(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111509656.2 (22)申请日 2021.12.10 (71)申请人 深圳市北 科瑞声科技股份有限公司 地址 518036 广东省深圳市福田区梅林街 道梅都社区中康路136号深圳新一代 产业园3栋1201-6 (72)发明人 陈诚　廖晨　杨雨航　吕少领　 (74)专利代理 机构 深圳智汇远见知识产权代理 有限公司 4 4481 代理人 刘洁 (51)Int.Cl. G16H 50/20(2018.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的疾病分析方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及人工智能技术， 揭露了一种基于 机器学习的疾病分析方法， 包括： 获取训练疾病 数据以及训练疾病数据对应的真实疾病名 称和 真实疾病属性； 构建训练疾病数据的目标向量相 关矩阵， 利用疾病分析模型对目标向量相关矩阵 计算， 得到输出结果； 分别利用疾病名称损失函 数和属性信息损失函数计算得到输出结果与真 实疾病名 称的疾病名 称损失值和属性信息损失 值， 并利用联合损失函数计算疾病名称损失值和 属性信息损失值， 得到联合损失值， 根据联合损 失值优化所述疾病分析模型； 利用优化后的疾病 分析模型对待检测数据计算， 得到目标疾病分析 结果。 本发 明还提出一种基于机器学习的疾病分 析装置、 设备 以及介质。 本发明可 以提高疾病分 析的精确度。 权利要求书2页 说明书11页 附图3页 CN 114220536 A 2022.03.22 CN 114220536 A 1.一种基于 机器学习的疾病分析 方法， 其特 征在于， 所述方法包括： 获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性； 构建所述训练疾病数据的目标向量相关矩阵， 将所述目标向量相关矩阵输入预构建的 疾病分析模型， 得到所述疾病分析模型的输出 结果； 利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名 称损失值， 利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属 性信息损失值， 并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失 值， 得到联合损失值， 根据所述联合损失值优化所述疾病分析模型， 得到标准疾病分析模 型， 其中， 所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积； 获得待检测数据， 利用所述标准疾病分析模型对所述待检测数据计算， 得到目标疾病 分析结果。 2.如权利要求1所述的基于机器学习的疾病分析方法， 其特征在于， 所述构建所述训练 疾病数据的目标向量相关矩阵， 包括： 对所述训练疾病数据进行掩码 操作和编码 操作， 得到 定位向量 集； 对所述定位向量集进行矩阵转换， 并根据矩阵转换的结果和所述定位向量集进行计 算， 得到目标向量相关矩阵。 3.如权利要求2所述的基于机器学习的疾病分析方法， 其特征在于， 所述对所述训练疾 病数据进行掩码 操作和编码 操作， 得到 定位向量 集， 包括： 从所述训练疾病数据中提取待掩码数据， 对所述待掩码数据执行掩码操作， 得到已掩 码数据； 对所述已掩码数据中的所有数据进行向量转换， 得到向量集， 并对所述向量集执行位 置编码， 得到 定位向量 集。 4.如权利要求2所述的基于机器学习的疾病分析方法， 其特征在于， 所述对所述定位向 量集进行矩阵转换， 并根据矩阵转换 的结果和所述定位向量集进行计算， 得到目标向量相 关矩阵， 包括： 将所述定位向量集转换为定位向量矩阵， 根据所述定位向量矩阵的维度生成分类迭代 转换矩阵； 利用预构建的指数归一化函数、 所述定位向量矩阵和所述分类迭代转换矩阵计算， 得 到与所述定位字向量 集对应的原 始向量相关矩阵； 利用所述原始向量相关矩阵和所述定位向量矩阵， 调节预构建的前馈神经网络 中的迭 代权重因子， 得到目标向量相关矩阵。 5.如权利要求1所述的基于机器学习的疾病分析方法， 其特征在于， 所述利用联合损失 函数计算所述疾病名称损失值和所述属性信息损失值， 得到联合损失值， 包括： 利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计 算； 将计算的结果与所述疾病名称损失值相乘， 得到联合损失值。 6.如权利要求5所述的基于机器学习的疾病分析方法， 其特征在于， 所述根据 所述联合 损失值优化所述疾病分析模型， 包括： 判断所述联合损失值是否小于预设损失阈值；权　利　要　求　书 1/2 页 2 CN 114220536 A 2当所述联合损失值大于或等于预设损失阈值 时， 利用梯度 下降算法对所述疾病分析模 型的超参数进行 更新； 当所述联合损失值小于预设损失阈值时， 得到迭代后的标准疾病分析模型。 7.如权利要求1至6中任一项所述的基于机器学习的疾病分析方法， 其特征在于， 所述 利用所述标准疾病分析模型对所述待检测数据计算， 得到目标疾病分析 结果， 包括： 根据所述待检测数据从网络或数据库中抓取对应的答案， 并存 储至答案列表中； 将所述待检测数据输入所述标准疾病分析模型， 得到识别答案； 计算所述识别答案与所述 答案列表中的每一个答案的关联度； 根据所述关联度对所述答案列表中的答案进行排序， 得到目标列表并确定所述目标列 表为目标疾病分析的结果。 8.一种基于 机器学习的疾病分析装置， 其特 征在于， 所述装置包括： 训练数据获取模块， 用于获取训练疾病数据以及所述疾病数据对应的真实疾病名称和 真实疾病属性； 疾病分析模型训练模块， 用于构建所述训练疾病数据的目标向量相关矩阵， 将所述目 标向量相关矩阵输入预构建的疾病分析模型进行迭代， 得到所述疾病分析模型的输出结 果； 疾病分析模型优化模块， 用于利用预设的疾病名称损失函数计算得到所述输出结果与 所述真实疾病名称的疾病名称损失值， 利用预设的属性信息损失函数计算得到所述输出结 果与所述真实疾病属性的属性信息损失值， 并利用预设的联合损失函数计算所述疾病名称 损失值和所述属 性信息损失值， 得到联合损失值， 根据所述联合损失值优化所述疾病分析 模型， 得到标准疾病分析模 型， 其中， 所述联合损失函数为疾病名称损失函数与属性信息损 失函数的线性乘积； 疾病分析模块， 用于获得待检测数据， 利用所述标准疾病分析模型对所述待检测数据 计算， 得到目标疾病分析 结果。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程序被所 述至少一个处理器执行， 以使 所述至少一个处理器能够执行如权利要求 1至7中任意一项 所 述的基于 机器学习的疾病分析 方法。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1至7中任意 一项所述的基于 机器学习的疾病分析 方法。权　利　要　求　书 2/2 页 3 CN 114220536 A 3