CN110364255B - 一种基于自编码器的肝病评估方法 - Google Patents
一种基于自编码器的肝病评估方法 Download PDFInfo
- Publication number
- CN110364255B CN110364255B CN201910491526.7A CN201910491526A CN110364255B CN 110364255 B CN110364255 B CN 110364255B CN 201910491526 A CN201910491526 A CN 201910491526A CN 110364255 B CN110364255 B CN 110364255B
- Authority
- CN
- China
- Prior art keywords
- encoder
- self
- data
- liver disease
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 208000019423 liver disease Diseases 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000011478 gradient descent method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000004185 liver Anatomy 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000011282 treatment Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于自编码器的肝病评估方法，该方法包括以下步骤：采集肝病患者医疗门诊数据；对数据进行预处理，处理过程采用离散标准化进行处理；然后用自编码器进行特征提取，并加入数据相关系数改进原有自编码器并将其命名为关联自编码器。最后为分类器训练，根据关联自编码器提取的特征来训练分类器，获得病人所患肝病种类的概率。本发明能解决传统自编码器没有考虑数据样本之间关系导致的特征提取能力不足的问题，并且能够发现肝病数据的深层关系使得类别之间的特征区分更加明显，从而提高分类器的分类准确率进而提高肝病评估的效果。
Description
技术领域
本发明涉及一种基于自编码器的肝病评估方法，属于大数据医疗技术领域。
背景技术
肝病是指发生在肝脏的病变，是一种常见的危害性极大的疾病，它具有感染人群广、危害性巨大、种类繁多的特点。如果能够指定一套完整的规范来及时准确的评估病情从而指定相应的救治方案，这将对肝病的治疗和预防产生重要影响。
近年来深度学习和数据挖掘领域的兴起让人们意识到挖掘出医疗数据深层次的特征，可以有效地提高医学数据的利用率，减少患者的就诊时间并提高医生的行医效率和评估的准确率。
现有技术中，深度学习已经广泛应用到了医疗领域并取得了不错的成效，其中自编码器网络作为深度学习网络之一也在被不断的改进和完善。然而传统自编码器提取的特征没有考虑到数据样本之间的关系，这可能会导致信息的丢失，而且肝病数据本身具有一定的相关性，因此如果不考虑数据之间的关系将会影响到最终的分类效果。
发明内容
针对现有技术中存在的问题，本发明提出了一种基于自编码器的肝病评估方法，利用改进的自编码器提取门诊数据特征，并根据提取的特征对其进行正确的分类来达到评估的目的。
为实现上述发明目的，本发明提供了一种基于自编码器的肝病评估方法，包括以下步骤：
1)对医院的肝病门诊数据进行采集、汇总；
2)对采集的门诊数据进行预处理，包括缺失值的填充、噪声的过滤、无效数据的清除；
3)将预处理过的门诊数据输入到关联自编码器中进行训练来提取门诊数据的特征；
4)将经过关联自编码器提取的特征输入到softmax分类器中训练并对模型进行整体的反向传播调整和优化；
5)将测试数据输入到训练好的关联自编码器和和softmax分类器模型中进行评估测试，分类器的结果即为肝病的评估结果。
进一步地，上述步骤3)中关联自编码器训练提取门诊数据特征包括以下步骤：
3.1)将预处理后的门诊数据转换成一个矩阵，矩阵的每一行即为一个病人的门诊数据，用向量X来表示一个病人的门诊数据，每个特征与关联自编码器的输入层单元一一对应；
3.2)关联自编码器训练过程如下：
3.2.1)将样本数据X输入到输入层，用sigmoid激活函数得出隐含层数据的输出；隐含层的输出为Y＝s(w1X+b1)，其中w1、b1分别为输入层到隐含层的权重和偏置项，第一轮训练时w1和b1通过随机初始化得到，之后通过随机梯度下降法不断调整；
3.2.2)输出层数据由隐含层通过sigmoid激活函数获得，输出层的输出为X'＝s(w2Y+b2)，其中隐含层到输出层的权重w2和偏置项b2在第一轮训练时也是通过随机初始化获得，之后通过随机梯度下降法不断调整，Y为隐含层的输出；
3.2.3)计算输入层X和输出层X'的相关系数其中Cov(X,X')为X和X'的协方差，D表示方差；协方差的计算方式如下：
Cov(X,X')＝E(XX')-E(X)E(X')
