基于神经网络和机器学习的关节炎康复诊疗方法及系统

技术领域

本发明涉及关节炎诊疗技术领域，尤其涉及一种基于神经网络和机器学习的关节炎康复诊疗方法及系统。

背景技术

关节炎（arthritis）泛指发生在人体关节及其周围组织，由炎症、感染、退化、创伤或其他因素引起的炎性疾病，可分为数十种。我国的关节炎患者有1亿以上，且人数在不断增加。临床表现为关节的红、肿、热、痛、功能障碍及关节畸形，严重者导致关节残疾、影响患者生活质量。据统计我国50岁以上人群中半数患骨关节炎，65岁以上人群中90%女性和80%男性患骨关节炎。我国的患病率为0.34%～0.36%，严重者寿命约缩短10～15年。

目前医生在对关节炎患者进行诊断治疗时，往往都是通过问诊的方式进行，或者通过一些初步智能化的在线就诊模式进行在线答复，然后在通过医生的经验进行判断，不具备智能化诊断和治疗功能，且诊断效率较低；而且现有的一些自动出具诊断报告和治疗方案的平台，采用的都是基于权重分析，根据病患的输入，在病例库里匹配权重最高的已有案例，从而输出一套与病患最为相似的诊断与治疗方案。这样的权重匹配仅能处理简单的病例，且由于病情的诊断需综合多方面因素考虑，简单的权重分析并不是真正的智能化诊断，依旧需要医生审核与修改。

因此，如何通过智能化的诊疗手段来对病人的情况进行评估得到相应的康复诊疗方案，是现阶段需要解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种基于神经网络和机器学习的关节炎康复诊疗方法及系统，解决了现有关节炎诊断方式存在的不足。

本发明的目的通过以下技术方案来实现：基于神经网络和机器学习的关节炎康复诊疗方法，所述关节炎康复诊疗方法包括：

采集患者多个维度的量表数据输入到深度神经网络量表评估模型中；

深度神经网络量表评估模型将多个维度的量表中的关键信息看作多源数据，通过构造扩模态交叉自编码神经网络在多个数据源之间形成不同跨数据源组合的统一表达，并根据所述统一表达综合评估量表；

将所述深度神经网络量表评估模型对量表的综合评估作为反馈激励输入到机器学习模型中自动生成康复诊断的处方方案。

所述机器学习模型中自动生成康复诊断的处方方案包括：将评估量表设置为机器学习中的环境要素，将生成的康复诊断处方方案设置为机器学习中的动作要素，将输入的量表综合评估设置为机器学习中的反馈激励要素；根据三个要素不断的进行量表评估-生成康复诊断处方-量表评估的过程来优化反馈激励，最后得到最佳的康复诊断处方方案。

所述多个维度的量表数据包括结构量表数据、运动量表数据、感觉量表数据、平衡量表数据、ADL量表数据和心理量表数据。

从所述结构量表数据、运动量表数据、感觉量表数据、平衡量表数据、ADL量表数据和心理量表数据中提取出27项关键信息输入到所述机器学习模型中，输出包括N个输出向量，通过对三个要素不断的进行量表评估-生成康复诊断处方-量表评估的过程来优化反馈激励，得到由N个输出向量中多个向量组合的最佳康复诊断处方方案。

所述机器学习模型包括KOA机器学习模型用于生成KOA的康复诊断处方方案，创伤性关节炎机器学习模型用于生成创伤性关节炎的康复诊断处方方案和类风湿关节炎机器学习模型用于生成类风湿关节炎的康复诊断处方方案。

基于神经网络和机器学习的关节炎康复诊疗方法的系统，所述系统包括数据采集模块、深度神经网络量表评估模型和机器学习模型；

所述数据采集模块用于采集患者多个维度的量表数据输入到所述深度神经网络量表评估模型中；

所述深度神经网络量表评估模型用于通过将多个维度的量表中的关键信息看作多源数据，构造扩模态交叉自编码神经网络在多个数据源之间形成不同跨数据源组合的统一表达，并根据所述统一表达综合评估量表；

所述机器学习模型包括将所述深度神经网络量表评估模型对量表的综合评估作为反馈激励输入到机器学习模型中自动生成康复诊断的处方方案。

其中，机器学习模型中自动生成康复诊断的处方方案具体包括：将评估量表设置为机器学习中的环境要素，将生成的康复诊断处方方案设置为机器学习中的动作要素，将输入的量表综合评估设置为机器学习中的反馈激励要素；根据三个要素不断的进行量表评估-生成康复诊断处方-量表评估的过程来优化反馈激励，最后得到最佳的康复诊断处方方案。

所述机器学习模型包括KOA机器学习模型、创伤性关节炎机器学习模型和类风湿关节炎机器学习模型；

所述KOA机器学习模型用于生成KOA的康复诊断处方方案；

所述创伤性关节炎机器学习模型用于生成创伤性关节炎的康复诊断处方方案；

所述类风湿关节炎机器学习模型用于生成类风湿关节炎的康复诊断处方方案。

本发明具有以下优点：一种基于神经网络和机器学习的关节炎康复诊疗方法及系统，通过深度神经网络跟机器学习模型的结合来对采集输入的患者量表数据进行评估，并自动输出智能化的康复诊断处方方案，医生不需要再通过在线问诊系统进行问诊，极大地提升了问诊效率。

附图说明

图1 为本发明方法的流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。

如图1所示，本发明涉及一种基于神经网络和机器学习的关节炎康复诊疗方法，所述关节炎康复诊疗方法包括：

S1、采集患者多个维度的量表数据输入到训练完成的深度神经网络量表评估模型中；

S2、深度神经网络量表评估模型将多个维度的量表中的关键信息看作多源数据，这种多源数据中每个样本的数据源组成具有不同的特点，可以将其视作非偶然性数据（即量表组合）源缺失，通过构造扩模态交叉自编码神经网络在多个数据源之间形成不同跨数据源组合的统一表达，并根据所述统一表达综合评估量表；

S3、将所述深度神经网络量表评估模型对量表的综合评估作为反馈激励输入到训练好的机器学习模型中自动生成康复诊断的处方方案。

进一步地，机器学习模型中自动生成康复诊断的处方方案包括：将评估量表设置为机器学习中的环境要素，将生成的康复诊断处方方案设置为机器学习中的动作要素，将输入的量表综合评估设置为机器学习中的反馈激励要素；根据三个要素不断的进行量表评估-生成康复诊断处方-量表评估的过程来优化反馈激励，最后得到最佳的康复诊断处方方案。

进一步地，多个维度的量表数据包括结构量表数据、运动量表数据、感觉量表数据、平衡量表数据、ADL量表数据和心理量表数据。

从所述结构量表数据、运动量表数据、感觉量表数据、平衡量表数据、ADL量表数据和心理量表数据中提取出27项关键信息输入到所述机器学习模型中，输出包括85个输出向量，通过对三个要素不断的进行量表评估-生成康复诊断处方-量表评估的过程来优化反馈激励，得到由85个输出向量中多个向量组合的最佳康复诊断处方方案。

其中，最佳康复诊断处方方案为当某一次的反馈激励输入到机器学习模型中得到的康复诊断处方方案与上一次得到的康复诊断处方方案相同时（表示此次没有可优化的康复治疗项），则此次的康复诊断处方方案即为最佳康复诊断处方方案。

所述机器学习模型包括KOA机器学习模型用于生成KOA的康复诊断处方方案，创伤性关节炎机器学习模型用于生成创伤性关节炎的康复诊断处方方案和类风湿关节炎机器学习模型用于生成类风湿关节炎的康复诊断处方方案。

进一步地，KOA机器学习模型包括函数：

进一步地，创伤性关节炎机器学习模型包括函数为：

进一步地，类风湿关节炎机器学习模型包括函数为：

本发明的另一实施例涉及一种基于神经网络和机器学习的关节炎康复诊疗方法的系统，所述系统包括数据采集模块、深度神经网络量表评估模型和机器学习模型；

所述数据采集模块用于采集患者多个维度的量表数据输入到所述深度神经网络量表评估模型中；

所述深度神经网络量表评估模型用于通过将多个维度的量表中的关键信息看作多源数据，构造扩模态交叉自编码神经网络在多个数据源之间形成不同跨数据源组合的统一表达，并根据所述统一表达综合评估量表；

所述机器学习模型包括将所述深度神经网络量表评估模型对量表的综合评估作为反馈激励输入到机器学习模型中自动生成康复诊断的处方方案。

其中，机器学习模型中自动生成康复诊断的处方方案具体包括：将评估量表设置为机器学习中的环境要素，将生成的康复诊断处方方案设置为机器学习中的动作要素，将输入的量表综合评估设置为机器学习中的反馈激励要素；根据三个要素不断的进行量表评估-生成康复诊断处方-量表评估的过程来优化反馈激励，最后得到最佳的康复诊断处方方案。

所述机器学习模型包括KOA机器学习模型、创伤性关节炎机器学习模型和类风湿关节炎机器学习模型；

所述KOA机器学习模型用于生成KOA的康复诊断处方方案；

所述创伤性关节炎机器学习模型用于生成创伤性关节炎的康复诊断处方方案；

所述类风湿关节炎机器学习模型用于生成类风湿关节炎的康复诊断处方方案。

本发明的创伤性关节炎机器学习模型为多输入多输出模型主要对物理治疗方案和患者身体患病状况进行预测进而得到康复诊断方案，该模型含两个全连接层，模型有27项输入，85项输出，本发明中总共提供505个样本，85个预测项中有41项正样本与负样本中数量较少一方低于46，且这有41项的正样本/负样本或负样本/正样本小于0.1，故相对与其他预测项，可靠性较低，可待这些预测项样本选中数量积累较多后再迭代模型。

KOA机器学习模型为多输入多输出模型主要对物理治疗方案和患者身体患病状况进行预测，该模型含两个全连接层，模型有27项输入，84项输出。本发明中总共提供510个样本，84个预测项中有38项正样本与负样本中数量较少一方低于47，且这有38项的正样本/负样本或负样本/正样本小于0.1，故相对与其他预测项，可靠性较低，可待这些预测项样本选中数量积累较多后再迭代模型。

类风湿关节炎机器学习模型为多输入多输出模型主要对物理治疗方案和患者身体患病状况进行预测，该模型含两个全连接层，模型有27项输入，85项输出。本发明中总共提供495个样本，85个预测项中有35项正样本与负样本中数量较少一方低于45，且这有35项的正样本/负样本或负样本/正样本小于0.1，故相对与其他预测项，可靠性较低，可待这些预测项样本选中数量积累较多后再迭代模型。

收集到的数据通过python进行归一化处理，同时以tensorflow为基础结构，通过keras搭建本发明所述机器学习模型，通过对模型的100次迭代获取到训练完成的机器学习模型。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。