CN111477321B - 具有自学习能力的治疗效果预测系统及治疗效果预测终端 - Google Patents

Abstract

本申请提供了具有自学习能力的治疗效果预测系统及治疗效果预测终端，涉及诊疗仪器技术领域。旨在解决治疗效果预测仪器只能以原始的预测模型预测治疗效果的问题。病例数据采集模块用于接收录入新病例数据；所述治疗效果预测模块用于根据所述新病例数据，使用预测模型得到预测治疗效果，并将所述预测治疗效果发送给所述治疗效果展示模块；所述病例数据分类模块用于根据所述新病例数据所在的目标分类，得到目标治疗效果，并将所述目标治疗效果作为所述新病例数据的标签；所述数据库用于添加具有标签的新病例数据，得到样本数据集；所述治疗效果预测模块还用于以所述样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

Description

具有自学习能力的治疗效果预测系统及治疗效果预测终端

技术领域

本申请涉及诊疗仪器技术领域，特别是涉及具有自学习能力的治疗效果预测系统及治疗效果预测终端。

背景技术

近来，机器学习算法在教育、交通、金融等领域得到越来越广泛地应用。医疗相关的领域也在积极地使用机器学习技术，在辅助诊断、辅助检查等方面进行探索。以鼻窦炎的术后疗效评估为例，大多数研究采用机器学习中的逻辑回归算法，分析影响鼻窦炎术后疗效的危险因素，可以帮助临床医生综合考虑，制定更有效的预防和控制措施，但是这些算法模型存在以下弊端：

1.算法模型一旦训练出来，在今后的使用过程中，模型本身不具备自动升级的能力。

2.医务工作者在使用这些算法的过程中，仅能得到算法的结果，无法与算法进行交互。

发明内容

鉴于上述问题，本申请实施例提供具有自学习能力的治疗效果预测系统及治疗效果预测终端，旨在解决治疗效果预测仪器只能以原始的预测模型进行治疗效果预测的问题。

本申请实施例第一方面提供了一种治疗效果预测系统，所述系统包括：病例数据采集模块、治疗效果预测模块、病例数据分类模块、治疗效果展示模块以及数据库；所述病例数据采集模块连接所述治疗效果预测模块和所述病例数据分类模块；

所述病例数据采集模块用于接收录入新病例数据；

所述治疗效果预测模块用于根据所述新病例数据，使用预测模型得到预测治疗效果，并将所述预测治疗效果发送给所述治疗效果展示模块；

所述病例数据分类模块用于根据所述新病例数据所在的目标分类，得到目标治疗效果，并将所述目标治疗效果作为所述新病例数据的标签；

所述数据库用于添加具有标签的新病例数据，得到样本数据集；

所述治疗效果预测模块还用于以所述样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

可选地，所述还系统包括：

打标签模块，用于为所述新病例数据标记初始标签，所述初始标签为所述预测治疗效果；

标签更新模块，用于在所述预测治疗效果与所述目标治疗效效果不相同时，以所述目标治疗效果替换所述预测治疗效果，对所述新病例数据的标签进行更新。

可选地，所述还系统包括：

提示模块，用于在所述预测治疗效果与所述目标治疗效果不相同时，输出提醒消息，以提示用户对所述新病例数据的标签进行校验。

可选地，所述系统还包括校验模块；

所述校验模块用于根据录入的实际治疗效果，确定所述新病例数据的标签；

其中所述录入的治疗效果为所述目标治疗效果或所述预测治疗效果或除所述目标治疗效果和所述预测治疗效果外的其他治疗效果；

所述数据库在所述录入的治疗效果为其他治疗效果时，以所述录入的治疗效果为所述新病例数据的标签，并更新所述样本数据集；

所述治疗效果预测模块还用于以更新后的样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

可选地，所述数据库存储有原始样本数据集；

所述病例数据分类模块包括合并子模块、聚类子模块和分类子模块；

所述合并子模块用于从所述数据库获取所述原始样本数据集，并将所述新病例数据与所述原始样本数据集进行合并，得到待分类样本集合；

所述聚类子模块用于对所述待分类样本集合进行聚类，得到多个样本分类；

所述分类子模块用于将所述新病例数据所在的样本分类确定为所述目标分类。

可选地，所述原始样本数据集中的单个样本为携带治疗效果标签的原始病例数据；

所述合并子模块包括合并子单元；

所述合并子单元用于根据所述原始样本数据集中各样本的原始病例数据和治疗效果标签，以及所述新病例数据和所述预测治疗效果，对所述新病例数据与所述原始样本数据集的样本进行合并处理。

