基于bp神经网络的肿瘤患者住院费用预测方法及系统

技术领域

本发明属于医疗数据处理技术领域，具体涉及基于bp神经网络的肿瘤患者住院费用预测方法及系统。

背景技术

目前，对于恶性肿瘤患者住院费用的研究，基本都停留在对单一类别恶性肿瘤患者住院费用的多因素分析，如对某一类恶性肿瘤患者住院费用进行多因素的多元线性回归分析。然而，该方法无法对不同类别的恶心肿瘤进行数据整合分析，同时其分析精确度也有待提高。

发明内容

本发明提供的基于bp神经网络的肿瘤患者住院费用预测方法及系统，能够利用现有肿瘤患者的住院数据，训练bp神经网络模型，从而对实际肿瘤患者的住院费用进行预测，能够克服上述现有技术中存在的问题。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供了基于bp神经网络的肿瘤患者住院费用预测方法，包括以下步骤：

S1：获取现有肿瘤患者住院数据，提取住院数据中的数据特征，并将提取到的数据特征作为肿瘤患者住院费用影响因素；

S2：构建bp神经网络，将住院费用影响因素以及住院费用数据分别作为训练数据的输入和输出，并将训练数据按照8:2的比例作为训练集和测试集，对bp神经网络进行训练以及测试；

S3：将当前患者医疗数据输入bp神经网络，并输出住院费用。

在一些实施例中，所述住院费用影响因素包括诊疗费、中药费、西药费、检查费、手术费、化验费以及肿瘤类别。

在一些实施例中，所述S1还包括：

S11：根据住院费用和住院费用影响因素的对应关系，将住院数据转化为向量形式；

S12：将向量形式的住院数据进行归一化处理；

S13：对住院费用影响因素赋予初始权重。

在一些实施例中，所述S2包括：

S21：构建输入层为7个节点，隐含层为5个节点，输出层为1个节点的bp神经网络结构；

S22：将向量形式住院数据中的住院费用影响因素作为输入，住院费用作为期望输出，并根据初始权重，对bp神经网络进行训练；

S23：更新初始权重，直至损失函数收敛。

第二方面，本发明提供了基于bp神经网络的肿瘤患者住院费用预测系统，包括：

数据获取模块，用于获取现有肿瘤患者住院数据，提取住院数据中的数据特征，并将提取到的数据特征作为肿瘤患者住院费用影响因素；

模型训练模块，用于构建bp神经网络，并将住院费用影响因素以及住院费用数据按照8:2的比例作为训练集和测试集，对bp神经网络进行训练以及测试；

费用预测模块，用于将当前患者医疗数据输入bp神经网络，并输出住院费用。

在一些实施例中，所述住院费用影响因素包括诊疗费、中药费、西药费、检查费、手术费、化验费以及肿瘤类别。

在一些实施例中，所述数据获取模块包括：

向量转化子模块，用于根据住院费用和住院费用影响因素的对应关系，将住院数据转化为向量形式；

归一化子模块，用于将向量形式的住院数据进行归一化处理；

初始化权重子模块，用于对住院费用影响因素赋予初始权重。

在一些实施例中，所述模型训练模块包括：

模型构建子模块，用于构建输入层为7个节点，隐含层为5个节点，输出层为1个节点的bp神经网络结构；

训练子模块，用于将向量形式住院数据中的住院费用影响因素作为输入，住院费用作为期望输出，并根据初始权重，对bp神经网络进行训练；

权重更新子模块，更新初始权重，直至损失函数收敛。

第三方面，本发明提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的预测方法。

第四方面，本发明提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任意一项所述的预测方法。

本申请的有益效果是：

本申请提供的基于bp神经网络的肿瘤患者住院费用预测方法及系统，能够利用现有肿瘤患者的住院数据，训练bp神经网络模型，从而对实际肿瘤患者的住院费用进行预测，能够克服上述现有技术中存在的问题。

附图说明

图1为本申请的基于bp神经网络的肿瘤患者住院费用预测方法流程图；

图2为本申请步骤S1的子流程图；

图3为本申请步骤S2的子流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。基于所描述的本申请的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

图1为本申请的基于bp神经网络的肿瘤患者住院费用预测方法流程图。

基于bp神经网络的肿瘤患者住院费用预测方法，结合图1，包括以下步骤：

S1：获取现有肿瘤患者住院数据，提取住院数据中的数据特征，并将提取到的数据特征作为肿瘤患者住院费用影响因素；

在一些实施例中，所述住院费用影响因素包括诊疗费、中药费、西药费、检查费、手术费、化验费以及肿瘤类别。

在一些实施例中，结合图2，即本申请步骤S1的子流程图，所述S1还包括：

S11：根据住院费用和住院费用影响因素的对应关系，将住院数据转化为向量形式；

S12：将向量形式的住院数据进行归一化处理；

S13：对住院费用影响因素赋予初始权重。

具体的，本方案基于现有的肿瘤患者住院数据，从现有的肿瘤患者住院数据提取数据特征，并将提取到的数据特征作为肿瘤患者住院费用影响因素，用于后续的模型训练。其中，对于肿瘤患者住院数据，本方案将其总结为7类，包括诊疗费、中药费、西药费、检查费、手术费、化验费以及肿瘤类别，上述7个类别为肿瘤患者住院费用的主要影响因素。进而，为了便于输入bp神经网络模型，将住院数据转化为住院费用和住院费用影响因素的对应关系的向量表示形式，具体可利用以下公式进行表示：

，

其中，

对于bp神经网络的输入数据，除了要将其进行向量表示之外，还需要对其进行归一化处理，以加快模型的训练速度。进一步的，在完成对住院数据的预处理后，还需要对每一个住院费用影响因素赋予其初始权重，用于模型的训练。具体可利用随机发生器，产生一组-0.5～0.5的随机数，作为bp神经网络的初始权重。

S2：构建bp神经网络，将住院费用影响因素以及住院费用数据分别作为训练数据的输入和输出，并将训练数据按照8:2的比例作为训练集和测试集，对bp神经网络进行训练以及测试；

具体的，根据上述的向量化住院数据以及初始权重，将住院费用影响因素以及住院费用数据按照8:2的比例作为训练集和测试集，对bp神经网络进行训练以及测试。

在一些实施例中，结合图3即本申请步骤S2的子流程图，所述S2包括：

S21：构建输入层为7个节点，隐含层为5个节点，输出层为1个节点的bp神经网络结构；

S22：将向量形式住院数据中的住院费用影响因素作为输入，住院费用作为期望输出，并根据初始权重，对bp神经网络进行训练；

S23：更新初始权重，直至损失函数收敛。

进一步的，本方案将向量形式住院数据中的住院费用影响因素作为bp神经网络模型的输入，对应的住院费用作为bp神经网络模型的期望输出，根据住院费用影响因素的类别数量，即诊疗费、中药费、西药费、检查费、手术费、化验费以及肿瘤类别的7个类别，将bp神经网络结构的输入层设置为7个节点，相应的输出层设置为1个节点，而隐含层则按输入层节点数量的75%来设置，即设置为5个隐含层节点，需要注意的是，隐含层的节点数不一定必须固定为5个，可以对包含4、5、6个节点的隐含层的模型进行比较，从而确定最合理的bp神经网络结构。对于bp神经网络的具体计算，本方案采用sigmiod函数作为激活函数，隐含层的输出为：

；

其中，

输出层的输出为：

；

其中，

误差为：

；

其中，E表示误差，m表示输出层节点数（本方案中为1个），Y表示期望输出。

因此，权重的更新为：

；

其中，

从而，将根据以上bp神经网络模型，将向量形式住院数据中的住院费用影响因素作为bp神经网络模型的输入，对应的住院费用作为bp神经网络模型的期望输出，对其进行训练，直到误差收敛，得到权重更新后的bp神经网络模型。进而，将实际肿瘤患者的住院数据输入该模型，即可预测出该肿瘤患者的住院费用。

本发明第二方面还提供了基于bp神经网络的肿瘤患者住院费用预测系统，包括：

数据获取模块，用于获取现有肿瘤患者住院数据，提取住院数据中的数据特征，并将提取到的数据特征作为肿瘤患者住院费用影响因素；

模型训练模块，用于构建bp神经网络，并将住院费用影响因素以及住院费用数据按照8:2的比例作为训练集和测试集，对bp神经网络进行训练以及测试；

费用预测模块，用于将当前患者医疗数据输入bp神经网络，并输出住院费用。

在一些实施例中，所述住院费用影响因素包括诊疗费、中药费、西药费、检查费、手术费、化验费以及肿瘤类别。

在一些实施例中，所述数据获取模块包括：

向量转化子模块，用于根据住院费用和住院费用影响因素的对应关系，将住院数据转化为向量形式；

归一化子模块，用于将向量形式的住院数据进行归一化处理；

初始化权重子模块，用于对住院费用影响因素赋予初始权重。

本发明第三方面还提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的预测方法。

本发明第四方面还提供了一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述中任意一项所述的预测方法。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

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，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。

本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

虽然结合附图描述了本申请的实施方式，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。