CN109524118A - 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 - Google Patents
一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 Download PDFInfo
- Publication number
- CN109524118A CN109524118A CN201811295069.6A CN201811295069A CN109524118A CN 109524118 A CN109524118 A CN 109524118A CN 201811295069 A CN201811295069 A CN 201811295069A CN 109524118 A CN109524118 A CN 109524118A
- Authority
- CN
- China
- Prior art keywords
- physical examination
- examination data
- gestational diabetes
- data
- machine learning
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,应用于疾病筛查技术领域,所述方法包括:获取第一体检数据,并对所获取的第一体检数据进行预处理,得到测试样本;采用基于机器学习和体检数据的妊娠期糖尿病筛查方法所获取的目标模型,作为训练模型,对所得到的测试样本进行训练,并输出预测结果,当输出结果为1表示患有妊娠期糖尿病,否则0表示不患妊娠期糖尿病。应用本发明实施例,利用以LightGBM算法为主的技术,结合健康数据的特点,构建适合于现实应用场景的妊娠期糖尿病筛查模型,该模型可根据孕妇的基因数据和体检指标来预测孕妇是否患有GDM,从而辅助医生的诊疗,为智慧医疗提供解决方案,达到提高公共医疗资源利用率的目的。
Description
技术领域
本发明涉及妊娠期糖尿病筛查技术领域,特别是涉及一种基于机器学习和体检数据的妊娠期糖尿病筛查方法。
背景技术
妊娠期间的糖尿病有两种情况,一种为妊娠前已确诊患糖尿病,称“糖尿病合并妊娠”;另一种为妊娠前糖代谢正常或有潜在糖耐量减退、妊娠期才出现或确诊的糖尿病,又称为“妊娠期糖尿病(Gestational diabetes mellitus,GDM)”。糖尿病孕妇中80%以上为GDM,而GDM在我国的发生率已达17.5%~18.9%。随着社会经济的发展,高龄、孕前超重和肥胖等高危孕妇越来越多,我国GDM发病率近年有明显增高趋势。GDM患者糖代谢多数于产后能恢复正常,但使孕产妇的流产、早产、羊水过多、妊娠期高血压疾病、将来患II型糖尿病等诸多并发症和不良后果增加,同时会引发巨大儿、胎儿畸形等问题,也会对胎儿成年后糖尿病、高血压、冠心病等疾病的发病危险性增加。因此控制妊娠期高血糖对改善母儿并发具有重要意义,这也印证了“上医治未病”的理念。
作为一种常见慢性疾病,糖尿病目前无法根治,但却能通过科学有效的干预、预防和治疗,来降低发病率和提高患者的生活质量。随着大数据时代的来临和基因技术的发展,人们的体检数据越来越多被记录,体检数据的一个特点是数据常常有很多维度(即特征较多),数据缺失值较多(用户并不是对所有的项目都进行体检)。目前使用的方法预测精度不高或者是无法做到有较高的精度的同时具有较高的运行速度。因此有效的使用这些数据资源,利用高精度、高效、且解释性强的算法来挑战糖尿病精准预测这一科学难题显得格外重要。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,旨在利用以LightGBM算法为主的技术,结合健康数据的特点,构建适合于现实应用场景的妊娠期糖尿病筛查模型,该模型可根据孕妇的基因数据和体检指标来预测孕妇是否患有GDM,从而辅助医生的诊疗,为智慧医疗提供解决方案,以达到提高公共医疗资源利用率的目的。
为实现上述目的及其他相关目的,本发明提供一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,所述方法包括:
获取第一体检数据,并对所获取的第一体检数据进行预处理,得到测试样本;
采用基于机器学习和体检数据的妊娠期糖尿病筛查方法所获取的目标模型,作为训练模型,对所得到的测试样本进行训练,并输出预测结果,当输出结果为1表示患有妊娠期糖尿病,否则0表示不患妊娠期糖尿病。
本发明的一种实现方式中,基于机器学习和体检数据的妊娠期糖尿病获取目标模型的步骤,包括:
获取第二体检数据,并对所获取的第二体检数据进行预处理,得到训练样本;
将所述训练样本加载到LightGBM模型进行训练;
利用贝叶斯优化方法,对所述训练模型进行调参,得到训练模型;
基于查全率与查准率的调和评价法,对调参后的训练模型进行评价,确定目标模型。
本发明的一种实现方式中,所述:获取体检数据,并对所获取的体检数据进行预处理,得到训练样本的步骤,包括:
获取体检数据;
对所述体检数据进行冗余数据清洗,并对变量进行编码,其中,所述体检数据中包括正常人群的负样本和患有妊娠期糖尿病的正样本;
均衡化所述负样本和所述正样本;
对均衡化后的样本的缺失数据进行处理,获得训练样本。
本发明的一种实现方式中,所述对均衡化后的样本的缺失数据进行处理的步骤,包括:
采用分特征插补法对于连续型特征用均值填补缺失数据,对离散型数据才用众数填充。
本发明的一种实现方式中,所述利用贝叶斯优化方法,对所述训练模型进行调参,得到训练模型的步骤,包括:
初始化目标函数、设置参数搜索空间、随机产生初始参数集合;
将所述初始参数集合带入LightGBM模型中,并对所述LightGBM模型进行评价,计算所述LightGBM模型的AUC值;
根据所述AUC值更新目标函数,并判断是否满足终止条件;
如果否,利用AC函数寻找下一个参数集合,将所寻找到的下一个参数集合x作为新的参数集合,并返回步骤将新的参数集合带入LightGBM模型中,继续执行;
如果是,则获得模型评价结果、输出参数集合,并保存当前训练好的模型。
本发明的一种实现方式中,所述基于查全率与查准率的调和评价法,对调参后的训练模型进行评价的步骤中,计算评价指标F1的公式如下:
其中,F1为评价指标,p为准确率R为召回率。
如上所述,本发明实施例提供的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法,利用以LightGBM算法为主的技术,结合健康数据的特点,构建适合于现实应用场景的妊娠期糖尿病筛查模型,该模型可根据孕妇的基因数据和体检指标来预测孕妇是否患有GDM,从而辅助医生的诊疗,为智慧医疗提供解决方案,以达到提高公共医疗资源利用率的目的。
附图说明
图1是本发明实施例的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法的一种流程示意图。
图2是本发明实施例的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法的另一种流程示意图。
图3本发明实施例的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法的一种具体实施方式。
图4本发明实施例的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法的一种具体实施方式。
图5本发明实施例的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法的一种具体实施方式。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-5。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本发明时候实施例提供一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,所述方法包括:
S101,获取第一体检数据,并对所获取的第一体检数据进行预处理,得到测试样本。
如图2所示,将所采集到的第一体检数据的原始数据进行冗余数据清洗和特征编码,其中,所述体检数据中包括正常人群的负样本和患有妊娠期糖尿病的正样本,然后进行部分数据用自然语言处理(nlp)的方法进行处理、均衡化处理以及分特征填充缺失数据。具体的,本发明的一种实现方式中,所述:获取体检数据,并对所获取的体检数据进行预处理,得到训练样本的步骤,包括:获取体检数据;对所述体检数据进行冗余数据清洗,并对变量进行编码;均衡化正负样本,使得样本数据中患有糖尿病的样本数目与不患有糖尿病的样本数目相同;对均衡化后的样本的缺失数据进行处理,获得训练样本。
首先,冗余数据清洗;接着对变量进行编码;然后对正负样本均衡化,通常患有妊娠期糖尿病的人数与不患有妊娠期糖尿病的人数比值为0.1-0.25,所以在模型训练前要对数据样本均衡化处理,使两种样本数量相同,最后查看数据的缺失情况,并对缺失数据进行插补。常见对于缺失的数据常见的处理方法有:
(1)删除。删除是最简单最直接的方法,包括删除有缺失数据的样本、删除有过多缺失数据的特征,很多时候也是最有效的方法,这种做法的缺点是可能会导致信息丢失。
(2)补全。用规则或模型将缺失数据补全,这种做法的缺点是可能会引入噪声。
常见的有平均数、中位数、众数、最大值、最小值、固定值、随机数等填充缺失值,也可使用最近邻思想对对缺失值插补;或者可以把缺失列当成标签,用剩下变量来预测缺失值,一般用比较简单的模型,比如可以用KNN,regression tree。
(3)忽略。有一些模型,如随机森林,XGBoost等算法自身能够处理数据缺失的情况,在这种情况下不需要对缺失数据做任何的处理,这种做法的缺点是在模型的选择上有局限,同时预测结果不理想。
(4)查看第一体检数据的缺失情况,然后对正样本和负样本均衡化,通常第一体检数据中患有GDM的人数与不患有GDM的人数比例为0.1~0.25,经过均衡化处理后样本达到均衡(正负样本比例1:1)。
考虑到数据维数较高,数据缺失严重,同时缺失的部分数据变量也很重要,个案剔除法就遇到了困难,因为许多有用的信息也同时被剔除,由于体检数据一般呈现出完整特征比较少,少数完整特征难以估计整体数据分布的特点,作为优选利用分特征插补法,即对于连续型特征用均值填补缺失数据,离散型数据用众数填充。
结合体检数据的特点,利用分特征插补的方法填充缺失值,因为充分考虑到连续型数据与离散数据的特点,处理后预测效果较好。
S102,采用基于机器学习和体检数据的妊娠期糖尿病所获取的目标模型,作为训练模型,对所得到的测试样本进行训练,并输出预测结果,当输出结果为1表示患有妊娠期糖尿病,否则0表示不患妊娠期糖尿病。
如图3所示,通过载入数据并进行预处理,例如,经过贝叶斯调参,然后利用训练好的目标模型对测试集进行与预测,并输出结果。本发明的一种实现方式中,如图4所示,基于机器学习和体检数据的妊娠期糖尿病获取目标模型的步骤,包括:
S1021,获取第二体检数据,并对所获取的第二体检数据进行预处理,得到训练样本。
具体的,实际应用中,第一体检数据是处理前的测试集、第二体检数据是预测集,那么应用中测试集与训练集一般情况下是同时预处理的,这种处理方式会使得模型泛化能力会更好。
S1022,将所述训练样本加载到LightGBM模型进行训练。
S1023,利用贝叶斯优化方法,对所述训练模型进行调参,得到训练模型。
S1024,基于查全率与查准率的调和评价法,对调参后的训练模型进行评价,确定目标模型。
步骤S1021进行预处理的步骤与步骤S101相同,本发明实施例在此不做赘述。且采用训练样本加载到LightGBM模型进行训练,得到训练模型的过程,与LightGBM模型。
具体的,本发明的一种实现方式中,所述基于查全率与查准率的调和评价法,对调参后的训练模型进行评价的步骤中,计算评价指标F1的公式如下:
其中,F1为评价指标,p为准确率R为召回率,正样本数为患GDM的样本数,具体定义数值的时候其数值是为1的样本。
LightGBM中,使用带深度限制的Leaf-wise的叶子生长策略、直方图做差加速、直接支持类别特征(Categorical Feature),同时具有Cache命中率优化、基于直方图的稀疏特征优化、多线程优化等特点,非常适用于本方法所要解决的问题。
使用LightGBM算法预测妊娠期糖尿病更加高效和节约内存。传统的GBDT模型在训练数据时需要对数据进行无数次的遍历。在追求训练速度的同时就需要把数据都预加载在内存中,但这样数据就会受限于内存的大小;如果想要训练更多的数据,就要使用外存版本的决策树算法。但在频繁的I/O下,速度还是比较慢的。对于histogram算法,仅需要存储离散化后的数值,不需要原始的特征数据,也不用预排序,故只需要(data*#features*1Bytes)的内存消耗,仅为预排序算法的1/8。
时间上的开销由原来的O(data*features)降到O(k*features),因此时间上有很大的提升。同时分布式GBDT:1.单个机器在不牺牲速度的情况下,尽可能多地用上更多的数据;2.多机并行的时候,通信的代价尽可能地低,并且在计算上可以做到线性加速。
利用贝叶斯优化进行调参,相对于传统的网格搜索,加快模型的训练速度,更加符合实际应用的需求。
本发明的一种实现方式中,如图5所示,所述利用贝叶斯优化方法,对所述训练模型进行调参,得到训练模型的步骤,包括:
初始化目标函数、设置参数搜索空间、随机产生初始参数集合;
将所述初始参数集合带入LightGBM模型中,并对所述LightGBM模型进行评价,计算所述LightGBM模型的AUC值;
根据所述AUC值更新目标函数,并判断是否满足终止条件;
如果否,利用Acquisition function(下面简称AC函数)寻找下一个参数集合x,将所寻找到的下一个参数集合x作为新的参数集合,并返回步骤将新的参数集合带入LightGBM模型中,继续执行;
如果是,则获得模型评价结果、输出参数集合,并保存当前训练好的模型。
如上所述,本发明实施例提供的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法的控制方法,利用以LightGBM算法为主的技术,结合健康数据的特点,构建适合于现实应用场景的妊娠期糖尿病筛查模型,该模型可根据孕妇的基因数据和体检指标来预测孕妇是否患有GDM,从而辅助医生的诊疗,为智慧医疗提供解决方案,以达到提高公共医疗资源利用率的目的。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,其特征在于,所述方法包括:
获取第一体检数据,并对所获取的第一体检数据进行预处理,得到测试样本;
采用基于机器学习和体检数据的妊娠期糖尿病筛查方法所获取的目标模型,作为训练模型,对所得到的测试样本进行训练,并输出预测结果,当输出结果为1表示患有妊娠期糖尿病,否则0表示不患妊娠期糖尿病。
2.根据权利要求1所述的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,其特征在于,基于机器学习和体检数据的妊娠期糖尿病获取目标模型的步骤,包括:
获取第二体检数据,并对所获取的第二体检数据进行预处理,得到训练样本;
将所述训练样本加载到LightGBM模型进行训练;
利用贝叶斯优化方法,对所述训练模型进行调参,得到训练模型;
基于查全率与查准率的调和评价法,对调参后的训练模型进行评价,确定目标模型。
3.根据权利要1或2所述的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,其特征在于,所述:获取体检数据,并对所获取的体检数据进行预处理,得到训练样本的步骤,包括:
获取体检数据;
对所述体检数据进行冗余数据清洗,并对变量进行编码,其中,所述体检数据中包括正常人群的负样本和患有妊娠期糖尿病的正样本;
均衡化所述负样本和所述正样本;
对均衡化后的样本的缺失数据进行处理,获得训练样本。
4.根据权利要求2所述的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,其特征在于,所述对均衡化后的样本的缺失数据进行处理的步骤,包括:
采用分特征插补法对于连续型特征用均值填补缺失数据,对离散型数据才用众数填充。
5.根据权利要求1或2所述的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,其特征在于,所述利用贝叶斯优化方法,对所述训练模型进行调参,得到训练模型的步骤,包括:
初始化目标函数、设置参数搜索空间、随机产生初始参数集合;
将所述初始参数集合带入LightGBM模型中,并对所述LightGBM模型进行评价,计算所述LightGBM模型的AUC值;
