[发明专利]医疗检测数据分类模型训练方法、分类方法、装置及设备

说明书

本申请公开了一种医疗检测数据分类模型的训练方法、医疗检测数据分类方法、装置及设备，该训练方法获取用于训练的医疗检测数据，医疗检测数据对应有正样本标签以及负样本标签的分类标签，将医疗检测数据以及对应的分类标签组成样本数据。在利用梯度提升树算法对样本数据进行学习的过程中，在梯度提升树算法计算伪残差的步骤中，提高样本数据中少数类样本数据的权重、并提高样本数据中难分样本数据的权重。从而使训练生成的医疗检测数据分类模型，提升了少数类样本数据以及难分样本数据的分辨能力，使医疗检测数据分类模型的准确率得到进一步提升。

技术领域

本申请涉及数据处理技术领域，具体涉及一种医疗检测数据分类模型训练方法、一种医疗检测数据分类方法、装置及设备。

背景技术

在患者就医过程中，会产生医疗检测数据，例如在进行生化指标的检测之后，会产生生化检测数据。

目前，将人工智能技术与医疗检测数据相结合，可以将医疗检测数据转换为临床可用的知识。例如，通过将医疗检测数据输入医疗检测数据分类模型进行分类，得到医疗检测数据的分类结果。医疗检测数据的分类结果可以给医生进行临床诊断提供参考。

但是，由于医疗检测数据的正负样本数量不平衡，导致训练得到的医疗检测数据分类模型不够准确，造成对医疗检测数据的分类准确率不高。

发明内容

有鉴于此，本申请实施例提供一种医疗检测数据分类模型训练方法、一种医疗检测数据分类方法、装置及设备，训练出识别准确率高的医疗检测数据分类模型，且基于医疗检测数据分类模型对医疗检测数据分类是更加准确的。

为解决上述问题，本申请实施例提供的技术方案如下：

一种医疗检测数据分类模型的训练方法，所述方法包括：

获取医疗检测数据，所述医疗检测数据包括多个检测指标的指标值；

将所述医疗检测数据以及对应的分类标签组成样本数据，所述分类标签包括正样本标签以及负样本标签；

利用梯度提升树算法对所述样本数据进行学习，生成医疗检测数据分类模型；针对所述梯度提升树算法进行每一轮学习的过程，在计算伪残差时，提高所述样本数据中少数类样本数据的权重、提高所述样本数据中难分样本数据的权重，所述少数类样本数据为包括所述正样本标签的样本数据，所述难分样本数据为在计算伪残差时样本数据的预测值符合条件的样本数据。

在一种可能的实现方式中，所述利用梯度提升树算法对所述样本数据进行学习，生成医疗检测数据分类模型，包括：

构建基学习器；

根据所述样本数据的分类标签、所述样本数据的预测值、第一调节参数以及第二调节参数计算伪残差；所述样本数据的预测值是将所述样本数据中的医疗检测数据输入上一次得到的学习器获得的，首次计算伪残差时，上一次得到的学习器为所述基学习器；所述第一调节参数用于提高所述样本数据中少数类样本数据的权重，所述第二调节参数用于提高所述样本数据中难分样本数据的权重；

通过拟合所述伪残差学习一棵回归树；

利用所述回归树以及上一次得到的学习器，得到新的学习器；

重复执行所述根据所述样本数据的分类标签、所述样本数据的预测概率值、第一调节参数以及第二调节参数计算伪残差以及后续步骤，直到达到停止条件，生成医疗检测数据分类模型。

在一种可能的实现方式中，所述伪残差的计算公式为：

其中，y_i为所述样本数据的分类标签，为样本数据的预测值，α为第一调节参数，和为第二调节参数；

用于提高包括正样本标签的样本数据中难分样本数据的权重，用于提高包括负样本标签的样本数据中难分样本数据的权重。