療水平提供依據(jù)，對促進醫(yī)學進步具有重要意義。

2、目前，對于醫(yī)療數(shù)據(jù)的分級分類，主要通過人工標注的方式實現(xiàn)，或者通過借助其他非醫(yī)療場景下的智能數(shù)據(jù)分級分類模型實現(xiàn)。

3、然而，隨著業(yè)務的拓展及數(shù)據(jù)模型的擴充，醫(yī)療數(shù)據(jù)的數(shù)據(jù)量及種類變得非常龐大，使得基于人工標注的分類分級方式，成本高、效率及精度低；另外，實際中的醫(yī)療數(shù)據(jù)涉及的場景復雜，使得其分類分級標準具備較強的專業(yè)性，而其他非醫(yī)療場景下使用的智能分類分級模型，無法滿足醫(yī)療場景的專業(yè)需求。

技術實現(xiàn)思路

1、本申請的目的是提供一種醫(yī)療數(shù)據(jù)分析模型構建方法、分析方法、設備及介質(zhì)，實現(xiàn)對醫(yī)療數(shù)據(jù)的準確自動分級及分類。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N醫(yī)療數(shù)據(jù)分析模型構建方法，該方法包括：

4、獲取訓練數(shù)據(jù)集，所述訓練數(shù)據(jù)集中包括醫(yī)療訓練數(shù)據(jù)及各醫(yī)療訓練數(shù)據(jù)的分級標注信息及分類標注信息；

5、將所述醫(yī)療訓練數(shù)據(jù)輸入構建的初始分析模型，對所述醫(yī)療訓練數(shù)據(jù)進行分級分類處理，輸出所述醫(yī)療訓練數(shù)據(jù)對應的初始預測結果及損失值，所述初始預測結果包括所述醫(yī)療訓練數(shù)據(jù)的初始分級標簽及初始分類標簽，所述損失值根據(jù)所述初始分級標簽、所述初始分類標簽、所述分級標注信息及所述分類標注信息確定；

6、根據(jù)設置的損失閾值及所述損失值，對所述初始分析模型進行迭代訓練，生成目標分析模型，使得將所述醫(yī)療數(shù)據(jù)輸入至所述目標分析模型，并輸出所述醫(yī)療訓練數(shù)據(jù)對應的目標預測結果及目標損失值時，所述目標損失值滿足設置的所述損失閾值；所述目標分析模型用于對輸入的待分析醫(yī)療數(shù)據(jù)進行分級及分類，并輸出所述待分析醫(yī)療數(shù)據(jù)對應的預測結果，所述預測結果包括所述待分析醫(yī)療數(shù)據(jù)對應的分級標簽及分類標簽。

7、可選地，本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法，所述將所述醫(yī)療訓練數(shù)據(jù)輸入構建的初始分析模型，對所述醫(yī)療訓練數(shù)據(jù)進行分級分類處理，輸出所述醫(yī)療訓練數(shù)據(jù)對應的初始預測結果包括：

8、對所述醫(yī)療訓練數(shù)據(jù)進行特征提取，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量；

9、對所述特征向量進行級別及類別識別，得到所述初始預測結果。

10、可選地，本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法，所述初始分析模型基于bert模塊構建，所述對所述醫(yī)療訓練數(shù)據(jù)進行特征提取，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量包括：

11、對預處理后的所述醫(yī)療訓練數(shù)據(jù)進行分詞處理，得到所述醫(yī)療訓練數(shù)據(jù)對應的分詞結果；

12、根據(jù)所述分詞結果，生成所述醫(yī)療訓練數(shù)據(jù)對應的索引序列及填充信息；

13、根據(jù)所述索引序列及所述填充信息，對所述醫(yī)療訓練數(shù)據(jù)進行深度語義提取，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量。

14、可選地，本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法，所述初始分析模型基于textcnn模塊構建，所述對所述醫(yī)療訓練數(shù)據(jù)進行特征提取，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量包括：

