基于多任务联合的疾病类别分析方法、装置、设备及介质与流程

1.本发明涉及智能决策领域，尤其涉及一种基于多任务联合的疾病类别分析方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.基于多任务联合的疾病类别分析是指在对患者进行问诊时，根据患者提供的问诊信息，将患者的问诊信息分为多个维度，将各个维度设计为多个任务对患者的疾病类别进行分析。
3.目前，疾病类别分析时需要对疾病进行较多的细分过程，例如，当患者疾病为感冒病时，根据形成原因风燥邪客肌表、经络、脏腑得到感冒病的证候为风燥证，根据形成原因风燥外邪侵袭肌表，郁遏卫气，津液不足得到感冒病的证型为风燥伤表证，这种细分的特性使证型的种类众多，导致证型的准确鉴别诊断变得非常困难。因此，疾病类别分析的准确率较低。


技术实现要素：

4.本发明提供一种基于多任务联合的疾病类别分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高疾病类别分析的准确率。
5.为实现上述目的，本发明提供的一种基于多任务联合的疾病类别分析方法，包括：
6.获取问诊信息，在预设的循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量；
7.利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征；
8.构建所述问诊特征的激活函数，通过交叉熵函数计算所述激活函数的损失值，通过预设的优化算法优化所述损失值，将优化后的损失值对应的激活函数进行输出，得到目标函数；
9.利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，根据所述疾病类别概率，确定所述问诊信息对应的疾病类别。
10.可选地，所述在预设循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量，包括：
11.通过所述输入层的神经元对所述问诊信息进行分解，得到所述问诊信息的信息碎片；
12.将所述信息碎片构成特征向量，将所述特征向量进行线性组合映射到隐藏层，得到所述问诊向量。
13.可选地，所述利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征，包括：
14.利用所述多层感知器中的神经元将所述问诊向量进行随机初始化，得到初始化向量；
15.利用所述多层感知器中的神经元计算所述初始化向量的权重值与偏置值；
16.根据所述权重值与偏置值，计算所述问诊向量的问诊特征得分，将所述问诊特征得分大于预设分数的问诊向量作为所述问诊特征。
17.可选地，所述根据所述权重值与偏置值，计算所述问诊向量的特征得分，得到所述问诊向量的问诊特征，包括：
18.通过下述公式计算所述问诊向量的特征得分：
19.oi＝《x,wi》+bi20.其中，oi表示所述问诊向量的第i个特征的特征得分，x代表所述问诊向量，wi为权重值，bi为偏置值。
21.可选地所述通过交叉熵函数计算所述激活函数的损失值，包括：
22.获取所述激活函数的训练数据，标记所述训练数据的真实疾病类别；
23.利用所述激活函数计算所述训练数据的分析疾病类别；
24.通过所述交叉熵函数计算所述真实疾病类别和所述分析疾病类别的类别损失，得到所述激活函数的损失值。
25.可选地，所述通过所述交叉熵函数计算所述真实疾病类别和所述分析疾病类别的类别损失，得到所述激活函数的损失值，包括：
26.通过下述公式计算所述激活函数的损失值：
[0027][0028]
其中，h表示损失值，y表示分析疾病类别，y
′
表示真实疾病类别。
[0029]
可选地，所述利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，包括：
[0030]
通过下述公式计算所述疾病类别概率：
[0031][0032]
其中，yi表示疾病类别概率，oi表示问诊特征的第i个特征的特征得分，表示所述问诊特征的总特征得分，exp是指以自然常数e为底的指数函数。
[0033]
为了解决上述问题，本发明还提供一种基于多任务联合的疾病类别分析装置，所述装置包括：
[0034]
问诊信息映射模块，用于获取问诊信息，在预设的循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量；
[0035]
数据特征提取模块，用于利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征；
[0036]
激活函数输出模块，用于构建所述问诊特征的激活函数，通过交叉熵函数计算所述激活函数的损失值，通过预设的优化算法优化所述损失值，将优化后的损失值对应的激活函数进行输出，得到目标函数；
[0037]
疾病类别确定模块，用于利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，根据所述疾病类别概率，确定所述问诊信息对应的疾病类别。
[0038]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0039]
至少一个处理器；以及，
[0040]
与所述至少一个处理器通信连接的存储器；其中，
[0041]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的基于多任务联合的疾病类别分析方法。
[0042]
为了解决上述问题，本发明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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多任务联合的疾病类别分析方法。
[0043]