3.2.4)将相关系数加入自编码器目标函数中组成关联自编码器，关联自编码器的损失函数为：
3.2.5)采用随机梯度下降法进行反向传播训练，更新输入层到隐含层和隐含层到输出层的权重w1、w2和偏置b1、b2，权重和偏置的求导过程如下：
权重求偏导：
偏置求偏导：
其中ai为每个单元的激活值，δi为每个单元的残差。权重和偏置的更新由下式求得：
权重更新：
偏置更新：
其中α为人为设定的动量因子；
3.2.6)利用更新的权重和偏置重复过程3.2.1，计算损失函数L的值是否达到指定阙值或者达到指定的迭代次数，若满足指定的阙值或者迭代次数则模型训练完成，停止训练，否则继续执行3.2.1。
3.3)训练完成的自编码器将得到一个合适的权重w1和偏置项b1，自编码器提取的特征即为隐含层的输出Y＝s(w1X+b1)。
进一步地，上述步骤4)中softmax分类器训练的方法以及关联自编码器和softmax分类器整体微调过程为：
4.1)将关联自编码器提取的特征Y作为softmax分类器的输入；
4.2)根据关联自编码提取的特征向量，softmax在每个类别的输出概率为其中Si表示患第i种肝病的概率，Yi表示第i个肝病类别对应的特征向量，yj表示第j个肝病类别的特征向量；另外/>即所有类别的概率相加和为1；
4.3)softmax的损失函数采用交叉熵的形式，即其中Si为每个类别的输出概率，X`为真实类别指示值，只有当该类结果为真实的类别时，X`为1，否则为0；
4.4)通过梯度下降法不断向前更新softmax分类器和关联自编码器的参数，当损失函数的值在指定的阙值范围内时整个网络训练完成，否则继续步骤4.1)。
进一步地，上述步骤5)中肝病评估的过程为：
5.1)将经预处理过的测试集作为待评估的患者数据；
5.2)将测试集输入到已经训练好的关联自编码器中，对测试集的数据进行特征提取；
5.3)将经过关联自编码提取到的特征输入到softmax分类器中进行分类识别；
5.4)softmax分类的结果即为评估出的患者所患肝病类型的结果；
进一步地，上述步骤2)中的缺失值的填充采用均值填充法，即取缺失值指标的平均值；噪声的过滤采用中位数法，即将离群点用该项特征的中位数替换；对于缺失值超过50％的样本直接删除，与检查指标无关的数据项直接删除。
本发明有以下有益效果：
本发明在传统自编码器中加入了数据相关性，提出一种关联自编码器以改进原有自编码器的不足，该模型使得模型在进行特征提取时考虑了数据样本本身之间的关系，使其能够生成更好的特征表达，以此来进一步降低分类的误差。本发明提高了肝病评估的精确度，可以为医生提供有效的辅助评估手段并减轻医生的压力。
附图说明
图1为本发明的方法流程图。
图2为关联自编码器模型的网络结构图。
图3为自编码器和关联自编码器的实验对比结果图。
具体实施方式
为使本发明的技术方案更加清晰明确，下面结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明公开了一种基于自编码器的肝病评估方法，其具体步骤如下：
步骤1，对医院2016和2017年两年的肝病门诊数据进行采集、汇总，共计3万名患者。门诊数据主要涉及病人的信息以及各项肝脏检查指标值。本实施例将门诊数的70％约2万名患者作为训练集来进行模型的训练，剩下的1万名患者作为测试集来测试本方案的性能；
步骤2，对采集的门诊数据进行预处理，包括缺失值的填充、噪声的过滤、无效数据的删除；缺失值的填充采用均值填充法，即取缺失值指标的平均值；噪声的过滤采用中位数法，即将离群点用该项特征的中位数替换；对于缺失值超过50％的样本直接删除，与检查指标无关的数据项也直接删除；
步骤3，将预处理过的训练集输入到关联自编码器中进行训练来提取数据特征；关联自编码器训练过程和特征提取方法如下：
过程3.1，将预处理后的门诊数据转换成一个矩阵，矩阵的每一行即为一个病人的门诊数据，用向量X来表示一个病人的门诊数据。本实施例中，向量X共有98维特征，每个特征与关联自编码器的输入层单元一一对应；
过程3.2，关联自编码器的结构如图2所示，关联自编码训练过程如下：
3.2.1，首先随机初始化网络中的权重和偏置项，将样本输入到输入层，用sigmoid激活函数得出隐含层数据的输出。隐含层的输出为Y＝s(w1X+b1)，其中第一轮训练时权重w1和偏置b1通过随机初始化得到，之后通过随机梯度下降法不断调整。
3.2.2，同样输出层数据由隐含层通过sigmoid激活函数获得，输出层的输出为X'＝s(w2Y+b2)，其中权重w2和偏置b2在第一轮训练时也是通过随机初始化获得，之后也是通过随机梯度下降法不断调整，Y为隐含层的输出；
3.2.3，计算输入层X和输出层X'的相关系数其中Cov(X,X')为X和X'的协方差，D表示方差。协方差的计算方式如下：
Cov(X,X')＝E(XX')-E(X)E(X')
3.2.4，传统自编码器包含编码和解码两个阶段，其目的是重构出输入数据本身，训练的目标是使得重构的误差尽量的小。传统自编码器损失函数采用标准差的方式，本文将相关系数加入自编码器目标函数中来改进原有自编码器的不足，并将其命名为关联自编码器。加入了相关性的关联自编码器损失函数为：
