CN108962387A - 一种基于大数据的甲状腺结节风险预测方法及系统 - Google Patents
一种基于大数据的甲状腺结节风险预测方法及系统 Download PDFInfo
- Publication number
- CN108962387A CN108962387A CN201810610900.6A CN201810610900A CN108962387A CN 108962387 A CN108962387 A CN 108962387A CN 201810610900 A CN201810610900 A CN 201810610900A CN 108962387 A CN108962387 A CN 108962387A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- inspection
- patient
- thyroid
- 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
- G16H50/30—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
Abstract
本发明公开了一种基于大数据的甲状腺结节风险预测方法及系统,其中的甲状腺结节风险预测方法包括以下步骤:S1:临床数据采集:对患者的病史、症状和体征的数据进行收集,并对数据进行记录,S2:超声检查:对患者进行甲状腺超声检查,了解结节的大小、形态、结节边缘、内部结构、回声特性、血流状况和颈部淋巴结情况,并对检查数据进行记录,S3:细针穿刺检查:对患者进行甲状腺细针穿刺细胞学检查,并检查结果的数据进行记录。本发明通过对患者的临床数据进行采集,同时对患者进行超声检查和细针穿刺检查,并对检查的数据进行整合,有利于快速对数据进行提取,并快速的做出风险预测。
Description
技术领域
本发明涉及甲状腺结节风险预测技术领域,尤其涉及一种基于大数据的甲状腺结节风险预测方法及系统。
背景技术
甲状腺结节是指在甲状腺内的肿块,可随吞咽动作随甲状腺而上下移动,是临床常见的病症,可由多种病因引起,临床上有多种甲状腺疾病,如甲状腺退行性变、炎症、自身免疫以及新生物等都可以表现为结节,甲状腺结节可以单发,也可以多发,多发结节比单发结节的发病率高,但单发结节甲状腺癌的发生率较高,甲状腺结节或肿块、甲状腺肿大是其主要症状,除此外大多数甲状腺结节患者没有临床症状,可通过自我触摸或体格检查发现甲状腺有结节,或因甲状腺肿大就诊,进行查体或B超等影像学检查获知,现有的甲状腺结节风险预测不便于对检查的数据进行整合,数据杂乱无章,不便于对数据的快速提取,不便于快速做出风险预测,因此我们提出了一种基于大数据的甲状腺结节风险预测方法及系统,用来解决上述问题。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于大数据的甲状腺结节风险预测方法及系统。
本发明提出的一种基于大数据的甲状腺结节风险预测方法,包括以下步骤:
S1:临床数据采集:对患者的病史、症状和体征的数据进行收集,并对数据进行记录;
S2:超声检查:对患者进行甲状腺超声检查,了解结节的大小、形态、结节边缘、内部结构、回声特性、血流状况和颈部淋巴结情况,并对检查数据进行记录;
S3:细针穿刺检查:对患者进行甲状腺细针穿刺细胞学检查,并检查结果的数据进行记录;
S4:数据整合:对S1、S2和S3中所提到的数据进行整合,剔除无用数据,并对数据进行分类排序;
S5:风险预测:将S4中整合后的数据与正常的数据进行对比,根据对比结果做出风险预测。
优选地,所述S1中,在采集病史时,应该重点询问有无头颈部放射线暴露史、骨髓移植前的全身照射史、核暴露史和一级亲属甲状腺癌家族史。
本发明还提出了一种基于大数据的甲状腺结节风险预测系统,包括数据采集模块、数据处理模块、检查模块、整合模块、数据分析模块、风险预测模块和显示模块,所述数据采集模块与检查模块均与数据处理模块连接,数据处理模块与整合模块连接,整合模块与数据分析模块连接,所述数据分析模块与风险预测模块连接,所述风险预测模块与显示模块连接,所述数据采集模块包括病史采集单元、病症采集单元和体征采集单元,所述病史采集单元与病症采集单元连接,病症采集单元和体征采集单元连接,所述检查模块包括超声检查单元和细针穿刺单元,超声检查单元和细针穿刺单元连接。
优选地,所述数据采集模块对患者的病史、症状和体征的数据进行采集,然后将采集的数据传输至数据处理模块。
优选地,所述检查模块对患者进行医学检查,并将检查的数据传输至数据处理模块。
优选地,所述数据处理模块对接收的数据进行预处理,然后将数据传输至整合模块。
优选地,所述整合模块对接收的数据进行整合处理,剔除无用重复数据,并对数据进行分类排序,然后将数据传输至数据分析模块,数据分析模块对接收的数据进行综合分析,然后将数据传输至风险预测模块。
优选地,所述风险预测模块根据接收的数据进行风险预测,然后将预测结果传输至显示模块,显示模块对接收的数据进行显示。
本发明的有益效果:通过对患者的临床数据进行采集,同时对患者进行超声检查和细针穿刺检查,并对检查的数据进行整合,有利于快速对数据进行提取,并快速的做出风险预测。
附图说明
图1为本发明提出的一种基于大数据的甲状腺结节风险预测系统的框图;
图2为本发明提出的一种基于大数据的甲状腺结节风险预测系统的数据采集模块框图;
图3为本发明提出的一种基于大数据的甲状腺结节风险预测系统的检查模块框图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
本实施例中提出了一种基于大数据的甲状腺结节风险预测方法,包括以下步骤:
S1:临床数据采集:对患者的病史、症状和体征的数据进行收集,并对数据进行记录;
S2:超声检查:对患者进行甲状腺超声检查,了解结节的大小、形态、结节边缘、内部结构、回声特性、血流状况和颈部淋巴结情况,并对检查数据进行记录;
S3:细针穿刺检查:对患者进行甲状腺细针穿刺细胞学检查,并检查结果的数据进行记录;
S4:数据整合:对S1、S2和S3中所提到的数据进行整合,剔除无用数据,并对数据进行分类排序;
S5:风险预测:将S4中整合后的数据与正常的数据进行对比,根据对比结果做出风险预测。
