(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 202211085784.3 (22)申请日 2022.09.06 (65)同一申请的已公布的文献号 申请公布号 CN 115147668 A (43)申请公布日 2022.10.04 (73)专利权人 北京鹰瞳科技发展股份有限公司 地址 100081 北京市海淀区北理工国防科 技园2号楼4层21室 (72)发明人 何兰青　胡馨月　史晓宇　 (74)专利代理 机构 北京维昊知识产权代理事务 所(普通合伙) 11804 专利代理师 王颖慧 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01)A61B 5/00(2006.01) G16H 50/50(2018.01) (56)对比文件 CN 112819076 A,2021.0 5.18 CN 114171197 A,202 2.03.11 CN 113555110 A,2021.10.26 CN 108921190 A,2018.1 1.30 CN 111160442 A,2020.0 5.15 审查员 陈萍萍 (54)发明名称 疾病分类模 型的训练方法、 疾病分类的方法 及相关产品 (57)摘要 本申请公开了一种疾病分类模型的训练方 法、 疾病分类的方法及相关产品。 该训练方法包 括： 获取带样本标签的医学样本图像； 根据多个 待分类病种之间的混淆关系和所述样本标签， 生 成用于对所述疾病分类模型进行训练的训练标 签； 以及使用带训练标签的医学样 本图像对所述 疾病分类模 型进行训练。 根据本申请实施例的训 练方法， 使得疾病分类模型能够学习到易混淆病 种之间的细微差别， 有利于训练后的疾病分类模 型能够更好的适应多病 种分类任务。 权利要求书3页 说明书16页 附图11页 CN 115147668 B 2022.12.27 CN 115147668 B 1.一种用于疾病分类模型的训练方法， 其特征在于， 所述疾病分类模型包括主干网络 和与主干网络 分别连接的至少一个第一分类器和至少一个第二分类器， 所述主干网络用于 对待分类的目标医学图像进行特征提取， 以获得所述 目标医学图像中的病灶特征， 所述第 一分类器用于基于所述病灶特征输出待分类病种的单病种得分， 所述第二分类器用于基于 所述病灶特 征输出与所述待分类病 种相关的病 种细分得分， 所述训练方法包括： 获取带样本标签的医学样本图像； 根据多个待分类病种之间的混淆关系和所述样本标签， 生成用于对所述疾病分类模型 进行训练的训练标签； 以及 使用带训练标签的医学样本图像对所述疾病分类模型进行训练； 所述根据多个待分类病种之间的混淆关系和所述样本标签， 生成用于对所述疾病分类 模型进行训练的训练标签包括： 根据每个第 一分类器对应的第 一待分类病种是否存在于样本标签中， 以及根据样本标 签中是否存在易被混淆为该第一待分类病种的第二待分类病种， 生成与每个第一分类器对 应的单病 种标签； 根据每个第 二分类器对应的混淆关系， 以及根据样本标签中是否包括符合所述混淆关 系的待分类病 种， 生成与每 个第二分类 器对应的病 种细分标签。 2.根据权利要求1所述的训练方法， 其特征在于， 所述第 一分类器和所述第 二分类器均 为二分类器， 所述训练标签均为 二分类标签。 3.根据权利要求1所述的训练方法， 其特征在于， 所述生成与每个第 一分类器对应的单 病种标签包括： 对于任一第一分类 器对应的第一待分类病 种， 执行以下操作中的任一项： 响应于所述样本标签中包括所述第 一待分类病种， 确定所述医学样本图像中所述第 一 待分类病 种对应的单病 种标签为1； 响应于所述样本标签中包括易被混淆为所述第 一待分类病种的第 二待分类病种， 且不 包括所述第一待分类病种， 确定所述医学样本图像中所述第一待分类病种对应的单病种标 签为‑1； 响应于所述样本标签中既不包括所述第一待分类病种， 也不包括所述第二待分类病 种， 确定所述医学样本图像中所述第一待分类病 种对应的单病 种标签为0 。 