CN106667443A - 先天性白内障术后并发症预测方法和系统 - Google Patents
先天性白内障术后并发症预测方法和系统 Download PDFInfo
- Publication number
- CN106667443A CN106667443A CN201710017295.7A CN201710017295A CN106667443A CN 106667443 A CN106667443 A CN 106667443A CN 201710017295 A CN201710017295 A CN 201710017295A CN 106667443 A CN106667443 A CN 106667443A
- Authority
- CN
- China
- Prior art keywords
- information
- cataract
- outcome
- predictor
- post
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了先天性白内障术后并发症预测方法和系统,通过临床信息获取预测因子;将预测因子通过朴素贝叶斯算法,得到预测结果;呈现预测结果;根据预测结果获取对应的随访信息,从而可以准确预测并发症的发生。
Description
技术领域
本发明涉及医学技术领域,尤其是涉及先天性白内障术后并发症预测方法和系统。
背景技术
术后高眼压及后发性白内障是先天性白内障患者术后最常见的并发症。而手术方式和眼部并发症等是导致并发症的最主要原因。然而,医生仅凭现有的研究证据及个人经验,难以准确预测并发症的发生。如果不能及时地发现并妥善处理这两类术后并发症,将会严重影响患者视力。
发明内容
有鉴于此,本发明的目的在于提供先天性白内障术后并发症预测方法和系统,可以准确预测并发症的发生。
第一方面,本发明实施例提供了先天性白内障术后并发症预测方法,所述方法包括:
通过临床信息获取预测因子;
将所述预测因子通过朴素贝叶斯算法,得到预测结果;
呈现所述预测结果;
根据所述预测结果获取对应的随访信息。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息,其中,所述基本信息包括性别信息、年龄信息和眼别信息,所述白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息,所述手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息,所述眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述将所述预测因子通过朴素贝叶斯算法,得到预测结果包括:
根据所述预测因子计算所述预测结果的概率;
根据所述预测结果的概率,输出所述预测结果。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述预测结果包括术后后发性白内障和/或术后高眼压。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述方法还包括:
将独立数据样本通过所述朴素贝叶斯算法进行验证。
第二方面,本发明实施例还提供先天性白内障术后并发症预测系统,所述系统包括:
预测因子获取单元,用于通过临床信息获取预测因子;
预测结果获取单元,用于将所述预测因子通过朴素贝叶斯算法,得到预测结果;
呈现单元,用于呈现所述预测结果;
随访信息获取单元,用于根据所述预测结果获取对应的随访信息。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息,其中,所述基本信息包括性别信息、年龄信息和眼别信息,所述白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息,所述手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息,所述眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述预测结果获取单元包括:
根据所述预测因子计算所述预测结果的概率;
根据所述预测结果的概率,输出所述预测结果。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述预测结果包括术后后发性白内障和/或术后高眼压。
结合第二方面,本发明实施例提供了第二方面的第四种可能的实施方式,其中,所述系统还包括:
验证单元,用于将独立数据样本通过所述朴素贝叶斯算法进行验证。
本发明实施例提供了先天性白内障术后并发症预测方法和系统,通过临床信息获取预测因子;将预测因子通过朴素贝叶斯算法,得到预测结果;呈现预测结果;根据预测结果获取对应的随访信息,从而可以准确预测并发症的发生。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的先天性白内障术后并发症预测方法流程图;
图2为本发明实施例一提供的先天性白内障术后并发症预测方法中步骤S102的流程图;
图3为本发明实施例二提供的先天性白内障术后并发症预测系统示意图;
图4为本发明实施例二提供的另一先天性白内障术后并发症预测系统示意图。
图标:
10-预测因子获取单元;20-预测结果获取单元;30-呈现单元;40-随访信息获取单元。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,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。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
针对术后并发症,如果不能及时地发现并妥善处理这两类术后并发症,将会严重影响患者视力。
朴素贝叶斯算法是一种机器学习算法,通过朴素贝叶斯算法构建术后并发症预测系统,从而可以准确预测患者术后高眼压及后发性白内障的发生。
实施例一:
图1为本发明实施例提供的先天性白内障术后并发症预测方法流程图。
参照图1,该方法包括以下步骤:
步骤S101,通过临床信息获取预测因子;
具体地,预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息。
基本信息包括性别信息、年龄信息和眼别信息;白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息;手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息;眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
步骤S102,将预测因子通过朴素贝叶斯算法,得到预测结果;
具体地,朴素贝叶斯算法的基本原理为:对于给出的待分类项,求解在此项的条件下各个类别出现的概率,待分类项属于概率最大的类别。
朴素贝叶斯算法的实现过程分为三个阶段:
第一个阶段为训练数据准备阶段,输入需要训练的随访数据。将预测因子的情况与预测结果一一对应;
第二个阶段为训练阶段,将预测因子和预测结果输入到原始的朴素贝叶斯算法中,计算每个预测结果在训练数据中出现的频率和每个预测因子对每个预测结果的条件概率估计,从而输出训练好的朴素贝叶斯算法分类器。
上述两个阶段为朴素贝叶斯模型的构建过程,在构建好朴素贝叶斯模型后,需要进行应用阶段,在训练好的朴素贝叶斯算法中输入新的预测因子,新的预测因子即为步骤S101中提到的预测因子,最终输出预测结果。
步骤S103,呈现预测结果;
这里,预测结果包括术后后发性白内障和/或术后高眼压。预测结果还包括两种并发症都不发生,即预测结果包括四种情况,具体为:
第一种情况是两种并发症都不发生;第二种情况是术后后发性白内障;第三种情况是术后高眼压;第四种情况是术后后发性白内障和术后高眼压。
步骤S104,根据预测结果获取对应的随访信息。
这里,预测结果包括四种情况,针对不同的情况制定不同的随访方案,从而获取对应的随访信息。具体为:
对于第一种情况,对应随访方案A,随访方案A为术后1周、术后1月、术后2月、术后3月、术后6月、术后9月和术后1年,随后每半年随访一次。
对于第二种情况,在随访方案A的基础上,增加术后7.5月、术后10.5月两次随访。
对于第三种情况,在随访方案A的基础上,增加术后2.5周、术后1.5月、术后2.5月和术后4.5月四次随访。
对于第四种情况,增加术后2.5周、术后1.5月、术后2.5月、术后4.5月、术后7.5月和术后10.5月六次随访。
进一步的,所述进一步的,参照图2,步骤S102包括以下步骤:
步骤S201,根据预测因子计算预测结果的概率;
步骤S202,根据预测结果的概率,输出预测结果。
进一步的,所述方法还包括:
将独立数据样本通过所述朴素贝叶斯算法进行验证。
这里,通过独立数据样本进行验证,如果验证比较准确,就可以使用训练好的朴素贝叶斯模型。
本发明实施例提供了先天性白内障术后并发症预测方法,通过临床信息获取预测因子;将预测因子通过朴素贝叶斯算法,得到预测结果;呈现预测结果;根据预测结果获取对应的随访信息,从而可以准确预测并发症的发生。
实施例二:
图3为本发明实施例提供的先天性白内障术后并发症预测系统示意图。
参照图3,预测因子获取单元10,用于通过临床信息获取预测因子;
预测结果获取单元20,用于将所述预测因子通过朴素贝叶斯算法,得到预测结果;
呈现单元30,用于呈现所述预测结果;
随访信息获取单元40,用于根据所述预测结果获取对应的随访信息。
进一步的,所述预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息,其中,所述基本信息包括性别信息、年龄信息和眼别信息,所述白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息,所述手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息,所述眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
进一步的,所述预测结果获取单元包括:
根据所述预测因子计算所述预测结果的概率;
根据所述预测结果的概率,输出所述预测结果。
进一步的,所述预测结果包括术后后发性白内障和/或术后高眼压。
进一步的,所述系统还包括:
验证单元(未示出),用于将独立数据样本通过所述朴素贝叶斯算法进行验证。
图4为本发明实施例二提供的另一先天性白内障术后并发症预测系统示意图。
参照图4,该系统包括输入模块、预测模块和输出模块。
输入模块通过输入预测因子,其中,预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息。
其中,基本信息包括性别信息、年龄信息和眼别信息;白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息;手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息;眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
具体地,眼别信息为双眼或单眼,白内障面积信息为白内障面积大或小,白内障密度信息为白内障深或浅,白内障位置信息为白内障在中央或周围位置,前段玻璃体切除信息为是或否,人工晶状体植入信息为一期或二期,合并斜视信息为是或否,合并小眼球信息为是或否,合并小角膜信息为是或否,合并永存性玻璃体增生信息为是或否。
预测模块是将预测因子通过朴素贝叶斯算法,得到预测结果,预测结果包括四种情况。
第一种情况是两种并发症都不发生;第二种情况是术后后发性白内障;第三种情况是术后高眼压;第四种情况是术后后发性白内障和术后高眼压。
输出模块是将预测模块的预测结果呈现出来。
本发明实施例提供了先天性白内障术后并发症预测系统,通过获取预测因子;将预测因子通过朴素贝叶斯算法,得到预测结果;呈现预测结果;根据预测结果获取对应的随访信息,从而可以准确预测并发症的发生。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,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,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种先天性白内障术后并发症预测方法,其特征在于,所述方法包括:
通过临床信息获取预测因子;
将所述预测因子通过朴素贝叶斯算法,得到预测结果;
呈现所述预测结果;
根据所述预测结果获取对应的随访信息。
2.根据权利要求1所述的先天性白内障术后并发症预测方法,其特征在于,所述预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息,其中,所述基本信息包括性别信息、年龄信息和眼别信息,所述白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息,所述手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息,所述眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
3.根据权利要求1所述的先天性白内障术后并发症预测方法,其特征在于,所述将所述预测因子通过朴素贝叶斯算法,得到预测结果包括:
根据所述预测因子计算所述预测结果的概率;
根据所述预测结果的概率,输出所述预测结果。
4.根据权利要求3所述的先天性白内障术后并发症预测方法,其特征在于,所述预测结果包括术后后发性白内障和/或术后高眼压。
5.根据权利要求1所述的先天性白内障术后并发症预测方法,其特征在于,所述方法还包括:
将独立数据样本通过所述朴素贝叶斯算法进行验证。
6.一种先天性白内障术后并发症预测系统,其特征在于,所述系统包括:
预测因子获取单元,用于通过临床信息获取预测因子;
预测结果获取单元,用于将所述预测因子通过朴素贝叶斯算法,得到预测结果;
呈现单元,用于呈现所述预测结果;
随访信息获取单元,用于根据所述预测结果获取对应的随访信息。
7.根据权利要求6所述的先天性白内障术后并发症预测系统,其特征在于,所述预测因子包括基本信息、白内障情况信息、手术方式情况信息和眼部并发症信息,其中,所述基本信息包括性别信息、年龄信息和眼别信息,所述白内障情况信息包括白内障面积信息、白内障密度信息和白内障位置信息,所述手术方式情况信息包括前段玻璃体切除信息和人工晶状体植入信息,所述眼部并发症信息包括合并斜视信息、合并小眼球信息、合并小角膜信息和合并永存性玻璃体增生信息。
8.根据权利要求6所述的先天性白内障术后并发症预测系统,其特征在于,所述预测结果获取单元包括:
根据所述预测因子计算所述预测结果的概率;
根据所述预测结果的概率,输出所述预测结果。
9.根据权利要求8所述的先天性白内障术后并发症预测系统,其特征在于,所述预测结果包括术后后发性白内障和/或术后高眼压。
10.根据权利要求6所述的先天性白内障术后并发症预测系统,其特征在于,所述系统还包括:
验证单元,用于将独立数据样本通过所述朴素贝叶斯算法进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710017295.7A CN106667443A (zh) | 2017-01-10 | 2017-01-10 | 先天性白内障术后并发症预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710017295.7A CN106667443A (zh) | 2017-01-10 | 2017-01-10 | 先天性白内障术后并发症预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106667443A true CN106667443A (zh) | 2017-05-17 |
Family
ID=58850406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710017295.7A Pending CN106667443A (zh) | 2017-01-10 | 2017-01-10 | 先天性白内障术后并发症预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106667443A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233736A (zh) * | 2019-01-15 | 2021-01-15 | 合肥工业大学 | 一种知识库的构建方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
-
2017
- 2017-01-10 CN CN201710017295.7A patent/CN106667443A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
Non-Patent Citations (1)
Title |
---|
GREGORY L GASKIN 等: "Predictive Modeling of Risk Factors and Complications of Cataract Surgery", 《EUR J OPHTHALMOL》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233736A (zh) * | 2019-01-15 | 2021-01-15 | 合肥工业大学 | 一种知识库的构建方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fletcher et al. | Addressing fairness, bias, and appropriate use of artificial intelligence and machine learning in global health | |
CN112384125B (zh) | 用于眼内透镜选择的系统和方法 | |
Karhade et al. | Natural language processing for automated detection of incidental durotomy | |
CA2511344C (en) | System, method, and computer program for interfacing an expert system to a clinical information system | |
US20160188814A1 (en) | Modeling of patient risk factors at discharge | |
CA3156967A1 (en) | Orchestrated intelligent supply chain optimizer | |
US20180296320A1 (en) | Forecasting cataract surgery effectiveness | |
Sheikh | Can Information be Transformed into Intelligence in Surgical Education? | |
AU2014239852A1 (en) | Self-evolving predictive model | |
CN102163081A (zh) | 用于屏幕交互的方法、电子设备和装置 | |
US20230027978A1 (en) | Machine-learned models in support of surgical procedures | |
EP2780844A1 (en) | Graphical tool for managing a longitudinal patient episode | |
O'Connor et al. | Current status and future directions for electronic point-of-care clinical decision support to improve diabetes management in primary care | |
IE20210178A1 (en) | Machine Learning Techniques For Predictive Prioritization | |
IE87441B1 (en) | Machine Learning Techniques For Predictive Prioritization | |
CN106667443A (zh) | 先天性白内障术后并发症预测方法和系统 | |
Iqbal et al. | Are we ready for Artificial Intelligence in Medicine? | |
US20200321131A1 (en) | Method of Minimizing Patient Risk | |
Kim et al. | Incidence of intraoperative complications in cataract surgery performed by left-handed residents | |
AU2022246433A1 (en) | Machine learning based on post-transaction data | |
Lee et al. | Ophthalmology operation note encoding with open-source machine learning and natural language processing | |
Sree et al. | CDLGP: A novel unsupervised classifier using deep learning for gene prediction | |
Qiang-Hui et al. | Recent advances in the use of deep learning and artificial intelligence in the diagnosis and treatment of cervical and lumbar spine degenerative diseases | |
Foote | The impact of public policy on medical device innovation: A case of polyintervention | |
Langenbrunner | Conclusions and lessons for the region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170517 |