[发明专利]基于深度神经网络的肺部退行性疾病判别技术

说明书

本发明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，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。本项发明通过属性向量化到形成属性特征矩阵作为深度卷积神经网络的输入，利用深度卷积神经网络实现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，形成对病症的综合判别能力。完全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。

技术领域

本发明属于涉及信息技术领域，尤其是涉及采用深度神经网络对病患的心肺功能和一系列常规的医疗检测数据进行综合判断，快速判别是否存储肺部退行性疾病的技术。采用神经网络对复杂数据特征和信息关联的发现能力，解决了人类进行疾病判别时无法快速处理大量繁复的检查数据的难点。

背景技术

随着传感器技术的不断进步，在医疗诊断领域，越来越多的检测数据可以从不同类型的高度精确的传感设备中获得，为医务工作者进行疾病判别、了解患者状态、开展治疗计划提供了更为完备的数据基础。与此同时，大量的数据也带来了信息爆炸，往往产生人力处理无法跟上数据增量的情况。同时，不同数据间存在了彼此的关联，这需要大量的人力分析、研究才能定位数据关联。因此医疗数据的发展给医务工作者即带来了更为完备的信息支撑，也带来了信息处理上的巨大挑战。

随着深度神经网络技术的发展，利用神经网络对复杂数据表达的特征提取能力和数据间信息关联的发现能力，可以为复杂的判别分类应用提供人力所不能达到的高精度、大容量数据分析能力。深度神经网络已经在图形图像识别方面取得了巨大成功，其重要因素就是目前高性能神经网络具备对复杂的图像信息进行高精度的分析处理，特别是能够提取出图像中各个部分的关联，形成对图像表达方式的判别。对于数据细节的分析能力往往超过人类的判别能力。

本项发明借助人工智能技术，特别是深度神经网络技术，将医疗数据以输入矩阵的方式进行表达。通过深度神经网络，将数据矩阵进行特征提取和信息关联定位，从而实现高效的疾病判别能力。本项发明针对的病症判别是面向肺部退行性病变的发现，通过将50余项医疗检测信息进行向量化表达，然后组合成为输入矩阵，通过深度卷机网络进行判别建模(参见附图1)，从而构建出高效的神经网络判别模型，可以有效的辅助医务工作者通过检测数据快速判别病患是否存在肺部退行性病变症状。

发明内容

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：

1.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

2.向量组合技术，包括选择向量长度，和组合生成输入矩阵；

3.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。

实现对复杂数据向量化(文本和图像)，本身需要借助机器学习技术的特征提取能力。在文本方面，我们使用google词向量(word2vec)模型构建文本向量化模型，并以此来实现对医疗信息描述文本的向量化实现。对图像数据(例如病患的胸透x光片)，通过预先设定的状态标记(例如胸腔状态：正常、纤维化、结核等)建立实现特征提取的神经网络模型，并通过该特征提取神经网络输出特征向量，供生成输入矩阵之用。

实现对肺部退行性病变判别的神经网络模型分为如下几个步骤：