【技術(shù)實現(xiàn)步驟摘要】
本申請?zhí)崾緦W習，特別是涉及基于提示學習的血氣分析診斷系統(tǒng)、方法、介質(zhì)、程序產(chǎn)品及終端。
技術(shù)介紹
1、目前，血氣分析是一種關(guān)鍵的醫(yī)學實驗室測試，它在診斷和監(jiān)測各種與呼吸系統(tǒng)、心臟系統(tǒng)以及酸堿平衡相關(guān)的疾病或狀況中扮演著至關(guān)重要的角色。這項測試主要是分析血液中的多個關(guān)鍵參數(shù)，包括ph值、氧分壓(pao2)、二氧化碳分壓(paco2)、血氧飽和度(sao2)、標準碳酸氫鹽(sb)、實際碳酸氫鹽(ab)和剩余堿(be)等。依靠這些關(guān)鍵參數(shù)的數(shù)值，可以幫助醫(yī)生確定病人是否存在低氧血癥、高碳酸血癥、酸堿失衡或其他與呼吸系統(tǒng)、心臟系統(tǒng)或酸堿平衡相關(guān)的異常情況。這些信息對于指導(dǎo)治療決策、監(jiān)測疾病進展和評估病人的總體健康狀況非常重要。
2、對血氣分析參數(shù)值進行自動化的輔助分析診斷具有很重要的意義，可以更快地提供結(jié)果，減少人為誤差，降低人工成本，收集和分析大量的數(shù)據(jù)，從而提升醫(yī)療資源的利用效率。對血氣分析參數(shù)值分析然后下診斷的過程屬于分類任務(wù)：在這個任務(wù)中輸入是血氣分析儀得到的參數(shù)值，輸出是診斷(如，呼吸性酸中毒)。關(guān)于分類任務(wù)的研究和技術(shù)積累有很多，可以分為三類：基于規(guī)則的方法，這類方法通過定義一組規(guī)則或模式來對文本進行分類，通常需要領(lǐng)域?qū)＜业膮⑴c來設(shè)計規(guī)則，然后進行模式匹配；基于統(tǒng)計的方法，這些方法包括樸素貝葉斯分類器(naive?bayes?classifier)、支持向量機(support?vectormachine)和最大熵模型(maximum?entropy?model)等，這通過統(tǒng)計文本中的特征(如詞頻、tf-idf等)
3、目前對血氣分析參數(shù)值進行自動化分析的方法主要有兩類，一類是基于規(guī)則的方法，另一類是基于機器學習和深度學習的分類方法。其中，基于規(guī)則的方法嚴重依賴專家手工設(shè)計規(guī)則，可能會出現(xiàn)規(guī)則覆蓋不完整、維護成本高、難以擴展等問題，在處理大規(guī)模、復(fù)雜的數(shù)據(jù)集時尤為明顯。基于機器學習和深度學習的分類方法對于輸入輸出的形式有著嚴格的規(guī)則要求，因此需要額外增加前/后處理模塊，且無法直接生成可歸檔的電子診斷，限制了在臨床實踐中的應(yīng)用。
技術(shù)實現(xiàn)思路
1、鑒于上述現(xiàn)有技術(shù)的缺點，本專利技術(shù)提供一種基于提示學習的血氣分析診斷系統(tǒng)、方法、介質(zhì)、程序產(chǎn)品及終端，用于解決現(xiàn)有技術(shù)中的血氣分析診斷依賴專家手工設(shè)計規(guī)則，可能會出現(xiàn)規(guī)則覆蓋不完整、維護成本高、難以擴展，且無法直接生成可歸檔的電子診斷等問題。
2、為實現(xiàn)上述目的及其他相關(guān)目的，本申請的第一方面提供一種基于提示學習的血氣分析診斷系統(tǒng)，包括：數(shù)據(jù)預(yù)處理模塊，用于獲取歷史血氣檢測數(shù)據(jù)，對所述歷史血氣檢測數(shù)據(jù)進行預(yù)處理后生成訓(xùn)練樣本集和驗證樣本集；目標提示模板生成模塊，用于構(gòu)建多個初始提示模板，并基于預(yù)訓(xùn)練的大語言模型采用訓(xùn)練樣本集對各所述初始提示模板進行學習，以獲得各所述初始提示模板分別對應(yīng)的目標提示模板；備選提示策略獲取模塊，用于將每個目標提示模板以及驗證樣本集輸入預(yù)訓(xùn)練的大語言模型進行評估驗證，以獲得每個目標提示模板下的評估驗證結(jié)果，并將評估驗證結(jié)果符合預(yù)設(shè)驗證要求的對應(yīng)目標提示模板作為備選提示策略；提示策略組合模塊，用于基于各所述備選提示策略進行增廣組合并向所述預(yù)訓(xùn)練的大語言模型輸入待分析血氣檢測數(shù)據(jù)，以獲得血氣分析診斷結(jié)果。
3、于本申請的第一方面的一些實施例中，所述構(gòu)建多個初始提示模板的過程包括：基于預(yù)設(shè)提示模板對其內(nèi)部的診斷信息占位符、血氣指標參數(shù)值以及多個可學習向量的位置進行調(diào)整，以生成多個初始提示模板。
4、于本申請的第一方面的一些實施例中，基于預(yù)訓(xùn)練的大語言模型采用訓(xùn)練樣本集對各所述初始提示模板進行學習，以獲得各所述初始提示模板分別對應(yīng)的目標提示模板的過程包括：將該任一初始提示模板和訓(xùn)練樣本集輸入所述預(yù)訓(xùn)練的大語言模型，獲得預(yù)測結(jié)果；基于所述預(yù)測結(jié)果和所述訓(xùn)練樣本集的真實結(jié)果計算損失函數(shù)；采用優(yōu)化算法對該任一初始提示模板的可學習向量進行權(quán)值更新，以減小所述損失函數(shù)；迭代優(yōu)化直至滿足預(yù)設(shè)迭代要求時完成該任一初始提示模板的可學習向量的權(quán)值更新，以獲得該任一初始提示模板對應(yīng)的目標提示模板。
5、于本申請的第一方面的一些實施例中，基于各所述備選提示策略進行增廣組合的組合方式包括：將各所述備選提示策略中的任一備選提示策略和待分析血氣檢測數(shù)據(jù)輸入所述預(yù)訓(xùn)練的大語言模型，獲得該任一備選提示策略對應(yīng)的提示輸出結(jié)果；將該任一備選提示策略對應(yīng)的提示輸出結(jié)果和下一個備選提示策略進行組合形成新的組合提示策略輸入所述預(yù)訓(xùn)練的大語言模型，以獲得所述新的組合提示策略對應(yīng)的提示輸出結(jié)果；依次類推，直至各所述備選策略全部組合完成以獲得最終的組合提示策略。
