CN109934415A - 一种基于跨模态深度学习的围术期危重事件预测方法 - Google Patents
一种基于跨模态深度学习的围术期危重事件预测方法 Download PDFInfo
- Publication number
- CN109934415A CN109934415A CN201910223568.2A CN201910223568A CN109934415A CN 109934415 A CN109934415 A CN 109934415A CN 201910223568 A CN201910223568 A CN 201910223568A CN 109934415 A CN109934415 A CN 109934415A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- cross
- module state
- critical event
- 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
本发明涉及一种基于跨模态深度学习的围术期危重事件预测方法，属于人工智能与医疗应用领域。该方法包括步骤1.构建多模态医疗监护数据集；2.患者监护数据与个性化数据双模态融合特征学习；3.跨模态协同学习特征提取；4.构建多模态危重事件(死亡风险)预测模型；5.模型反馈验证。本发明作为一种危重症不良事件预测预警工具，是实现术后主要重症事件的实时追踪、早期诊断和预警的一种有效方法。
Description
技术领域
本发明属于人工智能和医疗应用领域，涉及一种基于跨模态深度学习的围术期危重事件预测方法。
背景技术
目前国内围手术期发生各种危重症不良事件高至12％，导致住院患者病死率最高达到1.1％。在简单的“先兆评分”危重事件预警体系下面，经常不能及时捕捉危重不良事件先兆，导致危重不良事件一旦发生即病情较重或为病程晚期，处治难度较大，干预效果有限。积极开展研究危重不良事件追踪预警和干预提示等研究，有助于早期发现、预警、诊断和干预提示，有重要的科学意义和社会价值。一些国内外机构针对术中直接监护数据经时序数据预处理分析及数据挖掘后是否具备危重不良事件早期诊断和预警价值进行了前沿探索；虽然在监测指标与警戒阈值选择上面做了大量工作，系统的预警干预启动指标还是孤立的阈值触发，也未融合同时开始普及的HIS/PACS/EMR临床数据，必要动态综合判断依赖于个别医务人员的经验判断和分析。在临床数据积累融合基础上，有条件通过大数据手段发现综合、动态的危重事件先兆规律，并通过人工智能技术及时对具体病人提供个性化的危重度判断支持医务人员的干预决策。在此背景下，本项目拟在前期研究基础上采集手术中医护人员视频数据操作数据、监护患者体征数据，融合HIS、PACS、EMR临床病例数据，基于跨模态学习、自监督学习、深度学习构建危重症不良事件预测预警模型，实现术后主要重症事件的实时追踪、早期诊断和预警。
发明内容
有鉴于此，本发明的目的在于提供一种基于跨模态深度学习的围术期危重事件预测方法。
为达到上述目的，本发明提供如下技术方案：
一种基于跨模态深度学习的围术期危重事件预测方法，包括以下步骤：
S1：构建多模态医疗监护数据集；
S2：患者监护数据与个性化数据双模态融合特征学习；
S3：跨模态协同学习特征提取；
S4：构建多模态危重事件预测模型；
S5：模型反馈验证。
进一步，在步骤S1中，通过开展多模态数据时序同步技术、数据预处理技术及数据脱敏技术研究，构建多模态医疗监护数据集，为研究奠定数据基础。
进一步，在步骤S1中，患者医疗数据包括类型：
(1)检查手段产生的测量数值；
(2)仪器记录的信号；
(3)文本形式呈现的报告结果；
(4)叙述性的数据；
(5)手术操作的视频数；
(6)人口统计数据。
进一步，在步骤S1中，不同类型的医学数据来自不同的渠道，拥有完整且独立的语义；并能够相互印证相互补充，都从特定的角度表达医学信息的内容和特点，构成多样且互补的数据集合；
构建多模态患者医疗数据集的具体方法包括：高分辨率多变量的监护数据的时序同步、患者个性化数据的归一化和手术视频数据的预处理。
进一步，在步骤S2中，通过融合生命体征数据和电子病历EMR中的患者个性化数据进行双模态特征提取，进行危重不良事件预测，为跨模态协同学习提供教师网络；
构建的医疗多模态数据包括3类数据：手术视频数据、患者监护数据和患者相关的个性化数据；
监护数据和个性化数据包含患者的主要个体信息；
双模态融合学习具体方法为：通过时序卷积网络学习时序监护特征数据，得到时序监护体征特征，然后结合患者个性化数据信息进行全连接层网络学习。
进一步，步骤S3中，研究跨模态协同学习将手术视频操作模态数据、患者监护数据和个性化数据映射到同一个隐性语义空间，根据多模态数据的自然同时性提取监督信息，然后用无监督的方式进行跨模态特征学习；
手术视频包含手术信息数据，体现医生的操作流程，高水平的外科操作能给患者带来更好的预后；
使用手术视频和监护数据中有价值的信息源，即手术视频与患者的监护数据流之间的对应关系；它们同时出现在同一患者的手术中，一个模态的信息来自于患者自身的信息，一个模态的信息来自于外科手术医生操作即手术信息。
进一步，在步骤S4中，为更好的预测多模态危重事件，跨模态特征研究融合多模态医疗数据来进行危重事件的预测；
手术流程理解网络检测手术过程中外科医生手术操作，为实现预测网络根据反馈信息网络必须提取医生手术过程中解剖器官的清晰度，患者的流血量、手术操作的条理性。
进一步，在步骤S4中，时序监护理解网络即为时序卷积网络，用于自动发现患者时间序列数据中的预测多变量动态模式特征。
进一步，在步骤S4中，患者的个性化数据通过归一化处理直接如何模型的特征融合层，进行直接分类预测。
进一步，在步骤S4中，将手术流程理解网络提取的视频特征，时序监护理解网络提取的时序特征，和个性化数据的个性特征进行特征融合，即能够进行危重事件的预测。
