CN110097966B - 一种信息提醒方法、装置及终端设备 - Google Patents
一种信息提醒方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110097966B CN110097966B CN201810089209.8A CN201810089209A CN110097966B CN 110097966 B CN110097966 B CN 110097966B CN 201810089209 A CN201810089209 A CN 201810089209A CN 110097966 B CN110097966 B CN 110097966B
- Authority
- CN
- China
- Prior art keywords
- information
- fundus image
- time
- monitoring data
- interval
- 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
Links
Images
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种信息提醒方法、装置及终端设备,其中,所述信息提醒方法包括:获取目标对象的健康数据,根据所述健康数据,利用预设关联关系模型生成目标对象的眼底图像表现进展信息,根据所述眼底图像表现进展信息,向目标对象反馈提醒信息,该提醒信息用于指示目标对象是否需要及时就诊。本发明的方案,能够实现基于糖尿病视网膜患者的健康数据向其反馈视网膜病变的发展情况,提醒糖尿病视网膜患者及时就诊或继续观察,避免病情进一步恶化。
Description
技术领域
本发明涉及移动健康技术领域,特别是涉及一种信息提醒方法、装置及终端设备。
背景技术
糖尿病视网膜病变是糖尿病导致的视网膜微血管损害所引起的一系列典型病变。在我国,视网膜病变在糖尿病患者人群中的患病率为24.7%至37.5%。近年来,随着糖尿病自我管理的盛行,以及基于眼底图像的糖尿病视网膜病变分期及病变位置检测算法的成熟,为患者个性化体征数据和糖尿病视网膜数据的积累提供了手段。依赖大量数据,可发现患者体征参数与眼底图像表现之间的量化的关联关系,并根据患者的个性化数据,在糖尿病自我管理中,可为糖尿病患者提供及时的预警,提醒糖尿病患者是否发生视网膜病变。
目前,糖尿病视网膜病变的预警大都为针对新发糖尿病视网膜病变的预警。对于已确诊的糖尿病视网膜病变患者,缺乏一种对其病情发展情况进行有效提醒的方法,导致可能出现病情进一步恶化但未及时发现的不良后果。
发明内容
本发明实施例提供一种信息提醒方法、装置及终端设备,以能够实现基于糖尿病视网膜患者的健康数据向其反馈视网膜病变的发展情况,提醒糖尿病视网膜患者及时就诊或继续观察,避免病情进一步恶化。
第一方面,本发明实施例提供了一种信息提醒方法,包括:
获取目标对象的健康数据;
根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息;
根据所述眼底图像表现进展信息,向所述目标对象反馈提醒信息;
其中,所述预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系,所述提醒信息用于指示所述目标对象是否需要及时就诊。
可选的,所述健康数据包括以下一项或多项组合:
血糖监测数据、血压监测数据、糖化血红蛋白HbAlc监测数据、血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和糖尿病病程信息。
可选的,所述根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息,包括:
根据所述血糖监测数据和所述血压监测数据,利用预设深度学习模型生成血糖血压特征信息;
分别对所述HbAlc监测数据、所述血脂监测数据、所述当前时刻距上一次眼底图像检查时刻的间隔时间和所述糖尿病病程信息进行预处理,得到HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息;
根据所述血糖血压特征信息、所述HbAlc特征信息、所述血脂特征信息、所述间隔时间特征信息和所述病程特征信息,利用预设机器学习模型生成所述眼底图像表现进展信息。
可选的,所述预设深度学习模型是根据预定数量的样本患者的血糖监测数据和血压监测数据训练得到的。
可选的,所述预设机器学习模型是根据预定数量的样本患者的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息训练得到的。
第二方面,本发明实施例还提供了一种信息提醒装置,包括:
获取模块,用于获取目标对象的健康数据;
生成模块,用于根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息;
提醒模块,用于根据所述眼底图像表现进展信息,向所述目标对象反馈提醒信息;
其中,所述预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系,所述提醒信息用于指示所述目标对象是否需要及时就诊。
可选的,所述健康数据包括以下一项或多项组合:
血糖监测数据、血压监测数据、糖化血红蛋白HbAlc监测数据、血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和糖尿病病程信息。
可选的,所述生成模块包括:
第一生成单元,用于根据所述血糖监测数据和所述血压监测数据,利用预设深度学习模型生成血糖血压特征信息;