15、將醫(yī)療訓練數(shù)據(jù)的文本數(shù)據(jù)轉(zhuǎn)換為詞典索引序列；

16、將所述詞典索引序列轉(zhuǎn)換為詞向量表示；

17、對所述詞向量表示進行卷積處理，得到卷積結果，所述卷積結果表示所述詞向量之間的局部關聯(lián)信息；

18、對所述卷積結果進行最大池化，并對各卷積窗口的池化結果拼接，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量。

19、可選地，本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法，所述對所述特征向量進行級別及類別識別，得到所述初始預測結果包括：

20、將提取的特征向量輸入全連接層，對所述特征向量進行特征映射，得到所述醫(yī)療訓練數(shù)據(jù)的對應的各類別標簽的預測分數(shù)，以及各級標簽的預測分數(shù)；

21、根據(jù)所述預測分數(shù)，計算各類別標簽及各級別標簽對應的概率分布；

22、將概率值最高的類別標簽及級別標簽，作為所述初始預測結果。

23、可選地，本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法，當所述初始分析模型基于bert模塊構建時，在將提取的特征向量輸入全連接層之前，所述方法還包括：

24、將所述特征向量中的部分元素隨機置零。

25、可選地，本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法，在將所述醫(yī)療訓練數(shù)據(jù)輸入構建的初始分析模型之前，所述方法還包括：

26、供的醫(yī)療數(shù)據(jù)分析模型構建方法，在所述對所述醫(yī)療數(shù)據(jù)進行預處理包括：

27、對所述醫(yī)療訓練數(shù)據(jù)進行數(shù)據(jù)清洗；

28、按照設置的轉(zhuǎn)換模式，對清洗后的所述醫(yī)療訓練數(shù)據(jù)進行格式轉(zhuǎn)換。

29、第二方面，本申請?zhí)峁┮环N醫(yī)療數(shù)據(jù)分析方法，所述方法包括：

30、獲取待分析醫(yī)療數(shù)據(jù)；

31、將所述醫(yī)療數(shù)據(jù)輸入至如第一方面所述的醫(yī)療數(shù)據(jù)分析模型構建方法中所構建的目標分析模型中，輸出所述待分析醫(yī)療數(shù)據(jù)的預測結果，所述預測結果包括所述待分析醫(yī)療數(shù)據(jù)對應的分級標簽及分類標簽。

32、第三方面，本申請?zhí)峁┮环N計算機設備，所述計算機設備包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)如第一方面所述的醫(yī)療數(shù)據(jù)分析模型構建方法或如第二方面所述的醫(yī)療數(shù)據(jù)分析方法。

33、第四方面，本申請?zhí)峁┮环N計算機可讀存儲介質(zhì)，所述可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的醫(yī)療數(shù)據(jù)分析模型構建方法或如第二方面所述的醫(yī)療數(shù)據(jù)分析方法。

34、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術效果：

35、本申請?zhí)峁┑尼t(yī)療數(shù)據(jù)分析模型構建方法、分析方法、設備及介質(zhì)，通過收集的包括各醫(yī)療場景的醫(yī)療訓練數(shù)據(jù)，以及醫(yī)療訓練數(shù)據(jù)的分級標注信息及分類標注信息的訓練數(shù)據(jù)集，對構建的初始分析模型進行迭代訓練，以構建能夠?qū)Ω鲌鼍跋碌尼t(yī)療數(shù)據(jù)進行準確識別及分類的目標分析模型，使得對于對待分析的醫(yī)療數(shù)據(jù)，能夠利用構建的目標分析模型進行分級分類處理，并輸出對應的分級結果及分類結果。即本申請通過對包含大量專業(yè)術語、專業(yè)名詞，以及涉及各種場景的醫(yī)療數(shù)據(jù)，借助分析模型，進行特征學習和理解，以在多次迭代，逐步優(yōu)化參數(shù)的基礎上，構建最終的目標分析模型，該目標分析模型也能夠根據(jù)新的醫(yī)療數(shù)據(jù)和分類標準進行調(diào)整和擴展，適應不斷變化的醫(yī)療數(shù)據(jù)管理需求，最終實現(xiàn)了對醫(yī)療數(shù)據(jù)的自動且準確的分級分類處理，避免了通過人工標注的方式，或通過其他非醫(yī)療場景的智能模型的方式進行分級分類，提高了分析效率及準確度，為醫(yī)療數(shù)據(jù)的管理和安全防護提供了有力支持。