3.2.5，关联自编码器的训练过程采用随机梯度下降法进行反向传播训练。随机梯度下降法就是求损失函数的偏导数来不断地更新输入层到隐含层和隐含层到输出层的权重w1、w2和偏置b1、b2；权重和偏置的求导过程如下：
权重求偏导：
偏置求偏导：
其中ai为每个单元的激活值，δi为每个单元的残差。权重和偏置的更新由下式求得：
权重更新：
偏置更新：
其中α为人为设定的动量因子；
3.2.6)利用更新的权重和偏置重复过程3.2.1，计算损失函数L的值是否达到阙值或者达到指定的迭代次数，若满足指定的阙值或者迭代次数则模型训练完成，停止训练，否则继续执行3.2.1。本实施例中设置阙值为10-3，迭代次数为1000次；
过程3.3，训练完成的自编码器将得到一个合适的权重w1和偏置项b1，自编码器提取的特征即为隐含层的输出Y＝s(w1X+b1)；
步骤4，将关联自编码器提取的特征输入到softmax分类器中训练并对关联自编码器和softmax分类器进行整体调整和优化；softmax分类器训练方法以及关联自编码器和softmax分类器整体微调过程为：
过程4.1，将关联自编码器提取的特征Y作为softmax分类器的输入；
过程4.2，softmax为多分类器，输出单元的个数即为肝病的类别数，每个输出单元表示一种肝病类别，本实施例中肝病共有10个种类。根据关联自编码提取的特征向量，softmax在每个类别的输出概率为其中Si表示患第i种肝病的概率，Yi表示第i个肝病类别对应的特征向量，Yj表示第j个肝病类别的特征向量，m表示肝病的种类。另外/>即所有类别的概率相加和为1；
过程4.3，softmax多分类器希望特征对于概率的影响是乘积性质的，因此它的损失函数也采用交叉熵的形式，即其中Si为每个类别的输出概率，X`为真实类别指示值，只有当该类结果为真实的类别时，X`为1，否则为0；
过程4.4，softmax分类器的训练是通过梯度下降法不断微调整个关联自编码器和softmax层的参数实现的。模型用梯度下降法进行整体反向传播训练的目标是使得损失函数达到指定的阙值范围内或者满足一定的迭代次数。模型从softmax层开始前进行反向传播训练，在前向传播途中不断的调整原来的权重和偏置项，当达到关联自编码的输入层时再进行正向传播训练，如此反复直到目标函数的值在指定的阙值范围内或者迭代的次数达到达到指定值时，整个网络训练完成，否则继续过程4.1；本实施例中设置模型整体训练的阙值为10-6，迭代次数为1000次。softmax损失函数的求导公式如下所示：
其中，式子(1)为每个类别的概率对该类别特征向量的偏导结果，式子(2)为损失函数对特征向量的求偏导过程，将式(1)的结果带入式子(2)即可得到softmax损失函数对特征向量Y的梯度。
步骤5，将测试数据输入到训练好的关联自编码器和和softmax分类器模型中进行评估测试，分类器的结果即为肝病的评估结果；肝病评估的过程为：
过程5.1，将经预处理过的训练集作为待评估的患者数据；
过程5.2，将测试集输入到已经训练好的关联自编码器中，对测试集的数据进行特征提取；
过程5.3，将经过关联自编码提取到的特征输入到softmax分类器中进行分类识别；
过程5.4，由softmax分类器输出层得出每个输出单元的概率Si，概率最大的输出单元表示的肝病种类即为评估出的患者所患肝病类型。
在实施例中，本方案所提出的关联自编码器，使得传统自编码器能够生成更好的特征表达，特征提取能力有了较大的提高，从而在分类阶段进一步降低了分类的误差，提高了准确率。利用测试集对该模型进行测试发现，相比于传统自编码器模型该方案使得肝病的分类准确度提高了3％左右。具体实验结果如图3所示。
以上所述，仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于自编码器的肝病评估方法，其特征在于，包括以下步骤：
1)对医院的肝病门诊数据进行采集、汇总，所述门诊数据主要涉及病人的信息以及各项肝脏检查指标值；
2)对采集的门诊数据进行预处理，包括缺失值的填充、噪声的过滤、无效数据的清除；
3)将预处理过的门诊数据输入到关联自编码器中进行训练来提取门诊数据的特征；
4)将经过关联自编码器提取的特征输入到softmax分类器中训练并对关联自编码器和softmax分类器进行整体的微调；
5)将测试数据输入到训练好的关联自编码器和和softmax分类器模型中进行评估测试，分类器的结果即为肝病的评估结果；
所述步骤3)中关联自编码器训练提取门诊数据特征包括以下步骤：
3.1)将预处理后的门诊数据转换成一个矩阵，矩阵的每一行即为一个病人的门诊数据，用向量X来表示一个病人的门诊数据；每个特征与关联自编码器的输入层单元一一对应；
3.2)关联自编码器训练过程如下：
3.2.1)将样本数据X输入到输入层，用sigmoid激活函数得出隐含层数据的输出；隐含层的输出为Y＝s(w1X+b1)，其中w1、b1分别为输入层到隐含层的权重和偏置项，第一轮训练时w1和b1通过随机初始化得到，之后通过随机梯度下降法不断调整；
3.2.2)输出层数据由隐含层通过sigmoid激活函数获得，输出层的输出为X'＝s(w2Y+b2)，其中隐含层到输出层的权重w2和偏置项b2在第一轮训练时也是通过随机初始化获得，之后通过随机梯度下降法不断调整，Y为隐含层的输出；
