[0041] 为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。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的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。
[0042] 下面结合附图对本发明做进一步的详细描述:
[0043] 图1是本发明实施例的基于CMKMC的人机协同智慧医疗辅助决策系统的结构示意图。
[0044] 本发明实施例的基于CMKMC的人机协同智慧医疗辅助决策系统,包括动态医疗认知属性知识库疾病初诊模块、机器学习网络集群精确诊断模块、综合诊断模块以及自进化模块。本发明实施例的基于CMKMC的人机协同智慧医疗辅助决策系统,同时使用了医疗动态认知属性知识库初步诊断以及机器学习网络集群精确诊断,在逻辑与功能上互相辅助。疾病初诊模块在解决简单疾病诊断的同时,快速缩小临床疾病怀疑范围,并向医生推荐当前所需要的临床检查;而机器学习诊断网络集群则对于临床难以鉴别诊断的疾病从医疗大数据的角度给予量化的患病概率分析;提高了系统的临床实用性与诊断准确率。
[0045] 动态医疗认知属性知识库疾病初诊模块,用于将临床数据(即患者EMR数据)匹配动态医疗认知属性知识库的疾病节点属性,以确定临床疾病疑似病范围、提供临床检查指导,获取初诊结果。即基于动态医疗认知属性知识库,快速缩小临床疾病怀疑范围,并为患者后续所需检查提供指导。其中,疾病初诊模块中的动态医疗认知属性知识库包括多个临床疾病节点实体、节点属性以及节点之间的认知推理路径;其中,临床疾病节点实体由临床表现子节点实体与临床检查子节点实体组成;临床表现子节点实体由多组临床症状表现组成,临床检查子节点实体由多种临床检查手段组成;节点之间的认知推理路径,以当前临床医疗认知为基础,基于临床医疗大数据的分析与知识总结归纳,以关键临床特征为判断特征,建立逻辑推理关系,将临床医疗认知具化为多条连接各节点的认知推理路径。具体地,如图2所示,是本发明实施例的动态认知属性知识库结构示意图,动态医疗认知属性知识库根据临床医学知识精炼以及医疗大数据分析所建立,其结构组成包括:1)医学节点实体(Entity)、2)医学节点属性(Attribute)3)、医学节点之间的认知推理路径(CognitiveLogic Relation)。其中,医学节点实体分为疾病ID节点实体(主节点)以及其下辖的临床症状表现节点与临床检查手段节点(子节点)。各节点内部又包含众多的医疗属性以及各节点之间的逻辑关系。各节点之间认知推理路径的建立则是基于临床医疗大数据的分析与知识总结归纳的基础上,以关键临床属性为判断特征,根据逻辑关系,将临床医学知识抽象为一条条的认知推理路径。
[0046] 机器学习网络集群精确诊断模块,用于将疾病初诊模块无法确诊对应的临床数据通过机器学习诊断网络集群以进行疑似病量化患病风险概率分析,获得精诊结果。即基于机器学习网络集群,进行医疗大数据分析,以患病概率的方式,定量的为医疗决策系统提供疾病精确诊断结果。具体地,如图3所示,是本发明实施例的机器学习网络集群精确诊断模块的结构示意图,其结构主要分为三层:数据补全层、集群诊断层、结论融合层;
[0047] 数据补全层,用于对临床检查数据的缺失数据,采用数理统计、回归分析、数据拟合对其进行补全;具体地,数据补全层包含数理统计、回归分析、数据拟合等多个模块,对当前集群诊断中所需的缺失数据(即临床检查数据的缺失数据)进行估计与恢复。
[0048] 集群诊断层,用于通过数个相互独立的基础机器学习诊断网络,对补全后的临床数据做出各自的独立诊断分析;具体地,集群诊断层,由多个在测试集数据中训练完毕的机器学习网络组成,其中包括支持向量机SVC、Naive Bayes、RBF‑NN以及ANFIS等多种网络结构。当进行集群诊断时,系统根据网络在对应疾病测试集数据中的表现,从其中挑选多个合适的网络加入集群诊断队列中,依据当前患者临床数据获得各自的独立诊断结果。
[0049] 结论融合层,用于对集群诊断层输出的结果进行综合决策,获得精确诊断结果。具体地,结论融合层,包含集成分析层与决策返回层两部分,其中集成分析层由包括Adaboost、Logistic回归、随机森林、ID3决策树、Bagger加权平均等多个集成学习器组成。根据集群诊断层中独立机器学习网络在测试数据集中的诊断准确率,调用合适的集成学习器对集群诊断层做出的结果进行二次集成学习,为系统提供集成学习后的量化患病概率输出。决策返回层,对集成分析层输出的结果进行综合决策,为系统返回患病概率风险超过设定阈值的疾病诊断结果及其对应的风险概率值。
[0050] 综合诊断模块,用于将针对临床疑难疾病的机器学习网络集群精确诊断结果与医疗认知属性知识库中的初诊节点信息进行校验,综合评估获取诊断结论。具体地,综合诊断模块包括校验分析模块、诊断分析模块和临床检查指导模块;校验分析模块用于将精诊结果中对应患病风险高于预设阈值的几种疾病与初诊结果的疾病怀疑范围进行校验分析;诊断分析模块,用于将系统初诊节点与精诊结果相符或不相符的疾病节点中所对应的临床表现属性分析结果及推理路径与初诊、精诊结果一并输出以辅助医生决策,临床检查指导模块,用于增加所需的临床检查反馈给医生。
