CN109872812A - 一种基于卷积神经网络的虚拟医生诊断系统及方法 - Google Patents
一种基于卷积神经网络的虚拟医生诊断系统及方法 Download PDFInfo
- Publication number
- CN109872812A CN109872812A CN201711269723.1A CN201711269723A CN109872812A CN 109872812 A CN109872812 A CN 109872812A CN 201711269723 A CN201711269723 A CN 201711269723A CN 109872812 A CN109872812 A CN 109872812A
- Authority
- CN
- China
- Prior art keywords
- doctor
- patient
- fititious
- diagnostic
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 37
- 208000024891 symptom Diseases 0.000 claims abstract description 36
- 230000036541 health Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 40
- 238000002405 diagnostic procedure Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 2
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 15
- 238000000605 extraction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 229940126532 prescription medicine Drugs 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医用设备技术领域，特别涉及一种基于卷积神经网络的虚拟医生诊断系统及方法。该方法为：获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和患者输入的病症症状信息，并采用患者选择的虚拟医生个体，根据病症症状进行初步诊断，得到初步诊断结果，其中，待检查医院用于对患者进行身体检查；在接收到患者身体检查数据时，采用患者选择的虚拟医生个体，根据接收到的患者的身体检查数据进行二次诊断，得到二次诊断结果；根据初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。采用上述方法，实现了人工智能模拟医生诊断过程，通过在线方式为患者提供诊疗服务，缓解了就诊患者挂号难，排队就诊时间出的问题。
Description
技术领域
本发明涉及医用设备技术领域，特别涉及一种基于卷积神经网络的虚拟医生诊断系统及方法。
背景技术
由于医疗资源分布不均，小医院的医疗设备，医疗环境以及医疗技术等，与大医院之间的差距较大，因此，人们在生病后大都选择去大医院排队挂号就诊，这样，就造成大医院拥堵，患者挂号困难，患者排队就诊时间长。
目前，也出现了一些用于检测人体健康的，作为医学专家进行疾病诊断的辅助工具的医学专家系统，其通过模拟医学专家诊断疾病的思维过程，将医学专家的诊断经验和知识以规则的形式存入计算机中，并建立相应的规则库，采用符号推理的方式进行医疗诊断。
然而，由于符号的知识表达方式的局限性，一些疑难病症的复杂性很难用规则来进行描述，甚至难以用简单的语言进行来表达，且基于规则的医学专家系统，随着规则库规模的不断增大，由各规则之间的组合方式也越来越多，由于推理循环过程中包含了大量无效的规则组合尝试，那么，推理效率就会降低。也就是说，现有的医学专家系统不能完全代替医生完成疾病诊断，仍不能缓解就诊患者挂号困难，及就诊患者排队就诊时间长的问题。
有鉴于此，需要设计一种基于卷积神经网络的虚拟医生诊断系统及方法，以弥补现有技术中存在的缺陷和不足之处。
发明内容
本发明实施例的目的是提供一种基于卷积神经网络的虚拟医生诊断系统及方法，用以解决现有技术中存在的就诊患者挂号困难，及就诊患者排队就诊时间长的问题。
本发明实施例中提供的具体技术方案如下：
一种基于卷积神经网络的虚拟医生诊断系统，所述虚拟医生诊断系统至少包括用户接待模块，虚拟医生模块和电子处方与电子病历生成模块，其中，
所述用户接待模块，用于完成患者的注册登记，所述患者待检查医院、虚拟医生个体的选择，以及所述患者的病症症状的输入，其中，所述待检查医院用于对患者进行身体检查；
所述虚拟医生模块，由卷积神经网络构建而成，包含有多个训练完成的虚拟医生个体，用于采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，并采用所述虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；
所述电子处理与电子病历生成模块，用于根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
较佳的，在采用所述患者选择的虚拟医生个体，根据所述病症症状对所述患者进行初步诊断之前，所述虚拟医生模块进一步用于：
分别获取各医生历史诊断过程样本数据；
根据所述各医生历史诊断过程样本数据分别对所述卷积神经网络进行样本训练，形成相应的各虚拟医生个体。
