CN106156530A - 基于栈式自编码器的体检数据分析方法及装置 - Google Patents
基于栈式自编码器的体检数据分析方法及装置 Download PDFInfo
- Publication number
- CN106156530A CN106156530A CN201610626942.XA CN201610626942A CN106156530A CN 106156530 A CN106156530 A CN 106156530A CN 201610626942 A CN201610626942 A CN 201610626942A CN 106156530 A CN106156530 A CN 106156530A
- Authority
- CN
- China
- Prior art keywords
- coding device
- data
- output
- sample
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种基于栈式自编码器的体检数据分析方法及装置,能够协助人工进行疾病诊断。所述方法包括:S1、获取待分析的体检数据;S2、将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
Description
技术领域
本发明涉及疾病诊断技术领域,具体涉及一种基于栈式自编码器的体检数据分析方法及装置。
背景技术
现在患者去医院看病往往需要先进行体检,体检完后医生根据患者的体检单进行疾病诊断,这样难免会出现误诊的情况。而且现在医院的患者较多,单靠医生进行诊断可想而知医生的工作负担是非常大的。
有鉴于此,如何提供一种体检数据分析方法,以协助人工进行疾病诊断,成为亟待解决的技术问题。
发明内容
针对现有技术存在的不足和缺陷,本发明提供一种基于栈式自编码器的体检数据分析方法及装置。
一方面,本发明实施例提出一种基于栈式自编码器的体检数据分析方法,包括:
S1、获取待分析的体检数据;
S2、将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
另一方面,本发明实施例提出一种基于栈式自编码器的体检数据分析装置,包括:
获取单元,用于获取待分析的体检数据;
处理单元,用于将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
本发明实施例提供的基于栈式自编码器的体检数据分析方法及装置,利用预先建立的智能诊断模型对待分析的体检数据进行分析,得到相应的疾病诊断结果,能够协助人工进行疾病诊断,提高疾病诊断的准确率,降低医生负担。
附图说明
图1为本发明基于栈式自编码器的体检数据分析方法一实施例的流程示意图;
图2为本发明观测值一实施例的示意图;
图3为本发明描述型值一实施例的示意图;
图4为本发明基于栈式自编码器的体检数据分析装置一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参看图1,本实施例公开一种基于栈式自编码器的体检数据分析方法,包括:
S1、获取待分析的体检数据;
S2、将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
需要说明的是,所述预先建立的智能诊断模型可以包括多个子模型,每一个子模型能够处理一类疾病的体检数据,得到相应的疾病诊断结果。为降低构建难度和复杂度,针对差别大的诊断类型,如心脏病、妇科病,采用相同神经网络结构,分别训练,得到多个预测模型。应用时,多个模型一起使用,以形成对不同类型疾病的诊断。
本发明实施例提供的基于栈式自编码器的体检数据分析方法,利用预先建立的智能诊断模型对待分析的体检数据进行分析,得到相应的疾病诊断结果,能够协助人工进行疾病诊断,提高疾病诊断的准确率,降低医生负担。
在具体应用中,在步骤S2之前,还可以包括:所述智能诊断模型的构建步骤,具体如下:
获取训练数据,其中,所述训练数据包括输入数据即体检检查结果,分为检查项数据和描述型数据,输出数据为体检分析报告中对应的疾病诊断;
如图2所示为一患者恶性肿瘤的体检检查结果中检查项数据的示意图,如图3所示为该患者的体检检查结果中描述型数据的示意图。
对所述输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量:对于一个样本,其样本输入向量包括检查向量和描述向量,其中,检查向量由检查项数据归一化和白化后构成;描述向量通过对描述型数据二值化形成,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,所述检查向量和描述向量形成样本输入向量;将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量;
需要说明的是,归一化和白化为现有技术,此处不再赘述。归一化后的观测值的取值范围为[0,1]。对描述型数据的各项进行分类具体指的是将用于衡量一个指标的各项划为一类。当然,为了便于处理,也可以将组成描述型数据的每一项划分为一类。比如,图3中的描述型数据的第一项、第三项和第四项显示有问题,则将第一项、第三项和第四项标记为1,第二项显示没有问题,则将第二项标记为0。
利用所述样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取所述训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将所述样本输出向量作为所述分类器的输出,对所述分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
需要说明的是,栈式自编码器包括多层自编码器,其前一层的自编码器的输出作为其后一层的自编码器的输入,在具体应用中,组成所述栈式自编码器的自编码器的数量可以根据需要设置,并根据训练数据的复杂度进行调整,此处不再赘述。分类器优选为选择SVM分类器。
在实际应用中,所述利用处理后的观测值和描述型值采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,可以包括:
利用所述样本输入向量对所述栈式自编码器的第一层自编码器进行训练,并将所述样本输入向量输入所述第一层自编码器,得到所述第一层自编码器的隐藏层的输出;
对于所述栈式自编码器的其它每一层自编码器,利用该层自编码器的前一层自编码器的隐藏层的输出对该层自编码器进行训练,并将所述前一层自编码器的隐藏层的输出输入该层自编码器,得到该层自编码器的隐藏层的输出。
需要说明的是,在对栈式自编码器的训练过程中,栈式自编码器的第一层会学习得到原始输入的一阶特征,第二层会学习得到二阶特征,更高层还会学习得到更高阶的特征。当将最高阶特征作为分类器的输入,训练得到一个能将最高阶特征映射到数字标签的模型,则前述智能诊断模型即包含了栈式自编码器和分类器。
参看图4,本实施例公开一种基于栈式自编码器的体检数据分析装置,包括:获取单元1和处理单元2;其中,
获取单元1会获取待分析的体检数据,并将所述待分析的体检数据发送给处理单元2。处理单元2在获取到所述待分析的体检数据后,会将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
本发明实施例提供的基于栈式自编码器的体检数据分析装置,利用预先建立的智能诊断模型对待分析的体检数据进行分析,得到相应的疾病诊断结果,能够协助人工进行疾病诊断,提高疾病诊断的准确率,降低医生负担。
在具体应用中,所述装置还可以包括如下的图中未示出的结构:
构建单元3;其中,
构建单元3会在所述处理单元2进行工作之前,构建所述智能诊断模型,具体可以包括:
获取子单元30、预处理子单元31和训练子单元32;其中,