可选地，所述病例数据分类模块还包括统计子模块和标记子模块；

所述统计子模块用于统计所述目标分类中具有相同的治疗效果的病例数据的数目；

所述标记子模块用于以对将病例数据数目最多的治疗效果标记为所述目标治疗效果。

可选地，所述聚类子模块还包括标记子单元，所述标记子单元用于以所述样本分类标记所述样本分类中的所有病例数据；

所述聚类子模块包括聚类子单元，所述聚类子单元用于以所述新病例数据标记的样本分类为第一样本分类，将所述第一样本分类包括的所有病例数据确定为目标分类；其中所述第一样本分类包括的所有病例数据属于所述待分类样本集合。

可选地，所述系统还包括：

通信模块，用于接收对所述原始样本数据集中的样本进行修改的修改指令；

所述数据库还用于根据所述修改指令，更新所述原始样本数据集；

所述治疗效果预测模块还用于在所述原始样本数据集发生更新时，以更新后的原始样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

本申请实施例第二方面提供了一种治疗效果预测终端，所述治疗效果预测终端为第一方面实施例中所述的治疗效果预测系统中的部分或全部模块的集成终端；

所述治疗效果预测终端还包括显示屏和信息输入组件，所述显示屏用于显示所述治疗效果预测系统输出的数据；所述信息输入组件用于供用户向所述治疗效果预测系统输入数据。

综上，本申请实施例提供的治疗效果预测系统，设置病例数据分类模块，将输入的新病例数据与治疗效果预测系统本地存储的大量原始病例数据进行聚类，使治疗效果预测系统不仅可以预测新病例数据的治疗效果，还可以基于聚类算法，得到新病例数据相较于其他病例数据应该具有的目标治疗效果，即得到符合其他病例数据的经验治疗效果；进而对得到预测治疗效果进行检验，并以具有目标治疗效果标签的新病例数据更新预测模型，使治疗效果预测系统具有基于新病例数据样本的纠错能力，以及不断优化原始预测模型的自学习能力；同时本申请实施例的治疗效果预测系统设置有校验模块，在预测治疗效果存在不准确时，提醒医务人员校验预测治疗效果，并以医务人员校验的结果(即医务工作者输入的患者的实际治疗效果)更新预测模型，使得本申请实施例的治疗效果预测系统具有接受医务人员反馈的交互功能。

除此之外，基于本申请实施例的治疗效果预测系统，医务人员还可以主动修改治疗效果预测系统中的病例数据，再以修改后更加准确病例数据更新预测模型，进一步加强治疗效果预测系统的模型预测准确性，同时治疗效果预测系统不仅在接收新病例数据时，能自动修正新病例数据的标签，还提供了主动修改系统总病例数据的功能，提高了治疗效果预测系统的样本纠错能力和交互性能。

并且，本发明提出一种具有自学习能力的鼻窦炎治疗效果预测终端。本发明借助信息采集终端，将患者的病史资料相关数据(包括数值及文本资料)实时反馈给系统，系统通过聚类算法对样本进行自动划分，同时有经验的医务工作者可以在系统针对划分错误的样本进行更正。当任何的新样本收集如系统之后，系统会自动对数据进行重新地学习，完成算法升级。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例治疗效果预测系统结构示意图；

图2是本申请实施例病例数据分类模块的结构示意图；

图3是本申请另一个实施例的治疗效果预测系统的结构示意图；

图4是本申请实施例治疗效果预测终端的结果示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。

治疗效果预测仪器是指可以分析病例数据，并根据病例数据预测治疗效果的医疗仪器。治疗效果预测仪器中设置有预测模型，预测模型基于机器学习算法对病例数据进行分析、计算后得到预测的治疗效果。具体地可以利用神经网络(例如LSTM神经网络、卷积神经网络等)对病例数据中的特征进行学习，还可以利用监督学习、无监督学习和强化学习等机器学习方法基于大量“病例数据-治疗效果”样本对训练模型，得到可以基于病例数据预测出病情治疗效果的初始预测模型。本申请实施例对得到初始预测模型的方法并不限定。

病例数据是患者从进入门诊到病愈出院或未病愈出院的所有相关信息，具体可以包括患者基本情况、化验单、病情主诉、处方数据等。例如，年龄、身高、血常规化验单中的白细胞数，脑CT数据，流鼻涕，咳嗽，青霉素，阿昔洛韦等都可以作为病例数据。

