CN110097955B - 一种基于支持向量机分类器的儿科智能急诊预检分诊系统 - Google Patents

一种基于支持向量机分类器的儿科智能急诊预检分诊系统 Download PDF

Info

Publication number
CN110097955B
CN110097955B CN201910170310.0A CN201910170310A CN110097955B CN 110097955 B CN110097955 B CN 110097955B CN 201910170310 A CN201910170310 A CN 201910170310A CN 110097955 B CN110097955 B CN 110097955B
Authority
CN
China
Prior art keywords
pediatric
infant
information
module
support vector
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
CN201910170310.0A
Other languages
English (en)
Other versions
CN110097955A (zh
Inventor
徐兆红
秦晶
戴柯
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.)
Shanghai Dashi Medical Technology Co ltd
Original Assignee
Shanghai Dashi Medical Technology 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 Shanghai Dashi Medical Technology Co ltd filed Critical Shanghai Dashi Medical Technology Co ltd
Priority to CN201910170310.0A priority Critical patent/CN110097955B/zh
Publication of CN110097955A publication Critical patent/CN110097955A/zh
Application granted granted Critical
Publication of CN110097955B publication Critical patent/CN110097955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明涉及一种基于支持向量机分类器的儿科智能急诊预检分诊系统，包括：儿科分诊报告数据库；儿患病情分类模块；数据采集模块；支持向量机分类模块，用于将儿科分诊报告数据库存放的儿患信息、儿患病情分类模块中存放的病情严重程度以及所述数据采集模块经过处理后输出的所述儿患信息作为训练分类数据，预先训练得到儿科急诊预检分诊推荐模块并保存；儿患信息接收模块，用于获取输入的儿患信息；儿科急诊预检分诊推荐模块，用于将儿患信息作为输入数据输入至儿科急诊预检分诊推荐模块中，并获取所述支持向量机分类模块的输出结果。本发明利用支持向量机分类模块构建机器学习模型，提高分诊准确度，辅助护士进行分诊，有着重要的科研价值和市场应用前景。