预处理单元,用于分别对所述HbAlc监测数据、所述血脂监测数据、所述当前时刻距上一次眼底图像检查时刻的间隔时间和所述糖尿病病程信息进行预处理,得到HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息;
第二生成单元,用于根据所述血糖血压特征信息、所述HbAlc特征信息、所述血脂特征信息、所述间隔时间特征信息和所述病程特征信息,利用预设机器学习模型生成所述眼底图像表现进展信息。
可选的,所述预设深度学习模型是根据预定数量的样本患者的血糖监测数据和血压监测数据训练得到的。
可选的,所述预设机器学习模型是根据预定数量的样本患者的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息训练得到的。
第三方面,本发明实施例还提供了一种终端设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述计算机程序被所述处理器执行时实现上述信息提醒方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现上述信息提醒方法的步骤。
本发明实施例的信息提醒方法,通过获取目标对象的健康数据,根据健康数据,利用预设关联关系模型生成目标对象的眼底图像表现进展信息,并根据眼底图像表现进展信息,向目标对象反馈提醒信息,该提醒信息用于指示目标对象是否需要及时就诊,能够实现基于糖尿病视网膜患者的健康数据向其反馈视网膜病变的发展情况,提醒糖尿病视网膜患者及时就诊或继续观察,避免病情进一步恶化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的信息提醒方法的流程图;
图2为本发明实施例的生成眼底图像表现进展信息的流程图;
图3为本发明具体实施例的建立模型的流程图;
图4为本发明具体实施例的为目标患者生成提醒信息的流程图;
图5为本发明实施例的信息提醒装置的结构示意图之一;
图6为本发明实施例的信息提醒装置的结构示意图之二;
图7为本发明实施例的终端设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
参见图1所示,本发明实施例提供了一种信息提醒方法,包括如下步骤:
步骤101:获取目标对象的健康数据。
其中,该健康数据可包括以下一项或多项组合:血糖监测数据、血压监测数据、糖化血红蛋白HbAlc监测数据、血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和糖尿病病程信息等。该糖尿病病程信息具体为当前时刻距确诊糖尿病时刻的间隔时间。
本发明实施例中,目标对象可为糖尿病视网膜患者。血糖监测数据可包括在当前时刻距上一次眼底图像检查时刻的间隔时间内日常监测得到的空腹血糖序列信息、餐后血糖序列信息、日内血糖标准差序列信息和平均血糖波动幅度序列信息。血压监测数据可包括在当前时刻距上一次眼底图像检查时刻的间隔时间内日常监测得到的收缩压序列信息和舒张压序列信息。HbAlc监测数据可为在当前时刻距上一次眼底图像检查时刻的间隔时间内检查目标对象的血液获得的HbAlc。血脂监测数据可为在当前时刻距上一次眼底图像检查时刻的间隔时间内检查目标对象的血液获得的血脂。
步骤102:根据健康数据,利用预设关联关系模型生成目标对象的眼底图像表现进展信息。
其中,该预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系,可利用深度学习和机器学习相结合的方法预先建立。
步骤103:根据眼底图像表现进展信息,向目标对象反馈提醒信息。
其中,该提醒信息用于指示目标对象是否需要及时就诊。此处的眼底图像表现进展信息可取值为-1、0和1,其中-1表示眼底图像表现好转,0表示眼底图像表现稳定(例如新生血管、微动脉瘤、出血、渗出等疑似区域无新增或减少),1表示眼底图像表现恶化(例如新增出现疑似新生血管区域,或者微动脉瘤、出血、渗出等疑似区域的位置发生变化,或者个数增加,或者面积增大)。当眼底图像表现进展信息为-1和0时,可向目标对象反馈及时到医院就诊的提醒信息,当眼底图像表现进展信息为1时,可向目标对象反馈继续观察的提醒信息。
本发明实施例的信息提醒方法,通过获取目标对象的健康数据,根据健康数据,利用预设关联关系模型生成目标对象的眼底图像表现进展信息,并根据眼底图像表现进展信息,向目标对象反馈提醒信息,该提醒信息用于指示目标对象是否需要及时就诊,能够实现基于糖尿病视网膜患者的健康数据向其反馈视网膜病变的发展情况,提醒糖尿病视网膜患者及时到医院就诊或继续观察,避免病情进一步恶化。
本发明实施例中,参见图2所示,根据目标对象的健康数据,利用预设关联关系模型生成目标对象的眼底图像表现进展信息的过程可为:
步骤21:根据血糖监测数据和血压监测数据,利用预设深度学习模型生成血糖血压特征信息。
其中,该预设深度学习模型是根据预定数量的样本患者的血糖监测数据和血压监测数据训练得到的。该预设深度学习模型例如可为预设卷积神经网络LeNet模型,利用深度学习方法训练而成。该预定数据可根据实际情况选择。
应说明的是,为了保证预设深度学习模型能够准确处理目标对象的血糖监测数据和血压监测数据,目标对象的血糖监测数据和血压监测数据的表现形式,应当与用于训练预设深度学习模型的样本患者的血糖监测数据和血压监测数据的表现形式一致。
步骤22:分别对HbAlc监测数据、血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和糖尿病病程信息进行预处理,得到HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息。