参考图1，图1是本申请实施例治疗效果预测系统结构示意图。

本申请实施例第一方面提供了一种治疗效果预测系统，治疗效果预测系统包括：病例数据采集模块1、治疗效果预测模块2、病例数据分类模块3、治疗效果展示模块4以及数据库5；所述病例数据采集模块1连接所述治疗效果预测模块2和所述病例数据分类模块3；

所述病例数据采集模块1用于接收录入新病例数据；

病例数据采集模块1可以接收医务工作者通过交互页面录入的病例数据。例如，主治医师录入病人的主诉流鼻涕，咳嗽等症状，以及处方青霉素等治疗信息；检验室的医生录入血常规等检验单的信息。

病例数据采集模块1还会将医务工作者录入的新病例数据转化为机器语言。

所述治疗效果预测模块2用于根据所述新病例数据，使用预测模型得到预测治疗效果，并将所述预测治疗效果发送给所述治疗效果展示模块4；

治疗效果展示模块4可以与治疗效果预测模块2连接，或治疗效果展示模块4直接设置于治疗效果预测模块2中，以使治疗效果展示模块4可以与治疗效果预测模块2连接同一个交互页面，使医务人员录入新病例数据后，可以立即得到新病例数据的预测治疗效果。

治疗效果预测模块2中设置有预测模型，预测模型可以是初始预测模型，也可以是经过一段时间的自学习后得到的更新后的预测模型。

预测模型可以根据病例数据采集模块1接收的新病例数据的特征，输出新病例数据对应疾病的预测治疗效果。例如，预测模型根据一份鼻窦炎病例的主诉文本信息、化验单信息得出当前鼻窦炎病例会被治愈；“治愈”即为治疗效果预测模块2使用预测模型对鼻窦炎病例预测的治疗效果，治疗效果预测模块2输出“治愈”的预测治疗效果信息，并发送给治疗效果展示模块4，治疗效果展示模块4将“治愈”的预测治疗效果展示在治疗效果预测系统的交互页面。

治疗效果预测系统还包括打标签模块6，用于为所述新病例数据标记初始标签，所述初始标签为所述预测治疗效果；

例如，在治疗效果预测模块2的预测治疗效果“治愈”后，打标签模块6将“治愈”作为鼻窦炎病例的标签，与鼻窦炎病例共同存储在治疗效果预测系统中。一般可以<sample,label^pred>的形式，即以<鼻窦炎病例数据,治愈>的形式进行存储。Sample用于泛指新病例数据。

打标签模块6可以是治疗效果预测模块2的子模块，治疗效果预测模块2输出预测治疗效果后，将预测治疗效果发送给治疗效果展示模块4，用于将预测治疗效果告知医务工作者，以及使打标签模块6对新病例数据打上标签，使新病例数据的存储形式与数据库5中的原始样本数据集中样本的存储形式相同，便于后续对病例数据进行合并和分类。

打标签模块6也可以是独立的模块，连接治疗效果预测模块2。

所述病例数据分类模块3用于根据所述新病例数据所在的目标分类，得到目标治疗效果，并将所述目标治疗效果作为所述新病例数据的标签；

所述数据库5存储有原始样本数据集；所述原始样本数据集中的单个样本为携带治疗效果标签的原始病例数据；

原始样本数据集中包括大量的样本，其中包含训练初始预测模型的样本，和治疗效果预测系统开始工作后，对预测模型多次更新后，治疗效果预测系统历史接收并存储的样本。

原始样本数据集中的样本都以<data_i,label_i>的形式存储。其中i指的是在原始样本数据集中，当前样本的取值，例如当i为5时，<data_i,label_i>指的是原始样本数据集中存储的第5个样本；在原始样本数据集中的样本总数为100时，i的取值是1至100。原始样本数据集也可以看做初始的病例数据库Data_db，<data_i,label_i>可以表示为<病例数据_i,治疗效果_i>的形式。

原始样本数据集中样本的治疗效果_i是病例数据_i对应的病情的实际治疗效果，或医务工作者对治疗效果预测系统对病例数据_i对应的病情预测的治疗效果进行校验后，得到的校验后的治疗效果。

参考图2，图2是本申请实施例病例数据分类模块的结构示意图。

所述病例数据分类模块3包括合并子模块31、聚类子模块32和分类子模块33；

所述合并子模块31用于从所述数据库5获取所述原始样本数据集，并将所述新病例数据与所述原始样本数据集进行合并，得到待分类样本集合；

病例数据分类模块3分别从数据库5获取具体有标签的新病例数据<鼻窦炎病例数据,治愈>，和原始样本数据集<原始病例数据_i,治疗效果_i>。即病例数据分类模块3分别从数据库5获取<sample,label^pred>和<data_i,label_i>。