Description

一种基于支持向量机分类器的儿科智能急诊预检分诊系统
技术领域
本发明属于儿科急诊预检分诊机器学习领域，尤其涉及一种基于支持向量机分类器的儿科智能急诊预检分诊方法。
背景技术
儿科患者由于特殊的生理、病理特征，加上年龄跨度较大，疾病种类较为复杂，病情多进展变化快，故多数家长存在较为严重的焦虑、急躁等负性情绪。同时，因儿科急诊人流量大，无法及时给予所有患儿高质量的护理服务，故患儿家属对医院就诊的满意度较低，对医院治疗与护理服务的要求则不断提高。
预检分诊是依据疾病严重程度、治疗优先顺序的原则，于合理应用急诊资源原则下快速分类患者，明确治疗优先顺序的相关过程。急诊科是医院的重要组成部分，主要收治危急重症患者，也是开展急救抢救工作的第一场所。预检分诊是有效开展急诊工作的第一步，指的是通过病情诊断标准将就诊患者准确而快速的进行分类，进而提升急救效率和质量，同时也避免了医疗资源浪费的情况。
根据国家卫生部颁发有《急诊病人病情分级指导原则》，与儿科实际情况相结合，根据儿患病情评估结果进行分级，按病情严重程度可以分为四类：濒危、危重、急诊、非急诊。
濒危、危重患儿直接通过急诊绿色通道进行救治，可后挂号。急症患儿先派号后挂号，按顺序候诊治疗排在非急症患儿之前，所患儿病情加重可通过绿色通道进行救治。非急症患儿先派号后挂号，后根据病情严重性分为门诊和急诊按顺序候诊就医。
儿科急诊预检分诊系统的儿患病情严重程度分级，涉及到儿患基本病史与体格数据、儿患生命体征数据、儿患症状问诊数据。开展儿科急诊预检分诊，需要对护理人员进行培训，存在护士分诊准确性不够的问题。若让儿科医生进行儿科急诊预检分诊，存在医生资源浪费问题。
发明内容
本发明目的是为了克服现有技术的不足而提供一种采用人工智能方法，构建机器学习模型，学习儿患病情严重程度分级报告，提高分诊准确度，辅助护士进行分诊的基于支持向量机分类器的儿科智能急诊预检分诊系统。
为达到上述目的，本发明采用的技术方案是：一种基于支持向量机分类器的儿科智能急诊预检分诊系统，包括：
儿科分诊报告数据库，用于存放各种的儿患信息；
儿患病情分类模块，用于存放每种儿患信息对应的病情严重程度；
数据采集模块，用于采集儿患信息并进行预处理后输出到支持向量机分类模块中；
支持向量机分类模块，分别与所述儿科分诊报告数据库、儿患病情分类模块、数据采集模块相连，用于将儿科分诊报告数据库存放的儿患信息、儿患病情分类模块中存放的病情严重程度以及所述数据采集模块经过处理后输出的所述儿患信息作为训练分类数据，预先训练得到一儿科急诊预检分诊推荐模块并保存；
儿患信息接收模块，用于获取输入的儿患信息；
儿科急诊预检分诊推荐模块，分别连接所述支持向量机分类模块和所述儿患信息接收模块，用于将所述儿患信息作为输入数据输入至所述儿科急诊预检分诊推荐模块中，并获取所述支持向量机分类模块的输出结果，以作为关联于所述儿患信息的儿科急诊预检分诊的结果。
进一步的，所述儿科分诊报告数据库中的儿患信息包括问诊、生命体征、病史和体格数据。
进一步的，所述病情严重程度分为濒危、危重、急诊、非急诊四种。
进一步的，所述数据采集模块的采集方法为：通过语音交互，采集儿患症状问诊数据；通过医疗设备，采集儿患生命体征数据；通过儿患个人信息，采集儿患基本病史与体格数据。
进一步的，所述数据采集模块对采集的儿患信息并进行预处理的方法为：采用自然语言处理方法，结构化问诊信息，获取儿患症状数据；通过物联网数据接口，获取儿患生命体征数据；结构化儿患个人信息，获取儿患病史和体格数据。
进一步的，所述支持向量机分类模块的构造过程如下：
1)对于给定的训练数据集D，D＝{(X1，Y1)，…，(Xm，Ym)}； Xi＝(x1，x2，x3，x4)；Yi＝{1，2，3，4}，i＝1，2，…，m。x1，x2，x3，x4分别为问诊、生命 体征、病史、体格数据；1表示濒危、2表示危重、3表示急诊、4 表示非急诊；
2)支持向量机在训练数据特征空间划分如下超平面，即 ωTX+b＝0，其中ω为超平面的法向量；b为位移项；若超平面能够 对训练数据集正确分类，即Yi(ωTXi+b)≥1；当训练数据使上式等号成 立时，它们被称为支持向量。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：
