(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111637599.6 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113986890 A (43)申请公布日 2022.01.28 (73)专利权人 四川华迪信息技 术有限公司 地址 610000 四川省成 都市高新区(西区) 西芯大道5号汇都总部广场6 栋9楼1号 (72)发明人 王佳昊　齐秀秀　李文雄　陈大江　 朱军　向平　包晓乐　 (74)专利代理 机构 成都帝鹏知识产权代理事务 所(普通合伙) 5126 5 代理人 邰思翰 (51)Int.Cl. G06F 16/21(2019.01) G06F 16/28(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 110444263 A,2019.1 1.12 US 2021098080 A1,2021.04.01 US 201432 2674 A1,2014.10.3 0 US 2021104313 A1,2021.04.08 CN 113113124 A,2021.07.13 CN 111180061 A,2020.0 5.19 CN 110444263 A,2019.1 1.12 CN 113407522 A,2021.09.17 CN 108447533 A,2018.08.24 Tobias Met tler 等.H CMM - a maturity model for measuri ng and as sessing the quality of co operation between and w ithin hospitals. 《2012 25th IE EE Internati onal Symposium o n Computer-Based Medical Systems (CBMS)》 .2012,1- 6. (续) 审查员 曾伟 (54)发明名称 一种基于少样本模型学习的联合医院数据 迁移方法及系统 (57)摘要 本发明属于数据处理技术领域， 本发 明公开 一种基于少样本模型学习的联合医院数据迁移 方法及系统， 包括步骤： 利用数据源丰富的源医 院集构建病例数据模型， 从数据源丰富的源医院 集上基于任务分配算法构建任务集合； 在每个任 务中对每个样本进行多次病例采样， 将采集到的 病例数据进行预处理， 得到特征集合； 按照时间 顺序对特征集合进行时序训练， 提取完整时序的 特征值； 以所述特征值对病例数据模型进行训 练， 得到病例数据模型； 利用所述病例数据模型 对数据源稀疏的目标医院数据集进行数据识别 获得数据类别， 并将该类别数据迁移至目标医院 数据库。 本发 明能够为资源稀 疏的目标医院的目 标病例精准迁移的丰富的医疗资源数据。 [转续页] 权利要求书2页 说明书5页 附图3页 CN 113986890 B 2022.03.11 CN 113986890 B (56)对比文件 廖湘庆.基 于云平台的公立医院服 务模式创 新研究. 《中国博士学位 论文全文数据库 医药卫 生科技辑》 .2016,(第07(2016)期),E 053-10.顾东晓.基 于案例库的诊 疗决策支持技 术研 究. 《中国博士学位 论文全文数据库 医药卫 生科 技辑》 .2012,(第10(2012)期),E 053-9.2/2 页 2[接上页] CN 113986890 B1.一种基于少样本模型 学习的联合医院数据迁移方法， 其特 征在于， 包括 步骤： S10， 利用数据源丰富的源医院集构建病例数据模型， 包括 步骤： S11， 从数据源丰富的源医院集上基于任务分配算法构建任务 集合； S12， 在每个任务中对每个样本进行多次病例采样， 将采集到的病例数据进行预处理， 得到特征集合； S13， 按照时间顺序对特 征集合进行时序训练， 提取完整时序的特 征值； S14， 以所述特 征值对病例数据模型进行训练， 得到病例数据模型； 包括 步骤： S141， 将数据源丰富的源医院集划分为基础源医院集和新医院集， 分别进行基础训练 和元训练； S142， 基础训练 阶段， 学习一个基础学习器并获得主干 网络参数作为基础先验知识； 元 训练阶段， 通过对新医院集的训练， 结合增量少样本学习算法， 获得网络训练参数； S143， 将基础源医院集和新医 院集的训练网络参数进行结合， 更新主干网络， 得到病例 数据模型； S20， 利用所述病例数据模型对数据源稀疏的目标医院数据集进行数据识别获得数据 类别， 并将该类别资源数据迁移至目标医院数据库。 2.根据权利要求1所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 所述基础源医院集和新医院集 不相交。 3.根据权利要求1所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 所述主干网络包括卷积神经网络和长短期记忆网络构成， 将处理后的数据输入主干 网络进行训练， 并通过SOFTMAX层， 输出病例数据所属类别。 4.根据权利要求1所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 在基础训练阶段， 对基础医院集进 行训练获得的基础知识 参数并通入记忆正则化器， 将记忆正则化器的输出发送至元 学习阶段。 5.根据权利要求4所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 在元训练阶段中， 对新医院集进 行任务抽样算法构建支持集和查询集； 支持集用于训 练主干网络模型获得元参数； 利用查询集对支持集训练获得的元参数进 行查询集任务损失 值判断， 根据查询集任务损失值对主干网络学习参数进行梯度更新。 6.根据权利要求5所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 利用基础源医院集重构查询集， 重构后的查询集包括新医院集中的样本和自于基础 源医院集的样本 。 7.根据权利要求5所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 利用记忆正则化器提取基础知识与新知识进 行混合； 在元训练阶段， 学习元参数以最 小化查询集上的联合预测损失值； 在元学习阶段， 通过迭代更新来优化元学习器的元参数， 元参数通过注意力机制封装； 从而为少样本学习目标中的权 重生成正则化器。 8.根据权利要求7所述的一种基于少样本模型学习的联合医院数据迁移方法， 其特征 在于， 利用记忆正则化器来加载混合基础知识参数与元参数 的权重向量和， 完成提取基础 知识与新知识进行混合； 基于注意力机制对基本知识参数进行编码； 注意力向量被用来计算记忆矩阵， 使用记 忆矩阵存储每个基本源的学习吸引子向量； 在元学习阶段， 对于每个任务， 以最小化查询集权　利　要　求　书 1/2 页 2 CN 113986890 B 3