一种医疗数据处理方法及系统与流程

本发明属于计算机，具体涉及一种医疗数据处理方法及系统。

背景技术：

1、随着人工智能的发展，深度学习模型在医疗领域日益受到关注。深度学习十分适合高效的处理由医院产生的大量高质量医疗数据。而连接深度学习和多中心医疗数据的桥梁是联邦学习，它通过一种保护隐私的方式，可以使得机器从不同的医院学习到数据的通用的和私有的特征。但是，传统的联邦学习算法遇到非独立同分布的数据时，效果并不是很好，例如fedavg。这些算法聚合统一的模型，而这种模型决策时输入的数据分布一旦和他们训练时数据分布迥异，很容易造成模的型预测结果出现巨大偏差。比如，阿片类药物和非阿片类药物的使用量需要因人种不同做出调整。临床医生哪怕是在遵循同一个临床操作指南下，对不同人种使用同样的治疗方案而忽视人种差异也是不合适的，而这一现象有可能是医院的地理环境的不同导致人口学上分布不同导致的。

2、不同领域的人都为这些问题寻找解决方案，并且在聚合模型的准确性方面取得了相对不错的结果，其中，个性化方法是克服非独立同分数据带来的问题的最常见的解决方案。医学中存在许多与前面提到的类似的个性化场景，因此，当医院参与联合学习时，医院应该进行个性化聚合模型。这种个性化模型适应本地数据分布，具有更好的准确性。然而，医学界并没有完全认可聚合模型的准确性，因为其他平衡性指标，如敏感性和特异性，也非常有价值。尽管个性化模型的准确性高于传统的聚合模型，但在比较敏感性和特异性指标时，许多个性化模型反而处于劣势。

技术实现思路

1、本发明要解决的技术问题是提供了一种医疗数据处理方法及系统，应用于医疗领域模型中，实现医疗数据的高效、高精度处理，提升医疗领域内不同功能需求的响应效果。

2、本发明的内容包括提供一种医疗数据处理方法，包括：

3、地方医院基于本地医疗数据训练局部模型，得到第一编码器参数，所述局部模型由多个子编码器和一个解码器构成，每个所述子编码器关注的数据类型不同；

4、云端服务器获得各个所述地方医院发送的第一编码器参数，并对所述第一编码器参数进行加权平均聚合处理，得到聚合编码器参数；

5、所述地方医院获得云端服务器发送的聚合编码器参数，并基于所述聚合编码器参数训练本地的所述局部模型，得到第一解码器参数；

6、所述云端服务器获得各个所述地方医院发送的第一解码器参数，并基于计算确定的个性化聚合度对所述第一解码器参数进行个性化聚合处理，得到多个不同的聚合解码器参数；

7、所述云端服务器基于各个所述地方医院训练的局部模型的特征将匹配所述局部模型的聚合解码器参数发送至对应的地方医院；

8、所述地方医院基于获得的聚合解码器参数更新本地的局部模型，得到具有指定功能的目标模型，所述指定功能包括医疗信息的分类及预测；

9、将待处理数据输入目标模型中，得到处理结果。

10、在一些实施例中，所述子编码器的损失函数为：

11、

12、其中，代表散度，表示第个子编码器，代表第个子编码器的参数，表示类别的数量，表示输入的数据，表示标签。

13、在一些实施例中，在所述局部模型执行的任务为分类任务时，所述散度表示为：

14、

15、其中，表示被第个子编码器提取的第个特征，由个标量标签组成，表示实数空间，，，表示由一个子编码器提取的特征的数量，表示标准差函数，为系数，所述任务与指定功能相关。

16、在一些实施例中，在所述局部模型执行的任务为分割任务时，所述散度表示为：

17、

18、其中，表示第个子编码器的第个模块输出的特征，表示第个子编码器的最终深度，表示第个输入的平均池化，其大小与特征一致，所述任务与指定功能相关，为系数。

19、在一些实施例中，所述局部模型的损失函数由风险损失函数和子编码器的损失函数形成，所述风险损失函数为交叉熵损失函数。

20、在一些实施例中，所述方法还包括：

21、所述云端服务器基于各所述地方医院发送的训练数据、局部模型的任务需求、训练过程数据中的一种或多种确定关于各个所述局部模型的数据分布差异信息；

22、基于所述数据分布差异信息及任务需求确定所述个性化聚合度。

23、在一些实施例中，所述基于计算确定的个性化聚合度对所述第一解码器参数进行个性化聚合处理，包括：

24、基于计算确定的个性化聚合度确定选择函数；

25、基于所述选择函数及下述公式对所述第一解码器参数进行个性化聚合处理：

26、

27、其中，表示聚合编码器参数，其在轮聚合迭代之后被发送至第个地方医院，且其在云服务器内模型中的位置与第个地方医院的局部模型中所处的位置一致，表示由第轮迭代之后的第个局部模型返回的第一解码器参数，表示所有第一解码器参数的额平均值，表示由所有局部模型在同一位置的模型参数组成的向量，表示由不同局部模型中处于相同位置的聚合解码器参数组成的参数散度，为标量，表示对应参数散度的选择函数。

28、在一些实施例中，所述对所述第一编码器参数进行加权平均聚合处理，包括：

29、对所述第一编码器参数基于下式进行加权平均聚合处理：

30、

31、其中，表示子编码器中已经聚合的参数，表示第个地方医院中的第个类别的数量，且表示第个类别的总样本数，表示在本地迭代之后，第个地方医院中的第个子编码器的参数。

32、在一些实施例中，所述指定功能包括基于患者的临床数据进行分类及预测；

33、所述将待处理数据输入目标模型中，得到处理结果，包括：

34、获得目标患者的诊断信息、检查结果，所述诊断信息中具有预测的疾病种类信息；

35、将所述诊断信息、检查结果输入至目标模型中，得到表征所述目标患者的身体状态与预测的疾病种类的匹配度的预测结果。

36、本发明另一实施例同时提供一种医疗数据处理系统，包括云端服务器和多个地方医院的数据系统，其中：

37、所述地方医院基于本地医疗数据训练局部模型，得到第一编码器参数，所述局部模型由多个子编码器和一个解码器构成，每个所述子编码器关注的数据类型不同；

38、所述云端服务器获得各个所述地方医院发送的第一编码器参数，并对所述第一编码器参数进行加权平均聚合处理，得到聚合编码器参数；

39、所述地方医院获得云端服务器发送的聚合编码器参数，并基于所述聚合编码器参数训练本地的所述局部模型，得到第一解码器参数；

40、所述云端服务器获得各个所述地方医院发送的第一解码器参数，并基于计算确定的个性化聚合度对所述第一解码器参数进行个性化聚合处理，得到多个不同的聚合解码器参数；

41、所述云端服务器基于各个所述地方医院训练的局部模型的特征将匹配所述局部模型的聚合解码器参数发送至对应的地方医院；

42、所述地方医院基于获得的聚合解码器参数更新本地的局部模型，得到具有指定功能的目标模型，所述指定功能包括医疗信息的分类及预测；

43、将待处理数据输入目标模型中，得到处理结果。

44、本发明的有益效果在于通过提出一种用于各个地方医院进行医疗数据的共享学习架构，使得各个地方医院的用于执行不同功能任务的局部模型能够得到更为精准的参数，以基于该参数使得训练形成的目标模型能够高效率、高精度地对输入的数据进行处理，得到更具参考价值的结果，包括对患者的医疗数据的分析识别、预测疾病种类、预测患病等级、预测康复程度等等，为医务人员及患者提供了更为便利、更贴合实际情况的医疗信息。

45、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

46、下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。