获取子单元30会获取训练数据,并将所述训练数据发送给预处理子单元31,其中,所述训练数据包括输入数据即体检检查结果,分为检查项数据和描述型数据,输出数据为体检分析报告中对应的疾病诊断。
预处理子单元31在获取到获取子单元30发送的训练数据后,会对所述输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量:对于一个样本,其样本输入向量包括检查向量和描述向量,其中,检查向量由检查项数据归一化和白化后构成;所述预处理子单元31通过对描述型数据二值化得到描述向量,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,所述检查向量和描述向量形成样本输入向量;所述预处理子单元31通过对所述输出数据进行标记形成样本输出向量,具体过程如下:将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量。
预处理子单元31在对所述输入数据和输出数据向量化处理后,会将得到的样本输入向量和样本输出向量发送给训练子单元32。训练子单元32在接收到预处理子单元31发送的数据后,会利用所述样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取所述训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将所述样本输出向量作为所述分类器的输出,对所述分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
在具体应用中,组成所述栈式自编码器的自编码器的数量可以根据需要设置,并根据训练数据的复杂度进行调整,此处不再赘述。分类器优选为选择SVM分类器。
所述训练子单元32,具体可以用于:
利用所述样本输入向量对所述栈式自编码器的第一层自编码器进行训练,并将所述样本输入向量输入所述第一层自编码器,得到所述第一层自编码器的隐藏层的输出;
对于所述栈式自编码器的其它每一层自编码器,利用该层自编码器的前一层自编码器的隐藏层的输出对该层自编码器进行训练,并将所述前一层自编码器的隐藏层的输出输入该层自编码器,得到该层自编码器的隐藏层的输出。
本实施例的基于栈式自编码器的体检数据分析装置,可以用于执行前述图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种基于栈式自编码器的体检数据分析方法,其特征在于,包括:
S1、获取待分析的体检数据;
S2、将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
2.根据权利要求1所述的方法,其特征在于,在所述S2之前,还包括:所述智能诊断模型的构建步骤,具体如下:
获取训练数据,其中,所述训练数据包括输入数据即体检检查结果,分为检查项数据和描述型数据,输出数据为体检分析报告中对应的疾病诊断;
对所述输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量:对于一个样本,其样本输入向量包括检查向量和描述向量,其中,检查向量由检查项数据归一化和白化后构成;描述向量通过对描述型数据二值化形成,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,所述检查向量和描述向量形成样本输入向量;将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量;
利用所述样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取所述训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将所述样本输出向量作为所述分类器的输出,对所述分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,包括:
利用所述样本输入向量对所述栈式自编码器的第一层自编码器进行训练,并将所述样本输入向量输入所述第一层自编码器,得到所述第一层自编码器的隐藏层的输出;
对于所述栈式自编码器的其它每一层自编码器,利用该层自编码器的前一层自编码器的隐藏层的输出对该层自编码器进行训练,并将所述前一层自编码器的隐藏层的输出输入该层自编码器,得到该层自编码器的隐藏层的输出。
4.一种基于栈式自编码器的体检数据分析装置,其特征在于,包括:
获取单元,用于获取待分析的体检数据;
处理单元,用于将所述待分析的体检数据输入预先建立的智能诊断模型,得到相应的疾病诊断结果,其中,所述智能诊断模型基于栈式自编码器构建。
5.根据权利要求4所述的装置,其特征在于,还包括:
构建单元,用于在所述处理单元进行工作之前,构建所述智能诊断模型,包括:
获取子单元,用于获取训练数据,其中,所述训练数据包括输入数据即体检检查结果,分为检查项数据和描述型数据,输出数据为体检分析报告中对应的疾病诊断;
预处理子单元,用于对所述输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量:对于一个样本,其样本输入向量包括检查向量和描述向量,其中,检查向量由检查项数据归一化和白化后构成;所述预处理子单元通过对描述型数据二值化得到描述向量,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,所述检查向量和描述向量形成样本输入向量;所述预处理子单元通过对所述输出数据进行标记形成样本输出向量,具体过程如下:将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量;
训练子单元,用于利用所述样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取所述训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将所述样本输出向量作为所述分类器的输出,对所述分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
6.根据权利要求5所述的装置,其特征在于,所述训练子单元,具体用于:
利用所述样本输入向量对所述栈式自编码器的第一层自编码器进行训练,并将所述样本输入向量输入所述第一层自编码器,得到所述第一层自编码器的隐藏层的输出;
对于所述栈式自编码器的其它每一层自编码器,利用该层自编码器的前一层自编码器的隐藏层的输出对该层自编码器进行训练,并将所述前一层自编码器的隐藏层的输出输入该层自编码器,得到该层自编码器的隐藏层的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610626942.XA CN106156530A (zh) | 2016-08-03 | 2016-08-03 | 基于栈式自编码器的体检数据分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610626942.XA CN106156530A (zh) | 2016-08-03 | 2016-08-03 | 基于栈式自编码器的体检数据分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106156530A true CN106156530A (zh) | 2016-11-23 |
Family
