[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

说明书

本发明公开了一种基于联邦学习的疾病数据处理方法、装置、设备及介质，所述方法包括：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。本发明通过将各医院端的数据联合起来，进行联邦训练，在不泄露医院端病患隐私的基础上，能够训练出优质的患病预测模型，从而在医生的诊断过程发挥积极的辅助作用。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于联邦学习的疾病数据处理方法、装置、设备及介质。

背景技术

随着机器学习、人工智能领域的发展，将机器学习运用在医疗健康领域是目前的一个探索方向。但是机器学习需要大量的数据作为学习基础，每个医院的病人数据是有限的，仅依靠一家医院的病人数据，很难训练得到优质的机器模型。若将各个医院的数据联合起来进行训练，则会泄露各个医院病人的隐私。因此，如何以一种安全可靠的方式实现各个医院的数据联合，得到优质的机器模型，是一个亟待解决的问题。

发明内容

本发明的主要目的在于提供一种基于联邦学习的疾病数据处理方法、装置、设备及介质，旨在解决如何以一种安全可靠的方式实现各个医院的数据联合，以得到优质的机器模型的技术问题。

为实现上述目的，本发明提供一种基于联邦学习的疾病数据处理方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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；