[0051] 自进化模块,用于对系统误诊病例进行分析和再学习,更新医疗认知属性知识库推理路径及节点属性,并调整机器学习诊断网络集群内部参数。即自进化模块实现对系统误诊病历进行再学习。当前病例诊断完毕后,机器学习诊断网络集群将对诊断错误的病例样本进行再学习,改进内部的网络结构以及节点权值。而动态认知属性知识库则通过无监督聚类学习对错误样本中的节点关系进行重新审查,在得到确认后对节点认知推理路径进行修正。具体地,自进化模块包括:误诊病例分析模块、机器学习网络集群误诊样本再学习模块、EMR特征提取模块和无监督训练分析模块;误诊样本数量积累到设定阈值后,自进化模块通过误诊病例分析模块分析误诊样本的属性和特征,通过机器学习网络集群误诊样本再学习模块对误诊样本进行二次学习,更新机器学习网络的诊断概率期望,从而进化机器学习网络集群精确诊断模块网络。同时,通过EMR特征提取模块,无监督聚类分析模块对类似病例提取疾病主要特征,并建造认知推理路径,在得到临床医生确认之后,更新动态认知属性知识库中的节点属性与逻辑通路。
[0052] 如图4所示,本实施例的基于CMKMC的人机协同智慧医疗辅助决策系统的人机协同诊断流程包括:
[0053] 用于辅助临床诊断决策时,针对当前临床检查数据,首先由动态医疗认知属性知识库疾病初诊模块根据当前患者临床症状与检查结果激活疾病节点,利用逻辑推理和模式匹配的方式进行疾病推理诊断,根据网络节点激活状态划定疾病怀疑范围与推荐临床检查意见。当遇到重大或疑难疾病时,动态医疗认知属性知识库疾病初诊模块,根据需要作出临床检查指导并汇总检查数据,同时向机器学习网络集群精确诊断模块发出鉴别诊断请求。并向其提供下列信息:1)待鉴别诊断疾病范围2)患者当前完整的临床检查数据。
[0054] 当机器学习网络集群精确诊断模块收到患者医疗数据以及会诊请求后,通过多层多个机器学习网络诊断与集群诊断机制,最终反馈给临床医生患病概率较高的几种疾病以及其各自的患病概率风险。同时根据设定概率风险阈值对该种疾病做出“阳性/阴性”的诊断判断。
[0055] 在机器学习网络集群精确诊断过程完成后,综合诊断模块负责对来自动态医疗认知属性知识库疾病初诊模块的初诊结果、临床认知推理路径、来自机器学习网络集群精确鉴别诊断模块的定量疾病诊断概率结果以及临床医生的诊断结果进行自动分析与有机结合。其中,校验分析模块将针对精确诊断结果中患病概率较高的几种疾病与初诊疾病认知推理路径进行校验分析。在分析过程中,模块根据机器学习网络集群精确诊断模块诊断结果再次查询初诊模块中动态医疗认知属性知识库的推理路径,同时与患者当前临床数据进行校验。诊断分析模块将系统初诊节点与精诊结果相符或不相符的疾病节点中所对应的临床表现属性分析结果及推理路径与初诊、精诊结果一并输出以辅助医生决策。检查指导模块对初诊模块知识库进行搜索,根据当前系统精确诊断结果及其患病风险概率值,决定是否建议医生采用成本较高或侵入性较强的临床检查手段以便最终的确诊。最终,综合诊断模块将为临床医生提供下列信息:①机器学习网络集群精确诊断模块诊断结果与患病风险概率。②系统动态认知属性知识库中符合/反对上述诊断结果的具体临床特征。③推荐患者所做的进阶临床检查。
[0056] 当前病例诊断完毕后,当误诊样本数量积累到设定阈值后,自进化模块会对CMKMC进行自进化训练。首先通过误诊病例分析模块分析误诊样本的属性和特征,通过机器学习网络集群误诊样本再学习模块对误诊样本进行二次学习,调整网络内部的置信度参数以及节点数值,更新机器学习网络的诊断概率期望,从而进化机器学习网络集群精确诊断模块。同时,通过EMR特征提取模块,无监督训练分析模块对误诊病例进行学习,提取类似疾病病例的主要特征,寻找节点之间潜在的联系,当之前没有建立关系的节点或节点属性之间的联系超过阈值并得到临床医生确认之后,更新动态认知属性知识库中的节点属性与逻辑通路。
[0057] 表1
[0058] 参数名称 计算方式 参数意义准确率 诊断正确人数/总病例数 表征系统诊断结果与真实结果符合度
敏感性TP 诊断患病人数/实际患病人数 表征系统检出患者的能力
特异性TN 诊断无病人数/实际无病人数 表征系统鉴别非患者能力
误诊率FP 假阳性人数/实际无病人数 表征系统非患者诊断错误可能性
漏诊率FN 假阴性/实际患病人数 表征系统患者诊断错误可能性
[0059] 表2
[0060]疾病ID 准确率% 敏感性TP% 特异性TN% 误诊率FP% 漏诊率TN%
心律不齐 93.98 94.47 88.23 11.76 5.52
肾盂肾炎 96.3 96.48 91.67 8.33 3.51
肺腺癌 93.45 94.61 79.31 20.68 5.38
甲亢 97.36 98.29 92.3 7.69 1.7
[0061] 从图5、表1及表2可以看出,本发明实施例的基于CMKMC的人机协同智慧医疗辅助决策系统在临床疾病实验中的诊断准确率高,对多个科室的不同临床疾病均能给出较为准确的诊断结果,整体诊断准确率可以达到95.27%,并且对于每一种疾病均具有较高的诊断敏感性,不易出现漏诊。
[0062] 因此,本发明基于CMKMC的人机协同智慧医疗辅助决策系统具有人机协同、诊断准确率高、临床实用性强以及自进化的特点。
[0063] 上述CMKMC为动态医疗认知属性知识库与机器学习网络集群(Cognitive MedicalKnowledge Machine‑learning Cluster)的简称。
[0064] 以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。