(19)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 202211101853.5 (22)申请日 2022.09.09 (71)申请人 武汉中数医疗科技有限公司 地址 430000 湖北省武汉市东湖高新 技术 开发区理工园四路1号理工大科技园 研发基地二期一标段A1号楼1-4层3层 304室 (72)发明人 胡钦勇　燕自保　袁静萍　 (74)专利代理 机构 深圳市诺正鑫泽知识产权代 理有限公司 4 4689 专利代理师 王璐 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/35(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于人工智能的乳腺采样数据的处理 方法 (57)摘要 本申请公开了一种基于人工智能的乳腺采 样数据的处理方法， 包括以下步骤： 根据待检测 病人体外激励频率收集人体乳腺部分的电阻率 数据； 对所述电阻率数据进行处理， 得到对应的 四维输入数据； 将所述输入数据输入文本分类模 型中， 其中所述文本分类模型包括特征提取部分 和类别分类部分， 所述输入数据依次进行特征提 取和类别分类； 所述输入数据经过文本分类模型 后输出， 判断输出数据是否出现异常。 本申请的 文本分类模型能够对输入数据进行学习和处理 以获得数据之间更多的关联信息， 并对处理后的 数据进行分类， 判断数据是否出现异常， 从而减 少病人检测流程， 有效提高判断的准确度， 为医 生的判断提供数据支撑， 极大便利了医生和病 人。 权利要求书2页 说明书9页 附图3页 CN 115481681 A 2022.12.16 CN 115481681 A 1.一种基于人工智能的乳腺采样数据的处 理方法， 其特 征在于， 包括以下步骤： 根据待检测病人体外 激励频率收集人体乳腺部分的电阻率数据； 将所述输入数据输入文本分类模型中， 其中所述文本分类模型包括特征提取部分和类 别分类部分， 所述输入数据依次进行 特征提取和类别分类； 所述输入数据经 过文本分类模型后输出， 判断输出 数据是否出现异常。 2.根据权利要求1所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 所述特征提取部分为伪孪生的特征提取网络， 所述伪孪生特征提取网络包括第一分支、 第 二分支、 第一全连接层和第二全连接层， 具体步骤如下： 将所述输入数据分别 输入第一分支和第 二分支进行特征提取， 得到第 一分支的输出张 量和第二分支的输出张量； 将所述第一分支输出张量和第二分支输出张量合并， 得到第三输出张量， 对所述第三 输出张量进行降维处 理， 得到第四输出张量； 将所述第四输出张量依次进行第 一全连接层和第 二全连接层操作， 得到特征提取的输 出张量。 3.根据权利要求2所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 所述第一分支是基于transformer结构的特征提取， 所述第一分支的特征提取包括： 所述输 入数据依次通过5个transformer层， 再经过1个5 ×5深度可分离卷积， 得到所述第一分支的 输出张量。 4.根据权利要求3所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 所述transformer层的具体操作如下： 将所述输入数据先 经过多头注意机制子层， 得到第一输出张量； 将所述第一输出张量进行线性变化， 并使用sigmoid激活函数进行激活， 得到所述多头 注意机制的输出张量； 将所述多头注意机制的输出张量进行神经 元随机失活， 得到第二输出张量； 将所述第二输出张量与所述输入数据张量相加， 得到transformer层第一部分输出张 量； 将所述transformer层第一部分输出张量进入前馈全连接层进行处理， 并对所述前馈 全连接层的输出张量进行神经元随机失活， 得到所述transformer层第二部分输出张量； 其 中前馈全连接层包括第一全连接 子层和第二全连接 子层； 将所述transformer第一部分输出张量和所述transformer层第二部分输出张量相加， 得到transformer层的输出张量。 5.根据权利要求4所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 将所述transformer层第一部分输出张量进入前馈全连接层进行处 理包括： 将所述transformer层第一部分输出张量进入第一全连接子层进行全连接层操作， 并 使用Relu函数进行激活； 将激活后的第一全连接 子层输出张量进行神经 元随机失活； 将随机失活后的所述第一全连接子层输出张量再进入第二全连接子层进行全连接层 操作， 使用sigmo id函数进行激活， 得到所述前馈全连接层的输出张量。 6.根据权利要求2所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115481681 A 2第二分支是基于全卷机网络的特征提取， 所述第二分支包括若干个卷积块， 将所述输入张 量依次输入所述卷积块中进行处 理， 得到第二分支的输出张量。 7.根据权利要求6所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 所述卷积块的处 理步骤如下： 将所述输入数据先进行1 ×1卷积， 再进行1个3 ×3深度可分离卷积， 然后进行1个1 ×1 卷积， 最后进行神经 元随机失活， 得到所述第二分支的输出张量。 8.根据权利要求1所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 所述类别分类包括将所述特征提取的输出张量采用随机森林分类算法进 行类别分类， 生成 多个类别， 并采用投票的方式投出最多票数的类别为 最终类别。 9.根据权利要求8所述的一种基于人工智能的乳腺采样数据的处理方法， 其特征在于， 所述随机森林算法的具体步骤如下： 对所述特征提取的输出张量进行N次有放 回的采样， 形成N个样本， 所述N为收集人体乳 腺部分的电阻率数据的个数； 所述每个样本中含有M个属性， 随机抽取m个属性进行分类， 其中m＜ ＜M； 将所述m个属性按照从小到大递增排列， 通过计算信息熵和最终信息增益， 选出所述m 个属性中最终信息增益 最大的属性作为 最终分裂点； 对所述最终分裂点进行分裂， 并针对所述最终分裂点的分裂结果进行预测标记， 根据 投票法上选出 得票数最高的标记， 并输出 此标记结果； 其中， 所述信息熵的计算公式如下： 公式中m表示作为分裂属性节点的所有样本同一属性值， avg(mi， mj)表示对进行从小到 大排序后相邻的两个属性值求均值， Ny表示样本标签y等于相应值时的数量， py表示样本标 签y等于相应值时的概 率； 所述最终信息增益的计算公式如下： 公式中D是训练的样本空间， |D|表示训练样本个数， 表示训练样本中相应属性值 大于分裂属性值的样本个数， 表示训练样本中相应属性值小于分裂属性值的样本个 数。 10.一种电子设备， 其特征在于， 包括存储器和处理器， 所述处理器用于执行所述存储 器中存储的文本分类模型， 以实现权利要求1 ‑9中任意一项所述的一种基于人工智能的乳 腺采样数据的处 理方法。权　利　要　求　书 2/2 页 3 CN 115481681 A 3