[发明专利]一种基于边信息的体检数据补全方法、装置及应用

说明书

本发明公开了一种基于边信息的体检数据补全方法，包括(1)构建和根据边信息补全体检‑疾病矩阵、致病因子‑疾病矩阵、致病因子‑体检矩阵；(2)分别在任意两个矩阵之间建立编码解码网络D2F Net，D2C Net以及F2C Net；(3)联合训练D2F Net，D2C Net以及F2C Net，训练结束，致病因子‑疾病矩阵和致病因子‑体检矩阵已经被补全；(4)将待补全的体检‑疾病矩阵输入到D2F Net，D2C Net中，利用补全的致病因子‑疾病矩阵、致病因子‑体检矩阵和F2C Net，经计算补全体检‑疾病矩阵。还公开了一种基于边信息的体检数据补全装置，能够根据已有信息来补全体检数据和疾病结果。

技术领域

本发明属于数据统计和人工智能领域，具体涉及一种基于边信息的体检数据补全方法、装置及应用。

背景技术

传统体检方案是经过一系列的体检以进行疾病筛查：根据不同的病症需要，在医生或者医疗手册的安排建议下进行相关生理特征项目的体检，再由医生通过相关的生理特征体检结果对患者可能患有的疾病进行诊断。由于体检项目繁多，不同的医院、医生以及时代都具有不同的检查方式，导致体检项目纷繁杂乱，无法统一，造成相关医疗资源的浪费和使病患无畏受累。

随着科技的不断发展，不同体检项目隐含的生理特征相关性以及生理特征与疾病之间的影响程度等医疗知识的研究趋于完善，矩阵补全和边信息问题也得到了发展。矩阵补全(Matrix Completion，简记为:MC)就是根据已知元素估计未知元素，从而把矩阵恢复完整的过程，是人工智能研究项目中的一个重点难点，其任务是通过人工智能算法对不完整的矩阵进行补全。该任务在数据挖掘，电商营销、工程控制、图像和视频处理中皆有重要的应用。

在医疗项目中，不同医疗体检项目的统一有赖于矩阵补全算法，通过相关的体检项目推测未知的体检项目的效果。但是，因为矩阵补全技术目前往往通过线性变换、局部信息插值等方法，但是在利用背景知识进行非线性变换的研究较少，结果也不够完善。

边信息(Side Information)是指利用已有的信息Y辅助对信息X进行编码，可以使得信息X的编码长度更短。边信息见多用户信源编码。一个通俗的例子是：假设到马场去赌马，根据每个马的赔率可以得到一个最佳的投资方案。但是如果知道赌马的一些历史数据，例如上几场的胜负情况，那么可以得出一个更优的投资方案。赌马中的历史数据就是边信息。

边信息算法是基于边信息补全矩阵中缺失信息的算法，即在信息流中找到相关和不相关的数据点，约束和辅助矩阵补全技术的完善，应用于各种需要矩阵补全的领域。边信息法还是传统机器学习中的一个分支，在与人工神经网络和深度学习的结合上也没有足够的尝试。

医疗领域中，数据缺失如此严重，带标签数据稀少的情况也很常见，但却鲜有矩阵补全方法应用。

发明内容

本发明的目的是提供一种基于边信息的体检数据补全方法、装置，能够根据已有的信息来补全体检数据和疾病结果。

本发明的另一目的是提供一种基于边信息的体检数据补全装置的应用，该装置用于重构疾病。

为实现上述发明目的，提供以下技术方案：

第一方面，一种基于边信息的体检数据补全方法，包括以下步骤：

(1)构建列表示生理特征和疾病亚型，行表示患者，元素值为患者的生理特征检测值和疾病类型的体检-疾病矩阵；列表示疾病亚型，行表示致病因子，元素值为致病因子导致患疾病的概率的致病因子-疾病矩阵；以及列表示生理特征，行表示致病因子，元素值为致病因子与生理特征的相关性的致病因子-体检矩阵；

(2)针对体检-疾病矩阵，根据体检项目数据补充生理特征检测值，根据医生的主观诊断结果补充疾病类型；针对致病因子-疾病矩阵和致病因子-体检矩阵，根据医学知识，补充已知致病因子导致已知疾病亚型的概率，补充已知致病因子与生理特征的相关性；