本发明方案的基于支持向量机分类器的儿科智能急诊预检分诊系统，采用人工智能方法，利用支持向量机分类模块构建机器学习模型，学习儿患病情严重程度分级报告，提高分诊准确度，辅助护士进行分诊，有着重要的科研价值和市场应用前景。
附图说明
下面结合附图对本发明技术方案作进一步说明：
附图1为本发明的结构示意图；
其中：1、儿科分诊报告数据库；2、儿患病情分类模块；3、数据采集模块；4、支持向量机分类模块；5、儿患信息接收模块；6、儿科急诊预检分诊推荐模块。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
参阅附图1，本发明所述的一种基于支持向量机分类器的儿科智能急诊预检分诊系统，包括：儿科分诊报告数据库1，用于存放各种的儿患信息，其中的儿患信息包括问诊、生命体征、病史和体格数据；儿患病情分类模块2，用于存放每种儿患信息对应的病情严重程度，病情严重程度分为濒危、危重、急诊、非急诊四种，其中，这四类采用医生手动审核标记的方法，针对每份儿科分诊报告，人工标记出四类病情严重程度，然后输入到支持向量机分类模块4中。
数据采集模块3，用于采集儿患信息并进行预处理后输出到支持向量机分类模块4中；支持向量机分类模块4，分别与所述儿科分诊报告数据库1、儿患病情分类模块2、数据采集模块3相连，用于将儿科分诊报告数据库1存放的儿患信息、儿患病情分类模块2中存放的病情严重程度以及所述数据采集模块3经过处理后输出的所述儿患信息作为训练分类数据，预先训练得到一儿科急诊预检分诊推荐模块6并保存；儿患信息接收模块5，用于获取输入的儿患信息；儿科急诊预检分诊推荐模块6，分别连接所述支持向量机分类模块6和所述儿患信息接收模块5，用于将所述儿患信息作为输入数据输入至所述儿科急诊预检分诊推荐模块6中，并获取所述支持向量机分类模块4的输出结果，以作为关联于所述儿患信息的儿科急诊预检分诊的结果。
作为进一步的优选实施例，所述数据采集模块的采集方法为：通过语音交互，采集儿患症状问诊数据；通过医疗设备，采集儿患生命体征数据；通过儿患个人信息，采集儿患基本病史与体格数据。
作为进一步的优选实施例，所述数据采集模块对采集的儿患信息并进行预处理的方法为：采用自然语言处理方法，结构化问诊信息，获取儿患症状数据；通过物联网数据接口，获取儿患生命体征数据；结构化儿患个人信息，获取儿患病史和体格数据。
其中，所述支持向量机分类模块的构造过程如下：
1)对于给定的训练数据集D，D＝{(X1，Y1)，…，(Xm，Ym)}； Xi＝(x1，x2，x3，x4)；Yi＝{1，2，3，4}，i＝1，2，…，m。x1，x2，x3，x4分别为问诊、生命 体征、病史、体格数据；1表示濒危、2表示危重、3表示急诊、4 表示非急诊；
2)支持向量机在训练数据特征空间划分如下超平面，即 ωTX+b＝0，其中ω为超平面的法向量；b为位移项；若超平面能 够对训练数据集正确分类，即Yi(ωTXi+b)≥1；当训练数据使上式等 号成立时，它们被称为支持向量。
本发明的具体实施方式如下：
（1）采集含问诊、生命体征、病史、体格数据等儿科分诊报告大数据；采用自然语言处理方法，结构化儿科分诊报告，获取儿患症状数据、生命体征数据、儿患病史、体格数据。
（2）针对每份儿科分诊报告，人工标记出四类病情严重程度情况，即濒危、危重、急诊、非急诊中的一种。
（3）把数字化的儿患症状数据、生命体征数据、儿患病史、体格数据作为支持向量机分类模块的输入，对应的病情严重程度作为支持向量机分类模块的输出，训练支持向量机分类模块，构建急诊预检分诊的分类器。
（4）把急诊预检分诊支持向量机分类器部署在服务器上。
（5）使用智能分诊系统的过程中，实时采集问诊、生命体征、病史、体格数据。
（6）采用自然语言处理方法，获取儿患症状数据、生命体征数据、儿患病史、体格数据。
（7）把数字化的儿患症状数据、生命体征数据、儿患病史、体格数据上传给服务器上的支持向量机分类器。
（8）支持向量机分类器输出急诊预检分诊结果，即四类病情严重程度情况（濒危、危重、急诊、非急诊）中的一种。
本发明的基于支持向量机分类器的儿科智能急诊预检分诊系统，采用人工智能方法，利用支持向量机分类模块构建机器学习模型，学习儿患病情严重程度分级报告，提高分诊准确度，辅助护士进行分诊，有着重要的科研价值和市场应用前景。
以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (4)

