CN109044283B - 一种基于多模态信息的食道功能性疾病诊断系统 - Google Patents

一种基于多模态信息的食道功能性疾病诊断系统 Download PDF

Info

Publication number
CN109044283B
CN109044283B CN201811014891.0A CN201811014891A CN109044283B CN 109044283 B CN109044283 B CN 109044283B CN 201811014891 A CN201811014891 A CN 201811014891A CN 109044283 B CN109044283 B CN 109044283B
Authority
CN
China
Prior art keywords
esophagus
information
mode information
conditional probability
functional disease
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.)
Active
Application number
CN201811014891.0A
Other languages
English (en)
Other versions
CN109044283A (zh
Inventor
黄智勇
孙大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Gaobo Ruiqi Technology Development Co ltd
Original Assignee
Chongqing Gaobo Ruiqi Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Gaobo Ruiqi Technology Development Co ltd filed Critical Chongqing Gaobo Ruiqi Technology Development Co ltd
Priority to CN201811014891.0A priority Critical patent/CN109044283B/zh
Publication of CN109044283A publication Critical patent/CN109044283A/zh
Application granted granted Critical
Publication of CN109044283B publication Critical patent/CN109044283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4233—Evaluating particular parts, e.g. particular organs oesophagus
    • 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

Abstract

本发明公开了一种基于多模态信息的食道功能性疾病诊断系统，包括多模态信息采集系统、配置有多模态信息预处理系统、多模态信息融合程序以及条件概率表的计算机；所述多模态信息采集系统用于采集多种单模态信息；所述多模态信息预处理系统内对应多模态信息采集系统采集到的每种单模态信息均设有单模态信息预处理单元；所述多模态信息融合程序用于根据单模态信息与条件概率表通过贝叶斯推理模型计算多模态信息融合概率，并根据多模态信息融合概率进行食道功能性疾病的判断。本发明解决现有技术中根据单模态特征来诊断食道功能性疾病的诊断准确率不高的技术问题，能够实现多模态信息融合来进行食道功能性疾病的诊断，能够提高诊断准确率。

Description

一种基于多模态信息的食道功能性疾病诊断系统
技术领域
本发明涉及医疗器械技术领域，尤其是一种食道功能性疾病诊断系统。
背景技术
食道功能性疾病指以食道部位或邻近区域症状为临床表现，应用生化、影像学和内镜检查等并未发现有器质性病变或不能用器质性疾病解释其临床症状的一类食道疾病。根据流行病学统计，世界范围内食道功能性疾病的年平均发病率为25％。在中国，至少有2亿人具有食道功能性疾病相关症状且患者数量呈现逐年增长的趋势，此类患者中有50-60％需要接受准确诊断和对症治疗。最典型的食道功能性疾病主要包括：(1)非糜烂性胃-食道返流病(NERD)；(2)非心源性胸痛(NCCP)；(3)食道动力功能异常(EsophagealMotility Disorders)。
对于食道功能性疾病迫切需要解决的问题大致有三点：(1)NERD患者人群众多，传统监测手段(如内镜)不能发现食道黏膜组织损伤或炎症，单一的检测手段(如pH监测、高分辨率食道测压技术)只能对于相关病症进行排除(如排除功能性烧心)，诊断准确率不高；(2)NCCP与心绞痛(Angina)的症状表现非常相似，误诊率较高；(3)NERD、NCCP和食道痛觉过敏有一定相关性，现有手段不能准确地对此相关性实现量化分析。
基于现有的研究成果，食道压力、食道几何尺寸、食道形态、食道刺激敏感度、食道-胃生理夹角(Hiss)等食道特征都可以作为功能性疾病诊断的标准，但单一的食道特征分析很容易造成误诊，分析特征之间的相关性能有效的提高检测精准度。单一的食道特征可通过相应的传感器进行检测，单一食道特征为单模态信息，共生或共现的多种单模态信息的统称即多模态信息。
如何通过科学的方法提高识食道功能性疾病的诊断准确度，如何进一步研究食道功能性特征相关性，以及如何建立更为精准的食道功能性疾病检测系统是目前急待解决的问题。
发明内容
针对上述现有技术的不足，本发明提供一种基于多模态信息的食道功能性疾病诊断系统，解决现有技术中根据单模态特征来诊断食道功能性疾病的诊断准确率不高的技术问题，能够实现多模态信息融合来进行食道功能性疾病的诊断，能够提高诊断准确率。
为了解决上述技术问题，本发明采用了如下的技术方案：一种基于多模态信息的食道功能性疾病诊断系统，包括多模态信息采集系统以及配置有多模态信息预处理系统、多模态信息融合程序和条件概率表的计算机；所述多模态信息采集系统用于采集多种单模态信息；所述多模态信息预处理系统内对应多模态信息采集系统采集到的每种单模态信息均设有单模态信息预处理单元；所述多模态信息融合程序用于根据单模态信息与条件概率表通过贝叶斯推理模型计算多模态信息融合概率，并根据多模态信息融合概率进行食道功能性疾病的判断。
优选的，所述多模态信息采集系统还包括疼痛反馈画板。
优选的，单模态信息包括食道形态B1、食道横截面积B2、食道-胃生理夹角B3、食道压力B4以及食道疼痛值B5；多模态信息预处理系统中为每种单模态信息均设置对应的单模态信息预处理单元：食道形态预处理单元，用于对食道形态数据进行卡尔曼滤波；食道横截面积预处理单元，用于对食道横截面积数据进行高斯回归；食道-胃生理夹角预处理单元，用于对食道-胃生理夹角进行卡尔曼滤波；食道压力预处理单元，用于对食道压力数据进行低通滤波；食道疼痛值预处理单元，用于对食道疼痛数据进行归一化。
优选的，条件概率表中定义有m种食道功能性疾病，多模态信息融合程序按如下步骤执行：
步骤1：接收多模态信息预处理系统处理后的n种单模态信息；
步骤2：遍历条件概率表，为每种单模态信息均查询出分别对应m种食道功能性疾病的条件概率；其中，根据条件概率表查询第j种食道功能性疾病表现为第i种单模态信息测量值的条件概率P(Bi|Aj)，Bi表示第i种单模态信息，Aj表示第j种食道功能性疾病，i∈{1,...n}，j∈{1,......,m}；
步骤3：根据条件概率以及贝叶斯推理模型为每种食道功能性疾病计算对应的多模态信息融合概率；其中，第j种食道功能性疾病所对应的多模态信息融合概率为P(Aj|B1,Bi,......,Bn)；
步骤4：根据多模态信息融合概率作出食道功能性疾病最终所属种类的分类判决。