可以看出，本发明实施例通过获取问诊信息，以用于将所述问诊信息作为疾病类别分析模型的训练数据，便于疾病类别分析模型根据所述问诊信息进行机器学习，进一步地，本发明实施例通过在循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量，以用于将所述问诊信息进行分解，并转化为机器可以识别的信息，进一步地，本发明实施例利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征，以用于捕获所述问诊信息的数据特征，便于根据数据特征对疾病类别进行分析，进一步地，本发明实施例通过构建所述问诊特征的激活函数，以用于将杂乱的数据通过概率分布表示，可以直观地得到疾病类别的分析结果，进一步地，本发明实施例通过交叉熵函数衡量所述激活函数的损失值，以用于得到疾病类别分析结果与实际疾病类别的差异，进一步地，本发明实施例通过预设的优化算法优化所述损失值，以用于提升疾病类别分析模型对疾病类别分析的准确率，进一步地，本发明实施例通过优化后的损失值对应的激活函数进行输出，得到目标函数，以用于得到疾病类别分析的最优激活函数算法，提升疾病类别分析的准确率，进一步地，本发明实施例通过利用所述目标函数计算所述问诊特征的疾病类别概率，以用于通过公式计算疾病类别出现的概率，从而根据概率的高低得到最终的疾病类别分析，进一步地，本发明实施例通过根据所述疾病类别概率，生成所述问诊信息对应的疾病类别，以用于将概率高的疾病类别作为疾病类别分析的最终结果，实现对疾病类别的分析。因此，本发明实施例提出的一种基于多任务联合的疾病类别分析方法、装置、电子设备及计算机可读存储介质可以提高疾病类别分析的准确率。
附图说明
[0044]
图1为本发明一实施例提供的基于多任务联合的疾病类别分析方法的流程示意图；
[0045]
图2为本发明一实施例提供的基于多任务联合的疾病类别分析装置的模块示意图；
[0046]
图3为本发明一实施例提供的实现基于多任务联合的疾病类别分析方法的电子设备的内部结构示意图；
[0047]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0048]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0049]
本发明实施例提供一种基于多任务联合的疾病类别分析方法。所述基于多任务联合的疾病类别分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明
实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多任务联合的疾病类别分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0050]
参照图1所示，为本发明一实施例提供的基于多任务联合的疾病类别分析方法的流程示意图。在本发明实施例中，所述基于多任务联合的疾病类别分析方法包括以下步骤s1-s4：
[0051]
s1、获取问诊信息，在预设循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量。
[0052]
本发明实施例通过获取问诊信息，以用于将所述问诊信息作为疾病类别分析模型的训练数据，便于疾病类别分析模型根据所述问诊信息进行机器学习。
[0053]
所述问诊信息是指包括患者的姓名、性别、主诉、现病史、既往史等内容的信息。
[0054]
进一步地，本发明实施例通过在预设循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量，以用于将所述问诊信息进行分解，并转化为机器可以识别的信息。
[0055]
其中，所述预设循环神经网络是指一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络，所述隐藏层是指除输入层和输出层以外的其他各层。
[0056]
进一步地，作为本发明的一实施例，所述在预设循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量，包括：通过所述输入层的神经元对所述问诊信息进行分解，得到所述问诊信息的信息碎片；将所述信息碎片构成特征向量，将所述特征向量进行线性组合映射到隐藏层，得到所述问诊向量。
[0057]
s2、利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征。
[0058]
本发明实施例通过利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征，以用于捕获所述问诊信息的数据特征，便于根据数据特征对疾病类别进行分析。
[0059]
其中，所述多层感知器是指一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。
[0060]
作为本发明的一实施例，所述利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征，包括：利用所述多层感知器中的神经元将所述问诊向量进行随机初始化，得到初始化向量；利用所述多层感知器中的神经元计算所述初始化向量的权重值与偏置值；根据所述权重值与偏置值，计算所述问诊向量的问诊特征得分，将所述问诊特征得分大于预设分数的问诊向量作为所述问诊特征。
[0061]
进一步地，作为本发明的又一实施例，所述根据所述权重值与偏置值，计算所述问诊向量的特征得分，得到所述问诊向量的问诊特征，包括：通过下述公式计算所述问诊向量的特征得分：
[0062]
oi＝《x,wi》+bi[0063]
其中，oi表示所述问诊向量的第i个特征的特征得分，x代表所述问诊向量，wi为权重值，bi为偏置值。
[0064]
s3、构建所述问诊特征的激活函数，通过交叉熵函数计算所述激活函数的损失值，通过预设的优化算法优化所述损失值，将优化后的损失值对应的激活函数进行输出，得到目标函数。
[0065]
本发明实施例通过构建所述问诊特征的激活函数，以用于将杂乱的数据通过概率分布表示，可以直观地得到疾病类别的分析结果。
[0066]
其中，所述激活函数是指是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式，类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。
[0067]
作为本发明的一实施例，所述构建所述问诊特征的激活函数，包括：通过下述公式构建所所述问诊特征的激活函数：
[0068][0069]
其中，oi表示所述问诊向量的第i个特征的得分，表示所述问诊特征的总得分，exp是指以自然常数e为底的指数函数。