1.一种基于支持向量机分类器的儿科智能急诊预检分诊系统，其特征在于，包括：
儿科分诊报告数据库，用于存放各种的儿患信息；
儿患病情分类模块，用于存放每种儿患信息对应的病情严重程度；
数据采集模块，用于采集儿患信息并进行预处理后输出到支持向量机分类模块中；
支持向量机分类模块，分别与所述儿科分诊报告数据库、儿患病情分类模块、数据采集模块相连，用于将儿科分诊报告数据库存放的儿患信息、儿患病情分类模块中存放的病情严重程度以及所述数据采集模块经过处理后输出的所述儿患信息作为训练分类数据，预先训练得到一儿科急诊预检分诊推荐模块并保存；
儿患信息接收模块，用于获取输入的儿患信息；
儿科急诊预检分诊推荐模块，分别连接所述支持向量机分类模块和所述儿患信息接收模块，用于将所述儿患信息作为输入数据输入至所述儿科急诊预检分诊推荐模块中，并获取所述支持向量机分类模块的输出结果，以作为关联于所述儿患信息的儿科急诊预检分诊的结果;
其中，所述病情严重程度分为濒危、危重、急诊、非急诊四种；
所述支持向量机分类模块的构造过程如下：
1）对于给定的训练数据集D，
Figure DEST_PATH_IMAGE001
；/>
Figure 437878DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
，/>
Figure 745231DEST_PATH_IMAGE004
；/>
Figure DEST_PATH_IMAGE005
分别为问诊、生命体征、病史、体格数据；1表示濒危、2表示危重、3表示急诊、4表示非急诊；
2）支持向量机在训练数据特征空间划分如下超平面，即
Figure 915181DEST_PATH_IMAGE006
，其中ω为超平面的法向量；b为位移项；若超平面能够对训练数据集正确分类，即/>
Figure DEST_PATH_IMAGE007
；当训练数据使上式等号成立时，它们被称为支持向量。
2.根据权利要求1所述的基于支持向量机分类器的儿科智能急诊预检分诊系统，其特征在于：所述儿科分诊报告数据库中的儿患信息包括问诊、生命体征、病史和体格数据。
3.根据权利要求2所述的基于支持向量机分类器的儿科智能急诊预检分诊系统，其特征在于：所述数据采集模块的采集方法为：通过语音交互，采集儿患症状问诊数据；通过医疗设备，采集儿患生命体征数据；通过儿患个人信息，采集儿患基本病史与体格数据。
4.根据权利要求3所述的基于支持向量机分类器的儿科智能急诊预检分诊系统，其特征在于：所述数据采集模块对采集的儿患信息并进行预处理的方法为：采用自然语言处理方法，结构化问诊信息，获取儿患症状数据；通过物联网数据接口，获取儿患生命体征数据；结构化儿患个人信息，获取儿患病史和体格数据。
CN201910170310.0A 2019-03-07 2019-03-07 一种基于支持向量机分类器的儿科智能急诊预检分诊系统 Active CN110097955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910170310.0A CN110097955B (zh) 2019-03-07 2019-03-07 一种基于支持向量机分类器的儿科智能急诊预检分诊系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910170310.0A CN110097955B (zh) 2019-03-07 2019-03-07 一种基于支持向量机分类器的儿科智能急诊预检分诊系统