本发明的有益效果在于：通过本发明的基于跨模态深度学习的围术期危重事件预测方法，实现监护期间主要重症事件的实时追踪和早期预警，减少患者术后并发症，提高危重不良事件的早期诊断效率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明实施例所述研究方案图；
图2为本发明实施例所述双模态融合学习结构图；
图3为本发明实施例所述跨模态协同特征学习结构图；
图4为本发明实施例所述多模态危重不良事件预测结构图。
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。需要说明的是，以下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，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，一种基于跨模态深度学习的围术期危重事件预测方法，包括以下步骤：
100：构建多模态医疗监护数据集；
200：患者监护数据与个性化数据双模态融合特征学习；
300：跨模态协同学习特征提取；
400：构建多模态危重事件(死亡风险)预测模型。
500：模型反馈验证。
步骤100中，患者医疗数据包括多种类型：(1)检查手段产生的测量数值；(2)仪器记录的信号；(3)文本形式呈现的报告结果；(4)叙述性的数据；(5)手术操作的视频数；(6)人口统计数据。
图2为本发明实施例所述双模态融合学习结构图。图3为本发明实施例所述跨模态协同特征学习结构图；图4为本发明实施例所述多模态危重不良事件预测结构图。
步骤200中，通过融合高分辨率生命体征数据和电子病历(EMR)中的患者个性化数据进行双模态特征提取，进行危重不良事件预测。
步骤200中，在双模态数据融合特征学习阶段监测患者的生命体征时，虽然可以有一种连续的患者监护数据，但常用的评价体系仍是评分方式。
步骤300中，跨模态协同特征学习中的模态通常在现实生活中以不同的信息模态出现，由于不同信息资源的统计特性不同，发现不同模态之间的关系是非常重要的。
可选地，在步骤100中，检查手段产生的测量数值，例如：体温、血压、血氧饱和度和化验值等。
可选地，在步骤100中：仪器记录的信号，例如：心电图、脑电图等。
可选地，在步骤100中：文本形式呈现的报告结果，例如：医生结合自身医学知识给出的针对测量数值、信号、图像的解释和医生做出的病理诊断等。
可选地，在步骤100中：叙述性的数据，例如：医生记录的主诉(患者口述的病情)。
可选地，在步骤100中：人口统计数据，例如：医院的机构信息、医生和患者的个人信息等。
可选地，在步骤200中，高分辨率生命体征数据，例如：心率、血压、呼吸率等。
可选地：在步骤200中，评价体系的评分方式，例如：APACHE和SAPS是基于这些生命体征的快照值(通常是24小时期间最差的值)。
可选的，在步骤300中，现实生活中的信息通常以不同的模态出现，他们的信息资源统计特征不同，例如：图像通常与标签和文本解释联系在一起。其中，图像通常表示为特征提取器的像素强度或输出，而文本则表示为离散的词向量。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：该方法包括以下步骤：
S1：构建多模态医疗监护数据集；
S2：患者监护数据与个性化数据双模态融合特征学习；
S3：跨模态协同学习特征提取；
S4：构建多模态危重事件预测模型；
S5：模型反馈验证。
2.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S1中，通过开展多模态数据时序同步技术、数据预处理技术及数据脱敏技术研究，构建多模态医疗监护数据集，为研究奠定数据基础。
3.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S1中，患者医疗数据包括类型：
(1)检查手段产生的测量数值；
(2)仪器记录的信号；
(3)文本形式呈现的报告结果；
(4)叙述性的数据；
(5)手术操作的视频数；
(6)人口统计数据。
4.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S1中，不同类型的医学数据来自不同的渠道，拥有完整且独立的语义；并能够相互印证相互补充，都从特定的角度表达医学信息的内容和特点，构成多样且互补的数据集合；
构建多模态患者医疗数据集的具体方法包括：高分辨率多变量的监护数据的时序同步、患者个性化数据的归一化和手术视频数据的预处理。
5.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S2中，通过融合生命体征数据和电子病历EMR中的患者个性化数据进行双模态特征提取，进行危重不良事件预测，为跨模态协同学习提供教师网络；
构建的医疗多模态数据包括3类数据：手术视频数据、患者监护数据和患者相关的个性化数据；
监护数据和个性化数据包含患者的主要个体信息；
双模态融合学习具体方法为：通过时序卷积网络学习时序监护特征数据，得到时序监护体征特征，然后结合患者个性化数据信息进行全连接层网络学习。
6.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：步骤S3中，研究跨模态协同学习将手术视频操作模态数据、患者监护数据和个性化数据映射到同一个隐性语义空间，根据多模态数据的自然同时性提取监督信息，然后用无监督的方式进行跨模态特征学习；
手术视频包含手术信息数据，体现医生的操作流程，高水平的外科操作能给患者带来更好的预后；
使用手术视频和监护数据中有价值的信息源，即手术视频与患者的监护数据流之间的对应关系；它们同时出现在同一患者的手术中，一个模态的信息来自于患者自身的信息，一个模态的信息来自于外科手术医生操作即手术信息。
7.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S4中，为更好的预测多模态危重事件，跨模态特征研究融合多模态医疗数据来进行危重事件的预测；