3.2.3)计算输入层X和输出层X'的相关系数其中Cov(X,X')为X和X'的协方差，D表示方差；协方差的计算方式如下：
Cov(X,X')＝E(XX')-E(X)E(X')
3.2.4)将相关系数加入自编码器目标函数中组成关联自编码器，关联自编码器的损失函数为：
3.2.5)采用随机梯度下降法进行反向传播训练，更新输入层到隐含层和隐含层到输出层的权重w1、w2和偏置b1、b2，权重和偏置的求导过程如下：
权重求偏导：
偏置求偏导：
其中ai为每个单元的激活值，δi为每个单元的残差，权重和偏置的更新由下式求得：
权重更新：
偏置更新：
其中α为人为设定的动量因子；
3.2.6)利用更新的权重和偏置重复过程3.2.1，计算损失函数L的值是否达到指定阙值或者达到指定的迭代次数，若满足指定的阙值或者迭代次数则模型训练完成，停止训练，否则继续执行3.2.1；
3.3)训练完成的自编码器将得到一个合适的权重w1和偏置项b1，自编码器提取的特征即为隐含层的输出Y＝s(w1X+b1)。
2.如权利要求1所述的一种基于自编码器的肝病评估方法，其特征在于，所述步骤4)中softmax分类器训练方法以及关联自编码器和softmax分类器整体微调过程为：
4.1)将关联自编码器提取的特征Y作为softmax分类器的输入；
4.2)根据关联自编码提取的特征向量，softmax在每个类别的输出概率为其中Si表示患第i种肝病的概率，Yi表示第i个肝病类别对应的特征向量，yj表示第j个肝病类别的特征向量；另外/>即所有类别的概率相加和为1；
4.3)softmax的损失函数采用交叉熵的形式，即其中Si为每个类别的输出概率，X`为真实类别指示值，只有当该类结果为真实的类别时，X`为1，否则为0；
4.4)通过梯度下降法不断向前更新softmax分类器和关联自编码器的参数，当损失函数的值在指定的阙值范围内时整个网络训练完成，否则继续步骤4.1)。
3.如权利要求1所述的一种基于自编码器的肝病评估方法，其特征在于，所述步骤5)中肝病评估的过程为：
5.1)将经预处理过的测试集作为待评估的患者数据；
5.2)将测试集输入到已经训练好的关联自编码器中，对测试集的数据进行特征提取；
5.3)将经过关联自编码提取到的特征输入到softmax分类器中进行分类识别；
5.4)softmax分类的结果即为评估出的患者所患肝病类型的结果。
4.如权利要求1所述的一种基于自编码器的肝病评估方法，其特征在于，所述步骤2)中的缺失值的填充采用均值填充法，即取缺失值指标的平均值；噪声的过滤采用中位数法，即将离群点用该项特征的中位数替换；对于缺失值超过50％的样本直接删除，与检查指标无关的数据项直接删除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910491526.7A CN110364255B (zh) | 2019-06-06 | 2019-06-06 | 一种基于自编码器的肝病评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910491526.7A CN110364255B (zh) | 2019-06-06 | 2019-06-06 | 一种基于自编码器的肝病评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110364255A CN110364255A (zh) | 2019-10-22 |
| CN110364255B true CN110364255B (zh) | 2024-03-22 |
Family
ID=68215849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910491526.7A Active CN110364255B (zh) | 2019-06-06 | 2019-06-06 | 一种基于自编码器的肝病评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110364255B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111430024B (zh) * | 2020-01-06 | 2023-07-11 | 中南大学 | 一种用于疾病程度分类的数据决策方法及其系统 |
| CN111338482B (zh) * | 2020-03-04 | 2023-04-25 | 太原理工大学 | 一种基于监督自编码的脑控字符拼写识别方法及系统 |
| CN113948219A (zh) * | 2021-10-26 | 2022-01-18 | 平安科技（深圳）有限公司 | 传染病数据处理方法、装置、计算机及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
| CN108062978A (zh) * | 2017-12-06 | 2018-05-22 | 浙江大学 | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 |