优选的，每个单模态信息均对应有m张条件概率表，总共有m×n张条件概率表；其中，条件概率表Eij中存储有第j种食道功能性疾病表现为第i种单模态信息的条件概率，从而通过条件概率表Eij能够根据第i种单模态信息的测量值查询到第j种食道功能性疾病表现为该测量值的条件概率P(Bi|Aj)。
优选的，条件概率表中的条件概率是通过真实临床诊断数据获得，并且条件概率表能够进行更新；多模态信息采集系统采集到的各种单模态信息并行输出给多模态信息预处理系统，多模态信息预处理系统并行处理各单模态信息；多模态信息预处理系统并行输出预处理后的各种单模态信息，多模态信息融合程序通过并行方式执行步骤2，以同时查询各单模态信息对应的条件概率。。
与现有技术相比，本发明具有以下有益效果：
1、本发明的食道功能性疾病诊断系统通过采集多模态信息、对多模态信息进行预处理以及多模态信息的融合来实现对食道功能性疾病的综合性诊断；本发明的多模态信息融合程序结合多模态信息融合与贝叶斯推理，与现有技术中基于单模态信息的诊断相比，能够实现对食道功能性疾病诊断正确率的提高。
2、本发明通过计算单模态条件概率克服了单模态信息之间的差异性，为多模态信息融合提供了基础。
3、本发明通过概率计算以及分类判决来实现对食道功能性疾病的分类诊断，不仅能诊断是否发生食道功能性疾病，还能诊断出具体是何种食道功能性疾病，诊断结果明确；另外，本发明通过概率计算以及分类判决的技术手段，避免了进行复杂的数学建模，易于实现，方便推广应用。
4、本发明利用真实的临床诊断数据，是诊断结果可靠性的重要保证，并且随着临床诊断数据的更新，本发明随之更新条件概率表，使得本发明的多模态信息融合系统能够不断提高诊断准确率。
5、多模态信息预处理系统中为每种单模态信息均设置对应的单模态信息预处理单元，每个单模态信息均对应有m张条件概率表，这样，能够实现并行处理各单模态信息，大大提高了数据处理效率和速度。
附图说明
图1是本具体实施方式中用于食道功能性疾病诊断系统的多模态信息融合系统的结构示意图。
具体实施方式
下面结合附图和优选实施方式对本发明作进一步的详细说明。
如图1所示，一种基于多模态信息的食道功能性疾病诊断系统，包括多模态信息采集系统以及配置有多模态信息预处理系统、多模态信息融合程序和条件概率表的计算机；所述多模态信息采集系统用于采集多种单模态信息；所述多模态信息预处理系统内对应多模态信息采集系统采集到的每种单模态信息均设有单模态信息预处理单元；所述多模态信息融合程序用于根据单模态信息与条件概率表通过贝叶斯推理模型计算多模态信息融合概率，并根据多模态信息融合概率进行食道功能性疾病的判断。
本具体实施方式中，单模态信息包括食道形态B1、食道横截面积B2、食道-胃生理夹角B3、食道压力B4以及食道疼痛值B5；多模态信息预处理系统中为每种单模态信息均设置对应的单模态信息预处理单元：食道形态预处理单元，用于对食道形态数据进行卡尔曼滤波；食道横截面积预处理单元，用于对食道横截面积数据进行高斯回归；食道-胃生理夹角预处理单元，用于对食道-胃生理夹角进行卡尔曼滤波；食道压力预处理单元，用于对食道压力数据进行低通滤波；食道疼痛值预处理单元，用于对食道疼痛数据进行归一化。
本具体实施方式中，多模态信息采集系统包括若干能够对食道产生刺激的单模态食道探头以及疼痛反馈画板。食道疼痛值B5通过可视化测量之后进行归一化获得：通过刺激病人食道，病人对疼痛部位与疼痛等级进行反馈；其中，疼痛部位通过病人在可视化平板上标记出来；根据病人对疼痛部位与疼痛等级的反馈，相应确定数值在[0,1]内的食道疼痛值B5。
单模态食道探头采用现有技术中的单模态食道探头逐一进行单模态信息采集：对于阻抗测面检测食道横截面积B2采用中国专利“一种球囊形态高频动态检测装置(CN107049262A)”中的一种球囊形态高频动态检测装置；对于测压通道检测食道压力B4采用中国专利“一种用于确定空腔器官功能的测压设备及测压系统(CN204181609U)”中的一种用于确定空腔器官功能的测压设备；对于通过陀螺仪通道检测食道形态B1与食道-胃生理夹角B3，采用中国专利“测量和分析身体中空腔器官的轨迹和角度装置(CN103330566B)”中的测量和分析身体中空腔器官的轨迹和角度装置。