其中新病例数据<sample,label^pred>，即<鼻窦炎病例数据,治愈>可以是数据库5直接发送给病例数据分类模块3，也可以是合并子模块31在获取原始样本数据集<原始病例数据_i,治疗效果_i>时，一并获取的。本申请实施例对此并不限制。

所述合并子模块31包括合并子单元；

所述合并子单元31用于根据所述原始样本数据集中各样本的原始病例数据和治疗效果标签，以及所述新病例数据和所述预测治疗效果，对所述新病例数据与所述原始样本数据集的样本进行合并处理。

合并子模块31的合并子单元对新病例数据和原始样本数据集进行合并时，会对新病例数据的特征和原始样本数据集中单个样本的病例数据的特征进行学习和比对，或对新病例数据的特征、预测治疗效果和新病例数据的特征与预测治疗效果之间的关联进行学习，再对原始样本数据集中单个样本的原始病例数据的特征、治疗效果和原始病例数据的特征与治疗效果之间的关联进行学习，以完成新病例数据和原始样本集的合并。

示例地，新病例数据的特征或原始病例数据的特征可以是血常规化验单中的白细胞数，脑CT数据，流鼻涕，咳嗽，青霉素，阿昔洛韦等。预测治疗效果是治愈，治疗效果可以是治愈、半治愈、未治愈。治疗效果的种类可以在训练初始预测模型时对可能的治疗效果进行总结后得到，并设置在初始预测模型中的治疗效果种类。

原始样本数据集，即初始的病例数据库Data_db与新病例数据sample的合并可以表示为：Data_set＝Data_db∪sample；

其中，Data_set指的是原始样本数据集(初始的病例数据库)与新病例数据合并后形成的待分类样本集合。

所述聚类子模块32用于对所述待分类样本集合进行聚类，得到多个样本分类；

样本分类指的是通过聚类算法，分割待分类样本集合中的病例数据后得到的不同的簇。

本申请实施例可以利用基于划分的聚类算法(例如k-means、k-modes等)；或基于层次聚类算法(例如CURE、ROCK等)；或基于密度聚类算法(例如DBSCAN、GDBSCAN等)；或基于网格聚类算法(例如STING、WaveCluster等)；或基于神经网络的聚类算法(例如自组织神经网络SOM等)；或基于统计学的聚类算法(例如COBWeb、CLASSIT等)，等聚类算法对待分类样本集合中的新病例数据以及大量的原始病例数据进行聚类，得到N个样本分类，使得每个样本分类中病例数据的相似性尽可能的大。

示例地，以k-means聚类算法对待分类样本集合Data_set进行聚类后得到10个样本分类(簇)。此时聚类后的Data_set中的每个病例数都具有其对应所在的样本分类。

所述聚类子模块32还包括标记子单元，所述标记子单元用于以所述样本分类标记所述样本分类中的所有病例数据；

对聚类后的Data_set中的原始病例数据标记后，每个原始病例数据可以表示为<data_i,cluster_i>。当i等于5时，data_i指的是聚类后的Data_set中存储的第5个病例数据，并且聚类后的Data_set中的第5个病例数据data_i对应所在的样本分类是cluster_i。cluster_i中的i的取值同样是5。cluster_i对应样本分类可以是10个样本分类中的任意一个样本分类。换言之，若第5个病例数据data_i位于第7个样本分类时，cluster_i＝7，若第5个病例数据data_i位于第10个样本分类时，cluster_i＝10。

<data_i,cluster_i>指的是以病例数据_i所在的样本分类标记病例数据_i,进而对于任意一个病例数据，根据标记，可以直接找到其所在的样本分类。可以理解的是，对于sample(新病例数据)也可以根据其标记，直接确定其所在的样本分类。

所述聚类子模块32包括聚类子单元，所述聚类子单元用于以所述新病例数据标记的样本分类为第一样本分类，将所述第一样本分类包括的所有病例数据确定为目标分类；其中所述第一样本分类包括的所有病例数据属于所述待分类样本集合。

得到标记有样本分类的sample对应的样本分类clusterid，通过clusterid确定sample所在的样本分类，对于sample所在的样本分类，其中每一个data_i的标记cluster_i都与sample的标记clusterid相同。

假设sample所在的样本分类是前述的10个样本分类中的第7个样本分类，第7个样本分类中所有的病例数据的标记cluster_i都与新病例数据sample_j的标记相同，记为：cluster_i＝clusterid。

