技术领域
[0001] 本
发明涉及
人工智能技术，特别是一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统。
背景技术
[0002] 我国现有儿童医疗健康服务中人员短缺和能
力分布不均的现状依然非常严重，
基层人员缺乏丰富的临床经验，传统的医疗培训手段也很难起到期望的作用。其直接表现是基层医生往往难于担负起应有的职责，而患者难以得到高
质量的医疗服务。
[0003] 为此，业内人士关注基于人工智能为核心的技术，复制国内最优秀儿科医疗资源的能力，通过技术实现优质医疗资源有序有效下沉。
[0004] 当前，百度推出人工智能在医疗领域内的最新成果——百度医疗大脑，正式将人工智能技术应用到医疗健康行业，百度医疗大脑是百度大脑在医疗场景中的具体应用。具体应用场景包括为百度医生在线问诊提供智能协助、为医院提供帮助以及为患者建立用户画像，以便进行慢病管理等。
[0005] 上述百度医疗大脑并不能实现对儿童疾病的诊断医疗。由于儿童不会表达，其各个特征无法明确获知。目前，人工智能在儿童呼吸疾病，尤其是疑难杂症诊疗方面尚数空白，现有的对仅局限在成人
肺部放射影像的人工智能
图像分析，而且多集中于肺部癌症的判读，对儿童呼吸科疑难杂症的研究很少，而且儿童群体由于其特殊性，临床上严格限制放射影像的应用。
[0006] 如何实现对儿童的疑难杂症的智能化诊断成为当前亟需解决的问题。
发明内容
[0007] 针对
现有技术中的问题，本发明提供一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统。
[0008] 第一方面，本发明提供一种儿童呼吸科疾病的智能辅助诊断方法，包括：
[0009] S1、获取待诊断儿童的辅助检查信息和/或医生问诊记录信息；
[0010] S2、根据所述辅助检查信息和/或医生问诊记录信息，筛选关键信息；
[0011] S3、依据预先建立的儿童疾病
知识库系统，采用预先训练的典型症状诊断模型对所述关键信息进行处理，获取诊断结果；
[0012] 所述诊断结果包括：至少一种可能的疾病，及每一种可能的疾病对应待诊断儿童的特征。
[0013] 可选地，步骤S3之前，所述方法还包括：
[0014] 收集儿童呼吸科疑难杂症的各类症状信息及诊断信息；
[0015] 依据收集的症状信息及诊断信息及专家的先验知识，建立呼吸科疑难杂症的术语词典及术语词典中的各病例信息；
[0016] 通过术语词典中的各病例信息，构建包括训练集、验证集和测试集的儿童疾病知识库系统；
[0017] 采用构建的儿童疾病知识库系统训练建立的典型症状诊断模型，获得训练后的典型症状诊断模型；
[0018] 或者，
[0019] 收集儿童呼吸科的各类症状信息及诊断信息；
[0020] 依据收集的症状信息及诊断信息及专家的先验知识，建立呼吸科的术语词典及术语词典中的各病例信息；
[0021] 通过术语词典中的各病例信息，构建包括训练集、验证集和测试集的儿童疾病知识库系统；
[0022] 采用构建的儿童疾病知识库系统训练建立的典型症状诊断模型，获得训练后的典型症状诊断模型。
[0023] 可选地，所述诊断信息包括：诊断思路、诊断方法、诊断过程、疾病症状表现、疾病
鉴别诊断中的一种或多种。
[0024] 可选地，所述辅助检查信息包括：病理检查信息、超声辅助检查信息、
X射线辅助检查信息、CT、核磁辅助检查信息中的一种或多种；
[0025] 和/或，
[0026] 所述医生问诊记录信息包括：非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
[0027] 可选地，所述步骤S2包括：
[0028] 获取自动诊断系统存储的待诊断儿童的个人疾病史数据；
[0029] 依据待诊断儿童的个人疾病史数据、辅助检查信息和/或医生问诊记录信息，筛选关键信息；或者，采用隐
马尔科夫、条件随机场CRF和
深度学习方法中的一种对个人疾病史数据、辅助检查信息和/或医生问诊记录信息进行处理，筛选出用于构成输入向量的疾病特征的关键信息；
