[发明专利]基于循环时间卷积网络的疾病诊断系统、设备及介质

权利要求书

1.一种基于循环时间卷积网络的疾病诊断系统，其特征在于，包括：

预测模型构建与训练模块，用于根据历史电子病历提取已知疾病诊断结果的已知病程向量，以已知病程向量作为训练集训练构建的循环时间卷积网络预测模型；

疾病诊断预测模块，用于根据待预测患者的电子病历信息提取待测病程向量，将待测病程向量输入至训练后的循环时间卷积网络预测模型中，得到待预测患者的疾病诊断预测结果。

2.如权利要求1所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，对获取的历史电子病历进行预处理，具体为：

筛选已知疾病诊断结果和诊断时间，删除预设的非需求数据和非重要诊断结果，对诊断时间的缺失值进行拟合，对重要诊断结果和诊断时间进行格式转换。

3.如权利要求1所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，所述提取已知疾病诊断结果的已知病程向量包括：

建立患者与已知疾病诊断结果对应的已知病程序列作为第一样本，采用Skip-gram方法对第一样本进行编码，得到已知疾病诊断结果对应的若干个已知病程向量。

4.如权利要求3所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，采用Skip-gram方法，根据目标词汇预测其邻居出现的疾病词汇；

以词向量内积定义相似度函数，根据相似度函数求解目标函数，得到在疾病诊断向量中以滑动窗口选择的目标词汇的最优预测值，取得已知病程向量；

所述目标函数为：

其中，T为疾病诊断向量的长度，c为上下文单词，ω_t为中心诊断概念词，ω_c为ω_t的上下文诊断概念词，C_t为ω_t的邻居诊断单词集，s为概念词相似度函数，N_t为单词集。

5.如权利要求1所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，所述循环时间卷积网络预测模型由基于时间卷积网络融合长短时循环网络所构建。

6.如权利要求1所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，所述循环时间卷积网络预测模型的构建包括对已知病程向量的卷积操作，具体为：

定义卷积核，对提取的已知病程向量进行特征提取，得到低维度特征；

设置超参数扩张率，对低维度特征进行卷积操作，输出包含长时历史信息的特征序列，对特征序列进行权值归一和激活函数的数据处理。

7.如权利要求6所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，所述循环时间卷积网络预测模型的构建包括残差连接操作，具体为将已知病程向量与数据处理后的特征序列相加，得到序列特征向量。

8.如权利要求6所述的一种基于循环时间卷积网络的疾病诊断系统，其特征在于，所述循环时间卷积网络预测模型的构建包括采用LSTM模型进行序列建模预测，具体为以序列特征向量为输入，分别进行输入门、遗忘门和输出门处理，最后通过记忆单元对序列特征向量进行建模预测。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

根据历史电子病历提取已知疾病诊断结果的已知病程向量，以已知病程向量作为训练集训练构建的循环时间卷积网络预测模型；

根据待预测患者的电子病历信息提取待测病程向量，将待测病程向量输入至训练后的循环时间卷积网络预测模型中，得到待预测患者的疾病诊断预测结果。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

根据历史电子病历提取已知疾病诊断结果的已知病程向量，以已知病程向量作为训练集训练构建的循环时间卷积网络预测模型；

根据待预测患者的电子病历信息提取待测病程向量，将待测病程向量输入至训练后的循环时间卷积网络预测模型中，得到待预测患者的疾病诊断预测结果。