(19)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 202210258771.5 (22)申请日 2022.03.16 (65)同一申请的已公布的文献号 申请公布号 CN 114610748 A (43)申请公布日 2022.06.10 (73)专利权人 云南升玥信息技 术有限公司 地址 650100 云南省昆明市西山区环城南 路668号云纺商业区西山区科技创新 中心第4层B1-B2 9 (72)发明人 徐昆　 (74)专利代理 机构 河北圆友缘专利代理事务所 (普通合伙) 13173 专利代理师 吕纪涛 (51)Int.Cl. G06F 16/242(2019.01)G06K 9/62(2022.01) G06N 3/00(2006.01) G06F 16/951(2019.01) G06F 16/23(2019.01) G06F 21/60(2013.01) H04L 9/40(2022.01) (56)对比文件 CN 110969179 A,2020.04.07 CN 104915 560 A,2015.09.16 CN 108538395 A,2018.09.14 审查员 何洋 (54)发明名称 基于人工智能的医疗疾病数据的安全快速 精准有效管理系统及应用 (57)摘要 本发明涉及一种医疗 数据管理系统， 尤其为 基于人工智能的医疗疾病数据的安全快速精准 有效管理系统及应用， 包括数据收集单元、 数据 处理单元、 数据分类单元、 数据匹配单元和数据 建库单元， 数据收集单元用于从各医疗机构的医 疗数据库中收集所需医疗疾病数据并传输至数 据处理单元， 数据处理单元用于对收集到的医疗 疾病数据进行聚类处理， 并对其安全性进行监 测， 数据分类单元用于将数据处理单元聚类处理 后的医疗疾病数据进行分类并归类到相应的病 谱下， 数据匹配单元用于将归类后的医疗疾病数 据与各种症状进行匹配， 并生 成各类症状可能归 属的疾病图表， 数据建库单元用于将疾病图表和 医疗疾病数据结合进行统一建库。 权利要求书3页 说明书11页 附图6页 CN 114610748 B 2022.09.09 CN 114610748 B 1.一种基于人工智能的医疗疾病数据的安全快速精准有效管理系统， 其特征在于： 包 括数据收集单元(100)、 数据处理单元(200)、 数据分类单元(300)、 数据匹配单元(400)和数 据建库单元(500)， 所述数据收集单元(100)、 数据处理单元(200)、 数据分类单元(300)、 数 据匹配单元(400)和数据建库单元(500)依次通过以太网信号连接， 所述数据收集单元 (100)用于从各医疗机构的医疗数据库中收集所需医疗疾病数据并传输至数据处理单元 (200)， 所述数据处理单元(200)用于对收集到的医疗疾病数据进行聚类处理， 并对其安全 性进行监测， 所述数据分类单元(300)用于将所述数据处理单元(200)聚类处理后的医疗疾 病数据进行分类并归类到相应的病谱下， 所述数据匹配单元(400)用于将归类后的医疗疾 病数据与各种症状进行匹配， 并生成各类症状可能归属的疾病图表， 所述数据建库单元 (500)用于将疾病图表和医疗疾病数据结合进行 统一建库； 所述数据处理单元(200)包括安 全监测模块(201)、 数据解码模块(202)、 聚类处理模块(203)和粒子优化模块(204)， 所述安 全监测模块(201)、 数据解码模块(202)、 聚类处理模块(203)和粒子优化模块(204)依次通 过以太网信号连接， 所述安全监测模块(201)用于对 数据传输模块(104)传输的医疗疾病数 据进行安全性校验， 所述数据解码模块(202)用于对加密打包的医疗疾病数据进 行解码， 所 述聚类处理模块(203 )用于对解码后的医疗疾病数据进行聚类处理， 所述粒子优化模块 (204)用于对聚类处 理模块(20 3)进行优化； 所述聚类处理模块(203)采用FCM聚类算法对归一化处理后的医疗疾病数据进行聚类 处理， 其具体包括如下步骤： 步骤1： 对隶属度U 使用(0， 1)之间进行均匀分布的初始化， 使其满足约束条件； 步骤2： 根据U和迭代公式计算出聚类中心zj； 步骤3： 计算函数J， 若其结果小于某个阈值， 或与上一个J的变化小于某阈值， 则算法停 止； 步骤4： 根据迭代公式计算 新的U， 返回步骤2； 采用粒子群算法确定所述FC M聚类算法的初始聚类中心为如下步骤： S1： 对种群中各 粒子的历史最优解和全局最优解进行检测； S2： 根据粒子的历史最优解和全局最优解的检测结果确定粒子的更新方式采用下列 方 式对种群中各 粒子的历史最优解和全局最优解进行检测： 设Xi(t)表示种群中粒子i在第t次迭代后的解， Pbesti(t)表示粒子i在第t次迭代后的 历史最优解， Gbest(t)表示种群在第t次迭代后的全局最优解， 设置Ωi(t)为粒子i在第t次 迭代后的检测区域， 当解Xi(t)、 Pbesti(t)和Gbest(t)不在一条直线上时， Ωi(t)为以解Xi (t)、 Pbesti(t)和Gbest(t)为三个顶点形成的三角形区域， 当解Xi(t)、 Pbesti(t)和Gbest (t)在一条直线上时， Ωi(t)为连接解Xi(t)、 Pbesti(t)和Gbest(t)三个点的线段， 在检测区 域Ωi(t)中对粒子i的历史最优解Pbesti(t)和全局最优解Gbest(t)进行检测： 定义ρi(Pbesti(t))表示历史最优解Pbesti(t)在检测区域Ωi(t)中的引导成功率， ρi (Gbest(t))表示全局最优解 Gbest(t)在检测区域Ωi(t)中的引导成功率， ρi(Pbesti(t))和 ρi(Gbest(t) )的值分别为：权　利　要　求　书 1/3 页 2 CN 114610748 B 2其中， Ni(Pbesti(t))为用于在检测区域Ωi(t)中对历史最优 解Pbesti(t)进行检测的标 志性解集合， Ni(Gbest(t))为用于在检测区域Ωi(t)中对全局最优解Gbest(t)进行检测的 标志性解集合， 且Ni(Pbesti(t))和Ni(Gbest(t))中的解为采用下列方式在检测区域Ωi(t) 中筛选所得： 设Xij(t)为检测区域Ωi(t)中的第j个 解， 且j＝1， 2， ...， Mi(t)， Mi(t)表示检测 区域Ωi(t)中解的数量， Xij(t‑1)为解Xij(t)所对应的粒子在第(t ‑1)次迭代后的解， d(Xij (t)， Pbesti(t))表示解Xij(t)和历史最优解Pbesti(t)之间的欧式距离， d(Xij(t‑1)， Pbesti (t))表示解Xij(t‑1)和历史最优解Pbesti(t)之间的欧式距离， d(Xij(t)， Gbest(t))表示解 Xij(t)和全局最优解 Gbest(t)之间的欧式距离， d(Xij(t‑1)， Gbest(t))表示解Xij(t‑1)和全 局最优解Gbest(t)之间的欧式距离， 当解Xij(t)同时满足： Xij(t‑1)∈Ωi(t)且d(Xij(t)， Pbesti(t))＜d(Xij(t‑1)， Pbesti(t))且d(Xij(t)， Gbest(t))＞d(Xij(t‑1)， Gbest(t))时， 将 解Xij(t)加入标志性解集合Ni(Pbesti(t))中， 当解Xij(t)同时满足： Xij(t‑1)∈Ωi(t)且d (Xij(t)， Gbest(t))＜d(Xij(t‑1)， Gbest(t))且d(Xij(t)， Pbesti(t))＞d(Xij(t‑1)， Pbesti (t))时， 则将解Xij(t)加入集合Ni(Gbest(t))中； fij(t)表示解Xij(t)的适应度函数值， fij (t‑1)表示解Xij(t‑1)的适应度函数值， Xil(t)为标志性解集合Ni(Pbesti(t))中的第l个解， Xil(t‑1)为解Xil(t)所对应的粒子在第(t ‑1)次迭代后的解， βil(t)表示解Xil(t)的进化成功 系数， 且 fil(t)表示解Xil(t)的适应度函数值， fil(t‑1)表示 解Xil(t‑1)的适应度函数值， Mi(Pbesti(t))表示标志性解集合Ni(Pbesti(t))中解的数量， Xik(t)为标志性解集合Ni(Gbest(t))中的第k个解， Xik(t‑1)为解Xik(t)所对应的粒子在第 ( t‑1 ) 次 迭 代 后 的 解 ， βi k( t ) 表 示 解 Xi k( t ) 的 进 化 成 功 系 数 ，且 fik(t)表示解Xik(t)的适应度函数值， fik(t‑1)表示解Xik(t‑ 1)的适应度函数值， Mi(Gbest(t) )表示标志性 解集合Ni(Gbest(t) )中解的数量。 2.根据权利要求1所述的基于人工智能的医疗疾病数据的安全快速精准有效管理系 统， 其特征在于： 所述数据 收集单元(100)包括医疗数据库访问模块(101)、 字词查找模块 (102)、 数据加密模块(103)和数据传输模块(104)， 所述医疗数据库访问模块(101)通过以 太网与各医疗机构的医疗数据库连接， 所述医疗数据库访问模块(101)、 字词查找模块 (102)、 数据加密模块(103)和数据传输模块(104)依次通过以太网信号连接，