4.根据权利要求1所述的训练方法， 其特征在于， 所述生成与每个第 二分类器对应的病 种细分标签包括： 响应于任一第二分类器对应的混淆关系包括第二待分类病种易被混淆为第一待分类 病种， 执行以下操作中的任一项： 响应于所述样本标签中包括第 一待分类病种， 确定所述医学样本图像中所述混淆关系 对应的病 种细分标签为1； 响应于所述样本标签中不包括第 一待分类病种， 确定所述医学样本图像中所述混淆关 系对应的病 种细分标签为0 。 5.根据权利要求1所述的训练方法， 其特征在于， 所述生成与每个第 二分类器对应的病 种细分标签包括： 响应于任一第二分类器对应的混淆关系包括第二待分类病种易被混淆为第一待分类权　利　要　求　书 1/3 页 2 CN 115147668 B 2病种， 执行以下操作中的任一项： 响应于所述样本标签中包括第 一待分类病种， 确定所述医学样本图像中所述混淆关系 对应的病 种细分标签为1； 响应于所述样本标签中既不包括第一待分类病种， 也不包括第二待分类病种， 确定所 述医学样本图像中所述混淆关系对应的病 种细分标签为 ‑1； 响应于所述样本标签中包括第二待分类病种， 且不包括第一待分类病种， 确定所述医 学样本图像中所述混淆关系对应的病 种细分标签为0 。 6.根据权利要求1所述的训练方法， 其特征在于， 每个第 一分类器和每个第 二分类器具 有对应的损失函数， 所述训练方法还 包括： 响应于所述单病种标签 中存在‑1， 将单病种标签 ‑1对应的第 一分类器的损失函数确定 为0； 和/或 响应于所述病种细分标签 中存在‑1， 将病种细分标签 ‑1对应的第 二分类器的损失函数 确定为0。 7.根据权利要求1 ‑6任一所述的训练方法， 其特征在于， 所述医学样本图像包括眼底图 像样本。 8.一种用于疾病分类模型的训练设备， 其特 征在于， 包括： 处理器； 以及 存储器， 其存储有用于对疾病分类模型进行训练的程序指令， 当所述程序指令由处理 器运行时， 使得 所述训练设备 执行如权利要求1 ‑7任一所述的训练方法。 9.一种计算机可读存储介质， 其特征在于， 其上存储有用于对疾病分类模型进行训练 的计算机可读指 令， 该计算机可读指 令被一个或多个处理器执行时， 实现如权利要求 1‑7中 任意一项所述的训练方法。 10.一种利用疾病分类模型进行疾病分类的设备， 其特 征在于， 包括： 处理器； 以及 存储器， 其存储有利用疾病分类模型进行疾病分类的程序指令， 当所述程序指令由处 理器运行时， 使得所述设备执行利用经权利要求1 ‑7任一所述训练方法训练后的疾病分类 模型进行疾病分类的方法如下： 使用主干网络对待分类的目标医学图像进行特征提取， 以获得所述目标医学图像 中的 病灶特征； 使用第一分类 器基于所述病灶特 征输出待分类病 种的单病 种得分； 使用第二分类 器基于所述病灶特 征输出与所述待分类病 种相关的病 种细分得分； 以及 基于所述单病种得分和所述病种细 分得分， 确定基于所述目标医学图像的最终分类结 果。 11.根据权利要求10所述的设备， 其特征在于， 所述利用经权利要求1 ‑7任一所述训练 方法训练后的疾病分类模型进行疾病分类的方法进一 步包括： 根据待分类任务中的待分类病种的数量， 确定第一分类器的数量， 使得每个第一分类 器用于输出相应的一个待分类病 种的单病 种得分； 以及 根据待分类病种之间混淆关系的数量， 确定第二分类器的数量， 使得每个第二分类器 用于输出相应的一个混淆关系中的病 种细分得分。权　利　要　求　书 2/3 页 3 CN 115147668 B 3