参照图1-3,本实施例还提出了一种基于大数据的甲状腺结节风险预测系统,包括数据采集模块、数据处理模块、检查模块、整合模块、数据分析模块、风险预测模块和显示模块,数据采集模块与检查模块均与数据处理模块连接,数据处理模块与整合模块连接,整合模块与数据分析模块连接,数据分析模块与风险预测模块连接,风险预测模块与显示模块连接,数据采集模块包括病史采集单元、病症采集单元和体征采集单元,病史采集单元与病症采集单元连接,病症采集单元和体征采集单元连接,检查模块包括超声检查单元和细针穿刺单元,超声检查单元和细针穿刺单元连接。
本实施例中,数据采集模块对患者的病史、症状和体征的数据进行采集,然后将采集的数据传输至数据处理模块,检查模块对患者进行医学检查,并将检查的数据传输至数据处理模块,数据处理模块对接收的数据进行预处理,然后将数据传输至整合模块,整合模块对接收的数据进行整合处理,剔除无用重复数据,并对数据进行分类排序,然后将数据传输至数据分析模块,数据分析模块对接收的数据进行综合分析,然后将数据传输至风险预测模块,风险预测模块根据接收的数据进行风险预测,然后将预测结果传输至显示模块,显示模块对接收的数据进行显示,本发明的有益效果是通过对患者的临床数据进行采集,同时对患者进行超声检查和细针穿刺检查,并对检查的数据进行整合,有利于快速对数据进行提取,并快速的做出风险预测。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的甲状腺结节风险预测方法,其特征在于,包括以下步骤:
S1:临床数据采集:对患者的病史、症状和体征的数据进行收集,并对数据进行记录;
S2:超声检查:对患者进行甲状腺超声检查,了解结节的大小、形态、结节边缘、内部结构、回声特性、血流状况和颈部淋巴结情况,并对检查数据进行记录;
S3:细针穿刺检查:对患者进行甲状腺细针穿刺细胞学检查,并检查结果的数据进行记录;
S4:数据整合:对S1、S2和S3中所提到的数据进行整合,剔除无用数据,并对数据进行分类排序;
S5:风险预测:将S4中整合后的数据与正常的数据进行对比,根据对比结果做出风险预测。
2.根据权利要求1所述的一种基于大数据的甲状腺结节风险预测方法,其特征在于,所述S1中,在采集病史时,应该重点询问有无头颈部放射线暴露史、骨髓移植前的全身照射史、核暴露史和一级亲属甲状腺癌家族史。
3.一种基于大数据的甲状腺结节风险预测系统,包括数据采集模块、数据处理模块、检查模块、整合模块、数据分析模块、风险预测模块和显示模块,其特征在于,所述数据采集模块与检查模块均与数据处理模块连接,数据处理模块与整合模块连接,整合模块与数据分析模块连接,所述数据分析模块与风险预测模块连接,所述风险预测模块与显示模块连接,所述数据采集模块包括病史采集单元、病症采集单元和体征采集单元,所述病史采集单元与病症采集单元连接,病症采集单元和体征采集单元连接,所述检查模块包括超声检查单元和细针穿刺单元,超声检查单元和细针穿刺单元连接。
4.根据权利要求3所述的一种基于大数据的甲状腺结节风险预测系统,其特征在于,所述数据采集模块对患者的病史、症状和体征的数据进行采集,然后将采集的数据传输至数据处理模块。
5.根据权利要求3所述的一种基于大数据的甲状腺结节风险预测系统,其特征在于,所述检查模块对患者进行医学检查,并将检查的数据传输至数据处理模块。
6.根据权利要求3所述的一种基于大数据的甲状腺结节风险预测系统,其特征在于,所述数据处理模块对接收的数据进行预处理,然后将数据传输至整合模块。
7.根据权利要求3所述的一种基于大数据的甲状腺结节风险预测系统,其特征在于,所述整合模块对接收的数据进行整合处理,剔除无用重复数据,并对数据进行分类排序,然后将数据传输至数据分析模块,数据分析模块对接收的数据进行综合分析,然后将数据传输至风险预测模块。
8.根据权利要求3所述的一种基于大数据的甲状腺结节风险预测系统,其特征在于,所述风险预测模块根据接收的数据进行风险预测,然后将预测结果传输至显示模块,显示模块对接收的数据进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810610900.6A CN108962387A (zh) | 2018-06-14 | 2018-06-14 | 一种基于大数据的甲状腺结节风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810610900.6A CN108962387A (zh) | 2018-06-14 | 2018-06-14 | 一种基于大数据的甲状腺结节风险预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108962387A true CN108962387A (zh) | 2018-12-07 |
Family
ID=64488620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810610900.6A Pending CN108962387A (zh) | 2018-06-14 | 2018-06-14 | 一种基于大数据的甲状腺结节风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108962387A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017784A (zh) * | 2020-10-22 | 2020-12-01 | 平安科技(深圳)有限公司 | 一种基于多模态数据的冠心病风险预测方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006261A (zh) * | 2012-11-28 | 2013-04-03 | 杭州柏拉图科技有限公司 | 一种电磁定位的超声穿刺导航方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN107247971A (zh) * | 2017-06-28 | 2017-10-13 | 中国人民解放军总医院 | 一种超声甲状腺结节风险指标的智能分析方法及系统 |
-
2018