ID=57328676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610626942.XA Pending CN106156530A (zh) | 2016-08-03 | 2016-08-03 | 基于栈式自编码器的体检数据分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156530A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997550A (zh) * | 2017-03-17 | 2017-08-01 | 常州大学 | 一种基于栈式自编码器的广告点击率预测的方法 |
CN108511064A (zh) * | 2018-02-11 | 2018-09-07 | 河南工程学院 | 基于深度学习自动分析人体健康数据的系统 |
CN109087706A (zh) * | 2018-07-13 | 2018-12-25 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109817297A (zh) * | 2018-12-19 | 2019-05-28 | 平安科技(深圳)有限公司 | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0511747A1 (en) * | 1991-04-19 | 1992-11-04 | Rohm And Haas Company | Hybrid polypeptide containing an avidin binding polypeptide |
CN103544392A (zh) * | 2013-10-23 | 2014-01-29 | 电子科技大学 | 基于深度学习的医学气体识别方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
-
2016
- 2016-08-03 CN CN201610626942.XA patent/CN106156530A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0511747A1 (en) * | 1991-04-19 | 1992-11-04 | Rohm And Haas Company | Hybrid polypeptide containing an avidin binding polypeptide |
CN103544392A (zh) * | 2013-10-23 | 2014-01-29 | 电子科技大学 | 基于深度学习的医学气体识别方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997550A (zh) * | 2017-03-17 | 2017-08-01 | 常州大学 | 一种基于栈式自编码器的广告点击率预测的方法 |
CN108511064A (zh) * | 2018-02-11 | 2018-09-07 | 河南工程学院 | 基于深度学习自动分析人体健康数据的系统 |
CN109087706A (zh) * | 2018-07-13 | 2018-12-25 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
CN109087706B (zh) * | 2018-07-13 | 2022-12-02 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109817297A (zh) * | 2018-12-19 | 2019-05-28 | 平安科技(深圳)有限公司 | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 |
CN109817297B (zh) * | 2018-12-19 | 2023-08-08 | 平安科技(深圳)有限公司 | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6993371B2 (ja) | ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法 | |
CN106156530A (zh) | 基于栈式自编码器的体检数据分析方法及装置 | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN110232383A (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Deng et al. | A classification–detection approach of COVID-19 based on chest X-ray and CT by using keras pre-trained deep learning models | |
CN110189323A (zh) | 一种基于半监督学习的乳腺超声图像病灶分割方法 | |
CN107944490A (zh) | 一种基于半多模态融合特征约简框架的图像分类方法 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
US20200066393A1 (en) | Method and providing unit for providing a virtual tomographic stroke follow-up examination image | |
CN112334070B (zh) | 医用图像处理装置和方法、机器学习系统以及存储介质 | |
CN109344889A (zh) | 一种脑疾病分类方法、装置和用户终端 | |
CN113191390B (zh) | 一种图像分类模型的构建方法、图像分类方法及存储介质 | |
CN113065588A (zh) | 基于双线性注意力网络的医学影像数据分类方法及系统 | |
CN111461233A (zh) | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 | |
CN114782394A (zh) | 一种基于多模态融合网络的白内障术后视力预测系统 | |
CN113962930A (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
Budd et al. | Detecting hypo-plastic left heart syndrome in fetal ultrasound via disease-specific atlas maps | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
CN109087701B (zh) | 提供次要参数的方法、决策支持系统、介质、计算机程序 | |
CN115089112B (zh) | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 | |
CN106296682A (zh) | 用于医学图像中文本区域检测的方法及装置 | |
CN109223001A (zh) | 基于核磁共振的多动症预测方法、系统、存储介质及设备 | |
Humphreys et al. | Improving CKD diagnosis and blood pressure control in primary care: a tailored multifaceted quality improvement programme | |
CN111127305B (zh) | 基于早孕期胎儿颅面部三维容积自动获取标准切面的方法 | |
CN110853012B (zh) | 获得心脏参数的方法、装置及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161123 |