[0030] 和/或，所述关键信息中所有词的权重采用一个向量表示，以及关键信息为多维向量，且每一个疾病特征为一个维度信息。
[0031] 可选地，典型症状诊断模型为BP神经网络模型，
[0032] BP神经网络模型的
输入层节点数与输入向量的维数一致，
[0033] 学习步长为0.01～0.8；
隐藏层节点数为使用节点删除法和扩张法依据网络结构复杂程度和误差需求确定的节点数；
[0034] BP神经网络模型的
输出层为一层，且节点数与输出向量的个数一致。
[0035] 第二方面，一种儿童呼吸科疾病的智能辅助诊断系统，包括：
[0036] 第一信息收集模
块，用于收集待诊断儿童的医生问诊记录信息；
[0037] 第二信息收集模块，用于在所述医生问诊记录信息中存在辅助检查项目时，获取待诊断儿童的辅助检查信息；
[0038] 处理模块，用于根据所述辅助检查信息和/或医生问诊记录信息，筛选关键信息；以及依据预先建立的儿童疾病知识库系统，并采用预先训练的典型症状诊断模型对所述关键信息进行处理，获取诊断结果；
[0039] 展示模块，用于展示所述诊断结果，所述诊断结果包括：至少一种可能的疾病，及每一种可能的疾病对应待诊断儿童的特征。
[0040] 可选地，所述第一信息收集模块包括：
[0041] 起病记录单元，用于记录待诊断儿童的起病分类信息；
[0042] 症状表现记录单元，用于记录待诊断儿童的身体状态信息；
[0043] 症状检查记录单元，用于记录当前医生对所述待诊断儿童的初步检查信息；
[0044] 既往病史询问记录单元，用于记录待诊断儿童的应答的病历信息；
[0045] 辅助检查项目确认单元，用于记录需要进行辅助检查的辅助检查项目。
[0046] 可选地，所述第一信息收集模块和所述展示模块同时位于所述辅助诊断系统的信息展示界面。
[0047] 本发明具有的有益效果：
[0048] 本发明中，基于获取儿童呼吸科疑难杂症的诊断标准及先验知识，利用人工智能技术开发儿童呼吸科疑难杂症人工智能辅助诊断系统，帮助医生提高对疑难杂症的认知及诊断
水平，减少误诊、优化
治疗方案和早期
预防提供了强有力的
支撑。
[0049] 此外，基于本发明的方法可以实现对基层医疗的有利支撑，使得
患儿在基层可以做初步检查及筛查，发现问题再转专家，由此可以合理分配医疗资源，保证了医疗资源的合理使用。
[0050] 本发明的方法已经经过测试，对于呼吸科疑难杂症的
分辨率可达99％，能够有效的协助医生进行检查。
附图说明
[0051] 图1为本发明一
实施例提供的儿童呼吸科疾病的智能辅助诊断方法的流程示意图；
[0052] 图2为本发明一实施例提供的儿童呼吸科疾病的智能辅助诊断系统的信息展示界面的示意图；
[0053] 图3为本发明一实施例提供的训练BP神经网络的
流程图；
[0054] 图4为本发明一实施例提供的训练后的BP神经网络诊断的过程示意图；
[0055] 图5为本发明一实施例提供的儿童呼吸科疾病的智能辅助诊断方法的架构图。
具体实施方式
[0056] 为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
[0057] 实施例1
[0058] 如图1所示，本实施例的儿童呼吸科疾病的智能辅助诊断方法包括以下步骤：
[0059] S1、获取待诊断儿童的辅助检查信息和/或医生问诊记录信息。
[0060] 举例来说，所述辅助检查信息包括：超声辅助检查信息、X射线辅助检查信息、核磁辅助检查信息中的一种或多种；
[0061] 所述医生问诊记录信息包括：非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
[0062] S2、根据所述辅助检查信息和/或医生问诊记录信息，筛选关键信息。
[0063] 举例来说，获取自动诊断系统存储的待诊断儿童的个人疾病史数据；
[0064] 依据待诊断儿童的个人疾病史数据、辅助检查信息和/或医生问诊记录信息，筛选关键信息。
[0065] 本实施例的关键信息可采用向量表示，且关键信息中的每一个疾病特征可为一个维度的向量。
