一种智能疾病诊断设备及方法与流程

1.本发明涉及疾病诊断技术领域，具体为一种智能疾病诊断设备及方法。


背景技术：

2.很多疾病在发展过程中均会同时(或者先后)出现多脏器或者多系统症状，患者会在不同科室就诊，但由于专科医生通常只专注于自己专科的疾病，忽略了从整体上去把握疾病的本质，因此很容易导致误诊和漏诊。而且，即使是专科医生在单一疾病诊断中也存在着极大的不确定性和不一致性，根据诺贝尔奖得主丹尼尔
·
卡尼曼的一项针对22名专科医生的研究发现，当他们在相隔几个月的时间里检查同样的13张血管造影图后，他们与自己原有意见不一致的可能性为63％～92％。即使是全世界最权威的医生，也面临着各式各样的噪声影响其判断。故此，提供一种智能疾病诊断设备及方法。


技术实现要素：

3.针对现有技术的不足，本发明提供了一种智能疾病诊断设备及方法，解决了上述背景技术中提出的问题。
4.为实现以上目的，本发明通过以下技术方案予以实现：一种智能疾病诊断设备及方法，包括终端设备数据输入模块，以及与终端设备数据输入模块连接的智能计算模块，所述智能计算模块的输入端连接有数据库和数据反馈模块，所述智能计算模块的输出端连接有结果展示模块。
5.可选的，所述终端设备数据输入模块用于通过终端设备数据输入模块将患者主观模糊数据和(或)客观量化数据和(或)医师主观判断数据编辑出诊断数据。
6.可选的，所述智能计算模块用于通过人工智能算法处理输入的数据，计算各项数据概率。
7.可选的，所述结果展示模块用于统计计算结果，并生成诊断意见。
8.可选的，所述数据反馈模块用于将统计计算结果与患者治疗全程样本数据对比，并将治疗数据反馈给智能计算模块。
9.可选的，所述数据库用于提取患者治疗全程样本数据特征，并提供各特征的先验概率以及特征间的先验条件概率反馈给智能计算模块。
10.一种智能疾病诊断方法，包括以下步骤：
11.s1、将患者主观模糊数据和(或)客观量化数据和(或)医师主观判断数据经编辑通过终端设备数据输入模块输入至智能计算模块；
12.s2、经智能计算模块处理终端设备数据输入模块输入的编辑数据，计算各项数据概率，并将各项相关疾病概率输入至结果展示模块，并通过结果展示模块对于智能计算模块输入的数据进行统计计算结果，可通过人工智能算法得出患者所患各种疾病的概率由大到小的排名，并生成诊断意见；
13.s3、经数据反馈模块将统计计算结果与患者治疗全程样本数据对比，并将治疗数
据反馈给智能计算模块；
14.s4、数据库提取患者治疗全程样本数据特征，并将各特征的先验概率以及特征间的先验条件概率反馈给智能计算模块。
15.可选的，所述步骤s2中的智能计算模块的人工智能算法，进一步的包括：
16.经拉普拉斯修正后的先验概率可表示为：
[0017][0018][0019]
c表示病因，x表示症状；
[0020]
xi表示x在第i个特征上的取值；
[0021]
d表示症状数目；
[0022]
d表示病例集合；
[0023]
dc表示病例集d中病因c的样本组成的集合；
[0024]dc，xi
表示病因是c且在第i个症状上取值为xi的样本集合；
[0025]
n为样本集d中的病因数，ni表示第i个症状已发现的可取值数；
[0026]
在可得到样本数无法达到选定置信度所需要的数量时，则在患者的症状x已确认后患疾病c的后验概率p(c|x)可写为：
[0027][0028]
在可得样本数量能达到选定置信度所要求的数量时，则在患者的症状x已确认后，患疾病c的后验概率p(c|x)的机器学习公式可写为：
[0029][0030]
|d
xi
|≥m’[0031]
xj表示x在第j个特征上的取值；
[0032]dxi
表示在第i个症状上取值为xi的样本的集合；
[0033]
m’为阈值常数，将根据数据反馈调整；
[0034]
n表示d中已发现的病因数；
[0035]
ni表示第i个症状上已发现的可取值数；
[0036]dc，xi,xj
表示病因是c且在第i和第j个症状上取值分别为xi和xj的样本集合；
[0037]
则上述p(c|x)后验概率计算所需的先验概率公式为：
[0038][0039][0040]
本发明提供了一种智能疾病诊断设备及方法，具备以下有益效果：
[0041]
本发明可以通过科学而具有一致性和稳定性的方法从已知症状中将患者所患各类疾病的概率用清晰的列表排名，给医生和患者一个极有价值的参考，大大加快诊疗速度，也能够节省本就宝贵的医疗资源。
[0042]
与可替代方案相比，本发明能够在训练样本量极少时就获得高正确率，并在样本数量增大后不断优化并能够为医学界提供未被发现的病因症状间的相关关系信息。
附图说明
[0043]
图1为本发明的系统结构示意图；
[0044]
图2为本发明的诊断方法流程示意图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
[0046]
请参阅图1至图2，本发明提供一种技术方案：一种智能疾病诊断设备及方法终端设备数据输入模块，以及与终端设备数据输入模块连接的智能计算模块，所述智能计算模块的输入端连接有数据库和数据反馈模块，所述智能计算模块的输出端连接有结果展示模块。
[0047]
本发明中，终端设备数据输入模块用于通过终端设备数据输入模块将患者主观模糊数据和(或)客观量化数据和(或)医师主观判断数据编辑出诊断数据。
[0048]
本发明中，智能计算模块用于通过人工智能算法处理输入的数据，计算各项数据概率。
[0049]
本发明中，结果展示模块用于统计计算结果，并生成诊断意见。
[0050]
本发明中，数据反馈模块用于将统计计算结果与患者治疗全程样本数据对比，并将治疗数据反馈给智能计算模块。
[0051]
本发明中，数据库用于提取患者治疗全程样本数据特征，并提供各特征的先验概率以及特征间的先验条件概率反馈给智能计算模块。
[0052]
一种智能疾病诊断方法，包括以下步骤：
[0053]
s1、将患者主观模糊数据和(或)客观量化数据和(或)医师主观判断数据经编辑通过终端设备数据输入模块输入至智能计算模块；
[0054]
s2、经智能计算模块处理终端设备数据输入模块输入的编辑数据，计算各项数据概率，并将各项相关疾病概率输入至结果展示模块，并通过结果展示模块对于智能计算模块输入的数据进行统计计算结果，并生成诊断意见，下表为最终给医生患者展现的形式，属于结果展示模块。
[0055]
病因列表概率流感93％支气管炎5％肺炎1％肺结核0.5％其它0.5％
；
[0056]
s3、经数据反馈模块将统计计算结果与患者治疗全程样本数据对比，并将治疗数据反馈给智能计算模块；
[0057]
s4、数据库提取患者治疗全程样本数据特征，并将各特征的先验概率以及特征间的先验条件概率反馈给智能计算模块。
[0058]
可选的，所述步骤s2中的智能计算模块的人工智能算法，进一步的包括：
[0059]
经拉普拉斯修正后的先验概率可表示为：
[0060][0061][0062]
c表示病因，x表示症状；
[0063]
xi表示x在第i个特征上的取值；
[0064]
d表示症状数目；
[0065]
d表示病例集合；
[0066]
dc表示病例集d中病因c的样本组成的集合；
[0067]dc，xi
表示病因是c且在第i个症状上取值为xi的样本集合；
[0068]
n为样本集d中的病因数，ni表示第i个症状已发现的可取值数；
[0069]
在可得到样本数无法达到选定置信度所需要的数量时，则在患者的症状x已确认后患疾病c的后验概率p(c|x)可写为：
[0070][0071]
在可得样本数量能达到选定置信度所要求的数量时，则在患者的症状x已确认后，患疾病c的后验概率p(c|x)的机器学习公式可写为：
[0072][0073]
|d
xi
|≥m’[0074]
xj表示x在第j个特征上的取值；
[0075]dxi
表示在第i个症状上取值为xi的样本的集合；
[0076]
m’为阈值常数，将根据数据反馈调整；
[0077]
n表示d中已发现的病因数；
[0078]
ni表示第i个症状上已发现的可取值数；
[0079]dc，xi,xj
表示病因是c且在第i和第j个症状上取值分别为xi和xj的样本集合；
[0080]
则上述p(c|x)后验概率计算所需的先验概率公式为：
[0081]
[0082][0083]
以上，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。