6、于本申請的第一方面的一些實施例中，基于各所述備選提示策略進行增廣組合的組合方式還包括：將每個備選提示策略和待分析血氣檢測數(shù)據(jù)輸入預(yù)訓(xùn)練的大語言模型，以獲得各個備選提示策略對應(yīng)的提示輸出結(jié)果；將各個備選提示策略對應(yīng)的提示輸出結(jié)果進行組合形成最終的組合提示策略。
7、于本申請的第一方面的一些實施例中，基于各所述備選提示策略進行增廣組合的組合方式還包括：在各所述備選提示策略中任選一個備選提示策略與預(yù)設(shè)前綴進行組合形成最終的組合提示策略。
8、為實現(xiàn)上述目的及其他相關(guān)目的，本申請的第二方面提供一種基于提示學習的血氣分析診斷方法，應(yīng)用于如上所述的基于提示學習的血氣分析診斷系統(tǒng)，所述方法包括：獲取歷史血氣檢測數(shù)據(jù)，對所述歷史血氣檢測數(shù)據(jù)進行預(yù)處理后生成訓(xùn)練樣本集和驗證樣本集；構(gòu)建多個初始提示模板，并基于預(yù)訓(xùn)練的大語言模型采用訓(xùn)練樣本集對各所述初始提示模板進行學習，以獲得各所述初始提示模板分別對應(yīng)的目標提示模板；將每個目標提示模板以及驗證樣本集輸入預(yù)訓(xùn)練的大語言模型進行評估驗證，以獲得每個目標提示模板下的評估驗證結(jié)果，并將評估驗證結(jié)果符合預(yù)設(shè)驗證要求的對應(yīng)目標提示模板作為備選提示策略；基于各所述備選提示策略進行增廣組合并向所述預(yù)訓(xùn)練的大語言模型輸入待分析血氣檢測數(shù)據(jù)，以獲得血氣分析診斷結(jié)果。
9、為實現(xiàn)上述目的及其他相關(guān)目的，本申請的第三方面提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述基于提示學習的血氣分析診斷方法。
10、為實現(xiàn)上述目的及其他相關(guān)目的，本申請的第四方面提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品中包括計算機程序代碼，當所述計算機程序代碼在計算機上運行時，本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，所述構(gòu)建多個初始提示模板的過程包括：基于預(yù)設(shè)提示模板對其內(nèi)部的診斷信息占位符、血氣指標參數(shù)值以及多個可學習向量的位置進行調(diào)整，以生成多個初始提示模板。
3.根據(jù)權(quán)利要求2所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于預(yù)訓(xùn)練的大語言模型采用訓(xùn)練樣本集對各所述初始提示模板進行學習，以獲得各所述初始提示模板分別對應(yīng)的目標提示模板的過程包括：
4.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于各所述備選提示策略進行增廣組合的組合方式包括：
5.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于各所述備選提示策略進行增廣組合的組合方式還包括：
6.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于各所述備選提示策略進行增廣組合的組合方式還包括：
7.一種基于提示學習的血氣分析診斷方法，其特征在于，應(yīng)用于如權(quán)利要求1至6中任一項所
8.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求7所述基于提示學習的血氣分析診斷方法。
9.一種計算機程序產(chǎn)品，其特征在于，所述計算機程序產(chǎn)品中包括計算機程序代碼，當所述計算機程序代碼在計算機上運行時，使得所述計算機實現(xiàn)如權(quán)利要求7所述的基于提示學習的血氣分析診斷方法。
10.一種電子終端，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求7所述基于提示學習的血氣分析診斷方法。
...【技術(shù)特征摘要】
1.一種基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，所述構(gòu)建多個初始提示模板的過程包括：基于預(yù)設(shè)提示模板對其內(nèi)部的診斷信息占位符、血氣指標參數(shù)值以及多個可學習向量的位置進行調(diào)整，以生成多個初始提示模板。
3.根據(jù)權(quán)利要求2所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于預(yù)訓(xùn)練的大語言模型采用訓(xùn)練樣本集對各所述初始提示模板進行學習，以獲得各所述初始提示模板分別對應(yīng)的目標提示模板的過程包括：
4.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于各所述備選提示策略進行增廣組合的組合方式包括：
5.根據(jù)權(quán)利要求1所述的基于提示學習的血氣分析診斷系統(tǒng)，其特征在于，基于各所述備選提示策略進行增廣組合的組合方式還包括：
6.根據(jù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張劍，盧浩，徐拯，馬冰花，陳俊楠，張鑫，王虞鷺，仲潔，陳趙新，陸瑤，陳佳威，周維豪，
申請(專利權(quán))人：上海長征醫(yī)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。