[0066] 本实施例中的辅助检查信息包括：病理检查信息、超声辅助检查信息、X射线辅助检查信息、CT、核磁辅助检查信息中的一种或多种；
[0067] 上述的医生问诊记录信息包括：非专家医生的辅助检查信息、记录的家族史信息、过敏史信息。
[0068] S3、依据预先建立的儿童疾病知识库系统，采用预先训练的典型症状诊断模型对所述关键信息进行处理，获取诊断结果；如图5所示。
[0069] 所述诊断结果包括：至少一种可能的疾病，及每一种可能的疾病对应待诊断儿童的特征。
[0070] 本实施例中的典型症状诊断模型可为BP神经网络模型，其具有预先训练的输入层、卷积层和全连接层等，根据各个不同的疾病特征训练后的BP神经网络模型中的
阈值、权值等适应性变化。
[0071] 举例来说，本实施例中可在步骤S3之前，执行如下的步骤，以建立儿童疾病知识库系统，并基于建立的儿童疾病知识库系统训练BP神经网络模型。
[0072] A01、收集儿童呼吸科疑难杂症的各类症状信息及诊断信息。
[0073] 举例来说，所述诊断信息包括：诊断思路、诊断方法、诊断过程、疾病症状表现、疾病鉴别诊断中的一种或多种。诊断信息包括文本信息和/或图像数据。
[0074] A02、依据收集的症状信息及诊断信息及专家的先验知识，建立呼吸科疑难杂症的术语词典及术语词典中的各病例信息。
[0075] 本实施例中术语词典中包括多个分类信息，每一分类信息中可包括多个病例信息。
[0076] A03、通过术语词典中的各病例信息，构建包括训练集、验证集和测试集的儿童疾病知识库系统；
[0077] A04、采用构建的儿童疾病知识库系统训练建立的典型症状诊断模型，获得训练后的典型症状诊断模型。
[0078] 在训练过程中，针对训练集中各个疾病分布不均匀的
缺陷，本实施例中可采用数据上
采样的方式均衡各个疾病，例如采用oversample/undersample的方法进行处理。
[0079] 上述针对目前儿科对应的呼吸科疑难杂症进行说明的。
[0080] 当然，在实际应用中，还可针对呼吸科各症状均进行收集，不一定限定为呼吸科疑难杂症。此时，上述的步骤A01可适应性调整为：收集儿童呼吸科的各类症状信息及诊断信息。
[0081] 如下表示出的术语词典的部分分类信息。
[0082]序号 科室 ICD编码 疾病名称
1 呼吸科 B37.101+J99.8* 肺
真菌感染-肺念珠菌病
2 呼吸科 B44.101+J99.8* 变态
反应性支气管肺曲霉病
3 呼吸科 B44.102+J99.8* 肺真菌感染-肺曲霉病
4 呼吸科 B45.001+J99.8* 肺真菌感染-肺隐球菌病
5 呼吸科 C85.908 肺淋巴瘤
6 呼吸科 C95.0018 淋巴细胞间质性肺炎
7 呼吸科 D71xx03 慢性肉芽肿病
8 呼吸科 D76.015 朗格汉斯细胞的组织细胞增多症
9 呼吸科 D80.501 高lgM症免疫缺陷病
10 呼吸科 D81.901 联合免疫缺陷病
11 呼吸科 D83.901 普通变异性免疫缺陷病
12 呼吸科 E84.902 囊性
纤维化
13 呼吸科 J47xx01 支气管扩张
14 呼吸科 J67.902 过敏性肺泡炎
15 呼吸科 J69.001 吸入性肺炎
16 呼吸科 J84.001 肺泡蛋白沉积症
17 呼吸科 J84.003 弥漫性肺泡出血
18 呼吸科 J84.902 间质性肺炎
19 呼吸科 M30.101 嗜酸性肉芽肿性血管炎
20 呼吸科 G24.902 原发性纤毛
运动障碍[0083] 本实施例中的儿童疾病知识库系统可包括训练集、验证集和测试集。
[0084] 在本
申请的一些实施例中，可以从各
网站或网页如百度百科/寻医问药、
电子病历数据等收集大量的专业术语，构建多类型的术语词典；以及可采用CRF(条件随机场)、隐马尔科夫、深度学习方法等进行分词处理，本实施例中可由儿科转件对分词的信息进行校正，得到术语词典中的语料库。
[0085] 采用向量表示语料库中的每一个词，使得语料库中的关键词可
特征向量化。
[0086] 由于向量的维度较大，非0元素较少，因此通常采用稀疏方式进行存储。比如，为每个单词