- 2018-06-14 CN CN201810610900.6A patent/CN108962387A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006261A (zh) * | 2012-11-28 | 2013-04-03 | 杭州柏拉图科技有限公司 | 一种电磁定位的超声穿刺导航方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN107247971A (zh) * | 2017-06-28 | 2017-10-13 | 中国人民解放军总医院 | 一种超声甲状腺结节风险指标的智能分析方法及系统 |
Non-Patent Citations (4)
Title |
---|
李冰: "甲状腺结节的现代诊疗进展", 《现代生物医学进展》 * |
江道振: "结合甲状腺结节诊治指南谈甲状腺结节的评估和手术指征", 《上海医药》 * |
赖远辉: "甲状腺结节术前检查对良恶性诊断的预测价值", 《中华普通外科学文献》 * |
郇婕: "甲状腺结节的诊断评估方法与流程", 《广东医学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017784A (zh) * | 2020-10-22 | 2020-12-01 | 平安科技(深圳)有限公司 | 一种基于多模态数据的冠心病风险预测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110996789B (zh) | 执行筛查、诊断或其他基于图像的分析任务的系统和方法 | |
Fanizzi et al. | Fully automated support system for diagnosis of breast cancer in contrast-enhanced spectral mammography images | |
CN107247887A (zh) | 基于人工智能帮助肺癌筛查的方法及系统 | |
Rehman et al. | Real-time diagnosis system of COVID-19 using X-ray images and deep learning | |
Khan et al. | A Survey of Deep Learning Techniques for the Analysis of COVID-19 and their usability for Detecting Omicron | |
Kharel et al. | Early diagnosis of breast cancer using contrast limited adaptive histogram equalization (CLAHE) and Morphology methods | |
US20230154006A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
CN109671507A (zh) | 一种基于电子健康档案的产科专病关联指标挖掘方法 | |
CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
Sharma et al. | Audio texture analysis of COVID-19 cough, breath, and speech sounds | |
CN112545562A (zh) | 多模态多参数乳腺癌筛查系统、装置及计算机存储介质 | |
CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
Wu et al. | Automatic classification of hepatic cystic echinococcosis using ultrasound images and deep learning | |
Brenes et al. | Multi-task network for automated analysis of high-resolution endomicroscopy images to detect cervical precancer and cancer | |
CN109117871A (zh) | 一种通过深度学习获取肺部病灶恶性概率的系统和方法 | |
CN108962387A (zh) | 一种基于大数据的甲状腺结节风险预测方法及系统 | |
Siddiqui et al. | On the early detection of COVID19 using advanced machine learning techniques: a review | |
Safdarian et al. | Detection and classification of COVID-19 by lungs computed tomography scan image processing using intelligence algorithm | |
CN115050456A (zh) | 一种人工智能医学图像自动诊断系统和方法 | |
CN113822872A (zh) | 一种用于肝癌影像组学图像特征信息提取方法 | |
CN110415817A (zh) | 一种甲状腺结节ct图像诊断系统方法 | |
CN115500817A (zh) | 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 | |
Adeyemo et al. | Impact of pixel scaling on classification accuracy of dermatological skin disease detection | |
Qadir et al. | Covid-19 detection and overcome the scarcity of chest X-Ray datasets based on transfer learning and GAN model | |
AU2021105838A4 (en) | System for Detecting and Screening Pulmonary Nodules Based on Artificial Intelligence |
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: 20181207 |