本申請涉及人工智能，特別是涉及一種病例類型預測方法、裝置、設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、通常，醫(yī)生進行疾病診斷時，需要分析患者檢查部位的病例類型，再基于病例類型綜合確定患者的疾病診斷結(jié)果。

2、相關(guān)技術(shù)中，在分析檢查部位的病例類型時，通常是采用分類模型進行預測的，而分類模型是基于身體各部位中不同病例類型標注的類別進行訓練的。但是由于很多部位的病例類型樣本較為稀少，標注工作在實際作業(yè)時非常困難，導致分類模型只能對常見的病例類型進行預測。

3、因此，相關(guān)技術(shù)中的病例類型預測方法存在場景適用性差的問題。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種病例類型預測方法、裝置、設(shè)備和存儲介質(zhì)，不僅能夠?qū)ΤＲ姷牟±愋瓦M行預測，對于很多罕見的病例類型也能夠預測，提高了病例類型預測的場景適用性。

2、第一方面，本申請實施例提供了一種病例類型預測方法，包括：

3、獲取目標部位的醫(yī)學檢查信息；

4、將醫(yī)學檢查信息輸入至預先訓練好的類型預測模型中，得到目標部位的病例類型預測結(jié)果；類型預測模型是采用從所述目標部位的病例收集信息中提取的多個歷史病例類型和各所述歷史病例類型對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，并采用各所述歷史病例類型和從所述病例收集信息中提取的各所述歷史病例類型對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)得到的。

5、在其中一個實施例中，該方法還包括：

6、根據(jù)目標部位，從病例數(shù)據(jù)庫中檢索與目標部位相關(guān)的病例信息；

7、將與目標部位相關(guān)的病例信息確定為目標部位的病例收集信息。

8、在其中一個實施例中，采用從目標部位的病例收集信息中提取的多個歷史病例類型和各歷史病例類型對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，包括：

9、將各歷史病例類型輸入至預訓練的生成模型中，得到預訓練的生成模型輸出的預測詳細信息；

10、根據(jù)各病例類型詳細信息、預測詳細信息和預設(shè)的損失函數(shù)，調(diào)整預訓練的生成模型的模型參數(shù)，直至訓練完成，得到二次預訓練后的生成模型。

11、在其中一個實施例中，采用各歷史病例類型和從病例收集信息中提取的各歷史病例類型對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)，包括：

12、將各歷史檢查信息輸入至二次預訓練后的生成模型中，得到二次預訓練后的生成模型輸出的預測結(jié)果；

13、根據(jù)預測結(jié)果和各歷史病例類型，確定二次預訓練后的生成模型的類型預測損失；

14、基于類型預測損失，調(diào)整二次預訓練后的生成模型的模型參數(shù)，直至類型預測損失小于預設(shè)閾值，得到類型預測模型。

15、在其中一個實施例中，該方法還包括：

16、根據(jù)預先訓練好的獎勵模型和樣本檢查信息，對類型預測模型的輸出結(jié)果進行質(zhì)量評分，得到樣本檢查信息的質(zhì)量評分結(jié)果；

17、基于質(zhì)量評分結(jié)果，對類型預測模型進行參數(shù)優(yōu)化，得到優(yōu)化后的類型預測模型。

18、在其中一個實施例中，根據(jù)預先訓練好的獎勵模型和樣本檢查信息，對類型預測模型的輸出結(jié)果進行質(zhì)量評分，得到樣本檢查信息的質(zhì)量評分結(jié)果，包括：

19、將樣本檢查信息輸入至類型預測模型中，得到類型預測模型輸出的樣本預測結(jié)果；

20、將樣本預測結(jié)果輸入至獎勵模型中，得到質(zhì)量評分結(jié)果。

21、在其中一個實施例中，獎勵模型的訓練過程包括：

22、獲取訓練數(shù)據(jù)集；訓練數(shù)據(jù)集為類型預測模型對每一檢查信息生成的多份類型預測結(jié)果；

23、將各類型預測結(jié)果輸入至質(zhì)量評估模型中，得到質(zhì)量評估模型輸出的預測質(zhì)量排序結(jié)果；

24、根據(jù)預測質(zhì)量排序結(jié)果和標準質(zhì)量排序結(jié)果，調(diào)整質(zhì)量評估模型的模型參數(shù)，直至訓練完成，得到獎勵模型。

25、第二方面，本申請實施例還提供了一種病例類型預測裝置，包括：

26、信息獲取模塊，用于獲取目標部位的醫(yī)學檢查信息；

27、結(jié)果確定模塊，用于將醫(yī)學檢查信息輸入至預先訓練好的類型預測模型中，得到目標部位的病例類型預測結(jié)果；類型預測模型是采用從目標部位的病例收集信息中提取的多個歷史病例類型和各歷史病例類型對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，并采用各歷史病例類型和從病例收集信息中提取的各歷史病例類型對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)得到的。