手术流程理解网络检测手术过程中外科医生手术操作，为实现预测网络根据反馈信息网络必须提取医生手术过程中解剖器官的清晰度，患者的流血量、手术操作的条理性。
8.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S4中，时序监护理解网络即为时序卷积网络，用于自动发现患者时间序列数据中的预测多变量动态模式特征。
9.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S4中，患者的个性化数据通过归一化处理直接如何模型的特征融合层，进行直接分类预测。
10.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S4中，将手术流程理解网络提取的视频特征，时序监护理解网络提取的时序特征，和个性化数据的个性特征进行特征融合，即能够进行危重事件的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223568.2A CN109934415B (zh) | 2019-03-22 | 2019-03-22 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223568.2A CN109934415B (zh) | 2019-03-22 | 2019-03-22 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109934415A true CN109934415A (zh) | 2019-06-25 |
| CN109934415B CN109934415B (zh) | 2022-09-30 |
Family
ID=66988094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910223568.2A Active CN109934415B (zh) | 2019-03-22 | 2019-03-22 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934415B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110491511A (zh) * | 2019-07-24 | 2019-11-22 | 广州知汇云科技有限公司 | 一种基于围术期危险预警的多模型互补增强机器学习方法 |
| CN110517770A (zh) * | 2019-08-28 | 2019-11-29 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
| CN111899866A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的外科手术并发症评测系统 |
| CN111916207A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种基于多模态融合的疾病识别方法及装置 |
| WO2021012203A1 (zh) * | 2019-07-24 | 2021-01-28 | 广州知汇云科技有限公司 | 基于围术期危险预警的多模型互补增强机器学习平台 |
| CN112309521A (zh) * | 2020-10-31 | 2021-02-02 | 海南大学 | 面向本质计算的跨模态用户医疗数据分析方法 |
| CN112329856A (zh) * | 2020-11-06 | 2021-02-05 | 神农智慧农业研究院南京有限公司 | 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法 |
| CN113223723A (zh) * | 2021-05-11 | 2021-08-06 | 胡敏雄 | 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN114613520A (zh) * | 2022-03-17 | 2022-06-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于时态逻辑的多来源围术期时序数据的治理方法 |
| CN114613520B (zh) * | 2022-03-17 | 2024-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于时态逻辑的多来源围术期时序数据的治理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303496A (zh) * | 2015-11-19 | 2016-02-03 | 李涛 | 基于移动互联网的智能外科手术信息管理系统 |
| CN105453093A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 出院处的患者风险因子的建模 |
| CN107657990A (zh) * | 2017-09-22 | 2018-02-02 | 中国科学院重庆绿色智能技术研究院 | 一种手术记录录入的辅助支持系统及方法 |
| CN109147943A (zh) * | 2018-06-28 | 2019-01-04 | 刘毅 | 围术期评估及指导系统 |
| WO2019045637A2 (en) * | 2017-08-28 | 2019-03-07 | Agency For Science, Technology And Research | PREDICTIVE ANALYTICAL SOLUTION FOR CUSTOM CLINIC DECISION ASSISTANCE |