根据所述AUC值更新目标函数,并判断是否满足终止条件;
如果否,利用AC函数寻找下一个参数集合x,将所寻找到的下一个参数集合x作为新的参数集合,并返回步骤将新的参数集合带入LightGBM模型中,继续执行;
如果是,则获得模型评价结果、输出参数集合,并保存当前训练好的模型。
6.根据权利要求1或2所述的一种基于机器学习和体检数据的妊娠期糖尿病筛查方法,其特征在于,所述基于查全率与查准率的调和评价法,对调参后的训练模型进行评价的步骤中,计算评价指标F1的公式如下:
其中,F1为评价指标,p为准确率R为召回率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295069.6A CN109524118A (zh) | 2018-11-01 | 2018-11-01 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295069.6A CN109524118A (zh) | 2018-11-01 | 2018-11-01 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109524118A true CN109524118A (zh) | 2019-03-26 |
Family
ID=65774028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295069.6A Pending CN109524118A (zh) | 2018-11-01 | 2018-11-01 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109524118A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046757A (zh) * | 2019-04-08 | 2019-07-23 | 中国人民解放军第四军医大学 | 基于LightGBM算法的门诊量预测系统及预测方法 |
CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN110808097A (zh) * | 2019-10-30 | 2020-02-18 | 中国福利会国际和平妇幼保健院 | 一种妊娠期糖尿病预测系统及方法 |
CN111312399A (zh) * | 2020-02-24 | 2020-06-19 | 南京鼓楼医院 | 一种早期预测妊娠糖尿病模型的建立方法 |
CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
CN112289435A (zh) * | 2020-10-15 | 2021-01-29 | 浙江大学医学院附属妇产科医院 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 |
CN112509695A (zh) * | 2021-02-05 | 2021-03-16 | 中国医学科学院阜外医院 | 针对稳定型冠心病患者的急性冠脉综合征预警方法及装置 |
CN113257422A (zh) * | 2021-06-04 | 2021-08-13 | 福州大学 | 基于糖代谢数据的疾病预测模型的构建方法及系统 |
CN113470816A (zh) * | 2021-06-30 | 2021-10-01 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446595A (zh) * | 2016-12-16 | 2017-02-22 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
CN106682412A (zh) * | 2016-12-22 | 2017-05-17 | 浙江大学 | 一种基于医疗体检数据的糖尿病预测方法 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
-
2018
- 2018-11-01 CN CN201811295069.6A patent/CN109524118A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446595A (zh) * | 2016-12-16 | 2017-02-22 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
CN106682412A (zh) * | 2016-12-22 | 2017-05-17 | 浙江大学 | 一种基于医疗体检数据的糖尿病预测方法 |
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
Non-Patent Citations (2)
Title |
---|
曹明: "自动化机器学习(AutoML)之自动贝叶斯调参", 《HTTPS://WWW.CNBLOGS.COM/THINK90/ARTICLES/12148142.HTML》 * |
火眼0狻猊: "GBDT、XGBoost、LightGBM的使用及参数调优", 《HTTPS://WWW.JIANSHU.COM/P/OFE45D4E9542?FROM=TIMELINE&ISAPPINSTALLED=0》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046757A (zh) * | 2019-04-08 | 2019-07-23 | 中国人民解放军第四军医大学 | 基于LightGBM算法的门诊量预测系统及预测方法 |
CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN110808097A (zh) * | 2019-10-30 | 2020-02-18 | 中国福利会国际和平妇幼保健院 | 一种妊娠期糖尿病预测系统及方法 |
CN111312399A (zh) * | 2020-02-24 | 2020-06-19 | 南京鼓楼医院 | 一种早期预测妊娠糖尿病模型的建立方法 |
CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
CN112289435A (zh) * | 2020-10-15 | 2021-01-29 | 浙江大学医学院附属妇产科医院 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 |
CN112509695A (zh) * | 2021-02-05 | 2021-03-16 | 中国医学科学院阜外医院 | 针对稳定型冠心病患者的急性冠脉综合征预警方法及装置 |
CN113257422A (zh) * | 2021-06-04 | 2021-08-13 | 福州大学 | 基于糖代谢数据的疾病预测模型的构建方法及系统 |
CN113470816A (zh) * | 2021-06-30 | 2021-10-01 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524118A (zh) | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 | |
CN205665697U (zh) | 基于细胞神经网络或卷积神经网络的医学影像识别诊断系统 | |
CN109214375A (zh) | 一种基于分段采样视频特征的胚胎妊娠结果预测装置 | |
CN110246577B (zh) | 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法 | |
CN106980899A (zh) | 预测血管树血管路径上的血流特征的深度学习模型和系统 | |
CN109754068A (zh) | 基于深度学习预训练模型的迁移学习方法及终端设备 | |
CN108830176A (zh) | 一种睡眠觉醒检测方法、装置及终端 | |
CN110179453A (zh) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 | |
CN108615555A (zh) | 基于标记基因和混合核函数svm的结直肠癌预测方法和装置 | |
CN111145912B (zh) | 一种基于机器学习的个性化超促排卵方案的预测装置 | |
EP4108164A1 (en) | Blood pressure prediction method and device | |
WO2022077888A1 (zh) | 一种光体积描计信号的散点图分类方法和装置 | |
CN110859624A (zh) | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 | |
CN108962382B (zh) | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 | |
CN112085157A (zh) | 基于神经网络和树模型的预测模型建立方法及其装置 | |
Zhuang et al. | Deep active learning framework for lymph node metastasis prediction in medical support system | |
JP2024043567A (ja) | 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム | |
CN111081334A (zh) | 一种基于风险因素概率组合分析的慢性疾病早期预警方法 | |
CN110236497A (zh) | 一种基于舌相和bmi指数的脂肪肝预测方法 | |
CN116992980B (zh) | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 | |
WO2021231044A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
CN108334474A (zh) | 一种基于数据并行的深度学习处理器架构及方法 | |
CN112735480A (zh) | 一种基于神经网络的声带病变检测装置 | |
CN110223780A (zh) | 一种自适应pso-grnn的胎儿体重预测方法及系统 | |
CN111951286A (zh) | 基于u形网络的心室瘢痕分割方法 |
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 |
Application publication date: 20190326 |
|
RJ01 | Rejection of invention patent application after publication |