由于现有技术中还没有成熟的多模态探头(能够同时采集多种单模态信息)，所以本具体实施方式中的多模态探信息采集系统采用了多种单模态探头，但是，由于为多模态信息预处理系统对应个各个单模态信息均设有独立的单模态信息预处理单元，因此，本发明的基于多模态信息的食道功能性疾病诊断系统对于多模态探头仍然具有兼容性。
本具体实施方式中，条件概率表中定义有m种食道功能性疾病，多模态信息融合程序按如下步骤执行：
步骤1：接收多模态信息预处理系统处理后的n种单模态信息；
步骤2：遍历条件概率表，为每种单模态信息均查询出分别对应m种食道功能性疾病的条件概率；其中，根据条件概率表查询第j种食道功能性疾病表现为第i种单模态信息测量值的条件概率P(Bi|Aj)，Bi表示第i种单模态信息，Aj表示第j种食道功能性疾病，i∈{1,...n}，j∈{1,......,m}；
步骤3：根据条件概率以及贝叶斯推理模型为每种食道功能性疾病计算对应的多模态信息融合概率；其中，第j种食道功能性疾病所对应的多模态信息融合概率为P(Aj|B1,Bi,......,Bn)；
步骤4：根据多模态信息融合概率作出食道功能性疾病最终所属种类的分类判决。
多模态信息预处理系统并行输出预处理后的各种单模态信息，多模态信息融合程序通过并行方式执行步骤2，以同时查询各单模态信息对应的条件概率。
本具体实施方式中，每个单模态信息均对应有m张条件概率表，总共有m×n张条件概率表；其中，条件概率表Eij中存储有第j种食道功能性疾病表现为第i种单模态信息的条件概率，从而通过条件概率表Eij能够根据第i种单模态信息的测量值查询到第j种食道功能性疾病表现为该测量值的条件概率P(Bi|Aj)。
本具体实施方中，第j种食道功能性疾病所对应的多模态信息融合概率P(Aj|B1,Bi,......,Bn)按如下公式计算：
Figure GDA0002828155590000061
其中，P(Aj)表示第j种食道功能性疾病发生的先验概率，P(Aj)等于根据医院数据统计得到的第j种食道功能性疾病的发病率；；P(B1,Bi,......,Bn)表示该组多模态数据(B1,Bi,......,Bn)被检测到的概率；P(B1,Bi,......,Bn|Aj)表示似然值，P(B1,Bi,......,Bn|Aj)＝P(B1|Aj)P(Bi|Aj).....P(Bn|Aj)。
由于多模态数据(B1,Bi,......,Bn)中的各单模态信息之间相互独立，因此，P(B1,Bi,......,Bn)＝P(B1)P(Bi)......P(Bn)，其中P(Bi)为食道功能性疾病患者中具有食道特征Bi的占比，P(Bi)根据临床数据进行统计获得。
本具体实施方式中，根据如下分类判据函数进行分类判决：
Figure GDA0002828155590000062
其中，k表示食道功能性疾病最终所属种类，k∈{1,j,....,m}，k等于最大多模态信息融合概率所对应的食道功能性疾病的种类。
本发明通过概率计算以及分类判决来实现对食道功能性疾病的分类诊断，不仅能诊断是否发生食道功能性疾病，还能诊断出具体是何种食道功能性疾病，诊断结果明确；另外，本发明通过概率计算以及分类判决的技术手段，避免了进行复杂的数学建模，易于实现，方便推广应用。
本具体实施方式中，所述单模态信息包括食道形态B1、食道横截面积B2、食道-胃生理夹角B3、食道压力B4以及食道疼痛值B5；所述食道功能性疾病包括非糜烂性胃-食道反流A1、非心源性胸痛A2、食道动力功能异常A3、其它疾病A4。
本具体实施方中，条件概率表中的条件概率是通过真实临床诊断数据获得，并且条件概率表能够进行更新。本发明利用真实的临床诊断数据，是诊断结果可靠性的重要保证，并且随着临床诊断数据的更新，本发明随之更新条件概率表，使得本发明的多模态信息融合系统能够不断提高诊断准确率。
条件概率P(Bi|Aj)具体是通过如下方式获得：将单模态信息Bi根据阈值分为正常与非正常两类，从真实临床诊断数据中统计确诊为食道功能性疾病Aj的数目M，在确诊患者中具有非正常单模态信息Bi的数目N，则条件概率
Figure GDA0002828155590000071
该条件概率可根据真实临床诊断数据进行不断修正，以更新条条件概率表Eij。

