CN108806778A - 一种白内障病情监察方法及系统 - Google Patents
一种白内障病情监察方法及系统 Download PDFInfo
- Publication number
- CN108806778A CN108806778A CN201810726508.8A CN201810726508A CN108806778A CN 108806778 A CN108806778 A CN 108806778A CN 201810726508 A CN201810726508 A CN 201810726508A CN 108806778 A CN108806778 A CN 108806778A
- Authority
- CN
- China
- Prior art keywords
- cataract
- information
- artificial intelligence
- intelligence model
- monitoring
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种白内障病情监察方法及系统,包括:接收包括白内障信息的病例图片;以预设人工智能模型为依据,处理病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;监察结果是由人工智能模型进行概率计算与经验匹配得到的,并且白内障范围信息、白内障位置信息以及白内障建议信息皆存储于人工智能模型中;发送监察结果至用户设备中,以使用户设备显示监察结果。可见,实施本发明提供的一种白内障病情监察方法及系统,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的建议,从而提高了用户就医的效率。
Description
技术领域
本发明涉及医疗领域,具体而言,涉及一种白内障病情监察方法及系统。
背景技术
白内障是一种因老化、遗传、局部营养障碍、免疫与代谢异常、外伤、中毒以及辐射等原因,而导致晶状体蛋白质变性而发生混浊的疾病。患有白内障疾病的人群,会因为光线被混浊的晶状体阻扰而无法投射在视网膜上,进而导致视物模糊。在实际生活中,白内障的病例变得越来越多,而相应专家的数量却远少于患者的数量,这就使得患者在就医的过程中,会因为担心而踌躇就医,会因为排队而耗费大量时间,可见,上述问题都会造成患者的就医效率降低,从而使得患者不能快速、准确地给予用户关于白内障的病情监察结果。
发明内容
鉴于上述问题,本发明提供了一种白内障病情监察方法及系统,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
为了实现上述目的,本发明采用如下的技术方案:
第一方面,本发明提供了一种白内障病情监察方法,所述监察方法包括:
接收包括白内障信息的病例图片;
以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;所述监察结果是由所述人工智能模型进行概率计算与经验匹配得到的,并且所述白内障范围信息、所述白内障位置信息以及所述白内障建议信息皆存储于所述人工智能模型中;
发送所述监察结果至用户设备中,以使所述用户设备显示所述监察结果。
作为一种可选的实施方式,所述接收包括白内障信息的病例图片之前,所述方法还包括:
接收登录信息,并判断所述登录信息是否有效;
若所述登录信息有效,则接收并判断功能选择指令是否为上传指令;
若所述功能选择指令为所述上传指令,则执行所述的接收包括白内障信息的病例图片。
作为一种可选的实施方式,所述监察方法还包括:
若所述功能选择指令不为所述上传指令,则判断所述功能选择指令是否为测试指令;
若所述功能选择指令时测试指令,则输出至少一个典型案例以供选择;
在检测到所述至少一个典型案例中存在被选择的案例时,确定所述被选择的案例为所述病例图片,并执行所述以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果。
作为一种可选的实施方式,所述发送所述监察结果至用户设备中,以使所述用户设备显示所述监察结果之后,所述方法还包括:
在检测到所述用户设备发送的授权指令时,获取用户的监察结果和基线信息;所述基线信息包括用户的个人信息;
存储所述病例图片、所述监察结果以及所述基线信息至数据库中,以使医护设备能够读取查看。
作为一种可选的实施方式,所述发送所述监察结果至用户设备中,以使所述用户设备显示所述监察结果之后,所述方法还包括:
判断所述监察结果中包括的所述白内障建议信息的建议级别是否为紧急级别;
若所述白内障建议信息的建议级别为所述紧急级别,则给医护设备发送人工处理信息。
作为一种可选的实施方式,所述以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果,包括:
以人工智能模型包括的第一神经网络层为依据,对所述病例图片进行特征提取,得到至少一个特征;其中,所述人工智能模型为预先训练好的;
以所述人工智能模型包括的第二神经网络层为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果;
以所述人工智能模型包括的结果数据库和所述分类概率结果为依据进行结果匹配,得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果。