将第一样本分类记为DS；

DS＝{data_i∣data_i∈Data_set and cluster_i＝clusterid}

所述分类子模块33用于将所述新病例数据所在的样本分类确定为所述目标分类。

DS指的是，对新病例数据和原始病例数据合并形成的待分类样本集合Data_set进行聚类后，得到的多个样本分类中，新病例数据所在的样本分类。

Data_set指的是，原始样本数据集(初始的病例数据库)中所有的原始病例数据与新病例数据合并后形成的待分类样本集合。其中set是区别原始样本数据集和待分类样本集合的指代待分类样本集合的符号。

data_i指的是原始样本数据集中的任一的原始病例数据。其中i为区别原始样本数据集中不同的原始病例数据的符号。

cluster_i指的是，以任一的原始病例数据对应所在的样本分类对任一的原始病例数据的标记。其中i为区别原始样本数据集中不同的原始病例数据的符号。

clusterid指的是，以新病例数据对应所在的样本分类对新病例数据的标记。

sample指的是新病例数据。

label^pred指的是新病例数据的预测治疗效果。其中pred是预测的意思。

label_i指的是原始病例数据的治疗效果。其中i为区别原始样本数据集中不同的原始病例数据的符号。

Data_db指的是原始样本数据。其中db是区别原始样本数据集和待分类样本集合的指代待原始样本数据集的符号。

以示例解释DS的含义：根据sample的标记clusterid得出sample位于第7个聚类集合，确定DS中所有的病例数据的标记cluster_i与sample的标记clusterid相同，即确认DS中所有的病例数据与sample_j同样位于第7个聚类集合，同时确认DS中所有的病例数据都在待分类样本集合Data_set中。

DS指的是，与新病例数据sample最相似的病例数据所在的样本分类。第一样本分类中所有病例数据的标记与新病例数据的标记相同，且样本分类中所有病例数据都在待分类样本集合中的样本分类。可以理解的是，第一样本分类不拘于待分类样本集合聚类后得到的多个样本分类的某一个特定样本分类，例如，第一样本分类并不特指10个样本分类中的第1个或第7个样本分类或其他的样本分类，而是新病例数据sample所在的样本分类。

由于对待分类样本数据聚类后得到的多个样本分类中，每个样本分类中的所有病例数据都是最相似的，所以与新病例数据sample在一个样本分类的病例数据与新病例数据sample最为相似。假设新病例数据sample在第7个样本分类，第7个样本分类中的病例数据与新病例数据sample最为相似，相似可以体现在病例数据的特征相似，例如主诉都是清鼻涕，血常规中的红细胞、白细胞在一个范围内等。因此以第一样本分类作为目标分类，客观上确定了新病例数据sample最相似的病例数据的集合，根据客观上与新病例数据sample最相似的大量病例数据，得到新病例数据sample的目标治疗效果，客观上总结了多个病例数据对应病情的经验，保证了治疗效果的科学性。

本申请实施例的病例数据分类模块，还提出根据目标分类得到目标治疗效果的统计子模块34和标记子模块35。

继续参考图2，所述统计子模块34用于统计所述目标分类中具有相同的治疗效果的病例数据的数目；

所述标记子模块35用于以对将病例数据数目最多的治疗效果标记为所述目标治疗效果。

目标分类中的病例数据可能都具有相同的治疗效果的标签，也可能大部分的病例数据具有相同的标签，少量的病例数据的标签不相同；对于聚类算法得到的样本分类，得到的是最为相似的病例数据的集合，其中单个病例数据的治疗效果标签是病例的真实治疗效果，或者经过医务人员校验后的治疗效果，可信度较高；同时由于每个病例数据的治疗效果标签都是客观的治疗效果(真实治疗效果，或者经过医务人员校验后的治疗效果)，也会存在治疗效果不相同的情况。

鉴于此，以统计子模块34统计目标分类中每个治疗效果标签下的病例数据的数目，再以病例数据数目最多的治疗效果作为目标治疗效果，确定了与新病例数据相似的病例数据普遍适用的治疗经验。

示例地，假设目标分类中的病例数据的治疗效果标签有“治愈”、“半治愈”和“未治愈”三种，统计后得到具有“治愈”标签的病例数据的数目是N₁，具有“半治愈”标签的病例数据的数目是N₂，具有“治愈”标签的病例数据的数目是N₃，其中N₂>N₃>N₁，并且N₂>(N₂+N₃+N₁)/2，那么以“半治愈”最为目标治疗效果。