指定一个数字ID，例如“发烧”记作3，“发热”记作5(假设从0开始标记)。在编程实现时，通过Hash表就能完成每个单词的编号分配工作。可使用Skip-gram模型训练词向量。
[0087] 进一步地，还可以从电子病历的文本处理为模型输入所需的格式计算机能够识别的格式，例如，从
数据库中
抽取电子病历后，处理为模型输入所需的格式；以及，从医院的系统中获取CT、超声、MR和病理等图像数据，对图像数据进行预处理操作(如标准化或二值化处理)。
[0088] 由于诊断信息包括文本信息和图像数据，为此，对图像数据的标准化处理可包括：
[0089] 对训练集、验证集和测试集的图像数据进行标准化处理，例如，本实施例中先计算出训练集的均值和标准差，然后将验证集和测试集的数据按照训练集的均值和标准差做标准化处理，以使用统一的标准去处理上述的包括分类信息和诊断信息的数据集。此外，还可以对训练集的数据做数据增强操作，以增
大数据集处理过程中的数据量，提高数据集处理过程中的训练
精度。
[0090] 本实施例中的儿童疾病知识库系统为采用向量化表示的术语词典，每个术语词典中一个分类可为一个多维向量，每一维度可理解为该分类中的疾病特征，多个分类的疾病特征的权重也采用一个向量表示。
[0091] 另外，本实施例中使用的模型为BP神经网络模型。BP神经网络训练的过程可说明如下：
[0092] 结合图3和图4所示，在诊断模型中，可以应用BP网络建立疾病的
预测模型，建模的基本过程如下：首先收集导致疾病发生的主要影响因素及疾病发生的结果，如上儿童疾病知识库系统的训练集、测试集和验证集；然后把影响因素及疾病结果输入到设计好神经网络模型中进行反复训练，直到网络收敛(即达到预期的训练误差)，在训练过程中可适当采用一定的技巧使网络的训练速度最快、误差最小、模型最优，最后用建立好的模型进行疾病预测。
[0093] 输入层的设计
[0094] 构建BP神经网络，其输入层节点数取决于输入向量的维数，即特征向量的维数。因此，以呼吸科在设计
呼吸系统疾病诊断仿真系统的时候，在呼吸系统疾病诊断中选取与疾病有关的变量，即年龄z、症状(咳嗽.z、胸痛.22。、发烧z、咳痰zs、咳血e、呼吸困难z、冒冷汗zs、杵状指z。)、检查(放射线检查z。、纤支镜检查z)作为输入数据，数据经过预处理后，得到特征向量的维数从而确定网络输入层节点数。
[0095] 隐含层的设计
[0096] 隐层(即隐含层)节点数设计
[0097] 在BP网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，若隐层节点数太少，网络可能根本不能训练或网络性能很差；若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下用节点删除法和扩张法确定。
[0098] 本实施例中，确定隐层节点数，尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。本文根据经验公式 h为隐含层节点数，m为输入层节点数，n为输出层节点数，a为常数。或者，经验公式为h＝n(输入层节点数)+m(输出层节点数)+a(常数)。
[0099] 学习步长
[0100] 学习步长影响BP神经网络学习过程的
稳定性。大的学习率可能使网络权值每一次的修正量过大，甚至会导致权值在修正过程中超出某个误差的极小值呈不规则跳跃而不收敛；但过小的学习率导致学习时间过长，不过能保证收敛于某个极小值。一般倾向选取较小的学习率以保证学习过程的收敛性(稳定性)，通常在0.01～0.8之间。
[0101] 网络的初始连接权值
[0102] BP
算法决定了误差函数一般存在多个局部极小点，不同的网络初始权值直接决定了BP算法收敛于哪个局部极小点或是全局极小点。
[0103] 传递函数的确定
[0104] BP神经网络常用的有线性传递函数purelin、tan-sigmoid传递函数tansig和log-sigmoid传递函数logsig。
[0105] 1)线性传递函数是一个从网络的输入计算输出层的输出的线性传递函数，格式为：f(x)＝purelin(x)。