28、第三方面，本申請實施例還提供了一種計算機設(shè)備。計算機設(shè)備包括存儲器和處理器，存儲器存儲有計算機程序，處理器執(zhí)行計算機程序時實現(xiàn)上述第一方面中任一實施例中的步驟。

29、第四方面，本申請實施例還提供了一種計算機可讀存儲介質(zhì)。計算機可讀存儲介質(zhì)，其上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)上述第一方面中任一實施例中的步驟。

30、第五方面，本申請實施例還提供了一種計算機程序產(chǎn)品。計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述第一方面中任一實施例中的步驟。

31、上述病例類型預測方法、裝置、設(shè)備和存儲介質(zhì)，通過獲取目標部位的醫(yī)學檢查信息，進而將醫(yī)學檢查信息輸入至預先訓練好的類型預測模型中，得到目標部位的病例類型預測結(jié)果，類型預測模型是采用從目標部位的病例收集信息中提取的多個歷史病例類型和各歷史病例類型對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，并采用各歷史病例類型和從病例收集信息中提取的各歷史病例類型對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)得到的。該方法中，通過采用多種歷史病例類型和對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，這樣，生成模型可以學習到大量的醫(yī)學知識，即具有醫(yī)學領(lǐng)域方面的知識，使得生成模型能夠更好的處理醫(yī)學領(lǐng)域的各種任務(wù)；進一步采用多種歷史病例類型和對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)，使生成模型適應(yīng)新的數(shù)據(jù)集和任務(wù)，通過對新數(shù)據(jù)集的訓練來提高生成模型在特定任務(wù)上的性能，即提高生成模型在特定任務(wù)如病例類型預測的適應(yīng)性和預測性能，這樣，得到類型預測模型已經(jīng)學習到各種病例對應(yīng)的檢查信息與病例類型之間的關(guān)系，進而類型預測模型即可以基于任一醫(yī)學檢查信息推測出該醫(yī)學檢查信息對應(yīng)的病例類型，相當于將任何醫(yī)學檢查信息輸入到類型預測模型中，類型預測模型都可以基于學習到的醫(yī)學檢查信息與病例類型的關(guān)系，推斷出輸入的醫(yī)學檢查信息對應(yīng)的病例類型是哪一種，因?qū)W習到醫(yī)學檢查信息與病例類型的關(guān)系，使得自身具有強大的邏輯推斷能力，因此無需預先進行不同病例類型的標注，即可對各種病例類型進行預測，且不僅能夠?qū)ΤＲ姷牟±愋瓦M行預測，對于很多罕見的病例類型也能夠預測，提高了病例類型預測的場景適用性。

技術(shù)特征：

1.一種病例類型預測方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述采用從所述目標部位的病例收集信息中提取的多個歷史病例類型和各所述歷史病例類型對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，包括：

4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述采用各所述歷史病例類型和從所述病例收集信息中提取的各所述歷史病例類型對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)，包括：

5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述方法還包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)預先訓練好的獎勵模型和樣本檢查信息，對所述類型預測模型的輸出結(jié)果進行質(zhì)量評分，得到所述樣本檢查信息的質(zhì)量評分結(jié)果，包括：

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述獎勵模型的訓練過程包括：

8.一種病例類型預測裝置，其特征在于，所述裝置包括：

9.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1至7中任一項所述的方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至7中任一項所述的方法的步驟。

技術(shù)總結(jié)
本申請涉及一種病例類型預測方法、裝置、設(shè)備和存儲介質(zhì)。該方法包括：獲取目標部位的醫(yī)學檢查信息；將醫(yī)學檢查信息輸入至預先訓練好的類型預測模型中，得到目標部位的病例類型預測結(jié)果；類型預測模型是采用從目標部位的病例收集信息中提取的多個歷史病例類型和各歷史病例類型對應(yīng)的病例類型詳細信息對預訓練的生成模型進行二次預訓練，并采用各歷史病例類型和從病例收集信息中提取的各歷史病例類型對應(yīng)的歷史檢查信息對二次預訓練后的生成模型進行微調(diào)得到的。采用該方法不僅能夠?qū)ΤＲ姷牟±愋瓦M行預測，對于很多罕見的病例類型也能夠預測，提高了病例類型預測的場景適用性。

技術(shù)研發(fā)人員：張洲茁,劉旭輝,甄先通
受保護的技術(shù)使用者：北京聯(lián)影智能影像技術(shù)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2