医学数据处理方法和装置

本技术涉及数据处理，尤其涉及一种医学数据处理方法和装置。

背景技术：

1、随着医学技术的不断发展，借助机器学习算法或者神经网络模型等人工智能技术能够更为准确地实现疾病诊断。

2、通常情况下，医疗研究机构在获得患者的医学影像和医疗病例之后，可以借助医学诊断平台确定患者的诊断结果。但是，医疗病例中经常会包含患者的年龄、职业以及性别等隐私数据，因此，将医学影像和医疗病例传输给医疗诊断平台，很容易出现患者的隐私数据被泄露的情况。

技术实现思路

1、有鉴于此，本技术提供了一种医学数据处理方法和装置，以在借助医疗诊断平台进行疾病诊断的前提下，减少患者的隐私数据被泄露的风险。

2、为实现上述目的，本技术提供了一种医学数据处理方法，包括：

3、获得用户的医学影像和医疗病例；

4、确定所述医学影像的目标影像特征以及所述医疗病例的目标病例特征；

5、依据所述目标影像特征和所述目标病例特征，利用融合网络模型确定所述医学影像与所述医疗病例之间的目标融合特征；

6、基于所述目标融合特征，利用医学诊断平台确定疾病诊断结果；

7、其中，所述融合网络模型为利用多个标注有实际疾病结果和实际隐私结果的样本对，以最小化疾病分类器的第一损失函数值且最大化隐私预测器的第二损失函数值为训练目标训练得到的；

8、所述第一损失函数值表征所述疾病分类器基于所述样本对的融合特征确定出的疾病分类结果与所述样本对标注的实际疾病结果之间的差距；

9、所述第二损失函数值表征所述隐私预测器基于所述样本对的融合特征确定出的隐私预测结果与所述样本对标注的实际隐私结果之间的差距；

10、所述样本对包括医学影像样本和医疗病例样本；

11、所述样本对的融合特征为所述融合网络模型基于所述样本对中的医学影像样本的影像特征以及所述样本对中的医疗病例样本的病例特征确定出的融合特征。

12、在一种可能的实现方式中，在利用多个样本对训练融合网络模型的过程中，以最小化所述第一损失函数值为训练目标训练所述疾病分类器，且以最小化所述第二损失函数值为训练目标训练所述隐私预测器。

13、在又一种可能的实现方式中，所述确定所述医学影像的目标影像特征以及所述医疗病例的目标病例特征，包括：

14、提取所述医学影像的基础影像特征以及所述医疗病例的基础病例特征；

15、基于所述基础影像特征和基础病例特征，利用第一跨模态注意力模型确定出所述医学影像的跨模态影像特征，将所述跨模态影像特征确定为所述医学影像的目标影像特征；

16、基于所述基础病例特征和基础影像特征，利用第二跨模态注意力模型确定出所述医疗病例的跨模态病例特征，将所述跨模态病例特征确定为所述医疗病例的目标病例特征。

17、在又一种可能的实现方式中，所述提取所述医学影像的基础影像特征以及所述医疗病例的基础病例特征，包括：

18、利用特征提取模型分别提取所述医学影像的初始影像特征以及医疗病例的初始病例特征；

19、基于所述初始影像特征，利用第一自注意力模型确定所述医学影像的基础影像特征；

20、基于所述初始病例特征，利用第二自注意力模型确定所述医疗病例的基础病例特征。

21、在又一种可能的实现方式中，所述基于所述初始影像特征，利用第一自注意力模型确定所述医学影像的基础影像特征，包括：

22、将所述初始影像特征转换为目标维度的特征；

23、基于转换后的初始影像特征，利用第一自注意力模型确定所述医学影像的基础影像特征；

24、所述基于所述初始病例特征，利用第二自注意力模型确定所述医疗病例的基础病例特征，包括：

25、将所述初始病例特征转换为目标维度的特征；

26、基于转换后的初始病例特征，利用第二自注意力模型确定所述医疗病例的基础病例特征。

27、在又一种可能的实现方式中，所述融合网络模型通过如下方式训练得到：

28、获得多个标注有实际疾病结果和实际隐私结果的样本对；

29、对于每个样本对，利用特征提取模型分别提取所述样本对中医学影像样本的第一影像特征以及所述样本对中医疗病例样本的第一病例特征；

30、分别将所述第一影像特征以及所述第一病例特征转换为目标维度的特征，得到转换后的第一影像特征和转换后的第一病例特征；

31、基于转换后的第一影像特征，利用第一自注意力模型确定所述医学影像样本的第二影像特征；

32、基于转换后的第一病例特征，利用第二自注意力模型确定所述医疗病例样本的第二病例特征；

33、基于所述第二影像特征和第二病例特征，利用第一跨模态注意力模型确定出所述医学影像样本的跨模态影像特征；

34、基于所述第二病例特征和第二影像特征，利用第二跨模态注意力模型确定出所述医疗病例样本的跨模态病例特征；

35、依据所述医学影像样本的跨模态影像特征和所述医疗病例样本的跨模态病例特征，利用融合网络模型确定所述医学影像样本和所述医疗病例样本的融合特征，得到所述样本对的融合特征；

36、对于每个样本对，将所述样本对的融合特征分别输入到疾病分类器和隐私预测器，得到所述疾病分类器确定出的所述样本对的疾病分类结果以及所述隐私预测器确定出的所述样本对的隐私预测结果；

37、基于各样本对各自的疾病分类结果和实际疾病结果，确定所述疾病分类器的第一损失函数值；

38、基于各样本对各自的隐私预测结果和实际隐私结果，确定所述隐私预测器的第二损失函数值；

39、以最小化所述第一损失函数值为第一训练目标，调整所述特征提取模型、第一自注意力模型、第二自注意力模型、第一跨模态注意力模型、第二跨模态注意力模型以及所述疾病分类器的参数；

40、以最小化所述第二损失函数值为第二训练目标，调整所述隐私预测器的参数；

41、以最小化所述第一损失函数值且最大化第二损失函数值为第三训练目标，调整所述融合网络模型的参数，返回执行所述利用特征提取模型分别提取所述样本对中医学影像样本的第一影像特征以及所述样本对中医疗病例样本的第一病例特征的操作，直至满足所述第一训练目标、第二训练目标和第三训练目标。

42、又一方面，本技术还提供了一种医学数据处理装置，包括：

43、数据获得单元，用于获得用户的医学影像和医疗病例；

44、特征确定单元，用于确定所述医学影像的目标影像特征以及所述医疗病例的目标病例特征；

45、特征融合单元，用于依据所述目标影像特征和所述目标病例特征，利用融合网络模型确定所述医学影像与所述医疗病例之间的目标融合特征；

46、疾病诊断单元，用于基于所述目标融合特征，利用医学诊断平台确定疾病诊断结果；

47、其中，所述特征融合单元中利用的融合网络模型为利用多个标注有实际疾病结果和实际隐私结果的样本对，以最小化疾病分类器的第一损失函数值且最大化隐私预测器的第二损失函数值为训练目标训练得到的；

48、所述第一损失函数值表征所述疾病分类器基于所述样本对的融合特征确定出的疾病分类结果与所述样本对标注的实际疾病结果之间的差距；

49、所述第二损失函数值表征所述隐私预测器基于所述样本对的融合特征确定出的隐私预测结果与所述样本对标注的实际隐私结果之间的差距；

50、所述样本对包括医学影像样本和医疗病例样本；

51、所述样本对的融合特征为所述融合网络模型基于所述样本对中的医学影像样本的影像特征以及所述样本对中的医疗病例样本的病例特征确定出的融合特征。

52、在又一种可能的实现方式中，在利用多个样本对训练特征融合单元中采用的所述融合网络模型的过程中，以最小化所述第一损失函数值为训练目标训练所述疾病分类器，且以最小化所述第二损失函数值为训练目标训练所述隐私预测器。

53、在又一种可能的实现方式中，所述特征确定单元，包括：

54、特征提取单元，用于提取所述医学影像的基础影像特征以及所述医疗病例的基础病例特征；

55、第一跨模态提取单元，用于基于所述基础影像特征和基础病例特征，利用第一跨模态注意力模型确定出所述医学影像的跨模态影像特征，将所述跨模态影像特征确定为所述医学影像的目标影像特征；

56、第二跨模态提取单元，用于基于所述基础病例特征和基础影像特征，利用第二跨模态注意力模型确定出所述医疗病例的跨模态病例特征，将所述跨模态病例特征确定为所述医疗病例的目标病例特征。

57、在又一种可能的实现方式中，所述特征提取单元，包括：

58、初始提取单元，用于利用特征提取模型分别提取所述医学影像的初始影像特征以及医疗病例的初始病例特征；

59、第一注意力处理单元，用于基于所述初始影像特征，利用第一自注意力模型确定所述医学影像的基础影像特征；

60、第二注意力处理单元，用于基于所述初始病例特征，利用第二自注意力模型确定所述医疗病例的基础病例特征。

61、由以上可知，本技术在获得患者的医学影像的和医疗病例后，会利用融合网络模型对医学影像的影像特征和医疗病例的病例特征进行特征融合，得到融合特征。由于融合网络模型是以最小化疾病分类器的损失函数值且最大化隐私预测器的损失函数值为训练目标训练得到的，使得训练出的融合网络模型融合出的融合特征既能够有利于准确确定疾病诊断结果，又能够有效减少融合特征中所包含的隐私数据信息，因此，基于融合特征通过疾病诊断平台确定疾病诊断结果的过程中，可以减少基于融合特征推测出患者隐私数据的情况，自然也就可以减少患者隐私数据被泄漏的风险。