步骤23:根据血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息,利用预设机器学习模型生成眼底图像表现进展信息。
其中,该预设机器学习模型是根据预定数量的样本患者的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息训练得到的。该预设机器学习模型例如可为预设随机森林模型或者预设支持向量机SVM模型,利用机器学习方法训练而成。
应说明的是,为了保证预设机器学习模型能够准确生成目标对象的眼底图像表现进展信息,目标对象的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息的表现形式,应当与用于训练预设机器学习模型的样本患者的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息的表现形式一致。
下面,结合图3和图4对本发明具体实施例的实现过程进行说明。
首先,基于数据库中的糖尿病视网膜患者(即样本患者)的历史数据,建立深度学习LeNet模型和机器学习SVM模型。
在建立上述模型之前,首先遍历数据库中的样本患者的历史数据,将每位样本患者相邻两次眼底图像检查的结果,以及在此期间的健康数据,记为一个数据单元。将后一次眼底图像表现与前一次眼底图像表现的变化情况,记为眼底图像表现进展信息Y,其中Y的取值为-1、0和1,-1表示眼底图像表现好转,0表示眼底图像表现稳定,1表示眼底图像表现恶化。
针对每一个数据单元,将样本患者日常监测到的所有空腹血糖值进行重采样,生成长度为32维的空腹血糖序列信息,记为X1;
将样本患者日常监测到的所有餐后血糖值进行重采样,生成长度为32维的餐后血糖序列信息,记为X2;
对于有至少两条血糖数据记录的日期,计算日内血糖标准差(SDBG),将样本患者日常监测的所有SDBG值进行重采样,生成长度为32维的SDBG序列信息,记为X3;
对于有至少两条血糖数据记录的日期,计算平均血糖波动幅度(MAGE,即去除所有幅度未超过1个SDBG的血糖波动后,剩余有效血糖波动的平均幅度),将样本患者日常监测的所有MAGE值进行重采样,生成长度为32维的MAGE序列信息,记为X4;
将样本患者日常监测的所有收缩压进行重采样,生成长度为32维的收缩压序列信息,记为X5;
将样本患者日常监测的所有舒张压进行重采样,生成长度为32维的舒张压序列信息,记为X6。
经过上述对血糖、血压数据的处理后,可根据每一个数据单元的X1至X6(输入参数)以及对应的Y(输出参数),利用深度学习方法训练LeNet模型,并将LeNet模型最后一层,即全连接层的84维特征(X1’-X84’),记为对X1至X6进行特征提取的结果,生成血糖血压特征信息(X1’-X84’),参见图3所示。
再参见图3所示,针对每一个数据单元,可将样本患者血液检查得到的所有HbAlc进行预处理,计算得到HbAlc的中值,记为HbAlc特征信息X85’;
将样本患者血液检查得到的所有血脂进行预处理,计算得到血脂的中值,记为血脂特征信息X86’;
计算两次眼底图像检查之间的间隔时间,记为间隔时间特征信息X87’;
计算后一次眼底图像检查时样本患者的糖尿病病程(距确诊糖尿病时刻的间隔时间),记为病程特征信息X88’。
经过上述对HbAlc、血脂等的处理后,可根据每一个数据单元的X1’-X88’(88个输入参数,数值型)以及对应的Y(输出参数),利用机器学习方法训练SVM模型,确定模型参数的大小,建立这些X和Y之间的关联关系。其中,模型参数的大小代表了不同的输入参数对于影响Y的重要性。
然后,基于已建立的LeNet模型和SVM模型,为目标患者(即目标对象)生成提醒信息。
需指出的是,在为目标患者生成提醒信息之前,可将目标患者上一次眼底图像检查至今的所有健康数据,记为新数据单元。参见图4所示,在为目标患者生成提醒信息时,可首先,对新数据单元中的数据进行预处理,参照上述对样本患者的健康数据的处理过程,生成血糖相关序列信息X1-X4、血压相关序列信息X5-X6、HbAlc特征信息X85’、血脂特征信息X86’、间隔时间特征信息X87’和病程特征信息X88’;其次,将血糖相关序列信息X1-X4和血压相关序列信息X5-X6输入上述已建立的LeNet模型,生成血糖血压特征信息X1’-X84’;然后,将血糖血压特征信息X1’-X84’、HbAlc特征信息X85’、血脂特征信息X86’、间隔时间特征信息X87’和病程特征信息X88’输入上述已建立SVM模型,生成眼底图像表现进展信息Y;最后,根据Y的取值,为目标患者生成提醒信息;例如,若Y等于1,向目标患者反馈及时到医院就诊的提醒信息,若Y等于-1或0,向目标患者反馈继续观察的提醒信息。
上述实施例对本发明的信息提醒方法进行了说明,下面将结合实施例和附图对本发明的信息提醒装置进行说明。
参见图5所示,本发明实施例还提供了一种信息提醒装置,包括:
获取模块51,用于获取目标对象的健康数据;
生成模块52,用于根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息;
提醒模块53,用于根据所述眼底图像表现进展信息,向所述目标对象反馈提醒信息;
其中,所述预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系,所述提醒信息用于指示所述目标对象是否需要及时就诊。
本发明实施例的信息提醒装置,通过获取目标对象的健康数据,根据健康数据,利用预设关联关系模型生成目标对象的眼底图像表现进展信息,并根据眼底图像表现进展信息,向目标对象反馈提醒信息,该提醒信息用于指示目标对象是否需要及时就诊,能够实现基于糖尿病视网膜患者的健康数据向其反馈视网膜病变的发展情况,提醒糖尿病视网膜患者及时到医院就诊或继续观察,避免病情进一步恶化。
