技术特征：
1.一种疾病分型模型的训练方法，其特征在于，所述方法包括：获取病历样本信息；对所述病历样本信息进行结构化处理，得到结构化的病历样本信息；将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；将所述患者样本向量信息输入聚类模块，得到患者样本标签信息；将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型；其中，时控长短期记忆神经网络通过向长短期记忆神经网络中添加时间信息得到。2.根据权利要求1所述的疾病分型模型的训练方法，其特征在于，所述方法还包括：将所述患者样本向量信息输入反卷积模块，得到第一样本信息；根据所述第一样本信息和所述病历样本信息，得到第一样本误差；根据所述聚类模块，得到kl散度；根据所述第一样本误差和所述kl散度，对所述图卷积模块、所述时控长短期记忆神经网络模块和所述聚类模块进行联合优化训练，对所述疾病分型模型的参数进行更新。3.根据权利要求1所述的疾病分型模型的训练方法，其特征在于，所述将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块这一步骤前，还包括：对所述结构化的病历样本信息进行图学习处理；其中，所述图学习处理用于从信息中抽取图邻接矩阵。4.根据权利要求1所述的疾病分型模型的训练方法，其特征在于，所述对所述病历样本信息进行结构化处理，得到结构化的病历样本信息，包括：对所述病历样本信息进行自然语言处理，得到第二样本信息；对所述第二样本信息进行数据融合和时序对齐处理，得到所述结构化的病历信息。5.根据权利要求1所述的疾病分型模型的训练方法，其特征在于，所述监督学习模块包括注意力机制，所述将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，包括：将所述病历样本信息和所述患者样本标签信息通过注意力机制进行处理。6.根据权利要求1所述的疾病分型模型的训练方法，其特征在于，所述方法还包括：将所述患者样本向量信息通过池化层和全连接层后，得到第三样本信息。7.一种疾病分型方法，其特征在于，所述方法包括：获取病历信息；将所述病历信息输入到如权利要求1-6中任一项所述的疾病分型模型的训练方法所得到的疾病分型模型中，得到疾病分型结果。8.一种疾病分型模型的训练系统，其特征在于，包括：获取模块，用于获取病历样本信息；第一处理模块，用于对所述病历样本信息进行结构化处理，得到结构化的病历样本信息；第二处理模块，用于将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；
聚类模块，用于将所述患者样本向量信息输入聚类模块，得到患者样本标签信息；训练模块，用于将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型；其中，时控长短期记忆神经网络通过向长短期记忆神经网络中添加时间信息得到。9.一种疾病分型模型的训练装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6中任一项所述的疾病分型模型的训练方法。10.一种存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-6中任一项所述的疾病分型模型的训练方法。
技术总结
本申请提出了一种疾病分型模型的训练方法、系统、装置及存储介质。该方法通过获取病历样本信息；对病历样本信息进行结构化处理，得到结构化的病历样本信息；将结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；将患者样本向量信息输入聚类模块，得到患者样本标签信息；将病历样本信息和患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型。该系统包括获取模块、第一处理模块、第二处理模块、聚类模块和训练模块。通过使用本申请中提供的方法，有利于提高得到的疾病分型模型的识别精度，使得得到的疾病分型模型能够满足医疗系统的需求。本申请可广泛应用于人工智能技术领域内。技术领域内。技术领域内。
技术研发人员：刘广建 潘丽艳 梁会营 李欣 李伟峰
受保护的技术使用者：广东省人民医院
技术研发日：2021.12.07
技术公布日：2022/3/29