Claims (7)

1.一种基于多模态信息的食道功能性疾病诊断系统，其特征在于：包括多模态信息采集系统以及配置有多模态信息预处理系统、多模态信息融合程序和条件概率表的计算机；所述多模态信息采集系统用于采集多种单模态信息；所述多模态信息预处理系统内对应多模态信息采集系统采集到的每种单模态信息均设有单模态信息预处理单元；所述多模态信息融合程序用于根据单模态信息与条件概率表通过贝叶斯推理模型计算多模态信息融合概率，并根据多模态信息融合概率进行食道功能性疾病的判断；
单模态信息包括食道形态B1、食道横截面积B2、食道-胃生理夹角B3、食道压力B4以及食道疼痛值B5；多模态信息预处理系统中为每种单模态信息均设置对应的单模态信息预处理单元：食道形态预处理单元，用于对食道形态数据进行卡尔曼滤波；食道横截面积预处理单元，用于对食道横截面积数据进行高斯回归；食道-胃生理夹角预处理单元，用于对食道-胃生理夹角进行卡尔曼滤波；食道压力预处理单元，用于对食道压力数据进行低通滤波；食道疼痛值预处理单元，用于对食道疼痛数据进行归一化；
条件概率表中定义有m种食道功能性疾病，多模态信息融合程序按如下步骤执行：
步骤1：接收多模态信息预处理系统处理后的n种单模态信息；
步骤2：遍历条件概率表，为每种单模态信息均查询出分别对应m种食道功能性疾病的条件概率；其中，根据条件概率表查询第j种食道功能性疾病表现为第i种单模态信息测量值的条件概率P(Bi|Aj)，Bi表示第i种单模态信息，Aj表示第j种食道功能性疾病，i∈{1,...n}，j∈{1,......,m}；
步骤3：根据条件概率以及贝叶斯推理模型为每种食道功能性疾病计算对应的多模态信息融合概率；其中，第j种食道功能性疾病所对应的多模态信息融合概率为P(Aj|B1,Bi,......,Bn)；
步骤4：根据多模态信息融合概率作出食道功能性疾病最终所属种类的分类判决；
多模态信息预处理系统并行处理各单模态信息；多模态信息预处理系统并行输出预处理后的各种单模态信息，多模态信息融合程序通过并行方式执行步骤2，以同时查询各单模态信息对应的条件概率。
2.根据权利要求1所述的基于多模态信息的食道功能性疾病诊断系统，其特征在于：所述多模态信息采集系统包括若干能够对食道产生刺激的单模态食道探头以及疼痛反馈画板。
3.根据权利要求2所述的基于多模态信息的食道功能性疾病诊断系统，其特征在于：每个单模态信息均对应有m张条件概率表，总共有m×n张条件概率表；其中，条件概率表Eij中存储有第j种食道功能性疾病表现为第i种单模态信息的条件概率，从而通过条件概率表Eij能够根据第i种单模态信息的测量值查询到第j种食道功能性疾病表现为该测量值的条件概率P(Bi|Aj)。
4.根据权利要求2所述的的基于多模态信息的食道功能性疾病诊断系统，其特征在于：第j种食道功能性疾病所对应的多模态信息融合概率P(Aj|B1,Bi,......,Bn)按如下公式计算：
Figure FDA0002828155580000021
其中，P(Aj)表示第j种食道功能性疾病发生的先验概率；P(B1,Bi,......,Bn)表示该组多模态数据(B1,Bi,......,Bn)被检测到的概率；P(B1,Bi,......,Bn|Aj)表示似然值，P(B1,Bi,......,Bn|Aj)＝P(B1|Aj)P(Bi|Aj).....P(Bn|Aj)。
5.根据权利要求2所述的基于多模态信息的食道功能性疾病诊断系统，其特征在于：根据如下分类判据函数进行分类判决：
Figure FDA0002828155580000022
其中，k表示食道功能性疾病最终所属种类，k∈{1,j,....,m}，k等于最大多模态信息融合概率所对应的食道功能性疾病的种类。
6.根据权利要求1所述的基于多模态信息的食道功能性疾病诊断系统，其特征在于：所述食道功能性疾病包括非糜烂性胃-食道反流A1、非心源性胸痛A2、食道动力功能异常A3、其它疾病A4。
7.根据权利要求4所述的基于多模态信息的食道功能性疾病诊断系统，其特征在于：条件概率表中的条件概率是通过真实临床诊断数据获得，并且条件概率表能够进行更新。
CN201811014891.0A 2018-08-31 2018-08-31 一种基于多模态信息的食道功能性疾病诊断系统 Active CN109044283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811014891.0A CN109044283B (zh) 2018-08-31 2018-08-31 一种基于多模态信息的食道功能性疾病诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811014891.0A CN109044283B (zh) 2018-08-31 2018-08-31 一种基于多模态信息的食道功能性疾病诊断系统

Publications (2)

Publication Number Publication Date
CN109044283A CN109044283A (zh) 2018-12-21
CN109044283B true CN109044283B (zh) 2021-02-02

Family

ID=64758290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811014891.0A Active CN109044283B (zh) 2018-08-31 2018-08-31 一种基于多模态信息的食道功能性疾病诊断系统