可选的,所述健康数据包括以下一项或多项组合:
血糖监测数据、血压监测数据、糖化血红蛋白HbAlc监测数据、血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和糖尿病病程信息。
本发明实施例中,参见图6所示,所述生成模块52包括:
第一生成单元521,用于根据所述血糖监测数据和所述血压监测数据,利用预设深度学习模型生成血糖血压特征信息;
预处理单元522,用于分别对所述HbAlc监测数据、所述血脂监测数据、所述当前时刻距上一次眼底图像检查时刻的间隔时间和所述糖尿病病程信息进行预处理,得到HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息;
第二生成单元523,用于根据所述血糖血压特征信息、所述HbAlc特征信息、所述血脂特征信息、所述间隔时间特征信息和所述病程特征信息,利用预设机器学习模型生成所述眼底图像表现进展信息。
可选的,所述预设深度学习模型是根据预定数量的样本患者的血糖监测数据和血压监测数据训练得到的。
可选的,所述预设机器学习模型是根据预定数量的样本患者的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息训练得到的。
本发明实施例还提供一种终端设备,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述计算机程序被所述处理器执行时实现上述信息提醒方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
具体的,参见图7所示,本发明实施例还提供了一种终端设备,包括总线71、收发机72、天线73、总线接口74、处理器75和存储器76。
在本发明实施例中,所述终端设备还包括:存储在存储器76上并可在处理器75上运行的计算机程序,具体的,所述计算机程序被处理器75执行时可实现如下步骤:
获取目标对象的健康数据;
根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息;
根据所述眼底图像表现进展信息,向所述目标对象反馈提醒信息;
其中,所述预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系,所述提醒信息用于指示所述目标对象是否需要及时就诊。
在图7中,总线架构(用总线71来代表),总线71可以包括任意数量的互联的总线和桥,总线71将包括由处理器75代表的一个或多个处理器和存储器76代表的存储器的各种电路链接在一起。总线71还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口74在总线71和收发机72之间提供接口。收发机72可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器75处理的数据通过天线73在无线介质上进行传输,进一步,天线73还接收数据并将数据传送给处理器75。
处理器75负责管理总线71和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器76可以被用于存储处理器75在执行操作时所使用的数据。
可选的,处理器75可以是CPU、ASIC、FPGA或CPLD。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述信息提醒方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种信息提醒方法,其特征在于,包括:
获取目标对象的健康数据;其中,所述目标对象为糖尿病视网膜患者;所述健康数据包括以下一项或多项组合:当前时刻距上一次眼底图像检查时刻的间隔时间内的血糖监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间内的血压监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间内的糖化血红蛋白HbAlc监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间内的血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和当前时刻距确诊糖尿病时刻的间隔时间;
根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息;其中,所述眼底图像表现进展信息用于表示从上一次眼底图像检查时刻到当前时刻的眼底图像的表现好转、稳定或者恶化;
根据所述眼底图像表现进展信息,向所述目标对象反馈提醒信息;
其中,所述预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系;当所述眼底图像表现进展信息表示从上一次眼底图像检查时刻到当前时刻的眼底图像的表现好转或稳定时,所述提醒信息指示所述目标对象继续观察;或者,当所述眼底图像表现进展信息表示从上一次眼底图像检查时刻到当前时刻的眼底图像的表现恶化时,所述提醒信息指示所述目标对象及时就诊。
2.根据权利要求1所述的方法,其特征在于,所述根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息,包括:
根据所述血糖监测数据和所述血压监测数据,利用预设深度学习模型生成血糖血压特征信息;
