CN110517765A - 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 - Google Patents
一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 Download PDFInfo
- Publication number
- CN110517765A CN110517765A CN201910635587.6A CN201910635587A CN110517765A CN 110517765 A CN110517765 A CN 110517765A CN 201910635587 A CN201910635587 A CN 201910635587A CN 110517765 A CN110517765 A CN 110517765A
- Authority
- CN
- China
- Prior art keywords
- prostate cancer
- patient
- value
- stages
- pev
- 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
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
- G16H50/20—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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法,该系统利用医院检测的历史数据和Mamdani模糊推理原理,对各疾病指标的权重采用信息熵的处理方法,构建了一种新的基于Mamdani模糊推理系统的前列腺癌检测模型,用辅助于判断疾病的临床分期;该辅助系统将统计分析与医疗数据决策相结合,能够自动为医生提供快速、准确的治疗方案;该系统能够根据不同诊断时间间隔的生理指标比较,可以实时监测前列腺癌的进展情况,医生借助该系统可以评估确定性治疗方案对患者的疗效。
Description
技术领域
本发明属于人工智能领域,特别涉及一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法。
背景技术
采用智能医疗系统(专家系统)来改善发展中国家的医疗状况。在智能医疗系统的帮助下,医生或医学专家可以将机械辅助模式的辅助治疗方案与自己的诊断经验相结合,做出更可靠的治疗决策。事实上,通过病理报告中与肿瘤标志物相关的统计资料来评估和确定前列腺癌的临床分期,这是一项繁琐而重复的工作。因此,这些任务可以在机器辅助系统中完成。
此外,根据机器辅助系统,物联网(IoT)可以应用于发展中国家的医疗领域。医院、患者、医生之间建立及时有效的医疗沟通,使医生及时提交有意义的诊断信息,患者获得实时的医疗报告。因此,智能医疗系统可以有效改善医患之间不和谐的社会关系。
发明内容
针对上述不足,提出了一种利用模糊推理逻辑进行前列腺癌大数据辅助决策的智能系统和系统构建方法,模糊推理系统通过手动和自动调节权重,将与各种疾病指标(肿瘤标志物) 相关的医学信息融合,构建模型,为前列腺癌的临床分期提供辅助诊断工具和方法。
一种基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法,包括以下步骤:
步骤1:获取医院病人历史前列腺癌检测和诊断数据;
所述前列腺癌检测数据包含列腺癌疾病指标以及PEV,所述前列腺疾病指标包括TPSA、 RBC、Hb、FPSA、PAP、PSMA,所述前列腺癌诊断数据包含病人当前疾病所属分期,{I期、II期、III期、IV期};
步骤2:基于前列腺癌疾病指标历史数据,采用信息熵计算各前列腺癌疾病指标的权重;
步骤3:将前列腺疾病诊断指标分为两类C(t)={TPSA,FPSA,Hb,RBC}和 M(t)={PAP,PSMA},利用C(t)和M(t)检测值和权重分别构建前列腺癌主关联和次关联计算模型SC(t)和PC(t);
步骤4:利用各前列腺癌疾病指标的权重,计算病人在检测时间t时,前列腺癌主关联和次关联相关性;
步骤5:基于医院病人历史前列腺癌诊断数据,采用三分法,构建前列腺癌分期关于 ADPCa(i)的隶属度函数;
步骤6:随机设定{a1,a2,σ1,σ2}和各分期的PEV值区间点,依次利用医院病人历史前列腺癌历史数据基于构建的隶属度函数,采用质心法计算病人的历史前列腺癌PEV的相位估计值,若超过90%的病人的检测值PEV落入设定的与分期结论一致的PEV值区间中,则获得当前由相关性计算模型和前列腺癌分期的隶属度函数构建的基于模糊推理逻辑的前列腺癌大数据辅助决策系统,否则,重新调整{a1,a2,σ1,σ2}和各分期的PEV值区间点,重复步骤6;
其中,{a1,σ1}和{a2,σ2}分别表示前列腺癌分期关于ADPCa(i)的隶属度函数中第一隶属度函数和第二隶属度函数、第二隶属度函数和第三隶属度函数分界点的均值和方差。
通过将检测指标进行模糊处理后,与诊断分期结果进行模糊对应,构建模糊对应关系,形成了智能化的辅助诊断工具,简化了数据的人工处理过程,加快了处理速度,可以应用该系统实时监测生理指标变化情况。
进一步地,采用信息熵计算各前列腺癌疾病指标的权重的计算公式如下:
其中,表示第j个前列腺癌疾病指标TM(j)的最佳权重,λTM(j)和wTM(j)分别表示第j 个前列腺癌疾病指标TM(j)的权重参数调节因子和权重值,
λTM(j)={λTPSA,λFPSA,λRBC,λHb,λPAP,λPSMA},λTM(j)的取值由医生根据经验设定,取值范围为 [0,1],wTM(j)={wTPSA,wFPSA,wRBC,wHb,wPAP,wPSMA};表示第i个病人Pai在获取的医院病人历史数据中,第j个前列腺癌诊断指标TM(j)的检测均值;m表示获取的医院病人历史数据中包含的病人数量,dTM(j),ETM(j),均属于中间变量。
采用信息熵的方法处理各疾病指标的权重,使得所述辅助系统中的参数更加准确、有效。
进一步地,前列腺癌原发性和继发性疾病的相关性计算模型SC(t)和PC(t)如下:
其中,δTPSA(t),δRBC(t),δHb(t),δFPSA(t),δPAP(t),δPSMA(t)分别表示病人在时间t时,前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值;δTPSA(i),δRBC(i),δHb(i),δFPSA(i),δPAP(i),δPSMA(i)分别表示病人在第i年前列腺癌的6个诊断指标TPSA、RBC、 Hb、FPSA、PAP、PSMA的检测值,表示历史检测次数。
进一步地,利用医院病人历史前列腺癌历史数据基于构建的隶属度函数,计算病人的历史前列腺癌检测值PEV,采用的具体公式如下:
其中,xs AD和ys MD分别表示病人在时间s对应的疾病指标相关值和隶属度值,n表示病人当前检查周期的检查次数,其中病人在时间S对应的SC(t)和PC(t),若SC(t)和PC(t)同时小于医院给定的SC在II期和III期的临界值,则xs AD的取值为对应的SC(t),否则,xs AD的取值为对应的PC(t)。
进一步地,所构建的前列腺癌分期关于ADPCa(i)的隶属度函数如下:
一种应用所述的前列腺癌大数据辅助决策系统进行辅助决策的方法,获取病人的前列腺癌疾病诊断指标,输入所述基于模糊推理逻辑的前列腺癌大数据决策系统,依据医院设定的前列腺癌各分期中SC(t)和PC(t)对应的区间,获得病人隶属度值,依据隶属度值计算PEV值,对应各分期的PEV值区间,得到病人前列腺癌所属分期辅助预测结果。
有益效果
本发明提供了一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法,该系统利用医院检测的历史数据和Mamdani模糊推理原理,对各疾病指标的权重采用信息熵的处理方法,构建了一种新的基于Mamdani模糊推理系统的前列腺癌检测模型,用辅助于判断疾病的临床分期;该辅助系统将统计分析与医疗数据决策相结合,能够自动为医生提供快速、准确的治疗方案;该系统能够根据不同诊断时间间隔的生理指标比较,可以实时监测前列腺癌的进展情况,医生借助该系统可以评估确定性治疗方案对患者的疗效。
机器辅助诊断与人工判断相结合,对医务人员的最终治疗决策具有重要意义。
附图说明
图1为本发明中的示例所述系统的构建示意图;
