[发明专利]自编码模型训练方法、装置、设备及存储介质

说明书

本发明公开了一种自编码模型训练方法，包括：获取报告单中的检测结果，对所述检测结果进行预编码；对进行完预编码的所述检测结果添加噪声；将添加噪声后的所述检测结果输入到预设的自编码模型中；其中，所述自编码模型包括编码器和解码器；利用优化器优化所述自编码模型；当优化后的所述自编码模型的损失函数稳定时，移除所述自编码模型中的所述解码器，以输出移除所述解码器的所述自编码模型为训练完成的特征表达模型。本发明还公开了一种自编码模型训练装置、设备和计算机存储介质。采用本发明实施例，训练完成的特征表达模型能够提升对报告单检测结果空间的探索，解决人工构建医检报告单检测结果特征变量覆盖不全、效率低下等问题。

技术领域

本发明涉及数据编码领域，尤其涉及一种自编码模型训练方法、装置、设备及存储介质。

背景技术

目前对应医疗检测报告单的结果分析主要针对某类报告单中的检测项目进行结果值的分析，检测的结果值跟统计的参考值进行对比，得到最终的报告单结果。报告单的大部分结果值经过大量试验和病人治疗期间的临床表现得到佐证，但检测报告单的结果值仍然还有很大的研究和挖掘的空间。在某特定的时间点上，同时通过多种检测方法对受检者进行检测，不仅可以提供检测结果的准确性，而且可以更加全面的了解生物体目前的状态，为临床治疗提供更加详细的病人身体数据。但随着检测项目和累计的报告单的数量的增多，带来的挑战也越来越大。主要原因是人的生物状态信息通过检测结果被投射到了一个高维的数据空间中，通过传统的统计学方法分析检测项目之间和临床表现之间的相关性变的越来越难，对于检测项目的特征检测效率低下，且特征变量覆盖不全，导致整个检测项目数据分析的过程漫长且昂贵。

发明内容

本发明实施例的目的是提供一种自编码模型训练方法、装置、设备及存储介质，训练完成的特征表达模型能够提升对报告单检测结果空间的探索，解决人工构建医检报告单检测结果特征变量覆盖不全、效率低下等问题。

为实现上述目的，本发明实施例提供了一种自编码模型训练方法，包括：

获取报告单中的检测结果，对所述检测结果进行预编码；

对进行完预编码的所述检测结果添加噪声；

将添加噪声后的所述检测结果输入到预设的自编码模型中；其中，所述自编码模型包括编码器和解码器；

利用优化器优化所述自编码模型；

当优化后的所述自编码模型的损失函数稳定时，移除所述自编码模型中的所述解码器，以输出移除所述解码器的所述自编码模型为训练完成的特征表达模型。

与现有技术相比，本发明实施例公开的自编码模型训练方法，首先，对检测结果进行预编码，并对进行完预编码的检测结果添加噪声；然后，将添加噪声后的所述检测结果输入到预设的自编码模型中，并利用优化器优化自编码模型；最后，当优化后的自编码模型的损失函数稳定时，移除解码器，并输出移除解码器后的自编码模型为训练完成的特征表达模型。本发明实施例中训练完成的特征表达模型能够提升对报告单检测结果空间的探索，解决人工构建医检报告单检测结果特征变量覆盖不全、效率低下等问题。

作为上述方案的改进，所述对所述检测结果进行预编码，具体包括：

将所述检测结果按照预设的检测项目代码横向排列；其中，当前未进行检测的检测项目对应的所述检测结果置空，且保留其在排列中的位置；

则，所述自编码模型为Vanilla AutoEncoder或Sparse AutoEncoder。

作为上述方案的改进，所述对所述检测结果进行预编码，具体包括：

按照生成所述检测结果的时间对所述检测结果进行排序；

则，所述自编码模型为LSTM AutoEncoder。