[发明专利]基于迁移学习的医疗数据处理方法、装置、设备及介质

权利要求书

1.一种基于迁移学习的医疗数据处理方法，其特征在于，包括：

获取已训练好的第一医疗数据处理模型；

接收第一设置指令，根据所述第一设置指令在所述第一医疗数据处理模型执行增加线性层操作和设置冻结层操作，形成第二医疗数据处理模型；

获取本地医疗数据，使用所述第一医疗数据处理模型处理所述本地医疗数据，获得第一处理结果，并计算所述第一处理结果的第一预测准确率；同时将所述第一处理结果设置为所述本地医疗数据在第一阶段的处理结果；

使用所述本地医疗数据对所述第二医疗数据处理模型进行训练，并获取训练后的第二医疗数据处理模型处理所述本地医疗数据生成的第二处理结果，同时计算所述第二处理结果的第二预测准确率；

当所述第二预测准确率大于所述第一预测准确率时，将所述第二处理结果设置为所述本地医疗数据在第二阶段的处理结果；

当所述本地医疗数据的数量达到预设数量阈值且所述第二预测准确率的提升幅度大于预设准确率提升阈值时，接收第二设置指令，根据所述第二设置指令在当前的第二医疗数据处理模型执行解冻操作；

使用当前的本地医疗数据对执行解冻操作后的第二医疗数据处理模型进行训练，并将训练完毕后的第二医疗数据处理模型确定为第三医疗数据处理模型。

2.如权利要求1所述的基于迁移学习的医疗数据处理方法，其特征在于，所述接收第一设置指令，根据所述第一设置指令在所述第一医疗数据处理模型执行增加线性层操作和设置冻结层操作，形成第二医疗数据处理模型，包括：

接收第一增加线性层指令，根据所述第一增加线性层指令在所述第一医疗数据处理模型上增加若干线性层，所述若干线性层中的第一线性层与所述第一医疗数据处理模型已训练好的网络层连接，该第一线性层用于接收所述已训练好的网络层的输出数据；所述若干线性层中的最后一个线性层用于输出所述第二处理结果；

接收第一冻结网络层指令，根据所述第一冻结网络层指令将所述第一医疗数据处理模型中已训练好的网络层进行冻结；

将已增加若干线性层，且已冻结所述已训练好的网络层的第一医疗数据处理模型确定为所述第二医疗数据处理模型。

3.如权利要求2所述的基于迁移学习的医疗数据处理方法，其特征在于，所述接收第一增加线性层指令，根据所述第一增加线性层指令在所述第一医疗数据处理模型上增加若干线性层之后，还包括：

接收线性层调节指令，根据所述线性层调整指令在所述若干线性层设置dropout机制；

接收神经元激活指令，根据所述神经元激活指令在所述若干线性层设置线性整流函数，通过所述线性整流函数激活所述若干线性层中的神经元；

接收归一化指令，根据所述归一化指令在所述若干线性层中的最后一个线性层设置归一化指数函数，以通过所述归一化指数函数计算出所述第二处理结果。

4.如权利要求2所述的基于迁移学习的医疗数据处理方法，其特征在于，所述接收第一冻结网络层指令，根据所述第一冻结网络层指令将所述第一医疗数据处理模型中已训练好的网络层进行冻结之后，还包括：

接收池化设置指令，根据所述池化设置指令将所有所述已训练好的网络层的隐层输出数据进行均值池化处理，获得池化数据；

接收输入设置指令，根据所述输入设置指令将所述池化数据输入所述若干线性层中的第一线性层。

5.如权利要求2所述的基于迁移学习的医疗数据处理方法，其特征在于，所述使用所述本地医疗数据对所述第二医疗数据处理模型进行训练，包括：

在第一阶段的训练中，采用warm-up机制调整所述线性层的参数更新的学习率。

6.如权利要求1所述的基于迁移学习的医疗数据处理方法，其特征在于，所述预设数量阈值通过以下公式进行计算：

θ＝δ*Num_modelA

其中，θ为所述预设数量阈值，δ为超参数，Num_modelA为训练所述第一医疗数据处理模型时的数据量。