病症分类模型的训练方法、装置、终端及可读存储介质

本申请涉及人工智能，尤其涉及病症分类模型的训练方法、装置、终端及可读存储介质。

背景技术：

1、鼻咽坏死是耳鼻咽喉头颈部良恶性疾病放射治疗严重的并发症，其中约三分之一的鼻咽坏死患者合并肿瘤浸润，即肿瘤浸润性鼻咽坏死，这类患者相较无肿瘤浸润性鼻咽坏死患者，预后更差，治疗更复杂。

2、目前肿瘤浸润性鼻咽坏死的诊断主要依靠放射科医生对核磁共振技术的医学影像来辅助诊断，医生利用传统的成像方式来对肿瘤浸润性鼻咽坏死进行诊断的方式表现有限，该方法主要取决于放射科医生经验的判断。首先鼻咽坏死在核磁共振上的轮廓不规则，边缘不清晰，与周围组织的边界不明显。其次肿瘤浸润性鼻咽坏死只占整个坏死区域的一部分，而坏死区域周围是各种各样的结构，这给医生的判断造成一定的困难。

3、随着计算机科学技术的飞速发展，现已有非常多的人工智能手段应用于医疗服务行业，进而让患者享受安全、便利、优质的诊疗服务。但是在现有技术中肿瘤浸润性鼻咽坏死的诊断的预测准确性较低、效能有限亟需借助更丰富的信息、先进的数据挖掘以及数据分析的手段，进一步提升模型的预测效果。

技术实现思路

1、本申请实施例的主要目的在于提供一种病症分类模型的训练方法、装置、终端及可读存储介质，旨在解决肿瘤浸润性鼻咽坏死的诊断的预测准确性较低问题，进而提高利用模型诊断病症的准确性。

2、第一方面，本申请实施例提供一种病症分类模型的训练方法，包括：

3、获得目标训练样本，所述目标训练样本包括图像数据、结构化数据和类别标签，所述图像数据为样本患者的医学图像，所述结构化数据为样本患者的个人结构化数据。

4、将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量。

5、将所述结构化数据输入至所述病症分类模型的特征筛选网络，获得所述结构化数据对应的第二特征向量。

6、将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所述目标训练样本的第三特征向量。

7、将所述第三特征向量输入至所述病症分类模型的特征分类网络获得所述目标训练样本的预测类别和所述预测类别的预测概率，并根据所述预测类别、所述预测类别的预测概率和所述类别标签构建损失函数。

8、基于所述训练样本和所述损失函数对所述病症分类模型进行迭代更新，得到目标病症分类模型。

9、第二方面，本申请实施例还提供一种病症分类模型训练装置，包括：

10、数据获取模块，用于获得目标训练样本，所述目标训练样本包括图像数据、结构化数据和类别标签，所述图像数据为样本患者的医学图像，所述结构化数据为样本患者的个人结构化数据；

11、图像特征提取模块，用于将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量；

12、数据特征提取模块，用于将所述结构化数据输入至所述病症分类模型的特征筛选网络，获得所述结构化数据对应的第二特征向量；

13、特征拼接模块，用于将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所述目标训练样本的第三特征向量；

14、数据分析模块，用于将所述第三特征向量输入至所述病症分类模型的特征分类网络获得所述目标训练样本的预测类别和所述预测类别的预测概率，并根据所述预测类别、所述预测类别的预测概率和所述类别标签构建损失函数；

15、数据更新模块，用于基于所述训练样本和所述损失函数对所述病症分类模型进行迭代更新，得到目标病症分类模型。

16、第三方面，本申请实施例还提供一种终端设备，终端包括处理器、存储器、存储在存储器上并可被处理器执行的计算机程序以及用于实现处理器和存储器之间的连接通信的数据总线，其中计算机程序被处理器执行时，实现如本申请说明书提供的任一项病症分类模型的训练方法的步骤。

17、第四方面，本申请实施例还提供一种存储介质，用于计算机可读存储，其特征在于，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如本申请说明书提供的任一项的病症分类模型的训练方法的步骤。

18、本申请实施例提供一种病症分类模型的训练方法、装置、终端以及存储介质，其中，该训练方法包括获得目标训练样本，目标训练样本包括图像数据、结构化数据和类别标签，图像数据为样本患者的医学图像，结构化数据为样本患者的个人结构化数据；将图像数据输入至待训练的病症分类模型的特征提取网络，获得图像数据对应的第一特征向量；将结构化数据输入至病症分类模型的特征筛选网络，获得结构化数据对应的第二特征向量；将第一特征向量和第二特征向量输入至病症分类模型的特征拼接网络，获得目标训练样本的第三特征向量；将第三特征向量输入至病症分类模型的特征分类网络获得目标训练样本的预测类别和预测类别的预测概率，并根据预测类别、预测类别的预测概率和所述类别标签构建损失函数；基于训练样本和损失函数对病症分类模型进行迭代更新，得到目标病症分类模型。从而可以利用得到的目标病症分类模型对患者的信息进行处理得到患者的病症分类结果。在目标病症分类模型训练时考虑到患者多模态信息，将不同模态的信息进行特征融合，进而可以有效的利用多个模态的信息，也提高病症分类模型识别的准确率。

技术特征：

1.一种病症分类模型的训练方法，其特征在于，所述训练方法包括：

2.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述获得目标训练样本包括：

3.根据权利要求1所述的病症分类模型的训练方法，其特征在于，将所述图像数据输入至待训练的病症分类模型的特征提取网络，获得所述图像数据对应的第一特征向量之前，还包括：

4.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述特征筛选网络包括特征分析网络和特征选择网络；

5.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述特征拼接网络包括特征池化层和特征全连接层；所述将所述第一特征向量和所述第二特征向量输入至所述病症分类模型的特征拼接网络，获得所述目标训练样本的第三特征向量，包括：

6.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述特征分类网络为多层感知器。

7.根据权利要求1所述的病症分类模型的训练方法，其特征在于，所述根据所述预测类别、所述预测类别的预测概率和所述类别标签构建损失函数，包括：

8.一种病症分类模型的训练装置，其特征在于，包括：

9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述的病症分类模型的训练方法步骤。

技术总结
本申请实施例涉及人工智能技术领域，具体提供了一种病症分类模型的训练方法、装置、终端及可读存储介质。该方法包括：获得图像数据、结构化数据和类别标签；将图像数据输入至病症分类模型的特征提取网络获得第一特征向量；将结构化数据输入至病症分类模型的特征筛选网络获得第二特征向量；将第一特征向量和第二特征向量输入至病症分类模型的特征拼接网络，获得目标训练样本的第三特征向量；将第三特征向量输入至病症分类模型的特征分类网络获得预测类别和预测类别的预测概率，并根据预测类别、所述预测概率和类别标签构建损失函数；基于训练样本和损失函数对病症分类模型进行迭代更新，得到目标病症分类模型，提高了病症识别的准确率。

技术研发人员：杨琦,陈明远,林超,黄国恒
受保护的技术使用者：中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所)
技术研发日：
技术公布日：2024/1/13