分别对所述HbAlc监测数据、所述血脂监测数据、所述当前时刻距上一次眼底图像检查时刻的间隔时间和所述糖尿病病程信息进行预处理,得到HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息;
根据所述血糖血压特征信息、所述HbAlc特征信息、所述血脂特征信息、所述间隔时间特征信息和所述病程特征信息,利用预设机器学习模型生成所述眼底图像表现进展信息。
3.根据权利要求2所述的方法,其特征在于,所述预设深度学习模型是根据预定数量的样本患者的血糖监测数据和血压监测数据训练得到的。
4.根据权利要求2所述的方法,其特征在于,所述预设机器学习模型是根据预定数量的样本患者的眼底图像表现进展信息,以及所述样本患者的与眼底图像表现进展信息相关的血糖血压特征信息、HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息,训练得到的。
5.一种信息提醒装置,其特征在于,包括:
获取模块,用于获取目标对象的健康数据;其中,所述目标对象为糖尿病视网膜患者;所述健康数据包括以下一项或多项组合:当前时刻距上一次眼底图像检查时刻的间隔时间内的血糖监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间内的血压监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间内的HbAlc监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间内的血脂监测数据、当前时刻距上一次眼底图像检查时刻的间隔时间和当前时刻距确诊糖尿病时刻的间隔时间;
生成模块,用于根据所述健康数据,利用预设关联关系模型生成所述目标对象的眼底图像表现进展信息;其中,所述眼底图像表现进展信息用于表示从上一次眼底图像检查时刻到当前时刻的眼底图像的表现好转、稳定或者恶化;
提醒模块,用于根据所述眼底图像表现进展信息,向所述目标对象反馈提醒信息;
其中,所述预设关联关系模型用于表示健康数据和眼底图像表现进展信息之间的关联关系;当所述眼底图像表现进展信息表示从上一次眼底图像检查时刻到当前时刻的眼底图像的表现好转或稳定时,所述提醒信息指示所述目标对象继续观察;或者,当所述眼底图像表现进展信息表示从上一次眼底图像检查时刻到当前时刻的眼底图像的表现恶化时,所述提醒信息指示所述目标对象及时就诊。
6.根据权利要求5所述的装置,其特征在于,所述生成模块包括:
第一生成单元,用于根据所述血糖监测数据和所述血压监测数据,利用预设深度学习模型生成血糖血压特征信息;
预处理单元,用于分别对所述HbAlc监测数据、所述血脂监测数据、所述当前时刻距上一次眼底图像检查时刻的间隔时间和所述糖尿病病程信息进行预处理,得到HbAlc特征信息、血脂特征信息、间隔时间特征信息和病程特征信息;
第二生成单元,用于根据所述血糖血压特征信息、所述HbAlc特征信息、所述血脂特征信息、所述间隔时间特征信息和所述病程特征信息,利用预设机器学习模型生成所述眼底图像表现进展信息。
7.一种终端设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的信息提醒方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的信息提醒方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089209.8A CN110097966B (zh) | 2018-01-30 | 2018-01-30 | 一种信息提醒方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089209.8A CN110097966B (zh) | 2018-01-30 | 2018-01-30 | 一种信息提醒方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097966A CN110097966A (zh) | 2019-08-06 |
CN110097966B true CN110097966B (zh) | 2021-09-14 |
Family
ID=67441950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810089209.8A Active CN110097966B (zh) | 2018-01-30 | 2018-01-30 | 一种信息提醒方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097966B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114864093B (zh) * | 2022-07-04 | 2022-11-01 | 北京鹰瞳科技发展股份有限公司 | 基于眼底图像进行疾病预测的装置、方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN106709225A (zh) * | 2015-11-12 | 2017-05-24 | 中国移动通信集团公司 | 一种糖尿病视网膜病变的预警方法、装置及系统 |
CN106934798A (zh) * | 2017-02-20 | 2017-07-07 | 苏州体素信息科技有限公司 | 基于深度学习的糖尿病视网膜病变分类分级方法 |
CN107203778A (zh) * | 2017-05-05 | 2017-09-26 | 平安科技(深圳)有限公司 | 视网膜病变程度等级检测系统及方法 |