[0070]
进一步地，本发明实施例通过交叉熵函数衡量所述激活函数的损失值，以用于得到疾病类别分析结果与实际疾病类别的差异。
[0071]
其中，所述交叉熵函数是指用来衡量两组随机变量之间的相似度，主要用于衡量模型识别值概率与真实值之间的相似度。
[0072]
进一步地，作为本发明的一实施例，所述通过交叉熵函数计算所述激活函数的损失值，包括：获取所述激活函数的训练数据，标记所述训练数据的真实疾病类别；利用所述激活函数计算所述训练数据的分析疾病类别；通过所述交叉熵函数计算所述真实疾病类别和所述分析疾病类别的类别损失，得到所述激活函数的损失值。
[0073]
进一步地，作为本发明的又一实施例，所述通过所述交叉熵函数计算所述真实疾病类别和所述分析疾病类别的类别损失，得到所述激活函数的损失值，包括：
[0074]
通过下述公式计算所述激活函数的损失值：
[0075][0076]
其中，h表示损失值，y表示分析疾病类别，y
′
表示真实疾病类别。
[0077]
进一步地，本发明实施例通过预设的优化算法优化所述损失值，以用于提升疾病类别分析模型对疾病类别分析的准确率。
[0078]
示例性地，作为本发明的一实施例，所述通过预设的优化算法优化所述损失值，通过梯度反向传播算法实现，所述梯度反向传播算法是指适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，它实现快速训练模型，提高数据分析的效率。
[0079]
进一步地，本发明实施例通过优化后的损失值对应的激活函数进行输出，得到目标函数，以用于得到疾病类别分析的最优激活函数算法，提升疾病类别分析的准确率。
[0080]
进一步地，作为本发明的一实施例，所述优化后的损失值对应的激活函数进行输出，得到目标函数，包括：根据所述优化后的损失值，更新所述激活函数的权重值与偏置值，
得到更新权重值与偏置值；将所述更新权重值与偏置值进行计算，得到更新特征得分，将所述激活函数的输入数据替换为所述特征得分，得到目标函数。
[0081]
示例性地，所述根据所述优化后的损失值，更新所述激活函数的权重值与偏置值，得到更新权重值与偏置值通过神经网络随机生成参数实现，所述将所述更新权重值与偏置值进行计算，得到更新特征得分，将所述激活函数的输入数据替换为所述特征得分，得到目标函数与上述根据所述权重值与偏置值，计算所述问诊向量的特征得分过程一致，在此不再赘述。
[0082]
s4、利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，根据所述疾病类别概率，确定所述问诊信息对应的疾病类别。
[0083]
本发明实施例通过利用所述目标函数计算所述问诊特征的疾病类别概率，以用于通过公式计算疾病类别出现的概率，从而根据概率的高低得到最终的疾病类别分析。
[0084]
作为本发明的一实施例，所述利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，包括：
[0085]
通过下述公式计算所述疾病类别概率：
[0086][0087]
其中，yi表示疾病类别概率，oi表示问诊特征的第i个特征的特征得分，表示所述问诊特征的总特征得分，exp是指以自然常数e为底的指数函数。
[0088]
进一步地，本发明实施例通过根据所述疾病类别概率，生成所述问诊信息对应的疾病类别，以用于将概率高的疾病类别作为疾病类别分析的最终结果，实现对疾病类别的分析。
[0089]
进一步地，作为本发明的一实施例，所述根据所述疾病类别概率，生成所述问诊信息对应的疾病类别，包括：从疾病数据库中获取实际疾病类别，从所述疾病类别概率中提取最大的概率，得到目标概率；识别所述目标概率对应的分析疾病类别，将所述实际疾病类别与所述分析疾病类别进行匹配，在所述实际疾病类别与所述分析疾病类别匹配成功时，将所述分析疾病类别作为所述问诊信息对应的疾病类别。
[0090]
可以看出，本发明实施例通过获取问诊信息，以用于将所述问诊信息作为疾病类别分析模型的训练数据，便于疾病类别分析模型根据所述问诊信息进行机器学习，进一步地，本发明实施例通过在循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量，以用于将所述问诊信息进行分解，并转化为机器可以识别的信息，进一步地，本发明实施例利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征，以用于捕获所述问诊信息的数据特征，便于根据数据特征对疾病类别进行分析，进一步地，本发明实施例通过构建所述问诊特征的激活函数，以用于将杂乱的数据通过概率分布表示，可以直观地得到疾病类别的分析结果，进一步地，本发明实施例通过交叉熵函数衡量所述激活函数的损失值，以用于得到疾病类别分析结果与实际疾病类别的差异，进一步地，本发明实施例通过预设的优化算法优化所述损失值，以用于提升疾病类别分析模型对疾病类别分析的准确率，进一步地，本发明实施例通过优化后的损失值对应的激活函数进行输出，得到目标函数，以用于得到疾病类别分析的最优激活函数算法，提升疾病类别分析的准确率，进一步地，本发明实施例通过利用所述目标函数计算所述问诊特征的疾病类别概率，以用
于通过公式计算疾病类别出现的概率，从而根据概率的高低得到最终的疾病类别分析，进一步地，本发明实施例通过根据所述疾病类别概率，生成所述问诊信息对应的疾病类别，以用于将概率高的疾病类别作为疾病类别分析的最终结果，实现对疾病类别的分析。因此，本发明实施例提出的一种基于多任务联合的疾病类别分析方法可以提高疾病类别分析的准确率。
[0091]
如图2所示，是本发明基于多任务联合的疾病类别分析装置的功能模块图。
[0092]
本发明所述基于多任务联合的疾病类别分析装置100可以安装于电子设备中。根据实现的功能，所述基于多任务联合的疾病类别分析装置可以包括问诊信息映射模块101、数据特征提取模块102、激活函数输出模块103以及疾病类别确定模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0093]
在本实施例中，关于各模块/单元的功能如下：
[0094]
所述问诊信息映射模块101，用于获取问诊信息，在预设的循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量；
