CN107633156A - 用于微创治疗的内窥镜检查智能决策支持系统 - Google Patents
用于微创治疗的内窥镜检查智能决策支持系统 Download PDFInfo
- Publication number
- CN107633156A CN107633156A CN201710954005.1A CN201710954005A CN107633156A CN 107633156 A CN107633156 A CN 107633156A CN 201710954005 A CN201710954005 A CN 201710954005A CN 107633156 A CN107633156 A CN 107633156A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- report
- endoscopy
- evidence
- 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.)
- Granted
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种用于微创治疗的内窥镜检查智能决策支持系统,所述系统包括内窥镜检查报告数据库、可靠性推理模块以及决策支持结果展示模块,利用文本分析方法计算内窥镜检查报告各个部分的基本概率分配值,即诊断证据,以有效避免主观经验的影响,提高诊断精度;然后对诊断证据进行聚类计算,得到证据可靠性估计,以避免由于不同部位之间较小的差异导致可靠性计算不正常的情况发生,给医生提供内窥镜各个部位检查报告的可靠性估计,帮助医生进行准确的内窥镜诊断,能够有效解决内窥镜检查报告中由于报告填写不准确等导致的临床诊断不准确的问题。
Description
技术领域
本发明涉及内窥镜辅助诊断领域,具体涉及一种用于微创治疗的内窥镜检查智能决策支持系统。
背景技术
随着科学技术的发展,“微创”这一概念已深入到外科手术的各种领域,其监控系统多采用内窥镜。现有技术中涉及内窥镜的诊断治疗多是应用内窥镜硬件技术检测患者体征,获取内镜图像,再根据内窥镜图像进行对比检测、分类等,从而进行决策支持。比如,申请公布号为【CN102871634A】的发明专利公开一种激光内窥镜系统及其诊断与治疗的方法,通过内窥镜将治疗激光导入到病人体腔内,并将通过图像采集模块采集图像信息,图像处理模块处理图像信息并诊断病灶区,控制模块控制治疗模块对病灶去进行治疗来实现诊断、治疗一体化;申请公布号为【CN105979847A】的发明专利公开一种内窥镜图像诊断辅助系统,以辅助识别内窥镜图像中的识别对象区域中的病理类型,以进一步提高内窥镜图像诊断辅助系统的识别精度。
但是,现有技术中针对内窥镜图像识别诊断的方式均未考虑医学领域下内窥镜系统检查报告的可靠性问题,检测科室医生的专业技能不比临床医生丰富,所填写的内窥镜诊断报告也有不准确的地方,基于此,本发明提出一种用于微创治疗的内窥镜检查智能决策支持系统,助力解决内窥镜检查报告中由于报告填写不准确而导致的临床诊断不准确的问题。
发明内容
本发明所要解决的技术问题在于针对现有内窥镜图像识别诊断方式均未考虑医学领域下内窥镜系统检查报告的可靠性问题,提出一种用于微创治疗的内窥镜检查智能决策支持系统。
本发明是采用以下的技术方案实现的:一种用于微创治疗的内窥镜检查智能决策支持系统,包括:
内窥镜检查报告数据库:用以存储在各种内窥镜检查过程中产生的内窥镜检查报告数据;
可靠性推理模块:调取内窥镜检查报告数据库中相应的内窥镜检查报告,根据文本分析方法计算内窥镜检查报告各个部位的基本概率分配值,即诊断证据,实现对诊断证据的聚类计算,得到证据可靠性;
决策支持结果展示模块:将可靠性推理模块产生的证据可靠性估计结果展示给临床医生,以辅助临床医生甄别内窥镜检查报告中的可靠部分,从而提高诊断准确度。
进一步的,所述可靠性推理模块包括:用以对内窥镜检查报告数据进行文本分析预处理的数据预处理模块、用以计算基本概率分配值的决策支持生成模块以及用以计算证据可靠性的可靠性评估模块。
进一步的,所述数据预处理模块包括分词和词频统计模块以及特征库生成模块,所述分词和词频统计模块用以实现分词处理及词频统计,所述特征库生成模块根据分词处理及词频统计结果,挑选词频大于k值的词语作为入选的疾病特征,设有N个疾病特征入选,并通过疾病特征识别生成特征库,所述k值大于疾病特征词最大频数的一半。
进一步的,所述决策支持生成模块包括文本分析模块以及诊断证据生成模块,所述文本分析模块用以实现以下分析:
(1)定义内窥镜检查报告包含P个部位,记为Ei(i=1,…,P),记其检查结果为R;
(2)设有M份内窥镜检查报告,对每份检查报告的P个部位的描述分别进行分词处理,将分词处理结果与上述特征库进行匹配,生成P个检查报告-特征词矩阵DMN,其元素dmn(m=1,…,M;n=1,…,N)表示第m个报告中特征词n出现的个数;分别计算P个检查报告-特征词矩阵DMN的TF-IDF值:转换为P个检查报告-特征词权重矩阵TIMN,其元素为timn,timn=tfmn*idfmn,其中,timn表示特征词n在第m个检查报告中的权重,tfmn表示特征词词频,idfmn表示内窥镜检查报告文件逆词频;
(3)设每个部位检查报告有T个隐藏主题,根据检查报告-特征词权重矩阵TIMN,对每个部位进行LDA训练,生成P个主题相关向量TPMT,其元素为tpmt,且tpm={tpmt|t=(1,…,T)}为第m个检查报告的某个部位对于主题的相关度向量;