[0106] 2)正切Signoid型传递函数用于将神经元的输入范围从正无穷到负无穷，映射到(－1，1)。正切Sigmoid型传递函数tansig()是可微函数，因此很适合于利用BP算法训练神经网络，本实施例选取该函数作为网络隐含和输出层的传递函数。其格式为：f(x)＝tansig(x)。
[0107] 3)对数Sigmoid型传递函数用于将神经元的输入范围从正无穷到负无穷映射到(0，1)。对数Sigmoid型传递函数logsig()也是可微函数，适合于利用BP算法训练神经网络，其格式为：f(x)＝logsig(x)。
[0108] 输出层的设计
[0109] BP神经网络的输出层仅有一层，节点数目由输出向量的个数确定。如呼吸科研究为10种病(肺炎、哮喘、神经系统结合、急性支气管炎……)则，输出向量为10。
[0110] 神经网络系统的训练
[0111] BP网络的训练就是通过应用误差反传原理不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。通过训练集中训练样本的学习(训练)建立合理的BP神经网络模型，利用训练好的BP神经网络模型，用测试集和验证集中的数据进行仿真诊断，将实验结果与经验丰富的医生诊断对比，诊断符合率>90％为合格。
[0112] 实施例2
[0113] 如图2所示，本实施例提供一种儿童呼吸科疾病的智能辅助诊断系统，包括：
[0114] 第一信息收集模块，用于收集待诊断儿童的医生问诊记录信息；
[0115] 第二信息收集模块，用于在所述医生问诊记录信息中存在辅助检查项目时，获取待诊断儿童的辅助检查信息；
[0116] 处理模块，用于根据所述辅助检查信息和/或医生问诊记录信息，筛选关键信息；以及依据预先建立的儿童疾病知识库系统，采用预先训练的典型症状诊断模型对所述关键信息进行处理，获取诊断结果；
[0117] 展示模块，用于展示所述诊断结果，所述诊断结果包括：至少一种可能的疾病，及每一种可能的疾病对应待诊断儿童的特征。
[0118] 如图2所示，所述第一信息收集模块包括：
[0119] 起病记录单元，用于记录待诊断儿童的起病分类信息；
[0120] 症状表现记录单元，用于记录待诊断儿童的身体状态信息；
[0121] 症状检查记录单元，用于记录当前医生对所述待诊断儿童的初步检查信息；
[0122] 既往病史询问记录单元，用于记录待诊断儿童的应答的病历信息；
[0123] 辅助检查项目确认单元，用于记录需要进行辅助检查的辅助检查项目。
[0124] 在实际应用中，所述第一信息收集模块和所述展示模块同时位于所述辅助诊断系统的信息展示界面。
[0125] 通过
机器学习，形成在呼吸科疑难杂症/呼吸科发生早期的典型症状诊断模型。首先，在儿童医院呼吸科合作专家的临床规范诊疗质控过程中，形成高敏感性的对关键临床工作要素进行筛出提醒；其次，在关键疑难杂症分型工作中，实现高特异性的辅助精准诊断分型，并对疾病的状态
风险和后续转归做出辅助判断。
[0126] 该产品操作简单，适用范围特别广，适用于各个医疗卫生系统，该产品左侧是根据北京儿童医院的呼吸科专家
整理的疾病症状，包括患者年龄，起病情况，主要症状，专科检查，既往史家族史，辅助检查；右侧展示疾病诊断结果。医生通过点选患者的症状表现，右侧栏即可实时展示诊断结果。
[0127] 智能诊断右侧提供的诊断结果格式为，疾病名称+诊断权重，诊断结果按权重由大到小排列。每个诊断结果下面列举了此疾病的典型症状，其中蓝色高亮症状表示当前患者已体现，灰色症状表示当前患者未体现。若诊断疾病的结果为疑难杂症，右上
角给出红色的提醒，提醒该患者有患有疑难杂症的可能，可帮助医生鉴别诊断疑难症状。
[0128] 还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0129] 上述各个实施例可以相互参照，本实施例不对各个实施例进行限定。
[0130] 最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行
修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