目标治疗效果也可以代表新病例数据所在的分类样本，即目标分类的治疗效果，因此将目标治疗效果记为label^cluster。cluster为样本分类。

病例数据分类模块得到目标治疗效果后，以目标治疗效果替换新病例数据的预测治疗效果，更新新病例数据的标签。

将<sample,label^pred>替换为<sample,label^cluster>。

以新病例数据为鼻窦炎病例数据，对上述得到目标治疗效果“半治愈”的过程进行说明，治疗效果预测模块对新病例数据(鼻窦炎病例数据)进行预测后得到初始标签“治愈”，进一步对<鼻窦炎病例数据,治愈>与原始样本数据集<原始病例数据_i,治疗效果_i>进行合并，再对合并后的包含新病例数据和原始病例数据的待分类样本集合进行聚类，得到多个样本分类，以新病例数据所在的样本分类为目标样本分类，以目标样本分类中病例数据数目最多的治疗效果作为目标治疗效果，得到新病例数据(鼻窦炎病例数据)的目标治疗效果是“半治愈”，此时目标治疗效果与预测治疗效果不相同，以“半治愈”作为新病例数据的新标签，记为<鼻窦炎病例数据,半治愈>。

同时，目标治疗效果与预测治疗效果不同的信息，触发治疗效果预测系统的提示模块生成提醒消息，并将提醒消息发送给交互页面，提示医务人员对新病例数据(鼻窦炎病例数据)的治疗效果进行校验。

提示模块8，用于在所述预测治疗效果与所述目标治疗效果不相同时，输出提醒消息，以提示用户对所述新病例数据的标签进行校验。

当label^pred≠label^cluster时，提示模块8输出相应的提醒消息，发送给交互页面，提示用户对所述新病例数据的标签进行校验。

提醒消息可以是弹窗、弹幕或语音消息等，本申请实施例对此不作限制。

所述系统还包括校验模块7；

所述校验模块7用于根据录入的实际治疗效果，确定所述新病例数据的标签；

其中所述录入的治疗效果为所述目标治疗效果或所述预测治疗效果或除所述目标治疗效果和所述预测治疗效果外的其他治疗效果；

所述数据库5在所述录入的治疗效果为其他治疗效果时，以所述录入的治疗效果为所述新病例数据的标签，并更新所述样本数据集；

所述治疗效果预测模块2还用于以更新后的样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

示例地，假设当前的预测模型是model_now，治疗效果预测模块以包含<sample_j,label^cluster _j>和<data_i,label_i>的样本集合，对model_now进行更新，得到model_next,再以model_next作为治疗效果预测模块2的预测模型。

在本申请实施例中，设置的校验模块使医务人员根据提醒消息，获取新病例数据的详细信息，综合考虑新病例数据的目标治疗效果和预测治疗效果的合理性，录入治疗效果。

医务人员录入治疗效果可以选择预测治疗效果或目标治疗效果，也可以输入其他的治疗效果(本申请中的其他治疗效果是指医务人员获取的关于患者的实际治疗结果，以对数据库中的经过聚类算法得到的目标治疗效果或预测治疗效果，进行更正，以得到更准确的治疗效果预测模型)。

若医务人员录入的治疗效果是目标治疗效果，数据库5仍然以目标治疗效果作为新病例数据的标签，若医务人员录入的是其他治疗效果，则以医务人员录入的其他治疗效果作为新病例数据的标签。

可以理解的是，数据库5存储的新病例数据优选是具有的标签是医务人员校验后的治疗效果。

所述数据库5用于添加具有标签的新病例数据，得到样本数据集；

所述治疗效果预测模块2还用于以所述样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。即本申请中的治疗效果预测模块具有自检测、自更新的功能。

示例地，当治疗效果预测模块检测到数据库中存在新增加的新病例数据或医务工作者新录入的关于患者的实际治疗结果时，该治疗效果预测模块将根据新变化的数据信息，自动对治疗效果预测模型进行训练，以得到更新后的治疗效果预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

假设医务人员在得到鼻窦炎病例数据的预测治疗效果“治愈”与目标治疗效果“半治愈”不相同的提醒消息后，获的鼻窦炎病例的信息，校验得到“半治愈”的治疗效果，并输入校验模块7。数据库5得到校验模块7返回的治疗效果，将“半治愈”作为标签，记为<鼻窦炎病例数据,半治愈>，并将<鼻窦炎病例数据,半治愈>添加到原始样本数据集中。