Country Status (1)

Country Link
CN (1) CN109044283B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111528808B (zh) * 2020-05-29 2022-12-23 重庆高铂瑞骐科技开发有限公司 一种医用仿生检测探头及其制备方法
CN114237110A (zh) * 2021-12-13 2022-03-25 中国民用航空飞行学院 基于多模态数据驱动的通用航空机队可靠性监测预警系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002087431A1 (en) * 2001-05-01 2002-11-07 Structural Bioinformatics, Inc. Diagnosing inapparent diseases from common clinical tests using bayesian analysis
CN1954769A (zh) * 2005-10-29 2007-05-02 陈其民 食管检测仪及其用品
US8005627B2 (en) * 2006-09-08 2011-08-23 Richard Porwancher Bioinformatic approach to disease diagnosis
CN102068240B (zh) * 2011-02-17 2013-01-09 上海交通大学 全消化道多生理参数无创检测系统
CN104636631B (zh) * 2015-03-09 2018-06-05 江苏中康软件有限责任公司 一种利用糖尿病系统大数据预测糖尿病的装置
GB201602210D0 (en) * 2016-02-08 2016-03-23 Ucl Business Plc Detection of cancer
CN107239647A (zh) * 2016-03-28 2017-10-10 孙少燕 一种基于贝叶斯算法的疾病分析系统
CN106097335B (zh) * 2016-06-08 2019-01-25 安翰光电技术（武汉）有限公司 消化道病灶图像识别系统及识别方法
CN106874655B (zh) * 2017-01-16 2018-12-14 西北工业大学 基于多标记学习和贝叶斯网络的中医症型分类预测方法
CN106618570B (zh) * 2017-01-22 2019-08-20 深圳先进技术研究院 一种基于生物介电谱的皮肤生化指标检测方法及系统
CN106951719A (zh) * 2017-04-10 2017-07-14 荣科科技股份有限公司 临床诊断模型的构建方法及构建系统、临床诊断系统

Also Published As

Publication number Publication date
CN109044283A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
Alvarez et al. Effective cervical neoplasia detection with a novel optical detection system: a randomized trial
US20090204009A1 (en) Medical device system and related methods for diagnosing abnormal medical conditions based on in-vivo optical properties of tissue
US20100022895A1 (en) Diagnosis system of deficient and forceful pulse
CN109044283B (zh) 一种基于多模态信息的食道功能性疾病诊断系统
CN112826513B (zh) 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统
US20160331266A1 (en) Biological impedance measurement probe, measurement system and method based on spectral characteristic
Witt et al. Detection of chronic laryngitis due to laryngopharyngeal reflux using color and texture analysis of laryngoscopic images
WO2009009175A2 (en) Spectral imaging device for hirschsprung's disease
CN111870231B (zh) 一种内窥式肿瘤血管正常化检测系统及检测方法
CN116206741A (zh) 一种消化科医疗信息处理系统及方法
WO2023155310A1 (zh) 一种cbist成像方法及成像系统
CN109192304B (zh) 一种用于食道功能性疾病诊断系统的多模态信息融合系统
CN103735247A (zh) 用于健康状态辨识的掌色分析方法
CN117017310A (zh) 基于知识蒸馏的声电双模先天性心脏病预测装置
CN201365912Y (zh) 一种人体体表超前诊断装置
CN113907765B (zh) 一种无创胎儿心电信号质量评估方法
TW202343474A (zh) 傷口分級評估模型的建立方法、傷口照護評估系統及傷口等級評估方法
CN112807008A (zh) 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和系统
CN110638482A (zh) 一种肠鸣音和腹腔压力的实时监护系统及方法
Morello et al. Design of a wearable sweat sensor for diagnosing Cystic Fibrosis in children
CN117562583B (zh) 人工智能辅助的心脏功能检测系统及方法
García-Arteaga et al. Automatic landmark detection for cervical image registration validation
KR102091828B1 (ko) 임피던스를 이용한 인공지능 기반 피부질환 진단시스템
Li et al. Context Encoder Network with Channel-Wise Attention Mechanism for Nerve Fibers Detection in Corneal Confocal Microscopy Images
CN209915992U (zh) 一种胃肠道黏膜上皮电阻抗测量评估装置

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