CN107330449A (zh) * | 2017-06-13 | 2017-11-07 | 瑞达昇科技(大连)有限公司 | 一种糖尿病性视网膜病变体征检测方法及装置 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
-
2018
- 2018-01-30 CN CN201810089209.8A patent/CN110097966B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709225A (zh) * | 2015-11-12 | 2017-05-24 | 中国移动通信集团公司 | 一种糖尿病视网膜病变的预警方法、装置及系统 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN106934798A (zh) * | 2017-02-20 | 2017-07-07 | 苏州体素信息科技有限公司 | 基于深度学习的糖尿病视网膜病变分类分级方法 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN107203778A (zh) * | 2017-05-05 | 2017-09-26 | 平安科技(深圳)有限公司 | 视网膜病变程度等级检测系统及方法 |
CN107330449A (zh) * | 2017-06-13 | 2017-11-07 | 瑞达昇科技(大连)有限公司 | 一种糖尿病性视网膜病变体征检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110097966A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021202168B2 (en) | A Method and System for Computer-Aided Triage | |
US11636601B2 (en) | Processing fundus images using machine learning models | |
US11834052B2 (en) | Estimator generation apparatus, monitoring apparatus, estimator generation method, and computer-readable storage medium storing estimator generation program | |
US11488299B2 (en) | Method and system for computer-aided triage | |
CN109741804A (zh) | 一种信息提取方法、装置、电子设备及存储介质 | |
JP2022180466A (ja) | 診断支援装置、学習装置、診断支援方法、学習方法及びプログラム | |
EP3850638B1 (en) | Processing fundus camera images using machine learning models trained using other modalities | |
JP2006149654A (ja) | 眼底の病変についての診断の支援 | |
CN110097966B (zh) | 一种信息提醒方法、装置及终端设备 | |
US20200126649A1 (en) | Data processing apparatus, data processing method, and data processing program | |
US10621414B2 (en) | Methods and systems for image collection and dimensional analysis for medical diagnoses | |
US20180256029A1 (en) | A method and system for automated healthcare monitoring of a patient | |
CN111462067B (zh) | 图像分割方法及装置 | |
CN112100629A (zh) | 一种医疗数据处理方法、装置以及系统 | |
JP2021069699A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20230317283A1 (en) | Prognosis determination device, prognosis determination program, and prognosis determination method | |
TWI837702B (zh) | 為老齡化黃斑部病變建議回診時間的電子裝置及方法 | |
Das Adhikari et al. | Computer Vision-Aided Diabetic Retinopathy Detection Using Cloud-Deployed Deep Learning Framework | |
JP2016047076A (ja) | 画像処理装置、眼底撮影システム、画像処理方法、及びプログラム | |
JP2022089250A (ja) | 情報処理装置、情報処理方法、プログラムおよび情報処理システム | |
CN114391819A (zh) | 一种健康数据处理方法和装置 | |
CN114680938A (zh) | 颈动脉斑块测量方法及超声设备 |
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 |