本發(fā)明涉及語音識別領(lǐng)域、圖像識別領(lǐng)域、醫(yī)學(xué)領(lǐng)域、數(shù)據(jù)庫云計算等技術(shù)領(lǐng)域，特別是涉及一種醫(yī)療診斷機器人系統(tǒng)。
背景技術(shù)：
目前，隨著人類科學(xué)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)(Deep Learning)正在成為機器學(xué)習(xí)領(lǐng)域的一個新興領(lǐng)域。近幾年，有關(guān)深度學(xué)習(xí)的應(yīng)用越來越廣，已經(jīng)涉及到語音識別、圖像識別、自然語言處理等領(lǐng)域。深度學(xué)習(xí)并將繼續(xù)影響到機器學(xué)習(xí)和人工智能的其它關(guān)鍵領(lǐng)域。
在人工智能和大數(shù)據(jù)云計算這兩個領(lǐng)域中，首先深度學(xué)習(xí)模型的出現(xiàn)帶來了眾多領(lǐng)域的變革，以往許多所不能解決的問題如無人駕駛都已經(jīng)成為現(xiàn)實，醫(yī)療領(lǐng)域也不例外，深度學(xué)習(xí)已經(jīng)在向醫(yī)療診斷領(lǐng)域邁進，另外大數(shù)據(jù)云計算也同樣為其他各領(lǐng)域提供了各種實現(xiàn)的可能。
目前，我國擁有的高水平的良醫(yī)與我國廣大的人口數(shù)量相比較，相對較少，醫(yī)生和護士的醫(yī)療資源十分緊缺，而且主要的專家一般集中在中心城市的少數(shù)幾個大醫(yī)院，由于他們需要面對來自全國各地的患者，患者數(shù)量多，導(dǎo)致有時在一些醫(yī)院，普通患者甚至可能要排上幾周甚至幾個月，才能得到診治。而在偏遠地區(qū)的醫(yī)院，所擁有的醫(yī)生資源就更加的稀少了，時常出現(xiàn)因無法及時進行醫(yī)療的情況，無法及時為患者生命健康提供有效的醫(yī)療保障。
因此，目前迫切需要開發(fā)出一種技術(shù)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質(zhì)。
技術(shù)實現(xiàn)要素：
有鑒于此，本發(fā)明的目的是提供一種醫(yī)療診斷機器人系統(tǒng)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質(zhì)，具有重大的生產(chǎn)實踐意義。
為此，本發(fā)明提供了一種醫(yī)療診斷機器人系統(tǒng)，包括：
語音系統(tǒng)模塊，用于采集需要診斷的病人的語言信息，并將病人的語音信息轉(zhuǎn)化成預(yù)設(shè)的語音特征數(shù)據(jù)，然后發(fā)送給醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊；
圖像處理系統(tǒng)模塊，用于接收外部圖像采集設(shè)備所采集的病人的患病部位圖像，然后執(zhí)行預(yù)處理操作后，將經(jīng)過預(yù)處理的所述病人的患病部位圖像發(fā)送給圖像識別檢測模塊；
圖像識別檢測系統(tǒng)模塊，其作為深度學(xué)習(xí)的系統(tǒng)模塊，與圖像處理系統(tǒng)模塊相連接，用于接收所述圖像處理系統(tǒng)模塊發(fā)來的所述病人的患病部位圖像，并提取和識別出其中需要診斷的病人的患病部位圖像信息，然后發(fā)送給醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊；
醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊，分別與語音系統(tǒng)模塊和圖像識別檢測系統(tǒng)模塊相連接，用于存儲預(yù)設(shè)的醫(yī)學(xué)知識庫，并在接收到所述語音系統(tǒng)模塊發(fā)來的預(yù)設(shè)的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊發(fā)來的病人的患病部位圖像信息后，在所述醫(yī)學(xué)知識庫中篩選出對應(yīng)的診斷數(shù)據(jù)并發(fā)送給用戶。
其中，所述醫(yī)學(xué)知識庫包括醫(yī)學(xué)專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學(xué)診斷知識數(shù)據(jù)庫以及它們之間的對應(yīng)關(guān)系；
所述醫(yī)學(xué)專家數(shù)據(jù)庫包括預(yù)設(shè)多個醫(yī)學(xué)專家數(shù)據(jù)；
所述醫(yī)療案例數(shù)據(jù)庫包括預(yù)設(shè)多個醫(yī)療案例數(shù)據(jù)，所述醫(yī)療案例數(shù)據(jù)包括預(yù)先存儲的多個語音特征數(shù)據(jù)和患病部位圖像信息；
所述醫(yī)學(xué)診斷知識數(shù)據(jù)庫包括中醫(yī)診斷數(shù)據(jù)和西醫(yī)診斷數(shù)據(jù)，所述診斷數(shù)據(jù)包括診斷結(jié)果和治療方案。