(4)对于L种疾病的内窥镜检查报告,分别计算主题相关度向量TPMT的平均值,记为疾病标准SDMT,其元素记为sdmt;
(5)分别计算每个检查报告的P个部位检查结果与疾病标准SDMT的相似度,计算tpm及与之对应的病理检查结果的sdmt,进行余弦相似度计算,生成矩阵SIMMP,其元素记为simmp,simmp表示该检查结果与标准疾病检查结果的相似程度。
进一步的,所述诊断证据生成模块根据公式计算内窥镜检查报告各个部位的基本概率分配mi,即诊断证据,simmi表示内窥镜检查报告第i个部位的检查结果与标准疾病检查结果的相似程度。
进一步的,所述可靠性评估模块包括聚类计算模块和证据可靠性计算模块;
所述聚类计算模块根据每个医生ID,提取其对应内窥镜检查报告的诊断证据mi,将内窥镜检查报告的P个部位的mi分别进行聚类计算;记聚类簇内检查部位证据具有一致的证据可靠性,距离为0,聚类簇间证据可靠性为不同聚类中心之间的距离;
所述证据可靠性计算模块通过以下公式计算证据可靠性:
其中,mi(i=1,…,P)、mj(j=1,…,P)为诊断证据,j≠i;d(mi,mj)为诊断证据mi、mj之间的距离;Cz1,Cz2和Cz表示聚类簇;mi,mj∈Cz表示mi和mj属于同一个聚类簇Cz,拥有相同的诊断证据可靠性;mi∈Cz1mj∈Cz1表示mi和mj分别属于聚类簇Cz1和Cz2,诊断证据可靠性不一致;λ为可调节参数,在计算时可以通过调节参数使得证据数值平稳。
与现有技术相比,本发明的优点和积极效果在于:
本发明所提出的一种具有用于微创治疗的内窥镜检查智能决策支持系统,根据内窥镜检查报告提出,针对每个医生所填写的历史内窥镜检查报告,分别计算检查报告中不同部位报告可靠性估计值,用以修改每个检查部位的证据基本概率分配,从而辅助临床医生根据检查报告进行决策生成,助力解决内窥镜检查报告由于内窥镜医生经验水平的参差不齐导致的报告填写不规范、不清楚而导致的诊断不准确、精度低等问题;
且通过对内窥镜检查不同部位的检查报告进行可靠性评估,利用文本分析方法计算基本概率分配值,有别于传统基本概率分配值计算过程中利用主观经验计算,可有效避免主观经验的影响,提高诊断精度;另外利用证据体聚类方法计算不同检查部位的可靠性,有效避免了由于不同部位之间差异很小导致的不确定值计算不正常的情况。
附图说明
图1为本发明实施例所述系统原理框图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本实施例提出一种用于微创治疗的内窥镜检查智能决策支持系统,参考图1,包括内窥镜检查报告数据库1、可靠性推理模块2和决策支持结果展示模块3。
一、内窥镜检查报告数据库1中保存了各个检查科室医生在各种内窥镜检查过程中产生的内窥镜检查报告数据,且设定每个医生及其对应的ID。
二、可靠性推理模块:临床医生在拿到一份内窥镜检查报告时,系统通过调取内窥镜检查报告数据库中相应的内窥镜检查报告,根据文本分析方法计算内窥镜检查报告各个部分的基本概率分配值,即诊断证据,并实现对诊断证据的聚类计算,得到证据可靠性,对该医生对内窥镜不同检查部分进行可靠性推断。
具体的,如图1所示,所述可靠性推理模块2包括用以对内窥镜检查报告数据进行文本分析预处理的数据预处理模块21、用以计算基本概率分配值的决策支持生成模块22以及用以计算证据可靠性的可靠性评估模块23,其具体实现过程如下:
1、数据预处理模块:
(1)分词和词频统计模块:对内窥镜检查报告数据进行分词处理及词频统计,比如,假定有S条内窥镜检查数据,将每条内窥镜数据进行分词处理,统计这S条数据分词结果及词频。
(2)特征库生成模块:挑选词频大于k值的词语作为入选的疾病特征,设有N个疾病特征入选,并通过疾病特征识别生成特征库,所述k值大于疾病特征词最大频数的一半。
2、决策支持生成模块:生成诊断证据,计算BPA,即基本概率分配,具体的;
文本分析模块实现以下分析:
(1)假设内窥镜检查报告包含P个部位(胃体、胃幽、胃角等),记为Ei(i=1,…,P),记其检查结果为R;
(2)设有M份内窥镜检查报告,对每份检查报告的P个部位的描述分别进行分词处理,将分词处理结果与上述特征库进行匹配,生成P个检查报告-特征词矩阵DMN,其元素dmn(m=1,…,M;n=1,…,N)表示第m个报告中特征词n出现的个数;分别计算P个检查报告-特征词矩阵DMN的TF-IDF值:转换为P个检查报告-特征词权重矩阵TIMN,其元素为timn,timn=tfmn*idfmn,其中,timn表示特征词n在第m个报告中的权重,tfmn表示特征词词频,idfmn表示内镜报告文件逆词频;
(3)设每个部位检查报告有T个隐藏主题(即认为每个内窥镜检查报告都是围绕若干个中心主题生成的),根据检查报告-特征词权重矩阵TIMN,对每个部位进行LDA训练,生成P个主题相关向量TPMT,其元素为tpmt,且tpm={tpmt|t=(1,…,T)}为第m个检查报告的某个部位对于主题的相关度向量;
(4)对于L种疾病的内窥镜检查报告,分别计算主题相关度向量TPMT的平均值,记为疾病标准SDMT,其元素记为sdmt;
(5)分别计算每个检查报告的P个部分检查结果与疾病标准SDMT相似度,计算tpm及与之对应的病理检查结果的sdmt进行余弦相似度计算,生成矩阵SIMMP,其元素记为simmp;
诊断证据生成模块:根据公式计算内窥镜检查报告各个部位的基本概率分配mi,即诊断证据,simmi表示内窥镜检查报告第i个部位的检查结果与标准疾病检查结果的相似程度。