-
2019
- 2019-03-22 CN CN201910223568.2A patent/CN109934415B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105453093A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 出院处的患者风险因子的建模 |
| CN105303496A (zh) * | 2015-11-19 | 2016-02-03 | 李涛 | 基于移动互联网的智能外科手术信息管理系统 |
| WO2019045637A2 (en) * | 2017-08-28 | 2019-03-07 | Agency For Science, Technology And Research | PREDICTIVE ANALYTICAL SOLUTION FOR CUSTOM CLINIC DECISION ASSISTANCE |
| CN107657990A (zh) * | 2017-09-22 | 2018-02-02 | 中国科学院重庆绿色智能技术研究院 | 一种手术记录录入的辅助支持系统及方法 |
| CN109147943A (zh) * | 2018-06-28 | 2019-01-04 | 刘毅 | 围术期评估及指导系统 |
Non-Patent Citations (2)
| Title |
|---|
| 翟霄等: "支持多模态医学数据融合的并行加载算法", 《数据采集与处理》 * |
| 陈潇君等: "深度机器学习辅助医院智能化管理", 《中国现代医学杂志》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021012203A1 (zh) * | 2019-07-24 | 2021-01-28 | 广州知汇云科技有限公司 | 基于围术期危险预警的多模型互补增强机器学习平台 |
| CN110491511A (zh) * | 2019-07-24 | 2019-11-22 | 广州知汇云科技有限公司 | 一种基于围术期危险预警的多模型互补增强机器学习方法 |
| CN110517770B (zh) * | 2019-08-28 | 2021-08-17 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
| CN110517770A (zh) * | 2019-08-28 | 2019-11-29 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
| CN111899866B (zh) * | 2020-07-28 | 2022-04-22 | 四川大学华西医院 | 基于深度学习的外科手术并发症评测系统 |
| CN111899866A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的外科手术并发症评测系统 |
| CN111916207A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种基于多模态融合的疾病识别方法及装置 |
| CN111916207B (zh) * | 2020-08-07 | 2023-08-08 | 杭州深睿博联科技有限公司 | 一种基于多模态融合的疾病识别方法及装置 |
| CN112309521A (zh) * | 2020-10-31 | 2021-02-02 | 海南大学 | 面向本质计算的跨模态用户医疗数据分析方法 |
| CN112309521B (zh) * | 2020-10-31 | 2021-09-10 | 海南大学 | 面向本质计算的跨模态用户医疗数据分析方法 |
| CN112329856A (zh) * | 2020-11-06 | 2021-02-05 | 神农智慧农业研究院南京有限公司 | 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法 |
| CN112329856B (zh) * | 2020-11-06 | 2024-05-14 | 神农智慧农业研究院南京有限公司 | 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法 |
| CN113223723A (zh) * | 2021-05-11 | 2021-08-06 | 胡敏雄 | 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 |
| CN113223723B (zh) * | 2021-05-11 | 2023-08-25 | 福建省立医院 | 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 |
| CN114613520A (zh) * | 2022-03-17 | 2022-06-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于时态逻辑的多来源围术期时序数据的治理方法 |
| CN114613520B (zh) * | 2022-03-17 | 2024-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于时态逻辑的多来源围术期时序数据的治理方法 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109934415B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934415A (zh) | 一种基于跨模态深度学习的围术期危重事件预测方法 | |