其中，在所述圖像處理系統(tǒng)模塊中，所述預(yù)處理操作為光照補償操作。
其中，所述圖像識別檢測系統(tǒng)模塊包括神經(jīng)網(wǎng)絡(luò)建立子模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊和圖像檢測識別子模塊，其中：
神經(jīng)網(wǎng)絡(luò)建立子模塊，用于建立預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的輸入層、第一層隱藏層、第二層隱藏層、第三層隱藏層和輸出層；
神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊，與神經(jīng)網(wǎng)絡(luò)建立子模塊相連接，用于預(yù)先采集多個預(yù)設(shè)標準患病部位圖像輸入到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直到使得所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型收斂，完成所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；
圖像檢測識別子模塊，分別與圖像處理系統(tǒng)模塊和神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊相連接，用于將經(jīng)過所述圖像處理系統(tǒng)模塊預(yù)處理的所述病人的患病部位圖像，輸入到所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊完成訓(xùn)練的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，識別獲得所述病人的患病部位圖像對應(yīng)的深度卷積特征，然后將該深度卷積特征輸入到所述輸出層的預(yù)設(shè)分類器中進行病狀部位分類，區(qū)分出所述病人的患病部位圖像中與診斷有關(guān)的病癥信息和與診斷無關(guān)的圖像信息，并將所述病人的患病部位圖像中與診斷有關(guān)的病癥信息作為需要診斷的病人的患病部位圖像信息。
其中，所述醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊包括醫(yī)學(xué)知識庫存儲子模塊、病人診斷信息預(yù)處理子模塊，檢索對比子模塊和診斷數(shù)據(jù)識別輸出子模塊，其中：
醫(yī)學(xué)知識庫存儲子模塊，用于預(yù)先存儲醫(yī)學(xué)知識庫，所述醫(yī)學(xué)知識庫包括醫(yī)學(xué)專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學(xué)診斷知識數(shù)據(jù)庫以及它們之間的對應(yīng)關(guān)系；
檢索對比子模塊，分別與語音系統(tǒng)模塊、圖像識別檢測系統(tǒng)模塊和醫(yī)學(xué)知識庫存儲子模塊相連接，用于接收所述語音系統(tǒng)模塊發(fā)來的預(yù)設(shè)的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊發(fā)來的病人的患病部位圖像信息，并從所述醫(yī)學(xué)知識庫存儲子模塊存儲的醫(yī)學(xué)知識庫中進行醫(yī)療案例數(shù)據(jù)的檢索與比對，獲得與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應(yīng)的所述醫(yī)療案例數(shù)據(jù)庫中的全部醫(yī)療案例數(shù)據(jù)；
診斷數(shù)據(jù)識別輸出子模塊，與檢索對比子模塊相連接，用于根據(jù)所述檢索對比子模塊輸出的與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應(yīng)的全部醫(yī)療案例數(shù)據(jù)，選擇其中相似度最高的醫(yī)療案例數(shù)據(jù)，然后在所述醫(yī)學(xué)知識庫存儲子模塊存儲的醫(yī)學(xué)知識庫中的醫(yī)學(xué)診斷知識數(shù)據(jù)庫中，篩選出與該相似度最高的醫(yī)療案例數(shù)據(jù)所對應(yīng)的診斷數(shù)據(jù)，即獲得對應(yīng)的診斷結(jié)果和治療方案，然后反饋給用戶。
其中，所述檢索對比子模塊，用于把經(jīng)過病人診斷信息預(yù)處理子模塊處理后獲得的診斷信息與所述醫(yī)療案例數(shù)據(jù)庫中的預(yù)設(shè)多個醫(yī)療案例數(shù)據(jù)進行對比，匹配出其中相似度大于預(yù)設(shè)數(shù)值的全部醫(yī)療案例數(shù)據(jù)，以作為與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應(yīng)的所述醫(yī)療案例數(shù)據(jù)庫中的全部醫(yī)療案例數(shù)據(jù)，并輸出給診斷數(shù)據(jù)識別輸出子模塊。