3、可靠性评估模块:
(1)聚类计算模块:根据每个医生ID,提取其对应内窥镜检查报告的mi,将内窥镜检查报告的P个部位的mi分别进行聚类计算;记聚类簇内检查部位证据具有一致的证据可靠性,距离为0,聚类簇间证据可靠性为聚类中心的距离;
(2)证据可靠性计算模块:通过以下公式计算证据可靠性,
其中,mi(i=1,…,P)、mj(j=1,…,P)为诊断证据,j≠i;d(mi,mj)为诊断证据mi、mj之间的距离;Cz1,Cz2和Cz表示聚类簇;mi,mj∈Cz表示mi和mj属于同一个聚类簇Cz,拥有相同的诊断证据可靠性;mi∈Cz1mj∈Cz1表示mi和mj分别属于聚类簇Cz1和Cz2,诊断证据可靠性不一致;λ为可调节参数,在计算时可以通过调节参数使得证据数值平稳。给医生提供内窥镜各个部位检查报告的可靠性估计,提供内窥镜各个部位检查报告的可信程度,帮助医生进行准确的内窥镜诊断。
三、决策支持结果展示模块:将可靠性推理模块产生的证据可靠性估计结果展示给临床医生,以辅助临床医生甄别内窥镜检查报告中的可靠部分。
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)
1.一种用于微创治疗的内窥镜检查智能决策支持系统,其特征在于,包括:
内窥镜检查报告数据库:用以存储在各种内窥镜检查过程中产生的内窥镜检查报告数据;
可靠性推理模块:调取内窥镜检查报告数据库中相应的内窥镜检查报告,根据文本分析方法计算内窥镜检查报告各个部位的基本概率分配值,即诊断证据,实现对诊断证据的聚类计算,得到证据可靠性;
决策支持结果展示模块:将可靠性推理模块产生的证据可靠性估计结果展示给临床医生,以辅助临床医生甄别内窥镜检查报告中的可靠部分。
2.根据权利要求1所述的决策支持系统,其特征在于:所述可靠性推理模块包括:用以对内窥镜检查报告数据进行文本分析预处理的数据预处理模块、用以计算基本概率分配值的决策支持生成模块以及用以计算证据可靠性的可靠性评估模块。
3.根据权利要求2所述的决策支持系统,其特征在于:所述数据预处理模块包括分词和词频统计模块以及特征库生成模块;
所述分词和词频统计模块用以实现分词处理及词频统计;
所述特征库生成模块根据分词处理及词频统计结果,挑选词频大于k值的词语作为入选的疾病特征,设有N个疾病特征入选,并通过疾病特征识别生成特征库,k值大于疾病特征词最大频数的一半。
4.根据权利要求3所述的决策支持系统,其特征在于:所述决策支持生成模块包括文本分析模块以及诊断证据生成模块;
所述文本分析模块用以实现以下分析:
(1)定义内窥镜检查报告包含P个部位,记为Ei(i=1,…,P),记其检查结果为R;
(2)设有M份内窥镜检查报告,对每份检查报告的P个部位的描述分别进行分词处理,将分词处理结果与上述特征库进行匹配,生成P个检查报告-特征词矩阵DMN,其元素dmn(m=1,…,M;n=1,…,N)表示第m个报告中特征词n出现的个数;分别计算P个检查报告-特征词矩阵DMN的TF-IDF值:转换为P个检查报告-特征词权重矩阵TIMN,其元素为timn,timn=tfmn*idfmn,其中,timn表示特征词n在第m个检查报告中的权重,tfmn表示特征词词频,idfmn表示内窥镜检查报告文件逆词频;
(3)设每个部位检查报告有T个隐藏主题,根据检查报告-特征词权重矩阵TIMN,对每个部位进行LDA训练,生成P个主题相关向量TPMT,其元素为tpmt,且tpm={tpmt|t=(1,…,T)}为第m个检查报告的某个部位对于主题的相关度向量;
(4)对于L种疾病的内窥镜检查报告,分别计算主题相关度向量TPMT的平均值,记为疾病标准SDMT,其元素记为sdmt;
(5)分别计算每个检查报告的P个部位检查结果与疾病标准SDMT的相似度,计算tpm及与之对应的病理检查结果的sdmt,进行余弦相似度计算,生成矩阵SIMMP,其元素记为simmp,simmp表示该检查结果与标准疾病检查结果的相似程度。
5.根据权利要求4所述的决策支持系统,其特征在于,所述诊断证据生成模块根据公式计算内窥镜检查报告各个部位的基本概率分配mi,即诊断证据,其中,simmi表示内窥镜检查报告中第i个部位的检查结果与标准疾病检查结果的相似程度。
6.根据权利要求5所述的决策支持系统,其特征在于:所述可靠性评估模块包括聚类计算模块和证据可靠性计算模块;
所述聚类计算模块根据每个医生ID,提取其对应内窥镜检查报告的诊断证据mi,将内窥镜检查报告的P个部位的mi(i=1,…,P)分别进行聚类计算;记聚类簇内检查部位证据具有一致的证据可靠性,距离为0,聚类簇间证据可靠性距离为不同聚类中心之间的距离;
所述证据可靠性计算模块通过以下公式计算证据可靠性:
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>z</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>z</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>z</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>z</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>z</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>;</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>P</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>&lambda;</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
