1.一种基于相似性度量的病案查找方法，其特征在于实施步骤包括：

1)针对查询病案集合A构建病案组得到病案组集合C；

2)对于病案组集合C进行病案组的相似标签赋值得到带相似标签的病案组数据集合D；

3)构建机器学习模型，并通过带相似标签的病案组数据集合D完成对机器学习模型的训练，所述机器学习模型通过训练建立了病案组、病案组相似度之间的映射关系；

4)将目标病案、查询病案集合A中所有病案一起输入到机器学习模型，得到目标病案和查询病案集合A中所有病案之间的相似性度量值，选择相似性度量值最高的N个病案输出。

2.根据权利要求1所述的基于相似性度量的病案查找方法，其特征在于，步骤1)的详细步骤包括：

1.1)针对查询病案集合A中的所有病案，将其进行两两全排列组合得到病案组集合B，病案组集合B中的元素为病案组、且每个病案组由两个病案组成；

1.2)针对病案组集合B随机选择部分病案组得到病案组选择集合C0；针对病案组集合B根据指定的多种相似值指标分别计算相似值指标值，且针对不同的相似值指标，分别基于相似值指标值进行降序排列得到病案组有序集合Bi；针对所有的病案组有序集合Bi，分别基于相似值指标概率分配选择生成病案组选择集合Ci，所述指定的多种相似值指标包括欧氏距离、余弦距离、杰卡德距离、调整余弦距离中的至少两种；

1.3)将病案组选择集合C0、所有的病案组选择集合Ci进行集合合并得到病案组集合C。

3.根据权利要求2所述的基于相似性度量的病案查找方法，其特征在于，所述基于相似值指标概率分配选择生成病案组选择集合Ci时，病案组有序集合Bi中每一个病案组的随机选择的概率如式(1)所示；

式(1)中，P(SMi)为病案组有序集合Bi中第i个病案组被选取的概率，SMi为病案组有序集合Bi中第i个病案组的相似值指标值，f(SMj)为病案组有序集合Bi中第i个病案组的相似值经规整化的结果，m为病案组有序集合Bi中病案组的个数，f(SMj)的函数表达式如式(2)所示；

式(2)中，SM1为病案组有序集合Bi中第1个病案组的相似值指标值，SMm为病案组有序集合Bi中第m个病案组的相似值指标值，m为病案组有序集合Bi中病案组的个数。

4.根据权利要求1所述的基于相似性度量的病案查找方法，其特征在于，步骤2)的详细步骤包括：

2.1)将病案组集合C表示为病案组集合矩阵b，所述病案组集合矩阵b的每一行表示一个病案，病案的前n列分别表示该病案的n个特征、最后一列特征s为该病案的诊断信息；

2.2)根据所述病案组集合矩阵b确定病案的每一个特征的权重值；

2.3)通过病案的特征之间的相似性以及特征对应的权重计算病案组集合C中每个病案组的相似值s，进而得到带相似标签的病案组集合D。

5.根据权利要求4所述的基于相似性度量的病案查找方法，其特征在于，步骤2.2)的详细步骤包括：根据式(4)计算病案的每一个特征的原始权重值，针对所有特征的原始权重值进行归一化处理作为每一个特征最终的权重值；

式(4)中，yi'表示病案的每i个特征的原始权重值， 表示病案组集合矩阵b所有病案的第i列特征构成的特征向量； 表示病案组集合矩阵b所有病案的诊断信息s构成的诊断信息特征向量；σi表示病案组集合矩阵b所有病案的第i列特征的方差。

6.根据权利要求4所述的基于相似性度量的病案查找方法，其特征在于，步骤2.3)中计算病案组集合C中每个病案组的相似值s的函数表达式如式(6)所示；

式(6)中，sij表示由病案i与病案j构成的病案组的相似性，n为特征总数量， 为病案i的第x个特征的值 为病案j的第x个特征的值，yx为归一化之后的第x个特征的权重，为第x个特征的最大值， 为第x个特征的最小值。

7.根据权利要求1所述的基于相似性度量的病案查找方法，其特征在于，步骤3)中构建机器学习模型的详细步骤包括：

3.1)分别设计评分损失函数、排序损失函数、排序概率损失函数三种损失函数；其中，评分损失函数的输入为两病案数据、输出为相似性评分值，评分损失函数通过预测评分值与标签评分值之间的绝对值表示；排序损失函数的输入为三个病案数据，其中一个查询病案、两个排序病案，输出为相似性评分值，排序损失函数通过查询病案分别于两排序病案之间预测评分值的高低与标签评分值的高低之间的差异表示；排序概率损失函数的输入为三个病案数据，其中一个查询病案、两个排序病案，输出为评分比较概率值，排序概率损失函数通过查询病案分别于两排序病案之间预测评分值的高低与标签评分值的高低之间的差异概率表示；

3.2)构建神经网络模型，该神经网络模型由输入层、隐藏层和输出层组成，输入层用于将病案所有维度完整输入进网络，隐藏层为完全连接层网络、用于病案的特征处理；输出层用于输出两个病案之间的相似性度量值；

3.3)分别将损失函数、排序损失函数、排序概率损失函数三种损失函数作为神经网络模型的损失函数并选取其中效果最好的损失函数；

3.4)根据选择损失函数的类型选择神经网络模型的激活函数，损失函数选择评分损失函数时激活函数采用线性激活函数，损失函数选择排序损失函数时激活函数采用tanh函数作为激活函数，损失函数选择排序概率损失函数时激活函数采用sigmoid函数作为激活函数。

8.根据权利要求7所述的基于相似性度量的病案查找方法，其特征在于，步骤3.1)中设计评分损失函数、排序损失函数、排序概率损失函数三种损失函数时，评分损失函数的函数表达式如式(7)所示，排序损失函数的函数表达式如式(8)所示，排序概率损失函数的函数表达式如式(9)所示；

式(7)中，L(θ)为损失函数的损失值，t为病案组的数量； 为病案 与病案 的模型预测评分值， 为病案 与病案 的标签评分值；

式(8)中，L(θ)为排序损失函数的损失值，t为病案组的数量， 为病案qi与病案的神经网络模型预测评分值， 为病案qi与病案 的神经网络模型预测评分值，为病案qi与病案 的标签评分值， 为病案qi与病案 的标签评分值，sign为符号函数；

式(9)中，L(θ)表示排序概率损失函数的损失值，t表示病案组的数量， 表示标签评分值下病案qi和病案 间相似性大于病案qi和病案 间相似性的概率，表示模型预测评分值下病案qi和病案 间相似性大于病案qi和病案 间相似性的概率；其中 的函数表达式分别如式(10)和式(11)所示；

式(10)和式(11)中， 为病案qi与病案 的标签评分值， 为病案qi与病案的标签评分值， 为病案qi与病案 的神经网络模型预测评分值， 为病案qi与病案 的神经网络模型预测评分值。

9.一种基于相似性度量的病案查找系统，包括计算机设备，其特征在于：所述计算机设备被编程以执行权利要求1～8中任意一项所述基于相似性度量的病案查找方法的步骤，或者所述计算机设备的存储介质中存储有被编程以执行权利要求1～8中任意一项所述基于相似性度量的病案查找方法的计算机程序。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有被编程以执行权利要求1～8中任意一项所述基于相似性度量的病案查找方法的计算机程序。