其中，還包括醫(yī)療案例更新系統(tǒng)模塊，與所述診斷數(shù)據(jù)識別輸出子模塊相連接，用于將所述檢索對比子模塊輸出的與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息作為新的一個醫(yī)療案例數(shù)據(jù)添加到所述醫(yī)療案例數(shù)據(jù)庫中，并將所述診斷數(shù)據(jù)識別輸出子模塊篩選出的對應(yīng)的診斷數(shù)據(jù)作為新的診斷數(shù)據(jù)添加到所述醫(yī)學(xué)診斷知識數(shù)據(jù)庫中，并存儲該新的一個醫(yī)療案例數(shù)據(jù)和該新的診斷數(shù)據(jù)之間的映射關(guān)系。
其中，所述醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊為云端服務(wù)器。
由以上本發(fā)明提供的技術(shù)方案可見，與現(xiàn)有技術(shù)相比較，本發(fā)明提供了一種醫(yī)療診斷機器人系統(tǒng)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質(zhì)，具有重大的生產(chǎn)實踐意義。
附圖說明
圖1為本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)的結(jié)構(gòu)方框圖。
具體實施方式
為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和實施方式對本發(fā)明作進一步的詳細說明。
圖1為本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)的結(jié)構(gòu)方框圖。
參見圖1，本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)，包括語音系統(tǒng)模塊100、圖像處理系統(tǒng)模塊200、圖像識別檢測系統(tǒng)模塊300、醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400，其中：
語音系統(tǒng)模塊100，用于采集需要診斷的病人的語言信息(一般通過病人和病人的家屬、朋友采集)，并將病人的語音信息轉(zhuǎn)化成預(yù)設(shè)的語音特征數(shù)據(jù)(即本發(fā)明系統(tǒng)所需要的語音特征數(shù)據(jù)，例如為MP3或者WAV格式的語言文件)，然后發(fā)送給醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400；
圖像處理系統(tǒng)模塊200，用于接收外部圖像采集設(shè)備(例如手機或者計算機)所采集的病人的患病部位圖像，然后執(zhí)行預(yù)處理操作后，將經(jīng)過預(yù)處理的所述病人的患病部位圖像發(fā)送給圖像識別檢測模塊300；
圖像識別檢測系統(tǒng)模塊300，其作為深度學(xué)習(xí)的系統(tǒng)模塊，與圖像處理系統(tǒng)模塊200相連接，用于接收所述圖像處理系統(tǒng)模塊200發(fā)來的所述病人的患病部位圖像，并提取和識別出其中需要診斷的病人的患病部位圖像信息，然后發(fā)送給醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400；
醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400，分別與語音系統(tǒng)模塊100和圖像識別檢測系統(tǒng)模塊300相連接，用于存儲預(yù)設(shè)的醫(yī)學(xué)知識庫，并在接收到所述語音系統(tǒng)模塊100發(fā)來的預(yù)設(shè)的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊300發(fā)來的病人的患病部位圖像信息(所述預(yù)設(shè)的病人語音特征數(shù)據(jù)和病人的患病部位圖像信息一起可以統(tǒng)稱為病人病癥信息)后，在所述醫(yī)學(xué)知識庫中篩選出對應(yīng)的診斷數(shù)據(jù)并發(fā)送給用戶(例如直接發(fā)送給用戶的手機、平板電腦等移動終端)；
其中，所述醫(yī)學(xué)知識庫優(yōu)選為預(yù)先存儲在云端服務(wù)器中，所述醫(yī)學(xué)知識庫包括醫(yī)學(xué)專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學(xué)診斷知識數(shù)據(jù)庫以及它們之間的對應(yīng)關(guān)系(即映射關(guān)系，例如一一對應(yīng)關(guān)系或者一對多的關(guān)系)；
所述醫(yī)學(xué)專家數(shù)據(jù)庫包括預(yù)設(shè)多個醫(yī)學(xué)專家數(shù)據(jù)；
所述醫(yī)療案例數(shù)據(jù)庫包括預(yù)設(shè)多個醫(yī)療案例數(shù)據(jù)，所述醫(yī)療案例數(shù)據(jù)包括預(yù)先存儲的多個語音特征數(shù)據(jù)和患病部位圖像信息(具體可以包括全國現(xiàn)有醫(yī)院具有的所有病人的語音特征數(shù)據(jù)和患病部位圖像信息)；
所述醫(yī)學(xué)診斷知識數(shù)據(jù)庫包括中醫(yī)診斷數(shù)據(jù)和西醫(yī)診斷數(shù)據(jù)，所述診斷數(shù)據(jù)包括診斷結(jié)果和治療方案。
在本發(fā)明中，語音系統(tǒng)模塊100可以為現(xiàn)有任意一種能夠?qū)⒉∪说恼Z言信息轉(zhuǎn)換為預(yù)設(shè)的語音特征數(shù)據(jù)(例如為MP3或者WAV格式的語言文件)的語言模塊，例如可以為連接有麥克風(fēng)的音頻模塊。因此，所述語音系統(tǒng)模塊100可以接收所需診斷的病人從移動端或PC端傳來的語音信號，通過對語音信號進行語意解析，將病人的語音信號轉(zhuǎn)化成系統(tǒng)所需要的語音特征特征數(shù)據(jù)，再將這些語音特征數(shù)據(jù)直接傳送到醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400，由醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400進行識別與比對。
在本發(fā)明中，所述外部圖像采集設(shè)備可以為任意一種具有圖像采集并傳輸功能的設(shè)備，例如手機、平板電腦或者計算機。
在本發(fā)明中，在所述圖像處理系統(tǒng)模塊200中，所述預(yù)處理操作優(yōu)選為光照補償操作，因此，通過光照補償來提高病人患病部位圖像的質(zhì)量，最后再把預(yù)處理后的圖像傳送到圖像識別檢測系統(tǒng)模塊300，在圖像識別檢測系統(tǒng)模塊300中進行識別與特征提取。
在本發(fā)明中，對于所述圖像識別檢測系統(tǒng)模塊300，其包括神經(jīng)網(wǎng)絡(luò)建立子模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊和圖像檢測識別子模塊，這三個子模塊分別進行神經(jīng)網(wǎng)絡(luò)各層的建立過程、神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程和視頻圖像檢測識別過程三部分的處理操作，其中：
神經(jīng)網(wǎng)絡(luò)建立子模塊，用于建立預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)包括依次對所輸入的圖像進行處理的輸入層、第一層隱藏層、第二層隱藏層、第三層隱藏層和輸出層；
神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊，與神經(jīng)網(wǎng)絡(luò)建立子模塊相連接，用于預(yù)先采集多個預(yù)設(shè)標準的患病部位圖像(例如用戶指定的尺寸大小的患病部位圖像)輸入到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直到使得所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型收斂，完成所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；
圖像檢測識別子模塊，分別與圖像處理系統(tǒng)模塊200和神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊相連接，用于將經(jīng)過所述圖像處理系統(tǒng)模塊200預(yù)處理的所述病人的患病部位圖像，輸入到所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊完成訓(xùn)練的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，識別獲得所述病人的患病部位圖像對應(yīng)的深度卷積特征，然后將該深度卷積特征輸入到所述輸出層的預(yù)設(shè)分類器中進行病狀部位分類，區(qū)分出所述病人的患病部位圖像中與診斷有關(guān)的病癥信息和與診斷無關(guān)的圖像信息，并將所述病人的患病部位圖像中與診斷有關(guān)的病癥信息作為需要診斷的病人的患病部位圖像信息。
在本發(fā)明中，具體實現(xiàn)上，分類器的作用是根據(jù)前面卷積神經(jīng)網(wǎng)絡(luò)提取的特征，對所述病人的患病部位圖像的類別進行病狀部位分類。具體實現(xiàn)上，本發(fā)明可以采用softmax分類器。所述病人的患病部位圖像的類別可以根據(jù)用戶的需要在本發(fā)明的系統(tǒng)中預(yù)先設(shè)置，類別可以包括手部類、腳部類、頭部、背部類和胸部類，當然還可以為其他的病狀部位分類。
對于softmax分類器，其可以計算不同類別的深度卷積特征的概率分布，根據(jù)不同概率分布來判斷病人的患病部位圖像的類別。具體的操作過程是前一層的輸出是一系特征值，通過將這些特征值乘以不同的權(quán)重然后進行歸一化處理，即可得到不同表情的概率分布。
在本發(fā)明中，具體實現(xiàn)上，對于神經(jīng)網(wǎng)絡(luò)建立子模塊(這句話同時刪掉)，其根據(jù)要訓(xùn)練大量的醫(yī)療診斷數(shù)據(jù)和時間效率兩方面的因素考慮，建立一個包含輸入層、中間三個隱藏層、一個輸出層的BP神經(jīng)網(wǎng)絡(luò)模型，其中輸入層包含有近百個(或者其他任意多個)含有醫(yī)療診斷數(shù)據(jù)特征的節(jié)點，第一層隱藏層含有的節(jié)點數(shù)可以為55個(或者其他預(yù)設(shè)多個)，第二層隱藏層的節(jié)點數(shù)可以為35個(或者其他預(yù)設(shè)多個)，第三層隱藏層的節(jié)點數(shù)為35個(或者其他預(yù)設(shè)多個)，其中每個隱藏層的節(jié)點與上層的輸出值都具有映射關(guān)系，輸出層可以包含有20個(或者其他預(yù)設(shè)多個)具有醫(yī)療診斷數(shù)據(jù)特征(如上述的病狀部位分類)的節(jié)點，另外，本發(fā)明的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，可以利用softmax分類器做輸出層，以進行最后病人的患病部位圖像特征的識別與分類(如上述的病狀部位分類)。
在本發(fā)明中，具體實現(xiàn)上，在預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中，各層的各節(jié)點可以采用人工或隨機方法的設(shè)定相應(yīng)的數(shù)學(xué)模型和相關(guān)參數(shù)，在輸入層中，各節(jié)點設(shè)定的輸入值為所需相應(yīng)的醫(yī)療診斷數(shù)據(jù)特征，兩個隱藏層還有最后的輸出層中對應(yīng)節(jié)點的輸入值分別為上一層輸出的醫(yī)療診斷特征對應(yīng)的值，另外每層都設(shè)置好相應(yīng)的權(quán)值參數(shù)ω和偏置參數(shù)κ，進而各層之間的輸入和輸出關(guān)系表示為：y＝ωx+κ，其中，x表示輸入神經(jīng)元，y表示輸出神經(jīng)元，w為權(quán)重，κ為偏置。
在本發(fā)明中，具體實現(xiàn)上，對于神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊，其采用優(yōu)化的BP算法進行對預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，首先在訓(xùn)練之前，通過設(shè)定閾值和權(quán)值，使閾值和權(quán)值進行從-1到1范圍內(nèi)的隨機初始化，在數(shù)據(jù)擬合時，本發(fā)明利用Sigmoid雙余弦正切函數(shù)作為激勵函數(shù)，把它放到中間層輸出之后，來保證輸出節(jié)點的值能在(0，1)這個范圍內(nèi)，另外，本發(fā)明可以通過設(shè)置一個損失函數(shù)loss來判斷誤差，損失函數(shù)的計算公式為：
其中，Y0為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出，而Ytrue為對應(yīng)的標定輸出，當最后的標定輸出Ytrue與預(yù)測輸出Y0相差很遠時，這時對應(yīng)的損失函數(shù)loss就會很大，預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)就會進行誤差反傳來更新網(wǎng)絡(luò)的模型參數(shù)，當預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)每訓(xùn)練一次，對應(yīng)的各層的權(quán)值參數(shù)ω和偏置參數(shù)κ就會更新一次，進而使最后的標定輸出Ytrue與預(yù)測輸出Y0差值越來越小，當預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過多次訓(xùn)練后，這時loss就會小于一定閾值，預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)中止訓(xùn)練，此時的訓(xùn)練過程結(jié)束，完成所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
在本發(fā)明中，具體實現(xiàn)上，對于圖像檢測識別子模塊，其基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練子模塊訓(xùn)練好的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)，來對經(jīng)過所述圖像處理系統(tǒng)模塊200預(yù)處理的所述病人的患病部位圖像進行檢測，識別獲取病人的患病部位圖像對應(yīng)的深度卷積特征，再把這些病人的深度卷積特征輸入到輸出層softmax分類器中，區(qū)分出所述病人的患病部位圖像中與診斷有關(guān)的病癥信息和與診斷無關(guān)的圖像信息，并將所述病人的患病部位圖像中與診斷有關(guān)的病癥信息作為需要診斷的病人的患病部位圖像信息，從而得到最終病人的患病部位圖像的分類與識別結(jié)果。
需要說明的是，對于本發(fā)明，圖像識別檢測系統(tǒng)模塊300的作用過程包括神經(jīng)網(wǎng)絡(luò)各層的建立過程、神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程和視頻圖像檢測識別過程，本發(fā)明可以通過采用優(yōu)化的誤差反向傳播(BP)算法來加快訓(xùn)練過程的收斂速度，進而避免因訓(xùn)練大量醫(yī)學(xué)方面的樣本而陷入局部極小的情況，通過模型訓(xùn)練來自動學(xué)習(xí)醫(yī)生或醫(yī)療診斷的病理的分析過程；另外本發(fā)明通過設(shè)計恰當?shù)恼`差反向傳播BP網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值范圍，來優(yōu)化加速整個醫(yī)療診斷模型，最后做出針對大量醫(yī)療診斷數(shù)據(jù)的正確及時分析。
在本發(fā)明中，對于所述醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400，其包括醫(yī)學(xué)知識庫存儲子模塊、檢索對比子模塊和診斷數(shù)據(jù)識別輸出子模塊，其中，檢索對比子模塊和診斷數(shù)據(jù)識別輸出子模塊這兩個子模塊分別從云端數(shù)據(jù)庫中進行醫(yī)療案例檢索與比對和診斷治療方案輸出兩個部分的處理操作，其中：
醫(yī)學(xué)知識庫存儲子模塊，用于預(yù)先存儲醫(yī)學(xué)知識庫(優(yōu)選為預(yù)先存儲在云端服務(wù)器中)，所述醫(yī)學(xué)知識庫包括醫(yī)學(xué)專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學(xué)診斷知識數(shù)據(jù)庫以及它們之間的對應(yīng)關(guān)系(例如一一對應(yīng)關(guān)系或者一對多的關(guān)系)；
在本發(fā)明中，需要說明的是，如前所述，可以通過圖像識別檢測系統(tǒng)模塊300(作為深度學(xué)習(xí)系統(tǒng)模塊)設(shè)計優(yōu)化訓(xùn)練好的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)(即深度卷積模型)來區(qū)分過濾:在訓(xùn)練預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型時，本發(fā)明可以把多個預(yù)設(shè)標準患病部位圖像中存在的各種大量的病癥信息與同時對應(yīng)的無關(guān)圖像特征信息分別進行正負分類(即分別作為正樣本和負樣本)進行訓(xùn)練，訓(xùn)練時，將預(yù)先獲取學(xué)習(xí)各種病癥信息所有關(guān)與無關(guān)的深度卷積特征，再將該深度卷積特征輸入到預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出層中預(yù)設(shè)的分類器中，以進行病狀部位分類，最終獲得能夠有效地把病癥信息(即與診斷有關(guān)信息)和與診斷無關(guān)的其他圖像信息進行區(qū)分，以判斷分類的卷積神經(jīng)網(wǎng)絡(luò)模型，在接受到病人傳來的患病部位圖像信息后送到預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中，進而過濾掉與診斷無關(guān)的圖像特征信息，輸出與診斷有關(guān)的病人的病癥信息(即需要診斷的患病部位圖像信息)。
檢索對比子模塊，分別與語音系統(tǒng)模塊100、圖像識別檢測系統(tǒng)模塊300和醫(yī)學(xué)知識庫存儲子模塊相連接，用于接收所述語音系統(tǒng)模塊100發(fā)來的預(yù)設(shè)的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊300發(fā)來的病人的患病部位圖像信息(所述預(yù)設(shè)的病人語音特征數(shù)據(jù)和病人的患病部位圖像信息一起可以統(tǒng)稱為病人病癥信息)，并從所述醫(yī)學(xué)知識庫存儲子模塊存儲的醫(yī)學(xué)知識庫中進行醫(yī)療案例的檢索與比對，獲得與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應(yīng)的所述醫(yī)療案例數(shù)據(jù)庫中的醫(yī)療案例數(shù)據(jù)；
