1.一种基于深度学习神经网络的数据处理方法，其特征在于，所述方法包括：

根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将所述第一输入数据输入到所述第一深度学习神经网络，通过计算得到第一输出结果；

当所述第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将所述第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；

其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。

2.根据权利要求1所述的方法，其特征在于，所述根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：从第二深度学习神经网络的输入变量集合中选取至少一个变量子集，将选取的变量子集作为所述变量子集对应的第一深度学习神经网络的输入变量集合，初始化所述变量子集对应的第一深度学习神经网络；

根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对所述变量子集对应的第一深度学习神经网络进行训练；

从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络。

3.根据权利要求2所述的方法，其特征在于，根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对所述变量子集对应的第一深度学习神经网络进行训练，包括：将所述第二深度学习神经网络的无监督训练输入数据中和所述变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，对所述变量子集对应的第一深度学习神经网络进行无监督训练；

将所述第二深度学习神经网络的有监督训练输入数据中和所述变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，将所述第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

4.根据权利要求2所述的方法，其特征在于，所述从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，包括：对所述训练好的多个第一深度学习神经网络进行测试，通过计算得到所述变量子集对应的第一深度学习神经网络的测试成功率；

根据测试成功率从所述多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络。

5.根据权利要求4所述的方法，其特征在于，所述对所述训练好的多个第一深度学习神经网络进行测试，通过计算得到所述变量子集对应的第一深度学习神经网络的测试成功率，包括：将所述第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，将所述第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

6.根据权利要求5所述的方法，其特征在于，所述变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。

7.根据权利要求4所述的方法，其特征在于，所述预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

8.一种基于深度学习神经网络的疾病诊断装置，其特征在于，所述装置包括：

第一输出结果生成模块，用于根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将所述第一输入数据输入到所述第一深度学习神经网络，通过计算得到第一输出结果；

第二输出结果生成模块，用于当所述第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将所述第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；

其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。