[0095]
所述数据特征提取模块102，用于利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征；
[0096]
所述激活函数输出模块103，用于构建所述问诊特征的激活函数，通过交叉熵函数计算所述激活函数的损失值，通过预设的优化算法优化所述损失值，将优化后的损失值对应的激活函数进行输出，得到目标函数；
[0097]
所述疾病类别确定模块104，用于利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，根据所述疾病类别概率，确定所述问诊信息对应的疾病类别。
[0098]
详细地，本发明实施例中所述基于多任务联合的疾病类别分析装置100中的所述各模块在使用时采用与上述的图1中所述的基于多任务联合的疾病类别分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0099]
如图3所示，是本发明实现基于多任务联合的疾病类别分析方法的电子设备1的结构示意图。
[0100]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于多任务联合的疾病类别分析程序。
[0101]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(control unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多任务联合的疾病类别分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0102]
所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬
盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于多任务联合的疾病类别分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0103]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0104]
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和员工接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述员工接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，员工接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的员工界面。
[0105]
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0106]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0107]
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
[0108]
所述电子设备1中的所述存储器11存储的基于多任务联合的疾病类别分析程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
[0109]
获取问诊信息，在预设的循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量；
[0110]
利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征；
[0111]
构建所述问诊特征的激活函数，通过交叉熵函数计算所述激活函数的损失值，通过预设的优化算法优化所述损失值，将优化后的损失值对应的激活函数进行输出，得到目标函数；
[0112]
利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，根据所述疾病类别概率，确定所述问诊信息对应的疾病类别。
[0113]
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例
中相关步骤的描述，在此不赘述。
[0114]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0115]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
[0116]
获取问诊信息，在预设的循环神经网络的输入层中将所述问诊信息映射到隐藏层，得到问诊向量；
[0117]
利用所述隐藏层的多层感知器对所述问诊向量进行特征提取，得到问诊特征；
[0118]
构建所述问诊特征的激活函数，通过交叉熵函数计算所述激活函数的损失值，通过预设的优化算法优化所述损失值，将优化后的损失值对应的激活函数进行输出，得到目标函数；
[0119]
利用所述目标函数对所述问诊特征进行计算，得到疾病类别概率，根据所述疾病类别概率，确定所述问诊信息对应的疾病类别。
[0120]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0121]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0122]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0123]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0124]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0125]
本发明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。
[0126]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0127]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。