需要說明的是，對于本發(fā)明，具體實現(xiàn)上，可以預(yù)先在云端服務(wù)器中建立醫(yī)學(xué)知識庫，所述醫(yī)學(xué)知識庫包括醫(yī)學(xué)專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學(xué)診斷知識數(shù)據(jù)庫以及它們之間的對應(yīng)關(guān)系(例如一一對應(yīng)關(guān)系或者一對多的關(guān)系)；然后，通過檢索對比子模塊把所需診斷的特征數(shù)據(jù)(如語音特征數(shù)據(jù)和患病部位圖像信息)與所述醫(yī)療案例數(shù)據(jù)庫中的預(yù)設(shè)多個醫(yī)療案例數(shù)據(jù)(例如可以包含全國現(xiàn)有醫(yī)院具有的所有病人的語音特征數(shù)據(jù)和患病部位圖像信息)進行對比，匹配出其中相似度大于預(yù)設(shè)數(shù)值(例如為99％)的全部醫(yī)療案例數(shù)據(jù)，以作為與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應(yīng)的所述醫(yī)療案例數(shù)據(jù)庫中的全部醫(yī)療案例數(shù)據(jù)，并輸出給診斷數(shù)據(jù)識別輸出子模塊；
診斷數(shù)據(jù)識別輸出子模塊，與檢索對比子模塊相連接，用于根據(jù)所述檢索對比子模塊輸出的與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應(yīng)的全部醫(yī)療案例數(shù)據(jù)，選擇其中相似度最高的醫(yī)療案例數(shù)據(jù)，然后在所述醫(yī)學(xué)知識庫存儲子模塊存儲的醫(yī)學(xué)知識庫中的醫(yī)學(xué)診斷知識數(shù)據(jù)庫中，篩選出與該相似度最高的醫(yī)療案例數(shù)據(jù)所對應(yīng)的診斷數(shù)據(jù)(即為所述醫(yī)學(xué)知識庫中存儲的治療效果最佳的診斷數(shù)據(jù))，即獲得對應(yīng)的診斷結(jié)果和治療方案，然后反饋給用戶。
對于本發(fā)明，具體實現(xiàn)上，本發(fā)明提供的醫(yī)療診斷機器人系統(tǒng)還包括醫(yī)療案例更新系統(tǒng)模塊，與所述診斷數(shù)據(jù)識別輸出子模塊相連接，用于將所述檢索對比子模塊輸出的與預(yù)設(shè)的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息作為新的一個醫(yī)療案例數(shù)據(jù)添加到所述醫(yī)療案例數(shù)據(jù)庫中，并將所述診斷數(shù)據(jù)識別輸出子模塊篩選出的對應(yīng)的診斷數(shù)據(jù)作為新的診斷數(shù)據(jù)添加到所述醫(yī)學(xué)診斷知識數(shù)據(jù)庫中，并存儲該新的一個醫(yī)療案例數(shù)據(jù)和該新的診斷數(shù)據(jù)之間的映射關(guān)系。
因此，本發(fā)明提供的醫(yī)療診斷機器人系統(tǒng)中，可以讓醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)又具有自我學(xué)習(xí)的功能，能夠把剛剛診斷的新的案例進行學(xué)習(xí)，并把學(xué)習(xí)的新的診斷案例添加到云端數(shù)據(jù)庫中。
需要說明的是，對于本發(fā)明，醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400可以對語音系統(tǒng)模塊100和圖像識別檢測系統(tǒng)模塊300傳來的病人的病癥信息來進行分析與比對，本發(fā)明的醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊的數(shù)據(jù)庫中涵蓋了海量的醫(yī)學(xué)專家數(shù)據(jù)、醫(yī)學(xué)知識數(shù)據(jù)(中醫(yī)診斷數(shù)據(jù)與西醫(yī)診斷數(shù)據(jù))、醫(yī)療案例數(shù)據(jù)，從而能夠?qū)崟r有效對傳來的病癥信息進行篩選與比對分析，同時具有自我學(xué)習(xí)、自我管理、并能接受來自大量移動端請求的功能，進行及時有效地醫(yī)療診斷與反饋。
對于本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)，其為用戶進行服務(wù)的整體流程如下：
首先，病人患者可以根據(jù)自己的情況選擇是在PC端還是在移動端登錄本發(fā)明的醫(yī)學(xué)診斷機器人系統(tǒng)，登錄成功后患者需要對是否是初診病情進行選擇判斷，然后病人患者需要自我描述病情且錄音，并且上傳相關(guān)病情或患病部位的圖像等。