较佳的，根据所述各医生历史诊断过程样本数据分别对所述卷积神经网络进行样本训练，形成相应的各虚拟医生个体时，所述虚拟医生模块具体用于：
将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果；
若判定实际处理结果与理想处理结果之间的差别不小于设定阈值时，按照极小化误差方法反向调整卷积神经网络中权值矩阵，直至实际处理结果与理想处理结果之间的差别小于设定阈值，形成与所述一个医生相应的虚拟医生个体。
较佳的，所述卷积神经网络包括输入层，至少一个卷积层，至少一个采样层，至少一个全连接层和分类器。
较佳的，在将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果时，所述虚拟医生模块具体用于：
采用卷积玻尔兹曼机对输入的历史诊断过程样本数据进行至少一次卷积处理，提取相应的特征值，并针对每次卷积处理后得到的特征值进行池化操作和稀疏正则化操作，得到相应的诊断结果。
一种基于卷积神经网络的虚拟医生诊断方法，包括：
获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和所述患者输入的病症症状信息，并采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，其中，所述待检查医院用于对患者进行身体检查；
在接收到所述患者身体检查数据时，采用所述患者选择的虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；
根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
较佳的，在接收到患者输入的病症病状时，采用所述患者选择的虚拟医生个体，根据所述病症症状对所述患者进行初步诊断在股权被，进一步包括：
分别获取各医生历史诊断过程样本数据；
根据所述各医生历史诊断过程样本数据分别对卷积神经网络进行样本训练，形成相应的各虚拟医生个体。
较佳的，根据所述各医生历史诊断过程样本数据分别对卷积神经网络进行样本训练，形成相应的各虚拟医生个体，具体包括：
将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果；
若判定实际处理结果与理想处理结果之间的差别不小于设定阈值时，按照极小化误差方法反向调整卷积神经网络中权值矩阵，直至实际处理结果与理想处理结果之间的差别小于设定阈值，形成与所述一个医生相应的虚拟医生个体。
较佳的，所述卷积神经网络包括输入层，至少一个卷积层，至少一个采样层，至少一个全连接层和分类器。
较佳的，将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果，具体包括：
采用卷积玻尔兹曼机对输入的历史诊断过程样本数据进行至少一次卷积处理，提取相应的特征值，并针对每次卷积处理后得到的特征值进行池化操作和稀疏正则化操作，得到相应的诊断结果。
本发明有益效果如下：
综上所述，本发明实施例中，在采用虚拟医生诊断系统进行诊断的过程中，获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和所述患者输入的病症症状信息，并采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，其中，所述待检查医院用于对患者进行身体检查；在接收到所述患者身体检查数据时，采用所述患者选择的虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
采用上述方法，通过医生历史诊疗过程样本数据对卷积神经网络进行样本训练，实现了人工智能模拟医生诊断过程，通过在线方式为患者提供诊疗流程服务，有效缓解了目前就诊患者挂号难，排队就诊时间出的问题。
附图说明
图1为本发明实施例中，一种基于卷积神经网络的虚拟医生诊断系统结构示意图；
图2为本发明实施例中，虚拟医生模块中卷积神经网络的进行数据处理的详细流程图；
图3为本发明实施例中，一种基于卷积神经网络的虚拟医生诊断方法的详细流程图；
图4为本发明实施例中，基于卷积神经网络的虚拟医生诊断系统的诊断流程示意图。
具体实施方式
为了解决现有技术中存在的就诊患者挂号困难，及就诊患者排队就诊时间长的问题，本发明实施例中提供了一种新的基于卷积神经网络的虚拟医生诊断系统及方法，该方法为：获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和所述患者输入的病症症状信息，并采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，其中，所述待检查医院用于对患者进行身体检查；在接收到所述患者身体检查数据时，采用所述患者选择的虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1所示，本发明实施例中，基于卷积神经网络的虚拟医生诊断系统至少包括用户接待模块，虚拟医生模块和电子处方与电子病历生成模块，其中，
上述用户接待模块，用于完成患者的注册登记，上述患者待检查医院、虚拟医生个体的选择，以及上述患者的病症症状的输入，其中，上述待检查医院用于对患者进行身体检查；
上述虚拟医生模块，由卷积神经网络构建而成，包含有多个已训练完成的虚拟医生个体，用于采用上述患者选择的虚拟医生个体，根据上述病症症状进行初步诊断，得到初步诊断结果，并采用上述虚拟医生个体，根据接收到的上述患者的身体检查数据进行二次诊断，得到二次诊断结果；
上述电子处理与电子病历生成模块，用于根据上述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
实际应用中，在采用基于卷积神经网络的虚拟医生诊断系统进行疾病诊断之前，需要针对该虚拟医生诊断系统中的虚拟医生模块进行虚拟医生个体训练模拟操作。
本发明实施例中，针对该虚拟医生诊断系统中的虚拟医生模块进行虚拟医生个体训练模拟操作的过程为：分别获取各医生历史诊断过程样本数据，并根据所述各医生历史诊断过程样本数据分别对所述卷积神经网络进行样本训练，形成相应的各虚拟医生个体。
具体的，针对每个医生的历史诊断过程样本数据分别执行以下操作：将一个医生的历史诊断过程样本数据作为训练样本，将一个训练样本输入虚拟医生模块中的卷积神经网络中，进行模拟训练操作，得到实际的处理结果，其中，该实际处理结果为虚拟医生模块根据上述一个训练样本中的患者的病症症状，判断出的患者的病情信息，并将实际处理结果与用于表征患者真实病情信息的理想处理结果进行比较，判断实际处理结果与理想处理结果之间的差别是否不小于设定阈值，若判定实际处理结果与理想处理结果之间的差别不小于设定阈值时，按照极小化误差方法反向调整卷积神经网络中权值矩阵，然后使用调整了权值矩阵的卷积神经网络对后续的训练样本进行模拟训练，直至实际处理结果与理想处理结果之间的差别小于设定阈值，经过大量训练后，完成与上述一个医生相对应的虚拟医生个体的模拟训练。
那么，就可以根据不同医生的历史诊断过程样本数据，分别训练出不同的虚拟医生个体，即不同患者在通过用户接待模块完成注册登记后，可根据自身需要选择适合自己病症症状的虚拟医生个体。
本发明实施例中，虚拟医生模块由改进的卷积神经网络构建而成，该卷积神经网络包括输入层，至少一个卷积层，至少一个采样层，至少一个全连接层和分类器。其中，训练样本通过输入层输入卷积神经网络，通过卷积层中的卷积玻尔兹曼机对输入网络的训练样本进行特征值提取，并对提取出的特征值进行池化操作和稀疏正则化操作，从而得到相应的诊断结果。
例如，参阅图2所示，虚拟医生模块中卷积神经网络的数据处理流程图。将病症症状和/或身体检查数据输入卷积神经网络，通过卷积神经网络中的输入层，卷积层，采样层，全连接层和分类器处理后，输出诊断结果。具体的，将病症症状和/或身体检查数据经过卷积玻尔兹曼机进行特征值提取，在C1层产生特征映射，特征值经求和、加权值、加偏置，通过Sigmoid函数处理后得到S2层特征值，在经过卷积玻尔兹曼机进行特征值提取，得到C3层特征值，再通过特征值求和、加权值、加偏置，通过Sigmoid函数处理后得到S4层特征值，再次经过卷积玻尔兹曼机进行特征值提取后，得到C5层特征值，经点积、偏置、Sigmoid函数处理后，得到F6层特征值，最后通过欧式径向基函数处理后，得到诊断结果。
下面将通过具体实施例对本发明的方案进行详细描述，当然，本发明并不限于以下实施例。
参阅图3所示，本发明实施例中，一种基于卷积神经网络的虚拟医生诊断方法的详细流程如下：
步骤300：获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和上述患者输入的病症症状信息，并采用上述患者选择的虚拟医生个体，根据上述病症症状进行初步诊断，得到初步诊断结果，其中，上述待检查医院用于对患者进行身体检查。
实际应用中，用户通过登录虚拟医生诊断系统完成就诊患者信息的注册登记，并选择相应的可对就诊患者进行身体检查的待检查医院(如，离就诊患者所在地最近的医院)，以及根据就诊患者的病症症状从虚拟医生诊断系统的虚拟医生模块中选择适合就诊患者病症症状的虚拟医生个体，在完成注册，待检查医院，虚拟医生个体的选择之后，可通过输入就诊患者的病症症状，使得虚拟医生个体根据该输入的就诊患者的病症症状对患者进行初步诊断，并得到相应的初步诊断结果。
例如，将病症症状经过卷积玻尔兹曼机进行特征值提取，在C1层产生特征映射，特征值经求和、加权值、加偏置，通过Sigmoid函数处理后得到S2层特征值，在经过卷积玻尔兹曼机进行特征值提取，得到C3层特征值，再通过特征值求和、加权值、加偏置，通过Sigmoid函数处理后得到S4层特征值，再次经过卷积玻尔兹曼机进行特征值提取后，得到C5层特征值，经点积、偏置、Sigmoid函数处理后，得到F6层特征值，最后通过欧式径向基函数处理后，得到初步诊断结果。
步骤310：在接收到上述患者身体检查数据时，采用上述患者选择的虚拟医生个体，根据接收到的上述患者的身体检查数据进行二次诊断，得到二次诊断结果。
实际应用中，就诊患者在完成在线的注册登记，及待检查医院和虚拟医生个体的选择，以及病症症状信息的输入之后，就诊患者需要去待检测医院进行相应的身体检查，待完成身体检查之后，身体检查设备会将身体检查数据传输至虚拟医生诊断系统，虚拟医生诊断系统中的虚拟医生模块在接收到就诊患者的身体检查数据时，采用就诊患者选择的虚拟医生个体根据接收到的身体检查数据对就诊患者进行二次诊断，得到最终的诊断结果。
例如，将身体检查数据经过卷积玻尔兹曼机进行特征值提取，在C1层产生特征映射，特征值经求和、加权值、加偏置，通过Sigmoid函数处理后得到S2层特征值，在经过卷积玻尔兹曼机进行特征值提取，得到C3层特征值，再通过特征值求和、加权值、加偏置，通过Sigmoid函数处理后得到S4层特征值，再次经过卷积玻尔兹曼机进行特征值提取后，得到C5层特征值，经点积、偏置、Sigmoid函数处理后，得到F6层特征值，最后通过欧式径向基函数处理后，得到最终诊断结果。
步骤320：根据上述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
具体的，虚拟医生个体在完成诊断之后，将诊断结果发送至虚拟医生诊断系统中的电子处方与电子病历生成模块中，以触发电子处方与电子病历生成模块根据接收到的诊断结果，生成相应的电子处方和/或根据就诊过程生成电子病历。患者可根据该电子处方用于后续的取药等操作，患者可查看该电子病历，且下次就诊时，可以直接调取该电子病历。
下面采用具体的应用场景对上述实施例作进一步详细说明，参阅图4所示，本发明实施例中，基于卷积神经网络的虚拟医生诊断系统的诊断流程示意图。
具体的，首先，虚拟医生模块预先根据医生诊疗过程样本数据，对卷积神经网络进行样本训练(样本训练过程中加入池化操作和稀疏正则化操作，以提高训练效率)，形成多个虚拟医生个体；
然后，就诊患者通过用户接待模块进行在线注册登记，选择待检查医院、虚拟医生个体，描述病症症状，就诊患者选择的虚拟医生模块中的虚拟医生个体根据描述的病症症状对患者进行网络在线初步诊断，得到初步诊断结果；
接着，就诊患者去选择的待检查医院进行相关身体检查，将身体检查数据传输至虚拟医生诊断系统，就诊患者选择的虚拟医生模块中的虚拟医生个体根据接收到的，就诊患者的身体检查数据对就诊患者进行网络在线二次诊断，得到最终诊断结果；
最后，虚拟医生诊断系统中的电子处方与电子病历生成模块根据最初诊断结果和/或最终诊断结果生成相应的电子处方和/或电子病历。
综上所述，本发明实施例中，在采用虚拟医生诊断系统进行诊断的过程中，获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和所述患者输入的病症症状信息，并采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，其中，所述待检查医院用于对患者进行身体检查；在接收到所述患者身体检查数据时，采用所述患者选择的虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
采用上述方法，通过医生历史诊疗过程样本数据对卷积神经网络进行样本训练，实现了人工智能模拟医生诊断过程，通过在线方式为患者提供诊疗流程服务，有效缓解了目前就诊患者挂号难，排队就诊时间出的问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于卷积神经网络的虚拟医生诊断系统，其特征在于，所述虚拟医生诊断系统至少包括用户接待模块，虚拟医生模块和电子处方与电子病历生成模块，其中，
所述用户接待模块，用于完成患者的注册登记，所述患者待检查医院、虚拟医生个体的选择，以及所述患者的病症症状的输入，其中，所述待检查医院用于对患者进行身体检查；
所述虚拟医生模块，由卷积神经网络构建而成，包含有多个训练完成的虚拟医生个体，用于采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，并采用所述虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；
所述电子处理与电子病历生成模块，用于根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
2.如权利要求1所述的虚拟医生诊断系统，其特征在于，在采用所述患者选择的虚拟医生个体，根据所述病症症状对所述患者进行初步诊断之前，所述虚拟医生模块进一步用于：
分别获取各医生历史诊断过程样本数据；
根据所述各医生历史诊断过程样本数据分别对所述卷积神经网络进行样本训练，形成相应的各虚拟医生个体。
3.如权利要求2所述的虚拟医生诊断系统，其特征在于，根据所述各医生历史诊断过程样本数据分别对所述卷积神经网络进行样本训练，形成相应的各虚拟医生个体时，所述虚拟医生模块具体用于：
将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果；
若判定实际处理结果与理想处理结果之间的差别不小于设定阈值时，按照极小化误差方法反向调整卷积神经网络中权值矩阵，直至实际处理结果与理想处理结果之间的差别小于设定阈值，形成与所述一个医生相应的虚拟医生个体。
4.如权利要求3所述的虚拟医生诊断系统，其特征在于，所述卷积神经网络包括输入层，至少一个卷积层，至少一个采样层，至少一个全连接层和分类器。
5.如权利要求4所述的虚拟医生诊断系统，其特征在于，在将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果时，所述虚拟医生模块具体用于：
采用卷积玻尔兹曼机对输入的历史诊断过程样本数据进行至少一次卷积处理，提取相应的特征值，并针对每次卷积处理后得到的特征值进行池化操作和稀疏正则化操作，得到相应的诊断结果。
6.一种基于卷积神经网络的虚拟医生诊断方法，应用于如权利要求1-5任一项所述的虚拟医生诊断系统，其特征在于，包括：
获取患者的注册登记信息，选择待检查医院、虚拟医生个体的信息和所述患者输入的病症症状信息，并采用所述患者选择的虚拟医生个体，根据所述病症症状进行初步诊断，得到初步诊断结果，其中，所述待检查医院用于对患者进行身体检查；
在接收到所述患者身体检查数据时，采用所述患者选择的虚拟医生个体，根据接收到的所述患者的身体检查数据进行二次诊断，得到二次诊断结果；
根据所述初步诊断结果和/或二次诊断结果生成相应的电子处方和/或电子病历。
7.如权利要求6所述的虚拟医生诊断方法，其特征在于，在接收到患者输入的病症病状时，采用所述患者选择的虚拟医生个体，根据所述病症症状对所述患者进行初步诊断在股权被，进一步包括：
分别获取各医生历史诊断过程样本数据；
根据所述各医生历史诊断过程样本数据分别对卷积神经网络进行样本训练，形成相应的各虚拟医生个体。
8.如权利要求7所述的虚拟医生诊断方法，其特征在于，根据所述各医生历史诊断过程样本数据分别对卷积神经网络进行样本训练，形成相应的各虚拟医生个体，具体包括：
将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果；
若判定实际处理结果与理想处理结果之间的差别不小于设定阈值时，按照极小化误差方法反向调整卷积神经网络中权值矩阵，直至实际处理结果与理想处理结果之间的差别小于设定阈值，形成与所述一个医生相应的虚拟医生个体。
9.如权利要求8所述的虚拟医生诊断方法，其特征在于，所述卷积神经网络包括输入层，至少一个卷积层，至少一个采样层，至少一个全连接层和分类器。
10.如权利要求9所述的虚拟医生诊断方法，其特征在于，将获取到的一个医生的历史诊断过程样本数据输入卷积神经网络中进行训练处理，得到实际处理结果，具体包括：
采用卷积玻尔兹曼机对输入的历史诊断过程样本数据进行至少一次卷积处理，提取相应的特征值，并针对每次卷积处理后得到的特征值进行池化操作和稀疏正则化操作，得到相应的诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711269723.1A CN109872812A (zh) | 2017-12-05 | 2017-12-05 | 一种基于卷积神经网络的虚拟医生诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711269723.1A CN109872812A (zh) | 2017-12-05 | 2017-12-05 | 一种基于卷积神经网络的虚拟医生诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109872812A true CN109872812A (zh) | 2019-06-11 |
Family
ID=66915155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711269723.1A Pending CN109872812A (zh) | 2017-12-05 | 2017-12-05 | 一种基于卷积神经网络的虚拟医生诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872812A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379507A (zh) * | 2019-06-27 | 2019-10-25 | 南京市卫生信息中心 | 一种基于患者向量图像的辅助诊断方法 |
| CN110584618A (zh) * | 2019-08-15 | 2019-12-20 | 济南市疾病预防控制中心 | 基于人工智能的传染病机器识别系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101681455A (zh) * | 2007-04-23 | 2010-03-24 | 三星电子株式会社 | 远程医学诊断系统和方法 |
| US20150223759A1 (en) * | 2010-03-15 | 2015-08-13 | Singapore Health Services Pte Ltd. | Predicting acute cardiopulmonary events and survivability of a patient |
| CN106126917A (zh) * | 2016-06-22 | 2016-11-16 | 扬州立兴科技发展合伙企业（有限合伙） | 一种基于虚拟现实技术的远程诊疗系统 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
| CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
-
2017
- 2017-12-05 CN CN201711269723.1A patent/CN109872812A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101681455A (zh) * | 2007-04-23 | 2010-03-24 | 三星电子株式会社 | 远程医学诊断系统和方法 |
| US20150223759A1 (en) * | 2010-03-15 | 2015-08-13 | Singapore Health Services Pte Ltd. | Predicting acute cardiopulmonary events and survivability of a patient |
| CN106126917A (zh) * | 2016-06-22 | 2016-11-16 | 扬州立兴科技发展合伙企业（有限合伙） | 一种基于虚拟现实技术的远程诊疗系统 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
| CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379507A (zh) * | 2019-06-27 | 2019-10-25 | 南京市卫生信息中心 | 一种基于患者向量图像的辅助诊断方法 |
| CN110379507B (zh) * | 2019-06-27 | 2023-03-14 | 南京市卫生信息中心 | 一种基于患者向量图像的辅助诊断方法 |
| CN110584618A (zh) * | 2019-08-15 | 2019-12-20 | 济南市疾病预防控制中心 | 基于人工智能的传染病机器识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hussain et al. | Notice of retraction: AI techniques for COVID-19 | |
| JP7278571B2 (ja) | 対象システムの内部状態を推定する支援システム | |
| US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
| Ghadiri Hedeshi et al. | Coronary Artery Disease Detection Using a Fuzzy‐Boosting PSO Approach | |
| JP7304594B2 (ja) | ディープラーニングモデルを用いた画像診断装置及びその方法 | |
| WO2021180244A1 (zh) | 一种疾病风险预测系统、方法、装置、设备及介质 | |
| WO2021179630A1 (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
| CN112259246A (zh) | 一种融合医学概念层级结构的疾病预测方法及相关设备 | |
| CN111524598A (zh) | 一种围术期并发症预测方法及系统 | |
| Soundrapandiyan et al. | AI-based wavelet and stacked deep learning architecture for detecting coronavirus (COVID-19) from chest X-ray images | |
| Bajpai et al. | Early prediction of cardiac arrest using hybrid machine learning models | |
| CN112365962B (zh) | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 | |
| Nugroho et al. | Performance of root-mean-square propagation and adaptive gradient optimization algorithms on covid-19 pneumonia classification | |
| CN109872812A (zh) | 一种基于卷积神经网络的虚拟医生诊断系统及方法 | |
| CN108595432A (zh) | 医疗文书纠错方法 | |
| CN115116608A (zh) | 疾病预测方法、装置、存储介质、设备及程序产品 | |
| JP7173482B2 (ja) | ヘルスケアデータ分析システム、ヘルスケアデータ分析方法およびヘルスケアデータ分析プログラム | |
| Shaikh et al. | Automated classification of pneumonia from chest x-ray images using deep transfer learning efficientnet-b0 model | |
| Domyati et al. | Robust detection of cardiac disease using machine learning algorithms: Robust detection | |
| US20230395228A1 (en) | Physical therapy imaging and prediction | |
| Yilmaz et al. | Use of Autopsy to Determine Live or Stillbirth: New Approaches in Decision‐support Systems | |
| Khan et al. | Dental caries and non caries detection using deep learning | |
| Chowdary et al. | Detecting retinopathy of prematurity disease based on Fundus Image Dataset | |
| Nandini et al. | Smart IoT Solutions for Precise COVID-19 Lung and Heart Disease Identification via Bayesian Neural Networks and Hybrid Optimization | |
| Indira et al. | Prediction and analysis of Covid-19 using the Deep Learning Models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
| RJ01 | Rejection of invention patent application after publication |