Publications (2)

Publication Number Publication Date
CN110097955A CN110097955A (zh) 2019-08-06
CN110097955B true CN110097955B (zh) 2023-06-23

Family

ID=67443896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910170310.0A Active CN110097955B (zh) 2019-03-07 2019-03-07 一种基于支持向量机分类器的儿科智能急诊预检分诊系统

Country Status (1)

Country Link
CN (1) CN110097955B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675945A (zh) * 2019-09-25 2020-01-10 四川省妇幼保健院 一种急诊儿科五级分级分诊系统及方法
CN110874409A (zh) * 2019-10-22 2020-03-10 清华大学 病情分级预测系统、方法、电子设备及可读存储介质
CN111951942B (zh) * 2020-08-25 2022-10-11 河北省科学院应用数学研究所 门诊预检分诊方法、装置、终端及存储介质
CN112687389A (zh) * 2021-01-13 2021-04-20 罗春华 基于5g和区块链的人工智能医疗分级就诊方法及系统
CN114678113B (zh) * 2022-03-14 2023-07-18 浙江大学 一种基于卷积神经网络的智能急诊预检分诊系统
CN117423424B (zh) * 2023-12-19 2024-02-23 天津市泰达医院 基于数据分析的急诊电子病历信息分类管理系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632227A (zh) * 2013-11-26 2014-03-12 吴谨准 一种儿科急诊预检分诊系统及分诊方法
CN105577368A (zh) * 2016-01-14 2016-05-11 西安电子科技大学 双向隐私保护的医疗诊断服务查询系统及方法
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法
CN106874670A (zh) * 2017-02-14 2017-06-20 安徽通灵仿生科技有限公司 基于人工智能的儿科医生机器人装置
CN107122595A (zh) * 2017-04-10 2017-09-01 中山市徕康医疗信息软件技术有限公司 智能预检及分诊系统
CN107169298A (zh) * 2017-05-26 2017-09-15 深圳市第二人民医院 一种智能急诊分级分诊系统
CN107480450A (zh) * 2017-08-15 2017-12-15 京东方科技集团股份有限公司 一种智能分诊方法和系统
CN107910073A (zh) * 2017-12-21 2018-04-13 苏州麦迪斯顿医疗科技股份有限公司 一种急诊预检分诊方法及装置
CN108305690A (zh) * 2018-02-07 2018-07-20 王博冉 神经系统疾病分诊方法及神经系统疾病的分诊系统
CN108417268A (zh) * 2018-03-23 2018-08-17 南通市第人民医院 基于机器学习的肾炎智能诊断系统及计算机可读存储介质
CN109254577A (zh) * 2018-08-08 2019-01-22 佛山科学技术学院 一种基于深度学习的智能制造过程故障分类方法及装置
CN111863213A (zh) * 2020-06-23 2020-10-30 重庆同仁至诚智慧医疗科技股份有限公司 基于基层急救筛查的双向转诊系统、双向转诊服务平台、基层急救工作站
CN114550896A (zh) * 2022-03-02 2022-05-27 复旦大学附属中山医院 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632227A (zh) * 2013-11-26 2014-03-12 吴谨准 一种儿科急诊预检分诊系统及分诊方法
CN105577368A (zh) * 2016-01-14 2016-05-11 西安电子科技大学 双向隐私保护的医疗诊断服务查询系统及方法
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法
CN106874670A (zh) * 2017-02-14 2017-06-20 安徽通灵仿生科技有限公司 基于人工智能的儿科医生机器人装置
CN107122595A (zh) * 2017-04-10 2017-09-01 中山市徕康医疗信息软件技术有限公司 智能预检及分诊系统
CN107169298A (zh) * 2017-05-26 2017-09-15 深圳市第二人民医院 一种智能急诊分级分诊系统
CN107480450A (zh) * 2017-08-15 2017-12-15 京东方科技集团股份有限公司 一种智能分诊方法和系统
CN107910073A (zh) * 2017-12-21 2018-04-13 苏州麦迪斯顿医疗科技股份有限公司 一种急诊预检分诊方法及装置
CN108305690A (zh) * 2018-02-07 2018-07-20 王博冉 神经系统疾病分诊方法及神经系统疾病的分诊系统
CN108417268A (zh) * 2018-03-23 2018-08-17 南通市第人民医院 基于机器学习的肾炎智能诊断系统及计算机可读存储介质
CN109254577A (zh) * 2018-08-08 2019-01-22 佛山科学技术学院 一种基于深度学习的智能制造过程故障分类方法及装置
CN111863213A (zh) * 2020-06-23 2020-10-30 重庆同仁至诚智慧医疗科技股份有限公司 基于基层急救筛查的双向转诊系统、双向转诊服务平台、基层急救工作站
CN114550896A (zh) * 2022-03-02 2022-05-27 复旦大学附属中山医院 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
人工智能在急诊分诊决策中的应用现状;刘晓颖等;《护理研究》;20200725(第14期);46-51 *
基于多分类支持向量机的中医舌诊诊断的研究;谢铮桂;《计算机与数字工程》;20081120(第11期);第60-62页 *
基于支持向量机与粗糙集理论的病例诊断;刘白林等;《西安工业大学学报》;20081215(第06期);58-61 *
基于最小二乘支持向量机的风机故障诊断方法研究;刘延霞等;《淮阴师范学院学报(自然科学版)》;20111015(第05期);79-83 *
提高急诊分诊效率之工作改善案;王丹丹等;《实用临床护理学电子杂志》;20170809(第30期);192-193 *
脾虚证诊断的数学模型;殷彬等;《暨南大学学报》;20060630(第03期);25-30 *