然后，系統(tǒng)會把病人患者自述的語音信息傳送到語音系統(tǒng)模塊，語音系統(tǒng)模塊先對語音信號進行語意解析，實現(xiàn)將病人的語音信號轉(zhuǎn)化成系統(tǒng)所需要的語音特征信息，再將這些語音特征直接傳送到醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊進行識別與比對；
此外，本發(fā)明的系統(tǒng)可以先將病人上傳的的相關(guān)病情或患病部位的圖像進行預(yù)處理操作，主要進行光照補償操作來增強圖像的質(zhì)量，然后把預(yù)處理后的圖像傳送到圖像識別檢測系統(tǒng)模塊，在本此模塊的神經(jīng)網(wǎng)絡(luò)中進行對圖像特征的識別分類，最后在把識別到的病人圖像特征(具體為患病部位圖像信息)傳送到醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊中進行篩選與比對分析；
在本發(fā)明中，事先由所述語音系統(tǒng)模塊100和所述圖像識別檢測系統(tǒng)模塊300是對傳來的病人病癥信息((所述預(yù)設(shè)的病人語音特征數(shù)據(jù)和病人的患病部位圖像信息一起可以統(tǒng)稱為病人病癥信息)進行預(yù)處理操作，過濾掉跟診斷無關(guān)的特征信息；接著從醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊建立的醫(yī)學(xué)知識庫(是云端數(shù)據(jù)庫)中進行醫(yī)療診斷案例檢索與比對，通過相似度計算，把相似度高于99％的案例與病人的診斷的特征數(shù)據(jù)進行匹配，得到對應(yīng)的診斷結(jié)果(即對應(yīng)的所述醫(yī)療案例數(shù)據(jù)庫中的醫(yī)療案例數(shù)據(jù))
最后，把得到的診斷結(jié)果輸送到醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊建立的醫(yī)學(xué)知識庫中的醫(yī)學(xué)專家數(shù)據(jù)庫和醫(yī)療案例數(shù)據(jù)庫中進行檢索和比對，把相似度最高的和治療效果最佳的相似案例進行篩檢，最后做相應(yīng)的調(diào)整，輸出最后的診斷結(jié)果和治療方案，并將結(jié)果及時反饋給診斷病人，同時醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊又具有自我學(xué)習(xí)的功能，把剛剛診斷的新的案例進行學(xué)習(xí)，并把學(xué)習(xí)的新的診斷案例添加到云端數(shù)據(jù)庫中。
因此，基于以上技術(shù)方案可知，本發(fā)明包括以下的有益效果：
首先，本發(fā)明擺脫了病人必需到醫(yī)院找醫(yī)生就醫(yī)診斷的傳統(tǒng)診斷模式，發(fā)明了病人本人可以在PC和移動端自助進行醫(yī)療診斷的醫(yī)療診斷機器人系統(tǒng)；
其次，本發(fā)明的系統(tǒng)加入了圖像識別檢測系統(tǒng)模塊，其作為深度學(xué)習(xí)的系統(tǒng)模塊，可以實時準確的識別出病人的圖像特征信息，進而方便了病人案例的判斷；
最后，本發(fā)明又添加了醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊，可以利用大數(shù)據(jù)與云計算進行輔助，對提取出來了特征信息進行篩選與分析比對，及時準確地分析出診斷出病人的病因，并將最佳診斷治療方案反饋給病人；
另外，本發(fā)明的基于深度學(xué)習(xí)的醫(yī)療診斷機器人系統(tǒng)，其可以在移動端(Android平臺或者ISO平臺)或PC端上運行，可以通過通訊設(shè)施與后臺的醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊完成數(shù)據(jù)交互；同時具有自我學(xué)習(xí)、自我管理、并能接受來自大量移動端請求的功能，進行及時有效地醫(yī)療診斷與反饋。
在本發(fā)明中，具體實現(xiàn)上，所述圖像處理系統(tǒng)模塊200和圖像識別檢測系統(tǒng)模塊300可以為中央處理器CPU、數(shù)字信號處理器DSP或者單片機MCU，或者為云端服務(wù)器。
在本發(fā)明中，具體實現(xiàn)上，所述醫(yī)學(xué)知識庫云服務(wù)系統(tǒng)模塊400可以為云端服務(wù)器，由云端服務(wù)器的數(shù)據(jù)存儲器(例如硬盤)來預(yù)先存儲所述醫(yī)學(xué)知識庫。
綜上所述，與現(xiàn)有技術(shù)相比較，本發(fā)明提供了一種醫(yī)療診斷機器人系統(tǒng)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質(zhì)，具有重大的生產(chǎn)實踐意義。
通過使用本發(fā)明提供的技術(shù)，可以使得人們工作和生活的便利性得到很大的提高，極大地提高了人們的生活水平。
以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。