患者分类装置、计算机设备及存储介质的制作方法

1.本技术涉及数字医疗技术领域，尤其涉及一种患者分类装置、计算机设备及存储介质。


背景技术：

2.随着计算机技术的发展，医院等医疗机构也越来越多地使用计算机进行医疗诊断与管理。患者分类是医疗领域中的一个重要议题，患者分类可以是对患有某种疾病的患者进行进一步的分类，确定患者在某种疾病下更细致的患病状态。患者分类结果常常关联于医生对患者的治疗方案的选择、诊断结果以及风险评估结果。因此，患者分类具有重要意义。
3.随着神经网络的快速发展，可以将患者的样本数据输入神经网络，使神经网络基于患者的样本数据进行患者分类。然而，这种分类技术考虑维度单一，使得患者分类准确性较低。


技术实现要素：

4.本技术实施例的目的在于提出一种患者分类装置、计算机设备及存储介质，以解决患者分类准确性较低的问题。
5.为了解决上述技术问题，本技术实施例还提供一种患者分类装置，采用了如下所述的技术方案：
6.数据获取模块，用于获取目标患者的样本数据；
7.样本分类模块，用于将所述样本数据输入样本分类网络，得到样本分类结果；
8.知识分类模块，用于当根据所述样本分类结果确定所述样本数据为第一样本时，将所述样本数据输入知识分类模型，得到所述目标患者的患者分类结果；所述知识分类模型基于医学知识进行患者分类；
9.数据分类模块，用于当根据所述样本分类结果确定所述样本数据为第二样本时，将所述样本数据输入数据分类模型，得到所述目标患者的患者分类结果；所述数据分类模型基于神经网络进行患者分类。
10.为了解决上述技术问题，本技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述患者分类装置中的各模块的功能。
11.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述基于知识图谱的疾病诊断装置中的各模块的功能。
12.与现有技术相比，本技术实施例主要有以下有益效果：患者分类装置获取目标患者的样本数据后，先通过样本分类网络对样本数据进行分类得到样本分类结果，样本分类结果表明在进行患者分类时，样本数据由知识分类模型进行处理还是由数据分类模型进行
处理；其中，知识分类模型依据医学知识构建，从医学知识的角度进行患者分类；数据分类模型基于神经网络构建，从数据维度进行患者分类的评估预测；本技术从知识和数据的维度进行并行决策，根据样本数据的特点选取相应的模型进行患者分类，实现了医学知识与数据的配合，提高了患者分类的准确性。
附图说明
13.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1是本技术可以应用于其中的示例性系统架构图；
15.图2是根据本技术的患者分类装置的一个实施例的结构示意图；
16.图3是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
17.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
18.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
19.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
20.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
21.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
22.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
23.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
24.需要说明的是，本技术实施例所提供的患者分类装置一般设置于服务器中。
25.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
26.继续参考图2，示出了根据本技术的患者分类装置的一个实施例的流程图，所述患者分类装置200可以包括：数据获取模块201、样本分类模块202、知识分类模块203以及数据分类模块204，其中：
27.数据获取模块201，用于获取目标患者的样本数据。
28.在本实施例中，患者分类装置运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。需要指出的是，上述无线连接方式可以包括但不限于3g/4g/5g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