原始样本数据集更新，触发治疗效果预测模块以添加了<鼻窦炎病例数据,半治愈>的样本数据集，对模块内的预测模型进行训练，得到更新后的预测模型。在下一次输入病例数据时，治疗效果预测模块2以更新后的预测模型计算输入的病例数据的特征，预测治疗效果。

本申请实施例设置了病例数据分类模块，基于聚类算法对病例数据进行自动划分，以大量病例数据为基础，得到客观上输入的新病例数据的目标治疗效果。以目标治疗效果对系统预测模型预测的预测治疗效果进行检测，并修正预测模型的预测准确性，因此，治疗效果预测系统具有自动侦测样本变化，并依据对病例数据进行自动划分后得到的治疗效果进行自动训练的能力。除此之外，本申请实施例还设置了校验模块，以在目标治疗效与预测治疗效果不相同时，提示医务人员进行校验，使治疗效果预测系统不仅可以基于病例划分进行自动训练，具有基于样本数据纠错的能力，还能在使用预测模型的过程中，进行人工优化。可以理解是，随着新病例数据的持续预测和添加，多次更新迭代后的预测模型的样本更加全面，以更全面的样本更新得到预测模型也更加准确。

本申请实施例还提供了一种治疗效果预测系统，参考图3，图3是本申请另一个实施例的治疗效果预测系统。

通信模块9，用于接收对所述原始样本数据集中的样本进行修改的修改指令；

除了治疗效果预测模块2预测医务人员录入新病例数据的实际治疗效果时，会触发病例数据分类模块对数据库5的所有病例数据进行分类，以从病例数据的特征信息得到目标治疗效果，进而检验预测模型的准确性，并进一步优化模型外；医务人员也可以通过通信模块9主动对数据库5中的样本进行修改。

所述数据库5还用于根据所述修改指令，更新所述原始样本数据集；

修改指令包括但不限于病例数据的增加、减少和修改。可以收集其他医疗单位典型病例数据和实际的治疗效果，作为新的样本；也可以删减样本数据集中出现错误的样本，例如当时治愈，但一段时间后，患者复发，此时需要修改样本数据集中对应的病例数据，或直接将病例数据从样本数据集中删减。

所述治疗效果预测模块2还用于在所述原始样本数据集发生更新时，以更新后的原始样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

综上，本申请实施例提供的治疗效果预测系统，不仅可以根据输入的病例数据预测治疗效果，还可以基于聚类算法得到病例数据相较于其他病例经验应该具有的治疗效果，进而对得到预测治疗效果的预测模型进行更新，使治疗效果预测系统具有基于新病例数据样本的纠错能力，不断优化本身的预测模型；同时本申请实施例的治疗效果预测系统设置有校验模块，在预测治疗效果存在不准确的可能时，提醒医务人员校验预测的治疗效果，并以医务人员校验的结果更新预测模型，使得本申请实施例的治疗效果预测系统具有接受医务人员反馈的功能。

除此之外，基于本申请实施例的治疗效果预测系统，医务人员还可以主动修改系统中的病例数据，进一步加强治疗效果预测系统的样本纠错能力和交互性能。

基于同一构思，本申请实施例还提供了一种治疗效果预测终端，所述治疗效果预测终端为第一方面实施例中所述的治疗效果预测系统中的部分或全部模块的集成终端；

参考图4，图4是本申请实施例治疗效果预测终端的结构示意图。

所述治疗效果预测终端还包括显示屏和信息输入组件，所述显示屏用于显示所述治疗效果预测系统输出的数据；所述信息输入组件用于供用户向所述治疗效果预测系统输入数据。

信息输入组件可以是键盘；显示屏和信息输入组件也可以是一体结构的触控显示屏，或者移动电脑。

集成终端中包含的病例数据采集模块1、治疗效果预测模块2、病例数据分类模块3、治疗效果展示模块4以及数据库5等模块执行的程序，和执行程序时使用的数据都可以利用存储介质进行存储。

病例数据采集模块1、治疗效果预测模块2、病例数据分类模块3、治疗效果展示模块4以及数据库5等模块可以设置在不同的处理器组成的服务器集群中，也可以设置在同一个处理器中。

显示屏可以显示包括但不限于以下信息：病例数据采集模块接收的医务人员录入的新病例数据；治疗效果展示模块展示的治疗效果预测模块输出的预测治疗效果；提示模块在预测治疗效果与所述目标治疗效果不同时，输出的提醒消息；校验模块根据医务人员在接收提醒消息后，录入的实际治疗效果；通信模块接收的指示样本进行修改的修改指令。

本说明书中的各个实施例均采用递进或说明的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的装置、系统或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种装置、系统或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的装置、系统或者终端中还存在另外的相同要素。