图2为本发明中的示例中疾病关联的三个不同级别隶属函数示意图;
图3为本发明中的示例中三个不同级别隶属函数的解模糊控制结果示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示,一种基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法,包括以下步骤:
步骤1:获取医院病人历史前列腺癌检测和诊断数据;
所述前列腺癌检测数据包含列腺癌疾病指标以及PEV,所述前列腺疾病指标包括TPSA、 RBC、Hb、FPSA、PAP、PSMA,所述前列腺癌诊断数据包含病人当前疾病所属分期,{I期、II期、III期、IV期};
步骤2:基于前列腺癌疾病指标历史数据,采用信息熵计算各前列腺癌疾病指标的权重;
采用信息熵计算各前列腺癌疾病指标的权重的计算公式如下:
其中,表示第j个前列腺癌疾病指标TM(j)的最佳权重,λTM(j)和wTM(j)分别表示第j 个前列腺癌疾病指标TM(j)的权重参数调节因子和权重值,
λTM(j)={λTPSA,λFPSA,λRBC,λHb,λPAP,λPSMA},λTM(j)的取值由医生根据经验设定,取值范围为 [0,1],wTM(j)={wTPSA,wFPSA,wRBC,wHb,wPAP,wPSMA};表示第i个病人Pai在获取的医院病人历史数据中,第j个前列腺癌诊断指标TM(j)的检测均值;m表示获取的医院病人历史数据中包含的病人数量,dTM(j),ETM(j),均属于中间变量。
采用信息熵的方法处理各疾病指标的权重,使得所述辅助系统中的参数更加准确、有效。
步骤3:将前列腺疾病诊断指标分为两类C(t)={TPSA,FPSA,Hb,RBC}和 M(t)={PAP,PSMA},利用C(t)和M(t)检测值和权重分别构建前列腺癌主关联和次关联计算模型SC(t)和PC(t);
前列腺癌原发性和继发性疾病的相关性计算模型SC(t)和PC(t)如下:
其中,δTPSA(t),δRBC(t),δHb(t),δFPSA(t),δPAP(t),δPSMA(t)分别表示病人在时间t时,前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值;δTPSA(i),δRBC(i),δHb(i),δFPSA(i),δPAP(i),δPSMA(i)分别表示病人在第i年前列腺癌的6个诊断指标TPSA、RBC、 Hb、FPSA、PAP、PSMA的检测值,表示历史检测次数。
步骤4:利用各前列腺癌疾病指标的权重,计算病人在检测时间t时,前列腺癌主关联和次关联相关性;
步骤5:基于医院病人历史前列腺癌诊断数据,采用三分法,构建前列腺癌分期关于 ADPCa(i)的隶属度函数;
步骤6:随机设定{a1,a2,σ1,σ2}和各分期的PEV值区间点,依次利用医院病人历史前列腺癌历史数据基于构建的隶属度函数,采用质心法计算病人的历史前列腺癌PEV的相位估计值,若超过90%的病人的检测值PEV落入设定的与分期结论一致的PEV值区间中,则获得当前由相关性计算模型和前列腺癌分期的隶属度函数构建的基于模糊推理逻辑的前列腺癌大数据辅助决策系统,否则,重新调整{a1,a2,σ1,σ2}和各分期的PEV值区间点,重复步骤6;
其中,{a1,σ1}和{a2,σ2}分别表示前列腺癌分期关于ADPCa(i)的隶属度函数中第一隶属度函数和第二隶属度函数、第二隶属度函数和第三隶属度函数分界点的均值和方差。
如图2所示,所构建的前列腺癌分期关于ADPCa(i)的隶属度函数如下:
利用医院病人历史前列腺癌历史数据基于构建的隶属度函数,计算病人的历史前列腺癌检测值PEV,采用的具体公式如下:
其中,xs AD和ys MD分别表示病人在时间s对应的疾病指标相关值和隶属度值,n表示病人当前检查周期的检查次数,其中病人在时间S对应的SC(t)和PC(t),若SC(t)和PC(t)同时小于医院给定的SC在II期和III期的临界值,则xs AD的取值为对应的SC(t),否则,xs AD的取值为对应的PC(t)。
通过将检测指标进行模糊处理后,与诊断分期结果进行模糊对应,构建模糊对应关系,形成了智能化的辅助诊断工具,简化了数据的人工处理过程,加快了处理速度,可以应用该系统实时监测生理指标变化情况。