Also Published As

Publication number Publication date
CN110097955A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
CN110097955B (zh) 一种基于支持向量机分类器的儿科智能急诊预检分诊系统
Nair et al. Detection of COVID-19 cases through X-ray images using hybrid deep neural network
Makaremi et al. Deep learning and artificial intelligence for the determination of the cervical vertebra maturation degree from lateral radiography
Kadry et al. Automated segmentation of leukocyte from hematological images—a study using various CNN schemes
Huang et al. Deep learning models for automated diagnosis of retinopathy of prematurity in preterm infants
Brites et al. Machine learning and iot applied to cardiovascular diseases identification through heart sounds: A literature review
Barhoom et al. Deep Learning-Xception Algorithm for Upper Bone Abnormalities Classification
Strzelecki et al. Machine learning for biomedical application
Fayyaz et al. Analysis of diabetic retinopathy (DR) based on the deep learning
TW202101477A (zh) 一種抽樣後標記應用在類神經網絡訓練模型之方法
Khan et al. IoMT-enabled computer-aided diagnosis of pulmonary embolism from computed tomography scans using deep learning
Asif et al. BMRI-NET: A deep stacked ensemble model for multi-class brain tumor classification from MRI images
Masadeh et al. An efficient machine learning-based COVID-19 identification utilizing chest X-ray images
Tang et al. Comparing different algorithms for the course of Alzheimer’s disease using machine learning
Soundrapandiyan et al. AI-based wavelet and stacked deep learning architecture for detecting coronavirus (COVID-19) from chest X-ray images
CN112466462B (zh) 一种基于图深度学习的emr信息关联及演化方法
Peivandi et al. Deep learning for detecting multi-level driver fatigue using physiological signals: A comprehensive approach
Uddin et al. Deep learning with image-based autism spectrum disorder analysis: A systematic review
Awaji et al. Hybrid techniques of facial feature image analysis for early detection of autism spectrum disorder based on combined CNN features
CN112927797A (zh) 一种基于贝叶斯概率推断的急诊临床诊断分析系统
Basha et al. Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis
KR20230088912A (ko) 인공 지능을 이용해 척수근위축증과 관련된 예측 결과를 생성하기 위한 기법
Nafees et al. A novel convolutional neural network for COVID-19 detection and classification using Chest X-Ray images
Nguyen et al. Retinal disease diagnosis using deep learning on ultra-wide-field fundus images
Sudheesh et al. Early Prediction of Covid-19 Samples from Chest X-ray Images using Deep Learning Approach

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230524

Address after: No.3, Lane 1998, Jinbi Road, Fengxian District, Shanghai

Applicant after: Shanghai Dashi Medical Technology Co.,Ltd.

Address before: 226000 No. 500, Linyang Road, Qidong Economic Development Zone, Nantong City, Jiangsu Province

Applicant before: Nantong Yilin Wisdom Medical Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant