本发明涉及信息处理,尤其涉及一种基于深度学习的检测结果互认方法、系统及存储介质。
背景技术:
1、随着诊断医学的蓬勃发展和询证医学的需求,检查结果越来越重要。但相关技术中,由于医疗市场的扩容,使得医疗平台的数量也随之增长,不同品牌或不同型号间的检查结果往往存在一定的差异,即同一个项目的检测结果可能会出现明显的不一致,这也大大地影响了不同医疗平台检测结果的互认。因此,以上技术问题亟需解决。
技术实现思路
1、为了解决上述技术问题的至少之一,本发明提出一种基于深度学习的检测结果互认方法、系统及存储介质,能够实现不同平台检测结果的互认,有效提高了检测结果互认的可靠性和准确性。
2、一方面,本发明实施例提供了一种基于深度学习的检测结果互认方法,包括以下步骤:
3、构建第一数据模型库;其中,所述第一数据模型库包括若干个预设医疗平台;
4、根据所述第一数据模型库获取所述预设医疗平台提供的检测比对样本;
5、将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台,并获取各个所述预设医疗平台返回的检测结果数据;
6、根据所述检测结果数据通过第一深度学习模型进行可信度预测,得到可信度评估值;
7、根据所述检测结果数据进行回归分析,拟合得到预设标准曲线;
8、当确定预测得到的所述可信度评估值的数量达到预设数据量,根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建,得到可信度分级模型;
9、通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析,生成检测结果互认报告;其中,所述检测结果互认报告包括可信度分级数据和检测结果修正值。
10、根据本发明的一些实施例,在执行所述将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台这一步骤时,所述方法还包括:
11、对所述检测比对样本进行预设编号,得到对应的标本编号;
12、根据所述标本编号和所述预设医疗平台的平台身份码构建保护标本号;其中,所述第一数据模型库中的各个所述预设医疗平台分配有对应的平台身份码。
13、根据本发明的一些实施例,在执行所述将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台,并获取各个所述预设医疗平台返回的所述检测结果数据这一步骤时,所述方法还包括:
14、设置预设检测阈值,并将所述预设检测阈值发送至各个所述预设医疗平台;其中,所述预设检测阈值与所述检测比对样本对应;
15、记录各个所述预设医疗平台的检测时间值;其中,所述检测时间值包括所述预设医疗平台接收到所述检测比对样本的第一时刻和上传所述检测结果数据的第二时刻;
16、根据所述预设检测阈值和所述检测时间值验证所述检测结果数据,得到验证结果;
17、根据所述验证结果对所述检测结果数据进行预设处理操作;其中,所述预设处理操作包括保存数据操作和剔除数据操作。
18、根据本发明的一些实施例,所述根据所述检测结果数据通过第一深度学习模型进行可信度预测,得到可信度评估值,包括:
19、构建临时数据池;
20、通过所述临时数据池对不同的所述预设医疗平台的检测结果数据进行比较,得到数据比较结果;
21、根据所述数据比较结果通过所述第一深度学习模型对所述检测结果数据进行可信度预测,得到所述可信度评估值。
22、根据本发明的一些实施例,所述方法还包括:
23、构建检测项目类;其中,通过对不同的检测项目进行划分得到所述检测项目类;
24、根据所述检测项目类划分对应的系统模块和存储模块。
25、根据本发明的一些实施例,所述当确定预测得到的所述可信度评估值的数量达到预设数据量,根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建,得到可信度分级模型,包括:
26、根据所述预设标准曲线对所述检测结果数据进行调整,得到预设调整数据;
27、对各个所述检测项目类的所述预设调整数据进行统计,并构建对应的数值分布图;
28、通过所述数值分布图划分各个所述检测项目类的预设比对数值分段;
29、根据所述预设比对数值分段对不同的所述预设医疗平台的所述检测结果数据进行均值分析,得到第一均值数据;
30、计算各个所述预设医疗平台的所述检测结果相对于所述第一均值数据的浮动比例值;
31、根据所述浮动比例值通过预设统计算法计算得到浮动阈值;
32、计算各个所述预设医疗平台的检测结果数据相对于所述浮动阈值的偏差比;
33、根据所述偏差比结合预设检测参数对所述第二深度学习模型进行训练,构建得到所述可信度分级模型;其中,所述预设检测参数包括所述检测项目类、检测时间值、所述可信度评估值、所述预设医疗平台、所述检测结果数据以及所述预设调整数据。
34、根据本发明的一些实施例,所述通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析,生成检测结果互认报告,包括:
35、根据所述预设标准曲线构建预设调整因子;
36、通过所述预设调整因子对所述待互认数据进行调整,得到检测结果修正值;
37、通过所述可信度分级模型对所述待互认数据进行可信度分析,得到可信度分级数据;
38、根据所述检测结果修正值和所述可信度分级数据生成所述检测结果互认报告。
39、另一方面,本发明实施例还提供了一种基于深度学习的检测结果互认系统,包括:
40、第一模块,用于构建第一数据模型库;其中,所述第一数据模型库包括若干个预设医疗平台;
41、第二模块,用于根据所述第一数据模型库获取所述预设医疗平台提供的检测比对样本;
42、第三模块,用于将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台,并获取各个所述预设医疗平台返回的检测结果数据;
43、第四模块,用于根据所述检测结果数据通过第一深度学习模型进行可信度预测,得到可信度评估值;
44、第五模块,用于根据所述检测结果数据进行回归分析,拟合得到预设标准曲线;
45、第六模块,用于当确定预测得到的所述可信度评估值的数量达到预设数据量,根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建,得到可信度分级模型;
46、第七模块,用于通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析,生成检测结果互认报告;其中,所述检测结果互认报告包括可信度分级数据和检测结果修正值。
47、另一方面,本发明实施例还提供了一种基于深度学习的检测结果互认系统,包括:
48、至少一个处理器;
49、至少一个存储器,用于存储至少一个程序;
50、当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如上述实施例所述的基于深度学习的检测结果互认方法。
51、另一方面,本发明实施例还提供了一种计算机存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的基于深度学习的检测结果互认方法。
52、根据本发明实施例的一种基于深度学习的检测结果互认方法,至少具有如下有益效果:本发明实施例首先构建包括若干个预设医疗平台的第一数据模型库,以根据第一数据模型库获取预设医疗平台提供的检测比对样本。接着,本发明实施例将检测比对样本发送至第一数据模型库中的各个预设医疗平台,以进行相应的数据检测,从而获取得到各个预设医疗平台返回的检测结果数据。然后,本发明实施例通过第一深度学习模型对检测结果数据进行可信度预测,得到可信度评估值,以通过结合深度学习算法的方式,对各个检测结果数据的可信度进行评估。相应地,本发明实施例根据检测结果数据进行回归分析,从而拟合得到预设标准曲线。进一步地,当确定预测得到的可信度评估值的数量达到预设数据量时,本发明实施例根据预测得到的可信度评估值以及预设标准曲线进行第二深度学习模型的构建,从而构建得到可信度分级模型,进而本发明实施例通可信度分级模型以及预设标准曲线对待互认数据进行分析,生成包括可信度分级数据和检测结果修正值的检测结果互认报告,实现对不同平台检测结果的互认,有效提高了检测结果互认的可靠性和准确性。