作为一种可选的实施方式,所述第二神经网络层为softmax分类层,其中,所述以所述人工智能模型包括的第二神经网络层为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果,包括:
以所述人工智能模型包括的softmax分类层为依据,对所述至少一个特征进行综合分类,得到分类概率结果。
作为一种可选的实施方式,所述以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果之后,所述方法还包括:
存储所述监察结果至所述人工智能模型的数据中心;以使所述人工智能模型以所述监察结果为依据进行更新。
第二方面,本发明提供了一种白内障监察系统,所述监察系统包括用户设备和监察平台,其中,
所述用户设备上传包括白内障信息的病例图片;
所述监察平台接收所述用户设备上传的病例图片,并根据所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;
所述监察平台发送所述监察结果至所述用户设备中,以使所述用户设备显示所述监察结果。
作为一种可选的实施方式,所述监察系统还包括医护设备,其中,
所述监察系统在监察到所述白内障建议信息的建议级别为紧急级别时,发送人工处理信息至所述医护设备;
所述医护设备在获取到所述人工处理信息时,输出提示信息,并备案所述监察结果。
第三方面,本发明提供了一种计算机设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行第一方面公开的白内障病情监察方法。
第四方面,本发明提供了一种计算机可读存储介质,其存储有上述计算机设备中所使用的所述计算机程序。
根据本发明提供的白内障病情监察方法,可以通过一个监察平台获取用户上传的的病例图片,并根据内置的人工智能模型,对病例图片进行分析处理,其中,人工智能模型是监察平台内置的,并且是通过深度神经网络训练得到的;监察平台根据人工智能模型对病例图片进行图片分析,得到包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果,并且发送该监察结果只用户设备,以使用户可以通过上传自己的病例图片得知自己的白内障病情如何,从而提高获取信息的效率,进而快速、准确地给予用户关于白内障的分析结论。可见,实施这种实施方式,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
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实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明范围的限定。
图1是本发明实施例一提供的白内障病情监察方法的流程示意图;
图2是本发明实施例二提供的白内障病情监察方法的流程示意图;
图3是本发明实施例三提供的白内障病情监察系统的结构示意图;
图4是本发明实施例二提供的softmax分类器的神经网络结构简图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
针对现有技术中的问题,本发明提供了一种基于人工智能的白内障病情监察方法,在该种方法中,采用监察平台与用户设备的交互,以使用户在上传自己的病例图片之后,触使监察平台以人工智能模型为依据对病例图片进行分析处理,得到包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果,其中,监察结果是监察平台通过概率计算和概率匹配得到的;监察平台在得到监察结果之后发送监察结果至用户设备,以使用户可以快速、准确地获取到监察结果。可见,实施这种实施方式,能够简单、快速、准确地确定出白内障情况,并给予用户相应的建议信息,从而提高了用户就医的效率
其中,上述的技术方法还可以采用相关的软件或硬件加以实现,对此本实施例中不再多加赘述。针对该白内障病情监察方法及装置,下面通过实施例进行描述。
实施例1
请参阅图1,图1是本实施例提供的一种白内障病情监察方法的流程示意图。
如图1所示,该种基于人工智能的白内障病情监察方法包括以下步骤:
S101、接收包括白内障信息的病例图片。
本实施例中,执行主体为监察平台,而该检查平台可以为多种形态,包括具有服务器的网页,具有服务器的客户端或者大型的监察控制平台,对此本实施例中不再赘述。
本实施例中,监察平台可以选取包括白内障信息的病例图片,筛除非白内障信息的病例图片,从而避免了病例图片与人工智能模型不匹配的情况出现,进而保证的该监察方法的稳定性与效率。
本实施例中,监察平台获取包括白内障信息的病例图片,从另一角度来说,是用户通过用户设备自行上传包括白内障信息的病例图片以使监察平台执行后续的步骤,其中,对于用户上传病例图片的方式不作限定,对于监察平台获取病例图片的方法也不作限定。
本实施例中,白内障是指因各种原因(如老化,遗传、局部营养障碍、免疫与代谢异常,外伤、中毒、辐射等),引起晶状体代谢紊乱,导致晶状体蛋白质变性而发生混浊。此时光线被混浊晶状体阻扰无法投射在视网膜上,导致视物模糊。
本实施例中,白内障信息包括但不限于图片中晶状体是否浑浊,以及晶状体浑浊的程度,对此本实施例中不再多加赘述。