</mrow>
</msup>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&Sigma;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>P</mi>
</mfrac>
</mrow>
其中,mi(i=1,…,P)、mj(j=1,…,P)为诊断证据,j≠i;d(mi,mj)为诊断证据mi、mj之间的距离;Cz1,Cz2和Cz表示聚类簇;mi,mj∈Cz表示mi和mj属于同一个聚类簇Cz,拥有相同的诊断证据可靠性;mi∈Cz1mj∈Cz1表示mi和mj分别属于聚类簇Cz1和Cz2,诊断证据可靠性不一致;λ为可调节参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710954005.1A CN107633156B (zh) | 2017-10-13 | 2017-10-13 | 用于微创治疗的内窥镜检查智能决策支持系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710954005.1A CN107633156B (zh) | 2017-10-13 | 2017-10-13 | 用于微创治疗的内窥镜检查智能决策支持系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633156A true CN107633156A (zh) | 2018-01-26 |
CN107633156B CN107633156B (zh) | 2018-09-18 |
Family
ID=61105256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710954005.1A Active CN107633156B (zh) | 2017-10-13 | 2017-10-13 | 用于微创治疗的内窥镜检查智能决策支持系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633156B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223770A (zh) * | 2019-05-29 | 2019-09-10 | 合肥工业大学 | 消化内科电子数据分析方法 |
CN111341437A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005034001A1 (en) * | 2003-10-09 | 2005-04-14 | Steven Wheeler | Adaptive medical decision support system |
CN1741050A (zh) * | 2004-08-23 | 2006-03-01 | 扬兴人工智慧研发股份有限公司 | 智能决策支持系统 |
CN102141997A (zh) * | 2010-02-02 | 2011-08-03 | 三星电子(中国)研发中心 | 智能决策支持系统及其智能决策方法 |
CN102902871A (zh) * | 2012-07-03 | 2013-01-30 | 成都中医药大学 | 针灸临床循证决策支持系统及其应用方法 |
CN103955703A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于朴素贝叶斯的医疗影像疾病分类方法 |
CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
-
2017
- 2017-10-13 CN CN201710954005.1A patent/CN107633156B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005034001A1 (en) * | 2003-10-09 | 2005-04-14 | Steven Wheeler | Adaptive medical decision support system |
CN1741050A (zh) * | 2004-08-23 | 2006-03-01 | 扬兴人工智慧研发股份有限公司 | 智能决策支持系统 |
CN102141997A (zh) * | 2010-02-02 | 2011-08-03 | 三星电子(中国)研发中心 | 智能决策支持系统及其智能决策方法 |
CN102902871A (zh) * | 2012-07-03 | 2013-01-30 | 成都中医药大学 | 针灸临床循证决策支持系统及其应用方法 |
CN103955703A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于朴素贝叶斯的医疗影像疾病分类方法 |
CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223770A (zh) * | 2019-05-29 | 2019-09-10 | 合肥工业大学 | 消化内科电子数据分析方法 |
CN111341437A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学齐鲁医院 | 基于舌图像的消化道疾病判断辅助系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107633156B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410758B2 (en) | Medical scan artifact detection system | |
US20200352518A1 (en) | Medical scan artifact detection system and methods for use therewith | |
CN109310317A (zh) | 用于自动医学诊断的系统和方法 | |
CN103955608A (zh) | 一种智能医疗信息远程处理系统及处理方法 | |
KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
Son et al. | A Data Analytics Framework for Smart Asthma Management Based on Remote Health Information Systems with Bluetooth-Enabled Personal Inhalers. | |
WO2013121883A1 (en) | Diagnosis support apparatus and method of controlling the same | |
CN113284126B (zh) | 人工神经网络图像分析预测脑积水分流手术疗效的方法 | |
US11114208B1 (en) | Methods and systems for predicting a diagnosis of musculoskeletal pathologies | |
CN114220514B (zh) | 互联网医院病人诊疗数据分析处理方法、设备及存储介质 | |
Bommu | Advancements in Healthcare Information Technology: A Comprehensive Review | |
Aluvalu et al. | The novel emergency hospital services for patients using digital twins | |
US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
Wan et al. | An artificial intelligent risk classification method of high myopia based on fundus images | |
Kim et al. | Comparison of artificial intelligence to the veterinary radiologist's diagnosis of canine cardiogenic pulmonary edema | |
CN114121266A (zh) | 一种智能化的辅助诊断方法和系统 | |
CN107633156A (zh) | 用于微创治疗的内窥镜检查智能决策支持系统 | |
CN109472782B (zh) | 颅外轮廓图像通用配准方法 | |
Jiang et al. | An aided diagnosis model of sub-health based on rough set and fuzzy mathematics: A case of TCM | |
Mennella et al. | Ethical and regulatory challenges of AI technologies in healthcare: A narrative review | |
Borovska et al. | Internet of medical imaging Things and analytics in support of precision medicine for early diagnostics of thyroid cancer | |
Lin et al. | Medical Concept Embedding with Variable Temporal Scopes for Patient Similarity. | |
US11354803B1 (en) | Identifying spurious tracts in neuro-networks | |
US20130103415A1 (en) | Imaging utility score | |
Gao | Analysis of the role of artificial intelligence in pediatric radiography |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |