[发明专利]基于深度学习和注意力机制的中医证候诊断方法及装置

说明书

本发明公开了一种基于深度学习和注意力机制的中医证候诊断方法及装置，该方法包括：获取待诊断患者带有症状的病历数据；将所述病历数据转换为向量数据；将所述向量数据，输入训练完成的中医证候诊断模型，输出诊断结果；所述中医证候诊断模型包括：使用矩阵映射层、激活函数tanh和softmax构建的注意力机制模块、以及使用多层感知器和激活函数sigmoid构建的预测深度神经网络。该方法首先对患者带有症状的病历数据进行独热编码映射，转换为向量数据；采用深度学习和有监督学习的相结合的多层感知器的中医证候诊断模型对患者的证候进行诊断，从而能够提高对患者的中医证候的诊断预测准确率。

技术领域

本发明涉及深度学习大数据医疗领域，特别涉及一种基于深度学习和注意力机制的中医证候诊断方法及装置。

背景技术

近年来，研究人员对中医药治疗各种复杂疾病的疗效进行了深入研究和探讨。许多临床实践和数据证明，中医药在降低疾病部位的细菌和病毒的活性和数量，同时改善患者临床症状和生活质量方面取得了惊人的进展。这些进展主要是因为中医将病症患者分类为证候，并采用中医治疗模式和方法进行治疗。中医证候的分类是中医诊断过程中的一个独特且重要的过程，旨在对每个人在这种疾病期间的临床症状概括的整体功能状态进行分类。辨证分型是中医证候研究的重要方面之一，在临床个体化诊断和中医辨证治疗中发挥着关键作用。

证候分化是中医的核心，也是保证疗效的前提。为了实现自动分类中医证候的目标，本研究领域引入了包括多变量统计方法，机器学习，神经网络在内的各种方法，从而产生了一系列广泛的方案。对于多变量统计方法组，聚类分析是最基本的统计方法之一。它被广泛用于对证候的无监督分类，因为它避免了个体主观性的负面影响。Martis，Roshan和Chakraborty等研究人员试图对心律失常疾病的原因进行分类和探索。作为机器学习算法的方法，支持向量机(SVM)是最常用的疾病诊断分类模型之一，例如Ekiz等研究人员使SVM诊断患者患有心脏病的概率；陈等人诊断患者肝炎的严重程度；Zeng等人依靠SVM算法研究出一套诊断65周岁老年人患有阿尔茨海默病的概率系统。Pang和Zhang等尝试使用朴素的贝叶斯网络来揭示特定人群中舌头异常和疾病之间的联系。在最近的研究中，深度学习模型已被广泛用于诊断疾病。一些模型，如嘈杂的深度字典学习，深度信念网络(DBN) 和长期短期记忆网络(LSTM)已经取得了更好的诊断结果。

尽管这些方法在综合征分类方面取得了显着进步，但仍然远远不能令人满意。首先，当所有症状同样用于诊断时，不相关的症状可能会产生过多的不良影响。在这种情况下，大多数算法无法弄清楚各种疾病的每种综合征的代表性症状。此外，由于疾病之间存在明显差异，因此没有针对所有疾病的独特分类模型。

由于复杂疾病的特殊性，大多数患者同时患有多种疾病，临床症状多种多样且复杂。这使得判断综合征和确定合适的治疗措施相对困难。

发明内容

本发明的目的在于克服现有技术中针对患有多种疾病、临床症状较多且复杂，不能准确判断综合征和确定合适的治疗措施带来的困难，针对提高智能化对中医证候诊断的能力，从而提出了一种基于深度学习和注意力机制的中医证候诊断方法及装置。

为了解决上述技术问题，第一方面，本发明实施例提供一种基于深度学习和注意力机制的中医证候诊断方法，包括：

获取待诊断患者带有症状的病历数据；

将所述病历数据转换为向量数据；

将所述向量数据，输入训练完成的中医证候诊断模型，输出诊断结果；所述中医证候诊断模型包括：使用矩阵映射层、激活函数tanh和softmax构建的注意力机制模块、以及使用多层感知器和激活函数sigmoid构建的预测深度神经网络。

进一步地，所述训练完成的中医证候诊断模型通过下述方式训练得到：

采集不同疾病专科的带有症状和证候诊断结果的病历样本，转换为样本向量，根据预设比例分为作为训练样本和测试样本；