S102、以预设人工智能模型为依据,处理病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;上述监察结果是由人工智能模型进行概率计算与经验匹配得到的,并且白内障范围信息、白内障位置信息以及白内障建议信息皆存储于人工智能模型中。
本实施例中,处理病例图片是指根据人工智能模型为依据,对病例图片进行特征提取、综合分类以及概率匹配等操作,从而实现监察结果的获取。
本实施例中,人工智能模型是训练好的,但是人工智能模型中训练得到的具体内容,本实施例中不做任何限定。同时,人工智能模型在训练过程所使用的算法与标签,可以在训练结束时产生额外的技术效果,在使用该人工智能模型时,该额外的技术效果也将是该人工智能模型的一部分功能,因此,该部分额外的技术效果仍属于本方案的保护范围。
本实施例中,人工智能模型为预先训练好的,因此用户可以通过输入病例图片来直接得到监察结果;这种人工智能模型的好处是专业性强,准确度高,效率高。
本实施例中,人工智能模型是白内障人工智能模型,其较强的针对性与判断能力,使得该模型可以有效地进行工作。同时,该人工智能模型是通过算法与大数据训练得到,具体的可以通过人工智能深度神经网络进行自学习得到。其中,大数据包括具有标签的白内障专业图片,该种图片通过人为或机器添加准确的标签以使信息更加明确,从而确定了人工智能模型的学习方向与学成之后的专业方向;另一方面,本实施例中人工智能模型所使用的算法为针对白内障的算法,具体算法可以通过具体实施步骤进行了解。
本实施例中,该人工智能模型的训练在前,其训练方法为神经网络自学习,在本实施例中,该训练方法也可以理解为有人为干涉的智能学习方法,其中人为干涉是指具有相应的标签。而在本方案中,对于人工智能模型的训练进行解释,但是不以此为重点部分,本方案的重点为对人工智能模型(白内障人工智能模型)的使用,以及机器设备对模型的运用方法,对此本实施例中将不再进行赘述。
S103、发送监察结果至用户设备中,以使用户设备显示监察结果。
本实施例中,监察平台发送监察结果至用户设备中,可以使得用户设备显示监察结果,并获取监察结果包括的建议,从而实现更及时有效地就诊。
本实施例中,用户可以通过检查平台获取相应的监察结果,从而避免了到医院挂号排队就诊时会出现的问题;可见,实施这种实施方式,可以避免无病之人无谓的等待,从而从另一个角度提高了就诊效率,也提高了医生的工作效率。
本实施例中,人工智能模型是通过人工智能、机器学习以及神经网络学习得到的,其输入为大量的具有标签的图片,其中标签的标定方式不做任何限定;在接收到大量的具有标签的图片之后,设备对所有图片进行记忆(存储),并根据标签进行理解(特征比对学习),以使设备自身通过大量的学习与自我纠正完成对图片的理解,最终脱离图片形成特定的模型,而此时的模型为学习到的经验与理解,以至于后续再使用该模型的时候可以通过该人工智能模型,借用它所学习到的经验来解决相对应的事物,从而完成人工智能的使用。但是上述的内容为基本理念,而非具体的实施方法,且上述的基本理念是基于本方案的,因此不对本方案造成启发,对此本实施例中将不再赘述。
本实施例中,该技术方法注重于在白内障方面的使用,同时,人工智能模型也为于白内障方面的人工智能模型。但是,该技术方法也可以用于其他可以应用的领域,可见,该技术方法、技术手段可以为其他方面起到引导与启示的作用。
如图1所示,根据本发明提供的白内障病情监察方法,检测平台可以接收用户发送的病例图片,并以人工智能模型为依据,对病例图片进行分析处理,得到包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;同时,监察平台发送监察结果至用户设备,以使用户可以快速准确地获取到监察结果。可见,实施图1所描述的方法,能够高效、准确地给用户提供监察结果,以使用户可以根据监察结果来判断自己是否需要进一步就医。可见,实施这种实施方式,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
实施例2
请参阅图2,图2是本实施例提供的一种基于人工智能的白内障病情监察方法的流程示意图。如图2所示,该白内障病情监察方法包括以下步骤:
S201、接收登录信息,并判断登录信息是否有效,若有效,则执行步骤S202;若无效,则结束本流程。
本实施例中,登录信息包括用户的注册信息,例如用户的账号信息、密码信息等。可见,本实施例所描述的登录信息包括一切用于登录的信息,甚至于登录验证码在结合本方案实施的过程中,登录验证码也可以认为是一种登录信息。因此,对此本实施例中不再赘述。
本实施例中,判断登录信息是否有效主要手段是通过比对秘钥与预存数据库中的秘钥是否相同,如果相同则认为有效,如果不同,则认为无效。
实施这种实施方式,用户可以通过登录信息享有属于自己的信息空间,其中信息空间是指在监察过程中,存储信息显示信息的保密性空间;可见,该种实施方式,可以提供用户的个人空间,完成用户隐私的保护。
另一方面,实施这种实施方式,可以在确诊时及时的联系上患者,避免二次联络所需要耗费的时间。
S202、接收并判断功能选择指令是否为上传指令,若是,则执行步骤S206;若否,则执行步骤S203。
本实施例中,功能选择指令可以包括多种指令,如上传指令、下载指令、返回指令或者退出指令等等,对于功能选择指令的种类与个数,本实施例中不作任何限定。
本实施例中,检查平台可以包括多个功能选择指令,其中上传指令是功能选择指令的一种,并且该上传指令用于触发后续的上传病例图片的指令。
