[发明专利]基于深度学习的上下级眼科远程诊断平台及其构建方法

权利要求书

1.基于深度学习的上下级眼科远程诊断平台，其特征在于，包括：

前端用户界面，用于用户登录，并通过验证码及用户身份关键字验证用户身份，依据用户身份赋予用户相应权限，用户身份包括上级医院、下级医院和管理员；

下级医院处理模块，用于下级医院提交会诊申请、发送患者信息，并接收上级医院的会诊回复；

上级医院处理模块，用于上级医院接收患者信息、对患者进行排队诊断、并发送诊断回复；

所述上级医院处理模块，包括：

会诊申请处理模块，用于依据患者信息，采用基于大数据的聚类分析算法对患者病症进行自动分类，确定患者的疾病病症簇，利用GB算法对聚类分析算法分类的结果进行分类优化，并依据患者病情采用优先排队算法赋予患者权值，然后依据患者的疾病病症簇和患者权值进行诊断排序，最后依据患者的诊断顺序进行诊断，实现会诊申请处理功能，并选择是否需要在线互动；

采用基于大数据的聚类分析算法对患者病症进行分类，是采用k-means聚类分析算法和已有的医疗大数据推导患者的疾病病症簇，具体实现过程如下：

从样本数据即医联体内的医疗大数据中随机选择K个样本数据作为初始的聚类中心，K由医疗大数据中存在的眼科疾病类型所确定；

确定每个待聚类对象即剩余样本数据与每个初始的聚类中心之间的相似度，依据该相似度将每个待聚类对象和与其距离最小的初始的聚类中心划分在一个簇中，得到K个初始的病症簇；

所述每个待聚类对象与每个初始的聚类中心之间的相似度采用欧氏距离公式计算，欧式距离公式为：

其中，x_h＝(x_h1,x_h2,…,x_hm′)，C_j＝(C_j1,C_j2,…,C_jm′)，x_hm′表示第h个待聚类对象的第m′个检查项目指标值，C_jm′表示初始的第j个聚类中心的第m′个检查项目指标值；

根据下式更新K个聚类中心：

其中，c_j是更新后的第j个聚类中心，S_j是初始的第j个病症簇中的样本集合，n_j是S_j中样本数据的个数，x_i′表示S_j中的第i′个样本数据；

采用交叉迭代的方法并利用目标优化函数对更新后的聚类中心的模糊位置进行微调，得到最终的聚类中心为：

c_j′＝c_j×(1+f)；

其中，f表示使用的目标优化函数；c_j′表示最终的第j′个聚类中心；

目标优化函数为：

其中，e为调节因子，w为参数隶属度矩阵，w_j为参数隶属度矩阵中的第j个元素即聚类后初始的第j个病症簇；x_i″为初始的第j个病症簇中的第i″个数据，R(x_i″,w_j)为采用深度学习对初始的第j个病症簇中的第i″个数据进行特征学习得到的新特征；g_i″(R(x_i″,w_j))为对R(x_i″,w_j)的平方误差重构；d_j为聚类的初始的第j个病症簇内单个样本数据的相关系数，为初始的第j个病症簇内数据的平均值；N′是隶属度矩阵w中的元素个数；

利用患者的各检查项目指标值计算患者与每个最终的聚类中心之间的欧式距离，确定与其距离最短的最终的聚类中心，即得到患者病症；

所述GB算法的步骤如下：

建立初始化损失函数：

对在医院的疾病诊断中出现的m个病症A_i，建立集合A＝[A₁,A₂...A_m]^T，同时对眼科疾病的正确病症簇y_i建立集合y＝[y₁,y₂,...y_m]^T，每一个病症A_i都有唯一的病症簇y_i与之对应，i＝1,2,…,m；每个病症A_i经过聚类分析算法之后得到的病症簇设为w_i，A_i∈A，为其建立集合c₀＝[w₁,w₂...w_m]^T，建立初始化损失函数：

其中，f₀(A_i)表示病症A_i的初始化损失函数；L(y_i,w_i)为病症A_i的可微损失函数，L(y_i,w_i)＝(y_i-w_i)²；

迭代生成K'个基学习器：设置进行k次迭代，当循环次数k＝K'时，K'为设定的迭代次数，循环执行A)～D)，循环完成后获得最终的病症分类标准集c_k：

A)、依据下述公式计算实际病症集与第k-1次迭代更新的损失函数f_k-1(A_i)之间的残差r_ki：

其中，f_k-1(A_i)表示第k次迭代前的损失函数即第k-1次迭代更新的损失函数；

B)、对r_ki拟合一棵回归树I；

C)、对i＝1,2,…,m，依次线性搜索出L(y_i,f_k-1(A_i)+c_k-1)的最小值，作为经过k次迭代得到的第k次迭代更新的病症分类标准集c_k，使得采用聚类分析算法得出的分类结果与正确病症簇之间的误差最小：

其中，c_k-1表示第k次迭代更新前的病症分类标准集即经过k-1次迭代得到的第k-1次迭代更新的病症分类标准集；经过k次迭代得到的第k次迭代更新的病症分类标准集c_k即为最终分类优化所得患者病症；

D)、更新损失函数f(A_i)：

f_k(A_i)＝f_k-1(A_i)+c_kI；

f_k(A_i)表示第k次迭代更新后的损失函数；

依据患者病情采用优先排队算法赋予患者权值的具体实现过程如下：

患者病情由下级医院进行会诊申请时分为重症患者、中度患者和一般患者三类；

输入设置：设重症病患、中度病患和一般病患的申请均满足泊松分布，且相互独立，以传统医疗大数据资源得到申请率分别为λ₁、λ₂、λ₃，且相互独立；

系统容量设置：设置上级医院能容纳的三类患者总量为S₁+S₂+S₃，S₁代表重症患者数量，S₂代表中度患者数量，S₃代表一般病情患者，当系统中三类患者的总量达到上限，系统将不再接受申请；

服务规则设置：设置重症患者享有比中度患者和一般患者更高的优先权，中度患者享有比一般患者更高的优先权；

服务过程：因三种患者的服务时间近似服从指数分布，故设重症患者的服务时间服从参数为μ₁的指数分布，中度患者的服务时间服从参数为μ₂的指数分布，一般患者的服务时间服从参数为μ₃的指数分布，则重症患者的服务强度满足中度患者的服务强度满足一般病人的服务强度满足该远程诊断平台实现优先排队平稳状态的条件是ρ₁+ρ₂+ρ₃＜1，ρ₁为重症患者的服务强度，ρ₂为中度患者的服务强度，ρ₃为一般患者的服务强度；

输出过程：患者申请完毕，对于疾病病症簇一致的患者，对服务强度小的优先进行服务，服务强度即为患者权值，即对患者权值小的优先进行诊断；

分类推荐模块，基于患者的病症，利用Apriori算法找出其诊断及推荐诊疗方案，辅助上级医院诊断及治疗；

利用Apriori算法找出每种疾病病症簇对应的疾病的诊断及推荐诊疗方案，是利用Apriori算法找出每种疾病病症簇与疾病诊断结果的强关联规则，以及疾病病症簇与治疗方案之间的强关联规则；

采用Apriori算法找出疾病病症簇与其治疗方案的关联的具体步骤如下：

设置所有疾病病症簇与其治疗方案的关联规则的最低置信度阈值和最低支持度阈值；

设DS＝{DS₁,DS₂,...DS_j′...DS_n}为通过聚类分析算法得到的疾病病症簇集，同时针对于每一种疾病病症簇DS_j′，收集针对于此疾病病症的所有治疗方案，并将其归纳为治疗方案数据集TS＝{TS₁,TS₂...TS_j...TS_n′}，疾病病症簇DS_j′与其治疗方案集TS之间相关联的集合表示为E(DS_j′,TS)；

定义目前分析的疾病病症簇与治疗方案之间的关联规则为R_j′x表示疾病病症簇DS_j′与其治疗方案数据集中TS_x的对应关系，R_j′y表示疾病病症簇DS_j′与其治疗方案数据集中TS_y的对应关系，TS_x∈TS，TS_y∈TS，且

定义关联规则的支持度为的计算公式为：

其中，|E(DS_j′,TS)|表示疾病病症簇DS_j′的总治疗次数，表示疾病病症簇DS_j′采用治疗方案TS_x和TS_y的治疗次数；

定义关联规则的置信度为的计算公式为：

其中，表示疾病病症簇DS_j′采用治疗方案TS_x的治疗次数；

生成频繁项目集：

判断关联规则的置信度是否大于最小置信度阈值、关联规则的支持度是否大于最小支持度阈值，如果满足，则将满足最小支持度阈值和最小置信度阈值的所有R_j′x、R_j′y归入频繁项目集FI(DS,TS)＝{R_j′x,R_j′y}中；

最后由频繁项目集即可得出病症与治疗方案的强关联规则；

将上述采用Apriori算法找出疾病病症簇与其治疗方法的关联的具体步骤中的治疗方案替换为疾病诊断结果，即可得到所述疾病病症簇与疾病诊断结果之间的强关联规则。