基于模型的数据处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及人工智能领域，提供一种基于模型的数据处理方法、装置、计算机设备和存储介质，方法包括：获取与目标用户对应的多模态医疗数据；将多模态医疗数据输入至预设的预测模型；通过预测模型对多模态医疗数据进行关于类别信息分类的预测处理，并输出相应的类别预测列表；从类别预测列表中筛选出目标类别信息；将目标类别信息作为与目标用户对应的目标类别预测结果。本申请实现了对原始输入的多模态数据的充分利用，有效克服了现有技由于对非结构化数据的数据转换带来的信息损失的缺陷，保证了生成的目标类别预测结果的精度，提高了生成目标类别预测的处理效率。本申请还可以应用于区块链领域，上述目标类别信息等数据可以存储于区块链上。储于区块链上。储于区块链上。

【技术实现步骤摘要】
基于模型的数据处理方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，具体涉及一种基于模型的数据处理方法、装置、计算机设备和存储介质。

技术介绍

[0002]诊断决策支持系统(Diagnostic Decision Support System，DDSS)是一种用来帮助医生提高诊断决策能力，防止临床误诊的辅助诊断系统，其核心是利用人工智能技术进行诊断推理。通常情况下，现有的诊断决策支持系统的输入一般都是结构化数据，医生将获取到的患者的结构化数据输入到DDSS中，DDSS则会输出该与该患者相对应的疑似疾病列表，以提供诊断决策支持。然而，目前获取到的患者数据一般都是以多模态数据的形式呈现，即同时包含结构化形式和非结构化形式的数据。如果需要使用DDSS对多模态数据形式的患者数据中包含的非结构化数据进行诊断推理，则需要应用自然语言处理技术从患者数据中包含的非结构化数据中提取重要的信息，然后将这些重要的信息转换为结构化数据，之后再将所有的结构化数据输入至DDSS内进行诊断处理以生成相应的疾病诊断结果。应用上述的疾病诊断方法虽然能够生成患者相对应的疾病诊断结果，但使用将非结构化数据转换为结构化数据的方式存在不可避免的信息损失，进而会使得生成的疾病诊断结果的精度较低以及生成的疾病诊断结果的效率较低。

技术实现思路

[0003]本申请的主要目的为提供一种基于模型的数据处理方法、装置、计算机设备和存储介质，旨在解决应用现有的疾病诊断方法虽然能够生成患者相对应的疾病诊断结果，但使用将非结构化数据转换为结构化数据的方式存在不可避免的信息损失，进而会使得生成的疾病诊断结果的精度较低以及生成的疾病诊断结果的效率较低的技术问题。
[0004]本申请提出一种基于模型的数据处理方法，所述方法包括步骤：
[0005]获取与目标用户对应的多模态医疗数据，其中，所述多模态医疗数据包括结构化医疗数据与非结构化医疗数据；
[0006]将所述多模态医疗数据输入至预设的预测模型，其中，所述预测模型为基于预先采集的样本数据对预设的深度学习模型进行训练后生成，所述深度学习模型包括词嵌入层、值嵌入层、类型嵌入层、输入嵌入层、中间层与分类层；
[0007]通过所述预测模型对所述多模态医疗数据进行关于类别信息分类的预测处理，并输出相应的类别预测列表，其中，所述类别预测列表内包含疑似类别信息，以及与所述疑似类别信息对应的预测概率；
[0008]从所述类别预测列表中筛选出目标类别信息；
[0009]将所述目标类别信息作为与所述目标用户对应的目标类别预测结果。
[0010]可选地，所述将所述多模态医疗数据输入至预设的预测模型的步骤之前，包括：
[0011]获取预先采集的所述样本数据，其中，所述样本数据包括用户基本医疗信息与用
户类别标签信息，所述用户基本医疗信息包括结构化数据与非结构化数据；
[0012]通过所述深度学习模型的值嵌入层与类型嵌入层对所述结构化数据进行处理，以及通过所述深度学习模型的词嵌入层、值嵌入层与类型嵌入层对所述非结构化数据进行处理，生成与所述用户基本医疗信息对应的用户基本医疗信息向量数据，并将所述用户基本医疗信息向量数据输入至所述深度学习模型的输入嵌入层；
[0013]将所述输入嵌入层中的所述用户基本医疗信息向量数据输入至所述深度学习模型的中间层，通过所述中间层对所述用户基本医疗信息向量数据进行数据处理，生成相应的特征向量；
[0014]将所述特征向量输入至所述深度学习模型的分类层，通过预设的softmax函数计算出所述特征向量属于所述用户类别标签信息的概率值；
[0015]基于所述概率值，判断预设的损失函数是否收敛；
[0016]若所述损失函数收敛，则判定完成模型训练过程，并将得到的训练完成的深度学习模型作为所述预测模型；
[0017]将所述预测模型存储至区块链网络中。
[0018]可选地，所述通过所述深度学习模型的值嵌入层与类型嵌入层对所述结构化数据进行处理，以及通过所述深度学习模型的词嵌入层、值嵌入层与类型嵌入层对所述非结构化数据进行处理，生成与所述用户基本医疗信息对应的用户基本医疗信息向量数据的步骤，包括：
[0019]获取所述用户基本医疗信息中的结构化数据，将所述结构化数据转化为类型名称数据与数值数据；
[0020]将所述数值数据输入至所述深度学习模型的值嵌入层，以及将所述类型名称数据输入至所述深度学习模型的类型嵌入层；
[0021]获取所述用户基本医疗信息中的非结构化数据；
[0022]将所述非结构化数据输入至所述深度学习模型的词嵌入层，通过所述词嵌入层将所述非结构化数据转化为对应的向量数据；
[0023]获取与各所述非结构化数据的类型分别对应的类型数据；
[0024]将所述向量数据输入至所述深度学习模型的值嵌入层，以及将所述类型数据输入至所述深度学习模型的类型嵌入层；
[0025]基于所述值嵌入层与所述类型嵌入层中包含的数据，生成与所述用户基本医疗信息对应的所述用户基本医疗信息向量数据。
[0026]可选地，所述基于所述值嵌入层与所述类型嵌入层中包含的数据，生成与所述用户基本医疗信息对应的所述用户基本医疗信息向量数据的步骤，包括：
[0027]分别查找出所述值嵌入层与所述类型嵌入层中包含的具有对应关系的相关数据，其中，所有具有对应关系的相关数据是指同时对应于同一结构化数据的类型名称数据与数值数据，或者是指同时对应于同一非结构化数据的向量数据与类型数据；
[0028]分别对所述值嵌入层与所述类型嵌入层中包含的所述相关数据进行拼接处理，得到对应的拼接数据；
[0029]将所述拼接数据作为所述用户基本医疗信息向量数据。
[0030]可选地，所述从所述类别预测列表中筛选出目标类别信息的步骤，包括：
[0031]将所述类别预测列表中包含的所有所述预测概率按照由大到小的顺序进行排列，得到对应的排序结果；
[0032]从所述排序结果中排在首位的预测概率开始，依次筛选出指定数量的第一预测概率；
[0033]从所述类别预测列表中获取与所述第一预测概率对应的第一类别信息；
[0034]将所述第一类别信息作为所述目标类别信息。
[0035]可选地，所述从所述类别预测列表中筛选出目标类别信息的步骤，包括：
[0036]获取预设的指定概率数值；
[0037]基于所述指定概率数值对所述类别预测列表中包含的所有所述预测概率进行比较处理，从所有所述预测概率中筛选出大于所述指定概率数值的第二预测概率；
[0038]从所述类别预测列表中获取与所述第二预测概率对应的第二类别信息；
[0039]将所述第二类别信息作为所述目标类别信息。
[0040]可选地，所述将所述目标类别信息作为与所述目标用户对应的目标类别预测结果的步骤之后，包括：
[0041]将所述目标类别预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型的数据处理方法，其特征在于，包括：获取与目标用户对应的多模态医疗数据，其中，所述多模态医疗数据包括结构化医疗数据与非结构化医疗数据；将所述多模态医疗数据输入至预设的预测模型，其中，所述预测模型为基于预先采集的样本数据对预设的深度学习模型进行训练后生成，所述深度学习模型包括词嵌入层、值嵌入层、类型嵌入层、输入嵌入层、中间层与分类层；通过所述预测模型对所述多模态医疗数据进行关于类别信息分类的预测处理，并输出相应的类别预测列表，其中，所述类别预测列表内包含疑似类别信息，以及与所述疑似类别信息对应的预测概率；从所述类别预测列表中筛选出目标类别信息；将所述目标类别信息作为与所述目标用户对应的目标类别预测结果。2.根据权利要求1所述的基于模型的数据处理方法，其特征在于，所述将所述多模态医疗数据输入至预设的预测模型的步骤之前，包括：获取预先采集的所述样本数据，其中，所述样本数据包括用户基本医疗信息与用户类别标签信息，所述用户基本医疗信息包括结构化数据与非结构化数据；通过所述深度学习模型的值嵌入层与类型嵌入层对所述结构化数据进行处理，以及通过所述深度学习模型的词嵌入层、值嵌入层与类型嵌入层对所述非结构化数据进行处理，生成与所述用户基本医疗信息对应的用户基本医疗信息向量数据，并将所述用户基本医疗信息向量数据输入至所述深度学习模型的输入嵌入层；将所述输入嵌入层中的所述用户基本医疗信息向量数据输入至所述深度学习模型的中间层，通过所述中间层对所述用户基本医疗信息向量数据进行数据处理，生成相应的特征向量；将所述特征向量输入至所述深度学习模型的分类层，通过预设的softmax函数计算出所述特征向量属于所述用户类别标签信息的概率值；基于所述概率值，判断预设的损失函数是否收敛；若所述损失函数收敛，则判定完成模型训练过程，并将得到的训练完成的深度学习模型作为所述预测模型；将所述预测模型存储至区块链网络中。3.根据权利要求2所述的基于模型的数据处理方法，其特征在于，所述通过所述深度学习模型的值嵌入层与类型嵌入层对所述结构化数据进行处理，以及通过所述深度学习模型的词嵌入层、值嵌入层与类型嵌入层对所述非结构化数据进行处理，生成与所述用户基本医疗信息对应的用户基本医疗信息向量数据的步骤，包括：获取所述用户基本医疗信息中的结构化数据，将所述结构化数据转化为类型名称数据与数值数据；将所述数值数据输入至所述深度学习模型的值嵌入层，以及将所述类型名称数据输入至所述深度学习模型的类型嵌入层；获取所述用户基本医疗信息中的非结构化数据；将所述非结构化数据输入至所述深度学习模型的词嵌入层，通过所述词嵌入层将所述非结构化数据转化为对应的向量数据；
获取与各所述非结构化数据的类型分别对应的类型数据；将所述向量数据输入至所述深度学习模型的值嵌入层，以及将所述类型数据输入至所述深度学习模型的类型嵌入层；基于所述值嵌入层与所述类型嵌入层中包含的数据，生成与所述用户基本医疗信息对应的所述用户基本医疗信息向量数据。4.根据权利要求3所述的基于模型的数据处理方法，其特征在...

【专利技术属性】
技术研发人员：唐蕊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：