以上对本申请所提供的具有自学习能力的治疗效果预测系统及治疗效果预测终端，进行了详细介绍，以上实施例的说明只是用于帮助理解本申请核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种治疗效果预测系统，其特征在于，所述系统包括：病例数据采集模块、治疗效果预测模块、病例数据分类模块、治疗效果展示模块以及数据库；所述病例数据采集模块连接所述治疗效果预测模块和所述病例数据分类模块；

所述病例数据采集模块用于接收录入新病例数据；

所述治疗效果预测模块用于根据所述新病例数据，使用预测模型得到预测治疗效果，并将所述预测治疗效果发送给所述治疗效果展示模块；

所述病例数据分类模块用于根据所述新病例数据所在的目标分类，得到目标治疗效果，并将所述目标治疗效果作为所述新病例数据的标签；

所述数据库用于添加具有标签的新病例数据，得到样本数据集；

所述治疗效果预测模块还用于以所述样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测；

所述系统还包括：打标签模块，用于为所述新病例数据标记初始标签，所述初始标签为所述预测治疗效果；标签更新模块，用于在所述预测治疗效果与所述目标治疗效果不相同时，以所述目标治疗效果替换所述预测治疗效果，对所述新病例数据的标签进行更新；

所述数据库存储有原始样本数据集；所述病例数据分类模块包括合并子模块、聚类子模块和分类子模块；所述合并子模块用于从所述数据库获取所述原始样本数据集，并将所述新病例数据与所述原始样本数据集进行合并，得到待分类样本集合；所述聚类子模块用于对所述待分类样本集合进行聚类，得到多个样本分类；所述分类子模块用于将所述新病例数据所在的样本分类确定为所述目标分类；

所述原始样本数据集中的单个样本为携带治疗效果标签的原始病例数据；所述合并子模块包括合并子单元；所述合并子单元用于根据所述原始样本数据集中各样本的原始病例数据和治疗效果标签，以及所述新病例数据和所述预测治疗效果，对所述新病例数据与所述原始样本数据集的样本进行合并处理。

2.根据权利要求1所述的治疗效果预测系统，其特征在于，所述系统还包括：

提示模块，用于在所述预测治疗效果与所述目标治疗效果不相同时，输出提醒消息，以提示用户对所述新病例数据的标签进行校验。

3.根据权利要求2所述的治疗效果预测系统，其特征在于，所述系统还包括校验模块；

所述校验模块用于根据录入的实际治疗效果，确定所述新病例数据的标签；

其中所述录入的治疗效果为所述目标治疗效果或所述预测治疗效果或除所述目标治疗效果和所述预测治疗效果外的其他治疗效果；

所述数据库在所述录入的治疗效果为其他治疗效果时，以所述录入的治疗效果为所述新病例数据的标签，并更新所述样本数据集；

所述治疗效果预测模块还用于以更新后的样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

4.根据权利要求1所述的治疗效果预测系统，其特征在于，所述病例数据分类模块还包括统计子模块和标记子模块；

所述统计子模块用于统计所述目标分类中具有相同的治疗效果的病例数据的数目；

所述标记子模块用于以对将病例数据数目最多的治疗效果标记为所述目标治疗效果。

5.根据权利要求1所述的治疗效果预测系统，其特征在于，

所述聚类子模块还包括标记子单元，所述标记子单元用于以所述样本分类标记所述样本分类中的所有病例数据；

所述聚类子模块包括聚类子单元，所述聚类子单元用于以所述新病例数据标记的样本分类为第一样本分类，将所述第一样本分类包括的所有病例数据确定为目标分类；其中所述第一样本分类包括的所有病例数据属于所述待分类样本集合。

6.根据权利要求1所述的治疗效果预测系统，其特征在于，所述系统还包括：

通信模块，用于接收对所述原始样本数据集中的样本进行修改的修改指令；

所述数据库还用于根据所述修改指令，更新所述原始样本数据集；

所述治疗效果预测模块还用于在所述原始样本数据集发生更新时，以更新后的原始样本数据集训练并更新所述预测模型，并利用更新后的预测模型进行下一次治疗效果预测。

7.一种治疗效果预测终端，其特征在于，所述治疗效果预测终端为包括如权利要求1-6任一所述的治疗效果预测系统中的全部模块的集成终端；

所述治疗效果预测终端还包括显示屏和信息输入组件，所述显示屏用于显示所述治疗效果预测系统输出的数据；所述信息输入组件用于供用户向所述治疗效果预测系统输入数据。

Images