[发明专利]基于联邦学习的疾病数据处理方法、装置、设备及介质

权利要求书

1.一种基于联邦学习的疾病数据处理方法，其特征在于，所述基于联邦学习的疾病数据处理方法包括：

获取本地数据库中已确诊病患的电子健康记录和所患疾病数据；

对所述电子健康记录进行特征提取，得到各病患的患病特征向量；

根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集；

基于所述本地训练样本集参与各医院数据端的联邦学习，得到患病预测模型。

2.如权利要求1所述的基于联邦学习的疾病数据处理方法，其特征在于，所述电子健康记录中包括多项生理信息在多个时间点的记录值，所述对所述电子健康记录进行特征提取，得到各病患的患病特征向量的步骤包括：

对于每个病患的所述电子健康记录，对所述多项生理信息在多个时间点的记录值进行预设统计处理，得到多维统计量；

对所述多维统计量进行向量化处理，得到所述病患的病患特征向量。

3.如权利要求2所述的基于联邦学习的疾病数据处理方法，其特征在于，所述对所述多项生理信息在多个时间点的记录值进行预设统计处理的步骤包括：

将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组，得到每项生理信息的记录值分组；

分别统计每组所述记录值分组的最大值、最小值、方差和平均值。

4.如权利要求1所述的基于联邦学习的疾病数据处理方法，其特征在于，所述基于所述本地训练样本集参与各医院数据端的联邦学习，得到患病预测模型的步骤包括：

从预设的服务端获取待训练模型的初始模型参数；

根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新；

将所述模型参数更新上传至所述服务端，以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数，并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练，直到检测到所述待训练模型处于收敛状态时，将所述聚合模型参数作为所述待训练模型的最终参数，得到患病预测模型，并将所述患病预测模型下发至各所述医院数据端；

接收所述服务端下发的所述患病预测模型。

5.如权利要求1至4任一项所述的基于联邦学习的疾病数据处理方法，其特征在于，所述基于所述本地训练样本集参与各医院数据端的联邦学习，得到患病预测模型的步骤之后，还包括：

获取目标用户的电子健康记录、病例文本；

将所述目标用户的电子健康记录输入所述患病预测模型，得到所述目标用户的患病概率；

将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络，得到推荐诊断方案，以供医生作为诊断参考。

6.一种基于联邦学习的疾病数据处理装置，其特征在于，所述基于联邦学习的疾病数据处理装置包括：

获取模块，用于获取本地数据库中已确诊病患的电子健康记录和所患疾病数据；

提取模块，用于对所述电子健康记录进行特征提取，得到各病患的患病特征向量；

构建模块，用于根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集；

训练模块，用于基于所述本地训练样本集参与各医院数据端的联邦学习，得到患病预测模型。

7.如权利要求6所述的基于联邦学习的疾病数据处理装置，其特征在于，所述提取模块包括：

统计单元，用于对于每个病患的所述电子健康记录，对所述多个生理信息在多个时间点的记录值进行预设统计处理；

向量化处理单元，用于对所述多维统计量进行向量化处理，得到所述病患的病患特征向量。