技術特征：

1.一種醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，所述將所述醫(yī)療訓練數(shù)據(jù)輸入構建的初始分析模型，對所述醫(yī)療訓練數(shù)據(jù)進行分級分類處理，輸出所述醫(yī)療訓練數(shù)據(jù)對應的初始預測結果包括：

3.根據(jù)權利要求2所述的醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，所述初始分析模型基于bert模塊構建，所述對所述醫(yī)療訓練數(shù)據(jù)進行特征提取，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量包括：

4.根據(jù)權利要求2所述的醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，所述初始分析模型基于textcnn模塊構建，所述對所述醫(yī)療訓練數(shù)據(jù)進行特征提取，得到所述醫(yī)療訓練數(shù)據(jù)對應的特征向量包括：

5.根據(jù)權利要求2-4任一項所述的醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，所述對所述特征向量進行級別及類別識別，得到所述初始預測結果包括：

6.根據(jù)權利要求5所述的醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，當所述初始分析模型基于bert模塊構建時，在將提取的特征向量輸入全連接層之前，所述方法還包括：

7.根據(jù)權利要求1所述的醫(yī)療數(shù)據(jù)分析模型構建方法，其特征在于，在將所述醫(yī)療訓練數(shù)據(jù)輸入構建的初始分析模型之前，所述方法還包括：

8.一種醫(yī)療數(shù)據(jù)分析方法，其特征在于，所述方法包括：

9.一種計算機設備，其特征在于，所述計算機設備包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)如權利要求1-7中任一項所述的醫(yī)療數(shù)據(jù)分析模型構建方法或如權利要求8所述的醫(yī)療數(shù)據(jù)分析方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1-7中任一項所述的醫(yī)療數(shù)據(jù)分析模型構建方法或如權利要求8所述的醫(yī)療數(shù)據(jù)分析方法。

技術總結
本申請公開了一種醫(yī)療數(shù)據(jù)分析模型構建方法、分析方法、設備及介質(zhì)，該方法包括：獲取訓練數(shù)據(jù)集，訓練數(shù)據(jù)集中包括醫(yī)療訓練數(shù)據(jù)及各醫(yī)療訓練數(shù)據(jù)的分級標注信息及分類標注信息；將醫(yī)療訓練數(shù)據(jù)輸入構建的初始分析模型，對醫(yī)療訓練數(shù)據(jù)進行分級分類處理，輸出醫(yī)療訓練數(shù)據(jù)對應的初始預測結果及損失值；根據(jù)設置的損失閾值及損失值，對初始分析模型進行迭代訓練，生成目標分析模型；目標分析模型用于對輸入的待分析醫(yī)療數(shù)據(jù)進行分級及分類，并輸出待分析醫(yī)療數(shù)據(jù)對應的預測結果。本申請實現(xiàn)了對醫(yī)療數(shù)據(jù)的自動且準確的分級分類處理，避免了僅通過人為標注的方式進行分級分類，提高了分析效率及準確度，為醫(yī)療數(shù)據(jù)的管理和安全防護提供了有力支持。

技術研發(fā)人員：范悅鑫,林智杰,方穎怡,李文強
受保護的技術使用者：中電數(shù)據(jù)服務有限公司
技術研發(fā)日：
技術公布日：2024/12/30