[发明专利]基于深度神经网络的肺部退行性疾病判别技术

权利要求书

1.基于深度神经网络的肺部退行性疾病判别技术，包括：提供了一种使用深度学习方法对肺部退行性疾病进行辅助诊断判别的技术，通过创新性的利用深度卷积网络对复杂数据属性的判别能力，对肺部退行性疾病涉及的大量检测数据和属性信息(检测项目)进行统一的特征提取的关联发掘，以统计建模的方式实现以往医务工作专家依据经验进行的病症判别。肺部退行性疾病的诊断需要综合性的分析和利用大量的检测信息和对检测数据的属性信息进行有效整理，并且不同的数据间存在着信息关联。深度神经网络技术具有识别复杂信息输入和提取信息内在关联方式的能力，因此通过深度卷积神经网络构建对复杂信息进行综合处理和判别的能力，特别是对不同数据进行特征提取和数据间的关联性识别，可以作为以机器学习方式处理肺部退行性疾病诊断的有效途径。本项发明通过属性向量化到形成属性特征矩阵，并以卷积神经网络对特征矩阵进行归类分析，形成病症判别能力。本项发明可以帮助医务工作者在肺部退行性病症诊断中灵活引入各类数据属性的组合，进行综合判别。该技术无需医生鉴别不同的属性信息是否对病患的肺部退行性疾病产生影响，或与其他病理检测信息存在关联，而是由机器学习建模技术来鉴定数据属性的有效性和相互的关联，为医生提供辅助诊断，从而极大的降低的医生在数据处理方面的工作量。

本项发明设计了高效的数据转换系统和神经网络建模技术，具体包括：A.设计了对多种不同类型医疗检测数据的向量化表达方式；

a.指标等级信息：以指标等级进行表示的检测信息，‘正常’，‘略低于正常’，‘非正常’，‘明显异常’；

b.数据类信息：以数值方式表达的检测信息；

c.文本信息：以文本描述表达的检测信息；

d.图像信息：以图像类型表达的检测信息

B.向量组合技术，包括选择向量长度，和组合生成输入矩阵；C.深度神经网络架构设计：选择高效的神经网络架构，实现对判别模型的构建。

2.基于深度神经网络的肺部退行性疾病判别技术，其特征在于通过对各类诊疗信息进行特征向量提取，生成面向深度残差网络的输入矩阵，并由深度残差网络实现对病症状态和类型的判别。

3.基于深度神经网络的肺部退行性疾病判别技术，其特征在于对指标型数据通过onehot向量进行特征表达，生成特征向量。

4.基于深度神经网络的肺部退行性疾病判别技术，其特征在于对数值类型的数据通过概率分布模型实现以onehot向量的方式进行特征表达，生成特征向量。

5.基于深度神经网络的肺部退行性疾病判别技术，其特征在于对文本数据通过词向量(word2vec)方式生成特征向量，并进行normalize，形成onehot特征向量。

6.基于深度神经网络的肺部退行性疾病判别技术，其特征在于文本数据的特征向量进行normalize，可将浮点数据类型依照概率分布映射为(0，1，2，3)4个整数表达。

7.基于深度神经网络的肺部退行性疾病判别技术，其特征在于对图像类数据通过googlenet模型作为特征提取模型，生成特征向量。

8.基于深度神经网络的肺部退行性疾病判别技术，其特征在于将指标类数据、数值类数据、文本类数据和图像类数据通过特征向量拼接的方式，生成特征矩阵，作为判别模型的输入。

9.基于深度神经网络的肺部退行性疾病判别技术，其特征在输入矩阵表示为64x64，指标类和数值类数据的特征向量长度为8，文本类数据的特征向量长度为64，图像类数据的特征向量长度为128。

10.基于深度神经网络的肺部退行性疾病判别技术，其特征在于采用深度残差网络resnet50作为判别模型。

11.基于深度神经网络的肺部退行性疾病判别技术，其特征在于特征提取模型与病症判别模型彼此独立，例如文本特征向量生成采用word2vec技术，未来也可采用bert等预训练模型来提取文本特征向量。