29.具体地，本技术要对目标患者进行患者分类，需要先获取目标患者的样本数据；样本数据可以是目标患者相关的、用于患者分类的数据。
30.需要强调的是，为进一步保证上述样本数据的私密和安全性，上述样本数据还可以存储于一区块链的节点中。
31.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
32.进一步的，上述患者分类装置200还可以包括：标识获取模块以及获取模块，其中：
33.标识获取模块，用于获取目标患者所对应的疾病标识。
34.获取模块，用于获取与疾病标识所对应的样本分类网络、知识分类模型以及数据分类模型。
35.具体地，本技术中的患者分类，是将患有某种疾病的患者进行进一步的划分，确定患者在某种疾病下的类别或状态。例如，预先将糖尿病患者划分为10个子类，然后获取某个糖尿病患者的样本数据，确定其所属的某个子类。
36.本技术在患者分类中使用了样本分类网络、知识分类模型以及数据分类模型。每类疾病具有相对应的样本分类网络、知识分类模型以及数据分类模型。
37.因此，在进行患者分类之前，可以先获取目标患者的疾病标识，疾病标识可以是目标患者所患疾病的标识，具体可以是疾病名称或者疾病编码。然后，根据疾病标识选取对应的样本分类网络、知识分类模型以及数据分类模型。
38.本实施例中，根据目标患者的疾病标识选取对应的样本分类网络、知识分类模型与数据分类模型，从而实现针对性的患者分类。
39.样本分类模块202，用于将样本数据输入样本分类网络，得到样本分类结果。
40.其中，样本分类网络可以是对样本数据进行分类的网络。
41.具体地，将样本数据输入样本分类网络，样本分类网络可以是门(gating)网络，由样本分类网络输出表征样本类型的样本分类结果。
42.样本分类结果中的样本类型包括两类，第一类需要由知识分类模型进行患者分
类，第二类需要由数据分类模型进行患者分类。
43.知识分类模块203，用于当根据样本分类结果确定样本数据为第一样本时，将样本数据输入知识分类模型，得到目标患者的患者分类结果；知识分类模型基于医学知识进行患者分类。
44.具体地，当样本分类结果显示样本数据的样本类型为第一样本时，将样本数据输入知识分类模型，知识分类模型基于医学知识构建，采用查询的方式确定目标患者的患者分类结果。
45.数据分类模块204，用于当根据样本分类结果确定样本数据为第二样本时，将样本数据输入数据分类模型，得到目标患者的患者分类结果；数据分类模型基于神经网络进行患者分类。
46.具体地，当样本分类结果显示样本数据的样本类型为第二样本时，将样本数据输入数据分类模型，数据分类模型基于神经网络搭建，根据样本数据预测目标患者的患者分类结果。
47.本实施例中，患者分类装置获取目标患者的样本数据后，先通过样本分类网络对样本数据进行分类得到样本分类结果，样本分类结果表明在进行患者分类时，样本数据由知识分类模型进行处理还是由数据分类模型进行处理；其中，知识分类模型依据医学知识构建，从医学知识的角度进行患者分类；数据分类模型基于神经网络构建，从数据维度进行患者分类的评估预测；本技术从知识和数据的维度进行并行决策，根据样本数据的特点选取相应的模型进行患者分类，实现了医学知识与数据的配合，提高了患者分类的准确性。
48.进一步的，上述数据获取模块201可以包括：随访获取子模块以及随访确定子模块，其中：
49.随访获取子模块，用于获取目标患者的随访数据，随访数据包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息，疾病检查信息包括症状信息。
50.随访确定子模块，用于将随访数据确定为样本数据。
51.其中，随访数据可以是对目标患者进行随访得到的数据。随访是指医院对曾在医院就诊的患者以通讯或其他的方式，进行定期了解患者病情变化和指导患者康复的一种观察方法。
52.具体地，可以预先对目标患者进行多次随访，每次随访都生成随访数据。可以一次性获取目标患者多次随访的随访数据，然后将获取到的随访数据确定为样本数据。
53.随访数据可以包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息，疾病检查信息可以包括症状信息。其中，患者基本信息可以是目标患者的人口统计学相关的信息，包括性别、年龄、职业、婚姻状况、出入场所等；疾病检查信息可以是对目标患者进行医学检验检查得到的信息，包括描述病人症状的症状信息以及医学检测报告等；历史用药信息是目标患者在随访数据所对应的随访之前的用药信息，医生开药信息是目标患者在随访数据所对应的随访之后给出的开药信息。
54.本实施例中，获取的随访数据包括患者基本信息、疾病检查信息、历史用药信息以及医生开药信息，并将随访数据确定为样本数据，数据维度丰富，确保了患者分类的准确性。
55.进一步的，上述样本分类模块202可以包括：样本输入子模块、第一确定子模块、第
二确定子模块以及结果生成子模块，其中：
56.样本输入子模块，用于将样本数据输入样本分类网络，得到样本分类评估值。
57.第一确定子模块，用于当样本分类评估值大于预设的评估值阈值时，确定样本数据的样本类型为第一样本。
58.第二确定子模块，用于当样本分类评估值小于等于评估值阈值时，确定样本数据的样本类型为第二样本。
59.结果生成子模块，用于根据样本分类评估值和样本类型生成样本分类结果。
60.具体地，将样本数据输入样本分类网络，样本分类网络可以是门网络，门网络输出一个样本分类评估值。然后获取预设的评估值阈值，比较样本分类评估值与评估值阈值的大小；如果样本分类评估值大于评估值阈值，则样本数据的样本类型为第一样本；如果样本分类评估值小于等于评估值阈值，则样本数据的样本类型为第二样本。分类评估值与评估值阈值都是[0,1]之间的数值。
[0061]
举例说明，假设评估值阈值为0.5，当分类评估值大于0.5时，样本数据的样本类型为第一样本；当分类评估值小于等于0.5时，样本数据的样本类型为第二样本。
[0062]
根据样本分类评估值和确定的样本类型可以生成样本数据的样本分类结果。
[0063]
本技术需要预先对样本分类网络进行有监督训练。获取患者的训练样本数据，训练样本数据带有标签，标签可以由医生、医疗专家等进行标注，用于标记样本数据的样本类型；在一个实施例中，如果根据医学知识，训练样本数据具有明确的治疗方法、开药信息，可以将训练样本数据标记为第一样本，否则将训练样本数据标记为第二样本。
[0064]
将训练样本数据输入初始样本分类网络，得到初始样本分类结果，根据初始样本分类结果中的样本类型与标签计算模型损失，根据模型损失调整初始样本分类网络的网络参数，直至模型损失小于预设的损失阈值，得到样本分类网络。
[0065]
为了避免标签分布可能存在较大的偏向性，采用如下的损失函数：
[0066]
l＝l(q》0.1)*(-p)*log(q)-(1-p)*log(1-q)
ꢀꢀ
(1)
[0067]
其中，p是训练样本数据的标签，q为门网络输出的分类评估值,l为指示函数，当内部条件(q》0.1)时输出为1，否则为0，指示函数用于平衡标签分布的偏向性。
[0068]
本实施例中，将样本数据输入样本分类网络得到样本分类评估值，比较样本分类评估值与预设的评估值阈值的大小，从而可以准确确定样本数据的样本类型，并生成样本分类结果。
[0069]
进一步的，上述患者分类装置200还可以包括：数据集获取子模块、信息抽取子模块以及知识模型构建子模块，其中：
[0070]
数据集获取子模块，用于获取医学知识数据集。
[0071]
信息抽取子模块，用于抽取医学知识数据集中的症状信息以及与症状信息相对应的患者分类结果信息。
[0072]
知识模型构建子模块，用于根据症状信息和患者分类结果信息构建知识分类模型。
[0073]
具体地，本技术需要先构建知识分类模型。获取医学知识数据集，医学知识数据集可以基于医学文献构建，记载了医学知识。从医学知识数据集中抽取症状信息以及与症状信息相对应的患者分类结果信息。其中，症状信息是患者症状相关的信息，患者分类结果信
息记录了症状信息所对应的疾病子类别，以及对应的治疗方法、开药信息。
[0074]
根据症状信息和患者分类结果构建key-value形式的知识分类模型，即，知识分类模型为key-value数据库系统，其中，症状信息为知识分类模型中的主键key，患者分类结果信息为值value，从而可以根据症状信息查询患者分类信息。例如，从医学知识数据集中提取到症状信息“糖化血红蛋白不达标，使用过双胍类”，则患者分类结果信息为“双胍类，磺脲类”。
[0075]
本实施例中，从医学知识数据集中抽取症状信息和患者分类结果信息，以症状信息作为主键，以患者分类结果信息作为值，构建知识分类模型，确保了可以根据医学知识进行患者分类。
[0076]
进一步的，上述知识分类模块203可以包括：距离计算子模块以及信息选取子模块，其中：
[0077]
距离计算子模块，用于计算样本数据与知识分类模型中各症状信息间的编辑距离。
[0078]
信息选取子模块，用于选取具有最小编辑距离的症状信息所对应的患者分类结果信息，以生成患者分类结果。
[0079]
具体地，通过知识分类模型进行患者分类时，计算样本数据与知识模型中各症状信息间的编辑距离。编辑距离是针对两个字符串的差异程度的量化量测，量测方式是看至少需要多少次的处理才能将一个字符串变成另一个字符串。
[0080]
在一个实施例中，样本数据中的疾病检查信息包括症状信息，可以计算该症状信息与知识分类模型中各症状信息间的编辑距离。
[0081]
编辑距离可以是一个数值，编辑距离数值越小，代表两个字符串越相近。在计算出的编辑距离中选取最小编辑距离，在医学知识模型中，查询该最小编辑距离的症状信息所对应的患者分类结果信息，根据该患者分类结果信息生成患者分类结果。
[0082]
本实施例中，计算样本数据与知识分类模型中各症状信息间的编辑距离，编辑距离数值越小，代表样本数据与症状信息越相近；选取具有最小编辑距离的症状信息所对应的患者分类结果信息，从而可以得到患者分类结果。
[0083]
进一步的，上述数据分类模块204可以包括：参数获取子模块、累积计算子模块以及分类确定子模块，其中：
[0084]
参数获取子模块，用于将样本数据输入数据分类模型，得到样本数据在各候选分类结果下的长期奖励参数与短期奖励参数。
[0085]
累积计算子模块，用于根据得到的长期奖励参数与短期奖励参数，计算样本数据针对各候选分类结果的累积奖励参数。
[0086]
分类确定子模块，用于选取最大累积奖励参数所对应的候选分类结果作为患者分类结果。
[0087]
具体地，本技术中的数据分类模型为dqn(deep q-learning)模型，dqn模型是一种深度强化学习模型，用于优化用于优化序贯决策问题的长期累积目标。强化学习是智能体(agent)基于某个策略(policy)，针对状态(state)采取动作(action)后得到奖励(reward)，再通过所获得的奖励(reward)来优化策略(policy)的人工智能方法。其中策略是指在特定状态下应该采取某个行动，以使预期累积奖励最大。dqn模型利用神经网络来拟
合策略，将状态输入神经网络，由神经网络输出各个行动对应的q值(预期累积奖励)，最大的q值对应的行动即为dqn模型认为应该选择的行动。以本技术前述的例子继续举例，输入的状态state为样本数据(患者基本信息、疾病检查信息、历史用药信息以及医生开药信息)构成的多维向量，行动action为患者分类结果的独热编码。累积奖励参数q包括长期奖励参数与短期奖励参数，短期奖励预测参数是从较短的时间维度衡量的、根据输入样本数据(状态state)采取候选分类结果(行动action)时得到的奖励参数(reward)。长期奖励预测参数是从较长的时间维度衡量的、根据输入样本数据(状态state)采取候选分类结果(行动action)时得到的奖励参数(reward)。奖励参数数值越大，代表得到的奖励越高，越有可能采取所对应的候选分类结果。例如，当目标患者为糖尿病患者时，长期奖励参数定义为sign(最后一次随访是否出现并发症)*5，短期奖励参数定义为sign(下一次随访糖化血红蛋白是否达标)*1，其中，长期奖励参数的数值通常大于短期奖励参数的数值，以符合深度强化学习中的常规设置。
[0088]
假设有n个候选分类结果，每个候选分类结果为一个独热编码，将样本数据输入数据分类模型后，数据分类模型会输出各候选分类结果下的长期奖励参数与短期奖励参数；可以将各候选分类结果下的长期奖励参数与短期奖励参数分别相加，得到各候选分类结果下的累积奖励参数q。从n个累积奖励参数q中选取最大累积奖励参数，将选取到的累积奖励参数所对应的候选分类结果，作为患者分类结果。
[0089]
需要预先根据训练样本数据对初始数据分类模型进行深度强化学习训练，得到数据分类模型，其中训练中的损失函数为：
[0090]
l＝q(s
t
,a
t
)-(r
t
+maxa(q(s
t+1
,a)))2ꢀꢀ
(2)
[0091]
其中，s
t
、a
t
、r
t
分别为时间点t的训练样本数据、初始数据分类模型输出的患者分类结果以及累积奖励参数，q(s
t
,a
t
)为时间点t时，输入训练样本数据s
t
、患者分类结果为a
t
时得到的真实累积奖励参数；maxa(q(s
t+1
,a))为时间点t+1、输入训练样本数据s
t+1
、患者分类结果为a时最大的累积奖励参数。以最小化模型损失为训练目标调整初始数据分类模型的模型参数，直至模型损失收敛，停止训练，得到数据分类模型。
[0092]
本实施例中，数据分类模型输出长期奖励参数与短期奖励参数，从长期时间维度与短期时间维度全面衡量患者分类结果，提高了患者分类结果的准确性。
[0093]
进一步的，上述患者分类装置200还可以包括：开药查询模块以及展示模块，其中：
[0094]
开药查询模块，用于查询与患者分类结果相关联的开药信息。
[0095]
展示模块，用于通过终端展示目标患者的患者分类结果以及开药信息。
[0096]
具体地，患者分类结果可以是一个标识，该标识对应于特定的开药信息。查询患者分类结果所对应的开药信息，然后通过终端展示目标患者的患者分类结果以及开药信息，终端可以是目标患者或者医生所使用的终端，从而自动实现目标患者的患者分类以及开药信息的确定。
[0097]
本实施例中，查询患者分类结果所对应的开药信息并进行展示，从而自动实现目标患者开药信息的确定。
[0098]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及
应用系统。
[0099]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0100]
本技术可应用于智慧医疗领域中，从而推动智慧城市的建设。
[0101]
本领域普通技术人员可以理解实现上述实施例中各模块的功能，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各实施例中各模块的功能。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0102]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
[0103]
所述计算机设备3包括通过系统总线相互通信连接存储器31、处理器32、网络接口33。需要指出的是，图中仅示出了具有组件31-33的计算机设备3，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0104]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0105]
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器31可以是所述计算机设备3的内部存储单元，例如该计算机设备3的硬盘或内存。在另一些实施例中，所述存储器31也可以是所述计算机设备3的外部存储设备，例如该计算机设备3上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括其外部存储设备。本实施例中，所述存储器31通常用于存储安装于所述计算机设备3的操作系统和各类应用软件，以实现上述患者分类装置中的各模块的功能。此外，所述存储器31还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0106]
所述处理器32在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器32通常用于控制所述计算机设备3的总体操作。本实施例中，所述处理器32用于运行所述存储器31中存储的计算机可读指令或者处理数据，以实现上述患者分类装置中的各模块的功能。
[0107]
所述网络接口33可包括无线网络接口或有线网络接口，该网络接口33通常用于在
所述计算机设备3与其他电子设备之间建立通信连接。
[0108]
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例患者分类装置中的各模块的功能，
[0109]
本实施例中，患者分类装置获取目标患者的样本数据后，先通过样本分类网络对样本数据进行分类得到样本分类结果，样本分类结果表明在进行患者分类时，样本数据由知识分类模型进行处理还是由数据分类模型进行处理；其中，知识分类模型依据医学知识构建，从医学知识的角度进行患者分类；数据分类模型基于神经网络构建，从数据维度进行患者分类的评估预测；本技术从知识和数据的维度进行并行决策，根据样本数据的特点选取相应的模型进行患者分类，实现了医学知识与数据的配合，提高了患者分类的准确性。
[0110]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述患者分类装置中的各模块的功能。
[0111]
本实施例中，患者分类装置获取目标患者的样本数据后，先通过样本分类网络对样本数据进行分类得到样本分类结果，样本分类结果表明在进行患者分类时，样本数据由知识分类模型进行处理还是由数据分类模型进行处理；其中，知识分类模型依据医学知识构建，从医学知识的角度进行患者分类；数据分类模型基于神经网络构建，从数据维度进行患者分类的评估预测；本技术从知识和数据的维度进行并行决策，根据样本数据的特点选取相应的模型进行患者分类，实现了医学知识与数据的配合，提高了患者分类的准确性。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0113]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。