| CN108986916A (zh) * | 2018-07-26 | 2018-12-11 | 浙江大学 | 基于栈式自编码器的动态pet图像示踪剂动力学宏参数估计方法 |
-
2019
- 2019-06-06 CN CN201910491526.7A patent/CN110364255B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
| CN108062978A (zh) * | 2017-12-06 | 2018-05-22 | 浙江大学 | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 |
| CN108986916A (zh) * | 2018-07-26 | 2018-12-11 | 浙江大学 | 基于栈式自编码器的动态pet图像示踪剂动力学宏参数估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110364255A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110364255B (zh) | 一种基于自编码器的肝病评估方法 | |
| CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
| CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
| CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
| CN111598894B (zh) | 基于全局信息卷积神经网络的视网膜血管图像分割系统 | |
| CN109543763A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| CN113095382B (zh) | 基于ct图像的可解释性肺结核分类网络识别方法 | |
| CN113469189B (zh) | 一种用电采集数据缺失值填充方法、系统及装置 | |
| CN110070895B (zh) | 一种基于监督变分编码器因素分解的混合声音事件检测方法 | |
| CN114359629B (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
| CN108492877B (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
| CN114566282B (zh) | 一种基于超声心动图检测报告的治疗决策系统 | |
| CN113989551B (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
| CN110269605A (zh) | 一种基于深度神经网络的心电信号噪声识别方法 | |
| CN111145902A (zh) | 一种基于改进人工神经网络的哮喘病诊断方法 | |
| CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
| CN115363586A (zh) | 一种基于脉搏波信号的心理压力等级评估系统及方法 | |
| Bacchetti et al. | Non-Markov multistate modeling using time-varying covariates, with application to progression of liver fibrosis due to hepatitis C following liver transplant | |
| Aristiawati et al. | Missing values imputation based on fuzzy C-Means algorithm for classification of chronic obstructive pulmonary disease (COPD) | |
| EMA | Case detection, gender and disability in leprosy in Bangladesh: a trend analysis | |
| CN110338797A (zh) | 一种基于鼾声和血氧的中频止鼾仪数据处理方法 | |
| Hu et al. | A Hybrid Convolutional Neural Network Model Based on Different Evolution for Medical Image Classification. | |
| CN109033952A (zh) | 基于稀疏自编码器的m序列识别方法 | |
| CN117153422A (zh) | 基于深度学习和ChatGPT的脓毒症早期检测装置 | |
| CN116759082A (zh) | 一种基于知识图谱的健康评估系统 |
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 |