S203、判断功能选择指令是否为测试指令,若是,则执行步骤S204;若否,则结束本流程。
本实施例中,测试指令是与上传指令不相同的一种指令,该种指令用于测试监察平台的系统。
S204、输出至少一个典型案例以供选择。
本实施例中,监察平台包括多个典型案例,举例来说,检查平台为想要测试系统效能的用户提供了50例典型案例提供下载,这些案例覆盖了大部分的临床情况:正常,不需要进行手术的白内障,不同严重程度的透明度和应接受紧急干预高危病例等。
S205、在检测到至少一个典型案例中存在被选择的案例时,确定被选择的案例为病例图片,并执行步骤S207。
本实施例中,当用户选择了相应的案例时,监察平台确定相应案例的图片是病例图片,以使监察平台进行后续的步骤。
S206、接收包括白内障信息的病例图片。
作为一种可选的实施方式,接受包括白内障信息的病例图片,包括:
获取病例图片;判断病例图片是否包括白内障信息;若包括白内障信息,则存储并记录该包括白内障信息的病例图片,并执行步骤S202。
实施这种实施方式,可以避免非白内障信息的病例图片的获取,提高人工智能模型的处理效率。
作为一种可选的实施方式,在接收包括白内障信息的病例图片之后,监察平台以白内障信息划分病例图片,得到白内障区域图片。
实施这种实施方式,可以依照白内障信息划分病例图片,使得病例图片可以被划分成多个白内障区域图片,其中每个白内障区域图片都包括白内障信息。可见,实施这种实施方式,可以将无白内障信息的区域图片过滤掉,实现病例图片的预处理,从而减少了后续无用的分析,提高了病例图片后续的分析效率。
作为一种进一步可选的实施方式,在得到白内障区域图片之后,确定白内障区域图片为病例图片。
实施这种实施方式,将人工智能的分析对象由原来的完整病体图片替换为准确包括白内障信息的病例图片。
S207、以人工智能模型包括的第一神经网络层为依据,对病例图片进行特征提取,得到至少一个特征;其中,人工智能模型为预先训练好的。
本实施例中,对病例图片进行特征提取是指获取病例图片中与白内障相关的特征,举例来说,特征提取提取到的是病例图片中包括白内障或者可能包括白内障的部分。
在本实施例中,特征提取还可以是将病例图片按照白内障病理特征进行分块分区,得到多个特征区域,并按照区域进行特征分析。
实施这种实施方式,可以将病例图片划分为多个具有特征性的特征区域或者直接是多个特征块,以使人工智能模型可以由针对性的对上述特征区域或者特征块进行分析,从而提高了效率。
本实施例中,特征提取方法由人工智能模型提供,人工智能模型中的特征提取方法是通过人工智能自学习训练得到的,对此本实施例中不再多加赘述。并且,人工智能自学习是通过多分类算法与代价函数以及梯度下降优化算法共同作用形成的自学习。
本实施例中,人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;其中,上述疾病标签包括白内障不同严重程度对应的透明度标签、白内障范围大小对应的范围标签以及用于表示白内障与视轴区两者相对位置的位置标签。
实施这种实施方式,可以通过人工智能获取到有效的特征,便于后续步骤的执行。
S208、以人工智能模型包括的softmax分类层为依据,对至少一个特征进行综合分类处理,得到分类概率结果。
本实施例中,第二神经网络层为softmax分类层。
本实施例中,至少一个特征是根据人工智能模型提取出来的。
本实施例中,综合分类处理是指输入一个特征,输出该特征符合各种情况的概率结果。其中,上述各种情况是固定的多种情况,不会随着分类处理而增加减少,同时,分类概率结果意指上述特征对应各种情况的概率结果,即概率越大,符合度越高。
本实施例中,对至少一个特征进行综合分类处理,即要获取到所有特征对于所有情况的概率结果。而本实施例中所描述的分类概率结果即为上述所有情况的概率结果。
本实施例中,当一个特征的多个概率结果中,存在一个概率远大于其他概率时,判定该概率对应的分类为病例分类,该病例分类包括白内障严重程度、白内障范围等信息。
本实施例中,softmax分类器是指包括softmax函数的一层神经网络,softmax是用来解决多分类的手段,与我们常见的逻辑回归、SVM等常用于解决二分类问题不同。softmax对于的多分类问题,举例来说,可以抽象认为是识别手写数字需要10个分类(多分类)。
举例来说,人工智能模型中的基于神经网络的softmax分类器多分类方法可以参阅图4,如图4所示,神经网络包括输入层、特征层以,soft分类器及分类概率结果。人工智能通过对输入层进行判断统计学习,再加以特征层的多重复杂对比学习,以及相应的概率计算,得到对于多结果的概率结果,该概率结果即为分类概率结果。如图4所示,输入层为一层,特征层为两层,softmax分类器为一层,分类概率结果为输出层,其中一共五层,但是,本图仅为举例说明,具体实施方式可以使用于类似的神经网络。上述sofmax分类器也为神经网络的一层,用于解决多分类的问题,其中,举例来说,如果有重程度、中程度以及轻程度的话,可以理解为具有四个分类,而对于一个输入,人工智能模型会对该输入进行概率判断,以使概率结果对应上述四个分类,从而完成分类概率结果的输出。然而,在模型(人工智能模型,后续模型可以理解为人工智能模型)学习的过程中,这只是基本的学习方法,而非最终的学习结果,对此本实施例中不再多加赘述。
S209、以人工智能模型包括的结果数据库和分类概率结果为依据进行结果匹配,得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果。
本实施例中,上述监察结果是由人工智能模型进行概率计算与经验匹配得到的,并且白内障范围信息、白内障位置信息以及白内障建议信息皆存储于人工智能模型中。
本实施例中,人工智能模型提供匹配方法,分类概率结果提供匹配基础数据,举例来说,监察平台获取到所有的分类概率结果,按照人工智能模型训练出来的方法,对分类概率结果进行总结分析,得到一个最为恰当的对应病例分类。
举例来说,人工智能模型训练出来的算法是取每个特征的最大概率的集合,判断哪一个病例分类所占特征最多,即判定哪一个病例分类是分析得到的病例分类。本方案仅为举例说明,对申请内容不构成限定。
在本实施例中,人工智能模型中贴有相应的标签,其标签内容为患病程度深,患病程度浅,标签内容可以为机器或者人为干预机器确定的,而本实施例中强调使用人工智能模型,可见,程度深浅是确定好的名词,本实施例中不再赘述;另一方面,对人工智能的建立过程本实施例中不作限定,因此人工智能的建立过程也不应对本方案构成限定。
本实施例中,患病程度深浅可以包括三个方面,其中,第一方面是透明度(透明度还可以分为两类,一类为透明,一类为不透明),第二方面是范围(该范围也可以分为两类,一类为大范围,一类为小范围),第三方面是位置(该位置也可以分为两类,一类为中央,一类为周围)。在本实施例中,患病程度深浅的三个方面,六个子分类可以作为人工智能模型训练的标签,以使人工智能模型可以根据该标签进行自主训练,从而具有对这些方面的理解与判断。
本实施例中,疾病类型中可以具有与之相对应的治疗建议,以使用户在获取到疾病类型的同时还可以得到相应的治疗建议。本实施例中,治疗建议可以包括两个分类,一者为需要手术的建议,一者为需要进行随访的建议。在本实施例中,人工智能模型的训练也可以包括上述两种建议的标签,以使人工智能模型可以建立起与疾病类型相对应的治疗建议数据库,从而得到对应的监察结果。
S210、发送监察结果至用户设备中,以使用户设备显示监察结果。
本实施例中,对于发送方式不作限定,对于显示方式也不作限定。
本实施例中,监察结果可以包括:是否有小儿白内障、白内层范围大小、程度深浅、位置以及治疗建议(手术还是随访)。
S211、在检测到用户设备发送的授权指令时,获取用户的监察结果和基线信息;该基线信息包括用户的个人信息。
本实施例中,授权指令是指用户发出的,允许监察设备获取个人隐私信息的指令。
实施这种实施方式,可以使得用户具有相应的隐私,避免用户在面对医生不敢说话的问题出现,从而提高了就诊的准确度。
本实施例中,基线信息可以包括姓名、年龄以及联系方式等。
S212、存储病例图片、监察结果以及基线信息至数据库中,以使医护设备能够读取查看。
本实施例中,数据库可以设置在监察平台中,也可以设置在与监察平台相关联的服务器中,对此本实施例中不作任何限定。
S213、判断监察结果中包括的白内障建议信息的建议级别是否为紧急级别,若是,则执行步骤S214;若否,则结束本流程。
本实施例中,建议信息中的建议包括多个级别,若建议信息的建议级别为紧急级别时,监察平台可以通过智能短信或电话等方式发送人工处理信息至医护设备,以通知相关专业医生进行进一步的确认。
S214、给医护设备发送人工处理信息。
作为一种可选的实施方式,在步骤S209之后,本方法还可以包括:
存储所述监察结果至所述人工智能模型的数据中心;以使所述人工智能模型以所述监察结果为依据进行更新。
举例来说,用户(包括有需求的医生与患者及家属)通过注册能登陆这个监察平台。在进入监察平台后用户可以上传自己的眼部图片,监察平台会立马给出监察结果,其中,监察结果包括:是否有小儿白内障、白内层范围大小、程度深浅、位置以及治疗建议(手术还是随访)。同时,监察平台对那些想要测试平台效能的用户提供了50例典型案例提供下载,这些案例覆盖了大部分的临床情况,其中,临床状况包括:不需要进行手术的白内障的状况,不同严重程度的透明度和应接受紧急干预高危状况等。另一方面,在经过用户同意后,用户的眼部图片和基线信息(包括姓名、年龄以及联系方式等)会上传到监察平台,并保存到数据库中。如果监察结果建议患者进行手术,那么监察平台可以通知相关专业医生进行进一步的确认。并在,用户(患者)还可以通过监察平台,与医生进行沟通,并且监察平台还可以提供电子邮件和日间电话服务,并根据这些信息确认用户(患者)是否需要进行手术。
本实施例中,监察平台同时具有数据库存储与在线学习功能(即可收集上传的新数据,通过对新上传数据的再次整理与学习的功能)。实施这种实施方式,可以进一步提高监察方法监察的准确率与有效性,使人工智能模型可以不断更新换代,提高精度,以适应更高的需求。
在如图2所示的基于人工智能的白内障病情监察方法,可以先接收登录信息,在登录信息有效时,检测功能选择指令的类型,并根据功能选择指令的类型进行相应的操作,其中,当功能选择指令为测试指令时,监察平台输出典型案例以供用户选择测试,并是选择出的典型案例图片作为病例图片执行后续步骤;在功能选择指令为上传指令时,用户可以上传自己病例图片(本实施例中,用户可以直接上传到监察平台上,可以不用用户设备,使用用户设备的时候可以是远程使用该监察平台);在监察平台获取到准确的病例图片之后,以人工智能模型为依据对病例图片进行特征提取与综合分类处理,以及结果匹配处理,得到包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;监察平台发送该监察结果至用户设备,以使用户设备可以及时获取有效地信息。另一方面,当检查结果中包括的建议信息的建议级别为紧急级别时,督促医护人员进行人工跟进,保障用户的身心健康。可见,实施图2所描述的方法,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率;还可以通过监察平台,联系其用户与医生之间的关系,提高了确诊治疗的效率。
实施例3
请参阅图3,图3是本发明实施例提供的一种基于人工智能的白内障监察平台的结构示意图。
如图3所示,该白内障监察系统,包括用户设备300和监察平台400,其中,
用户设备300上传包括白内障信息的病例图片。
监察平台400接收用户设备300上传的病例图片,并根据病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果。
监察平台400发送监察结果至用户设备300中,以使用户设备300显示监察结果。
作为一种可选的实施方式,监察系统还包括医护设备500,其中,
监察系统在监察到白内障建议信息的建议级别为紧急级别时,发送人工处理信息至医护设备500。
医护设备500在获取到人工处理信息时,输出提示信息,并备案监察结果。
作为一种可选的实施方式,人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;疾病标签包括白内障不同严重程度对应的透明度标签以及白内障范围大小对应的范围标签。
实施这种实施方式,可以具体化人工智能模型的来源,使得本方案不仅包括人工智能模型的使用,还包括人工智能模型的训练方法。
作为一种可选的实施方式,深度卷积神经网络的层数为7层,其中深度卷积神经网络至少包括卷积层、过采样层以及全连接层;其中,人工智能模型还使用了softmax分类器进行训练。
实施这种实施方式,可以通过7层神经网络来有效地进行智能学习,从而提高效率并且提高准确程度。
可见,本实施例所描述的基于人工智能的白内障监察平台,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
此外,本发明还提供了另外一种计算机设备,该计算机设备可以包括智能电话、平板电脑、车载电脑、智能穿戴设备等。该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行上述计算机程序,从而使计算机设备执行上述方法或者上述装置中的各个单元的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所描述功能如果以软件功能模块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(可以是智能手机、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描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-OnlyMemory)、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。
以上所描述的内容,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到变化或替换,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以权利要求的保护范围为准。
Claims (10)
1.一种白内障病情监察方法,其特征在于,所述监察方法包括:
接收包括白内障信息的病例图片;
以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;所述监察结果是由所述人工智能模型进行概率计算与经验匹配得到的,并且所述白内障范围信息、所述白内障位置信息以及所述白内障建议信息皆存储于所述人工智能模型中;
发送所述监察结果至用户设备中,以使所述用户设备显示所述监察结果。
2.根据权利要求1所述的监察方法,其特征在于,所述接收包括白内障信息的病例图片之前,所述方法还包括:
接收登录信息,并判断所述登录信息是否有效;
若所述登录信息有效,则接收并判断功能选择指令是否为上传指令;
若所述功能选择指令为所述上传指令,则执行所述的接收包括白内障信息的病例图片。
3.根据权利要求2所述的监察方法,其特征在于,所述监察方法还包括:
若所述功能选择指令不为所述上传指令,则判断所述功能选择指令是否为测试指令;
若所述功能选择指令时测试指令,则输出至少一个典型案例以供选择;
在检测到所述至少一个典型案例中存在被选择的案例时,确定所述被选择的案例为所述病例图片,并执行所述以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果。
4.根据权利要求1所述的监察方法,其特征在于,所述发送所述监察结果至用户设备中,以使所述用户设备显示所述监察结果之后,所述方法还包括:
在检测到所述用户设备发送的授权指令时,获取用户的监察结果和基线信息;所述基线信息包括用户的个人信息;
存储所述病例图片、所述监察结果以及所述基线信息至数据库中,以使医护设备能够读取查看。
5.根据权利要求1所述的监察方法,其特征在于,所述发送所述监察结果至用户设备中,以使所述用户设备显示所述监察结果之后,所述方法还包括:
判断所述监察结果中包括的所述白内障建议信息的建议级别是否为紧急级别;
若所述白内障建议信息的建议级别为所述紧急级别,则给医护设备发送人工处理信息。
6.根据权利要求1所述的监察方法,其特征在于,所述以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果,包括:
以人工智能模型包括的第一神经网络层为依据,对所述病例图片进行特征提取,得到至少一个特征;其中,所述人工智能模型为预先训练好的;
以所述人工智能模型包括的第二神经网络层为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果;
以所述人工智能模型包括的结果数据库和所述分类概率结果为依据进行结果匹配,得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果。
7.根据权利要求6所述的病情监察方法,其特征在于,所述第二神经网络层为softmax分类层,其中,所述以所述人工智能模型包括的第二神经网络层为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果,包括:
以所述人工智能模型包括的softmax分类层为依据,对所述至少一个特征进行综合分类,得到分类概率结果。
8.根据权利要求1所述的监察方法,其特征在于,所述以预设人工智能模型为依据,处理所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果之后,所述方法还包括:
存储所述监察结果至所述人工智能模型的数据中心;以使所述人工智能模型以所述监察结果为依据进行更新。
9.一种白内障监察系统,其特征在于,所述监察系统包括用户设备和监察平台,其中,
所述用户设备上传包括白内障信息的病例图片;
所述监察平台接收所述用户设备上传的病例图片,并根据所述病例图片得到至少包括白内障范围信息、白内障位置信息以及白内障建议信息的监察结果;
所述监察平台发送所述监察结果至所述用户设备中,以使所述用户设备显示所述监察结果。
10.根据权利要求9所述的监察系统,其特征在于,所述监察系统还包括医护设备,其中,
所述监察系统在监察到所述白内障建议信息的建议级别为紧急级别时,发送人工处理信息至所述医护设备;
所述医护设备在获取到所述人工处理信息时,输出提示信息,并备案所述监察结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726508.8A CN108806778A (zh) | 2018-07-04 | 2018-07-04 | 一种白内障病情监察方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726508.8A CN108806778A (zh) | 2018-07-04 | 2018-07-04 | 一种白内障病情监察方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108806778A true CN108806778A (zh) | 2018-11-13 |
Family
ID=64074579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810726508.8A Pending CN108806778A (zh) | 2018-07-04 | 2018-07-04 | 一种白内障病情监察方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108806778A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932210A (zh) * | 2020-08-12 | 2020-11-13 | 石家庄定盘星软件开发有限公司 | 一种养老院监测管理方法及装置 |
CN112133417A (zh) * | 2020-09-29 | 2020-12-25 | 南通大学附属医院 | 一种icu探视方法及系统 |
CN112215835A (zh) * | 2020-10-22 | 2021-01-12 | 刘茗露 | 一种图文系统中模板化报告的信息处理方法及装置 |
-
2018
- 2018-07-04 CN CN201810726508.8A patent/CN108806778A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932210A (zh) * | 2020-08-12 | 2020-11-13 | 石家庄定盘星软件开发有限公司 | 一种养老院监测管理方法及装置 |
CN112133417A (zh) * | 2020-09-29 | 2020-12-25 | 南通大学附属医院 | 一种icu探视方法及系统 |
CN112215835A (zh) * | 2020-10-22 | 2021-01-12 | 刘茗露 | 一种图文系统中模板化报告的信息处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pedreschi et al. | Meaningful explanations of black box AI decision systems | |
Heidari et al. | The COVID-19 epidemic analysis and diagnosis using deep learning: A systematic literature review and future directions | |
KR20200005986A (ko) | 얼굴인식을 이용한 인지장애 진단 시스템 및 방법 | |
CN109102494A (zh) | 一种后发性白内障图像分析方法及装置 | |
Khan et al. | Secure IoMT for disease prediction empowered with transfer learning in healthcare 5.0, the concept and case study | |
CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
CN108806778A (zh) | 一种白内障病情监察方法及系统 | |
Seo et al. | Closing the gap between deep neural network modeling and biomedical decision-making metrics in segmentation via adaptive loss functions | |
CN113870239A (zh) | 视力检测方法及装置、电子设备、存储介质 | |
Hasan et al. | Employment of ensemble machine learning methods for human activity Recognition | |
Ayoub et al. | Minimized Computations of Deep Learning Technique for Early Diagnosis of Diabetic Retinopathy Using IoT‐Based Medical Devices | |
Srinivas et al. | Machine learning and artificial intelligence in surgical research | |
Bilal et al. | Improved Support Vector Machine based on CNN-SVD for vision-threatening diabetic retinopathy detection and classification | |
Tripathy et al. | Innovative classification, regression model for predicting various diseases | |
Sridhar et al. | Artificial intelligence in medicine: diabetes as a model | |
CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
CN109036550A (zh) | 一种基于人工智能的白内障分析方法及装置 | |
Tasnim et al. | Investigating Personalization Techniques for Improved Cybersickness Prediction in Virtual Reality Environments | |
Barracca et al. | Evolution of clinical medicine: from expert opinion to artificial intelligence | |
Jalannavar et al. | Migraine Prediction Using Deep Learning Model | |
Homayounfar et al. | Data mining research trends in computerized patient records | |
Pavithra et al. | Machine and deep learning (ML/DL) algorithms for next-generation healthcare applications | |
Nasarian et al. | Designing Interpretable ML System to Enhance Trustworthy AI in Healthcare: A Systematic Review of the Last Decade to A Proposed Robust Framework | |
Iyer et al. | Virtual Self Care Companion–Detection of mental illness using machine learning and deep learning | |
Payal et al. | Recent advances of Machine Learning Techniques in Biomedicine |
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: 20181113 |