基于机器学习的疾病分析方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114220536A(43)申请公布日2022.03.22(21)申请号202111509656.2(22)申请日2021.12.10(71)申请人深圳市北科瑞声科技股份有限公司地址518036广东省深圳市福田区梅林街道梅都社区中康路136号深圳新一代产业园3栋1201-6(72)发明人陈诚廖晨杨雨航吕少领(74)专利代理机构深圳智汇远见知识产权代理有限公司44481代理人刘洁(51)Int.Cl.G16H50/20(2018.01)G06N20/00(2019.01)权利要求书2页说明书11页附图3页(54)发明名称基于机器学习的疾病分析方法、装置、设备及存储介质(57)摘要本发明涉及人工智能技术，揭露了一种基于机器学习的疾病分析方法，包括：获取训练疾病数据以及训练疾病数据对应的真实疾病名称和真实疾病属性；构建训练疾病数据的目标向量相关矩阵，利用疾病分析模型对目标向量相关矩阵计算，得到输出结果；分别利用疾病名称损失函数和属性信息损失函数计算得到输出结果与真实疾病名称的疾病名称损失值和属性信息损失值，并利用联合损失函数计算疾病名称损失值和属性信息损失值，得到联合损失值，根据联合损失值优化所述疾病分析模型；利用优化后的疾病分析模型对待检测数据计算，得到目标疾病分析结果。本发明还提出一种基于机器学习的疾病分析装置、设备以及介质。本发明可以提高疾病分析的精确度。CN114220536ACN114220536A权利要求书1/2页1.一种基于机器学习的疾病分析方法，其特征在于，所述方法包括：获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。2.如权利要求1所述的基于机器学习的疾病分析方法，其特征在于，所述构建所述训练疾病数据的目标向量相关矩阵，包括：对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集；对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集进行计算，得到目标向量相关矩阵。3.如权利要求2所述的基于机器学习的疾病分析方法，其特征在于，所述对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集，包括：从所述训练疾病数据中提取待掩码数据，对所述待掩码数据执行掩码操作，得到已掩码数据；对所述已掩码数据中的所有数据进行向量转换，得到向量集，并对所述向量集执行位置编码，得到定位向量集。4.如权利要求2所述的基于机器学习的疾病分析方法，其特征在于，所述对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集进行计算，得到目标向量相关矩阵，包括：将所述定位向量集转换为定位向量矩阵，根据所述定位向量矩阵的维度生成分类迭代转换矩阵；利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵计算，得到与所述定位字向量集对应的原始向量相关矩阵；利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，得到目标向量相关矩阵。5.如权利要求1所述的基于机器学习的疾病分析方法，其特征在于，所述利用联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，包括：利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计算；将计算的结果与所述疾病名称损失值相乘，得到联合损失值。6.如权利要求5所述的基于机器学习的疾病分析方法，其特征在于，所述根据所述联合损失值优化所述疾病分析模型，包括：判断所述联合损失值是否小于预设损失阈值；2CN114220536A权利要求书2/2页当所述联合损失值大于或等于预设损失阈值时，利用梯度下降算法对所述疾病分析模型的超参数进行更新；当所述联合损失值小于预设损失阈值时，得到迭代后的标准疾病分析模型。7.如权利要求1至6中任一项所述的基于机器学习的疾病分析方法，其特征在于，所述利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果，包括：根据所述待检测数据从网络或数据库中抓取对应的答案，并存储至答案列表中；将所述待检测数据输入所述标准疾病分析模型，得到识别答