买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京交通大学

摘要：本发明提供了一种基于GBDT样例级的病患样本的智能医学辅助诊断方法。该方法包括：根据历史病患数据构建自适应AdaGBDT模块，利用AdaGBDT模块中的决策树通过迭代训练过程计算待诊断的病患样本的诊断结果；根据病患样本的决策路径计算病患样本的可解释特征嵌入，将AdaGBDT模型不同决策树之间的结果进行累加，得到病患样本的特征重要性嵌入；利用案例推理系统在嵌入空间中使用自加权距离度量在历史病患案例数据库中寻找与所述病患样本最相似的多个案例，将多个案例与病患样本的诊断结果进行比较，如果比较结果为不一致，则将所述病患样本标注为难样本。本发明方法提高了对预测结果不一致案例的关注度，从而有助于提高系统的召回率，减少了漏检案例的数量。

主权项：1.一种基于GBDT样例级的病患样本的智能医学辅助诊断方法，其特征在于，包括：根据历史病患数据构建自适应AdaGBDT模块，利用AdaGBDT模块中的决策树通过迭代训练过程计算待诊断的病患样本的诊断结果；根据AdaGBDT模块得到的所述病患样本的决策路径计算所述病患样本的可解释特征嵌入，利用所述病患样本的可解释特征嵌入将AdaGBDT模型不同决策树之间的结果进行累加，得到所述病患样本的特征重要性嵌入；利用案例推理系统在嵌入空间中使用自加权距离度量在历史病患案例数据库中寻找与所述病患样本最相似的多个案例，将所述多个案例与所述病患样本的诊断结果进行比较，如果比较结果为不一致，则将所述病患样本标注为难样本；如果比较结果为一致，则确定所述病患样本通过校验，将所述病患样本存入数据库；所述的根据历史病患数据构建自适应AdaGBDT模块，利用AdaGBDT模块中的决策树通过迭代训练过程计算待诊断的病患样本的诊断结果，包括：自适应AdaGBDT为多颗决策树的集合体，具体数量通过损失函数的衰减量进行动态调整，当损失函数衰减量小于阈值时，停止AdaGBDT的训练，具体训练过程如下：针对待诊断的病患样本xi,设置AdaGBDT模型的损失函数为：计算病患样本xi的负梯度为： 其中，L·为AdaGBDT模型的损失函数，F·为AdaGBDT的决策函数；计算在T轮训练过程中，病患样本xi的抽样概率，公式如下： 该公式为softmax归一化函数，根据病患样本xi的负梯度大小计算抽样概率pTi，其中exp·表示以e为底的指数运算；根据计算得到的抽样概率pTi使用带权放回采用得到新的数据集Xt,Yt，并根据数据集Xt,Yt训练第T+1轮的AdaGBDT；重复进行上述处理过程，继续计算样本的负梯度，继续根据计算得到的抽样概率pTi使用带权放回采用得到新的数据集Xt,Yt，继续进行AdaGBDT模型的训练，直到达到预设的训练轮次或者损失函数衰减量小于阈值时，停止AdaGBDT的训练，得到训练好的AdaGBDT模型，将最后获得的病患样本xi的负梯度作为AdaGBDT模型获取的待诊断的病患样本xi的诊断结果；所述的根据AdaGBDT模块得到的所述病患样本的决策路径计算所述病患样本的可解释特征嵌入，利用所述病患样本的可解释特征嵌入将AdaGBDT模型不同决策树之间的结果进行累加，得到所述病患样本的特征重要性嵌入，包括：利用基于双向互信息回溯的特征嵌入BME模块在训练好的AdaGBDT模型的决策树上自底向上从叶子节点回溯计算父节点的分数信息，其公式如下： 其中，Nx·表示节点上的样本数量，Ci·表示节点的子节点，Si表示节点上的分数，MIi表示节点i与子节点之间的互信息；根据待诊断的病患样本xi的决策路径，自顶向下计算该病患样本xi的特征重要性信息，依据公式如下： 其中，Sp与Sq分别表示父节点与子节点的分数信息，索引q为父节点与回溯路径交集节点的索引集合；计算AdaGBDT模型的每棵决策树上的病患样本xi的特征重要性之后，将所有决策树上的病患样本xi的特征重要性进行合并，得到待诊断的病患样本xi最终的特征重要性嵌入，合并公式如下： 其中，FCtx[i]表示样本x在第t棵树上第i个特征的重要性，xe表示待诊断的病患样本xi最终的特征重要性嵌入；所述的根据AdaGBDT模块得到的所述病患样本的决策路径计算所述病患样本的可解释特征嵌入，利用所述病患样本的可解释特征嵌入将AdaGBDT模型不同决策树之间的结果进行累加，得到所述病患样本的特征重要性嵌入，包括：在嵌入空间构建基于案例的推理CBR模型，不同样本之间的距离度量采用自注意力加权方式，其公式如下： 其中，分别表示查询样本与现有样本，xe[k]表示样本x的重要性嵌入中第k维特征；将所述待诊断的病患样本xi作为查询样本，将历史病患案例数据库中的案例作为现有样本，使用CBR模型在嵌入空间中使用自加权距离度量在历史病患案例数据库中寻找与待诊断的病患样本xi最相似的k个案例，将上述k个案例作为待诊断的病患样本xi的推理预测结果；将CBR模型的推理预测结果与AdaGBDT模型得到的预测结果进行比较，如果比较结果为不一致，则将病患样本xi标注为难样本；如果比较结果为一致，则通过校验，将病患样本和预测结果存入数据库。

全文数据：

权利要求：

百度查询： 北京交通大学 基于GBDT样例级的病患样本的智能医学辅助诊断方法