| Padoy | Machine and deep learning for workflow recognition during surgery | |
| Kitaguchi et al. | Automated laparoscopic colorectal surgery workflow recognition using artificial intelligence: experimental research | |
| Ahmidi et al. | An objective and automated method for assessing surgical skill in endoscopic sinus surgery using eye‐tracking and tool‐motion data | |
| Murali¹ et al. | Artificial intelligence in healthcare–a review | |
| Fox et al. | Eye-tracking in the study of visual expertise: methodology and approaches in medicine. | |
| Kirubarajan et al. | Artificial intelligence and surgical education: a systematic scoping review of interventions | |
| US20230039882A1 (en) | Artificial intelligence-based platform to optimize skill training and performance | |
| Qureshi et al. | Artificial intelligence and biosensors in healthcare and its clinical relevance: A review | |
| AL-Hashimi et al. | Artificial intelligence and coronavirus COVID-19: applications, impact and future implications | |
| WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
| Ghantasala et al. | Prediction of Coronavirus (COVID-19) Disease Health Monitoring with Clinical Support System and Its Objectives | |
| Kadkhodamohammadi et al. | Towards video-based surgical workflow understanding in open orthopaedic surgery | |
| Huang et al. | An improved model using convolutional sliding window-attention network for motor imagery EEG classification | |
| CN113974589A (zh) | 多模态行为范式评估优化系统及认知能力评价方法 | |
| Subasi et al. | Digital twins in healthcare and biomedicine | |
| Mohamadipanah et al. | Can deep learning algorithms help identify surgical workflow and techniques? | |
| Bala et al. | Applications of Machine Learning and Deep Learning for maintaining Electronic Health Records | |
| Dai | Evaluating the effect of different Mode's attributes on the subjective classification in the case of TCM | |
| Learning et al. | Indian Sign Language | |
| Shelke et al. | Empirical analysis of deep learning techniques for enhancing patient treatment facilities in healthcare sector | |
| Payal et al. | Recent advances of Machine Learning Techniques in Biomedicine | |
| Sulaiman et al. | COVID-19: Toward Artificial Intelligence Algorithms | |
| McCay | Automated early prediction of cerebral palsy: interpretable pose-based assessment for the identification of abnormal infant movements | |
| Javaid et al. | Computer Vision to Enhance Healthcare Domain: An Overview of Features, Implementation, and Opportunities |
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 |