一种应用所述的前列腺癌大数据辅助决策系统进行辅助决策的方法,获取病人的前列腺癌疾病诊断指标,输入所述基于模糊推理逻辑的前列腺癌大数据决策系统,依据医院设定的前列腺癌各分期中SC(t)和PC(t)对应的区间,获得病人隶属度值,依据隶属度值计算PEV值,对应各分期的PEV值区间,得到病人前列腺癌所属分期辅助预测结果;本实例中的隶属度函数的解模糊控制结果如图3所示。
医生借助该系统获得PEV值,利用该PEV值的大小进行疾病变化情况的辅助诊断。
在该实施例中,所使用的医疗信息来自中国三所一流医院:湘雅医院、湘雅第二医院、湘雅第三医院。信息记录中心根据三家医院的不同系统收集、分类、预处理和集成与前列腺癌相关的各类医疗数据。这些统计主要反映治疗选择的疗效和患者生理指标在整个诊断周期中的变化。此外,就2011年至2015年三家医院前列腺癌病例关键参数的平均表现而言,自 2011年至2015年期间,与前列腺癌有关的大量医疗数据被三家医院的不同系统严格记录、预处理和分类。为了保证实验的准确性和合理性,我们从8000多名确诊患者中提取了23658 项结构化和可识别的医学信息。
2011年至2015年期间,TPSA的平均性能从18.63ng/ml缓慢上升到20.17ng/ml,2013 年达到最大值45.2ng/ml,说明近5年来,癌症患者的病情得到了有效的控制。然而,由于 TPSA的正常范围在0到4ng/ml之间,那些被诊断为Pr的病例在过去的5年中,三家医院的癌症患者仍处于生理紊乱状态。理论上,TPSA值在10纳克/毫升以上的人很可能会受苦前列腺癌。此外,当TSPA的平均表现超过50ng/ml时,患者有可能患上前列腺癌。总的来说,先升后跌的趋势趋势线显示,这些病例在过去5年中逐渐从医生的治疗决定中恢复过来。
此外,FPSA/TPSA的性能也是临床医学检测、诊断和治疗前列腺癌的另一个重要依据。 FPSA/TPSA的正常范围理论上等于或大于0.25。当FPSA/TPSA的平均表现低于0.1时,前列腺癌的发病率必须在56%以上。就2011年至2015年三家医院前列腺癌病例关键参数的平均表现而言。根据2011~2014年间的医学统计数据,FPSA/TPSA的平均表现从0.22急剧下降到0.05,这明显地说明大多数前列腺癌患者的病情在不断恶化。此外,这些结构化医疗数据进一步表明,在过去5年中,三家医院诊断的大多数病例处于前列腺癌的临床阶段III或IV期(中晚期)。幸运的是,从2014年至2015年,这些前列腺癌患者的健康状况开始逐步改善,主要是因为医生对其采取了一些治疗措施,如药物治疗、切除、放疗、化疗等。
作为前列腺癌诊断、诊断和预后最重要的指标,关键参数(PSMA和PAP)应在整个诊断周期内进行分析和评估,使机器系统能够准确地做出治疗决策。此外,临床医学概念表明,PSMA 和PAP的正常范围分别小于4和3.5ng/ml。就2011年至2015年三家医院前列腺癌病例关键参数的平均表现而言,过去5年来与关键部分有关的统计数据有先迅速上升后缓慢下降的趋势。此外,应当指出,PAP和PSMA在2014年分别达到最大值56.2和33.78纳克/毫升。这表明,从2011年至2014年,大多数病例的症状仍在恶化,自2014年以来,这些症状已开始逐步恢复。从医学数据决策的角度看,医生可以通过专家咨询,制定更有效的治疗方法来控制患者的病情。
本实施例在分布式Hadoop和Spark集群上实现,借助HDFS(分布式文件系统)作为数据存储层,借助Mapreduce和Rdd计算框架搭建计算编程模型作为数据计算层,高效快速并行处理数据,应用本发明所述的构建方法构建所述辅助决策系统和算法求解影响力最大化初始节点,并设计不同的对比实验分析初始节点选取效果和质量,从而验证理论分析方法的正确性。
机器辅助系统对前列腺癌的治疗建议主要依赖于由该系统决定的疾病的临床分期。从诊断间隔1~3开始,8000例患者中大多数在前列腺癌的Ⅲ、Ⅳ期才刚刚发现,因此化疗可作为该系统的主要治疗建议。此后,从诊断间隔4至8,对前列腺癌分期的周期性评估显示,平均诊断参数从179.88下降到125.29,因此在此诊断期内推荐给医生许多替代疗法,主要包括切除、内分泌治疗、放疗或前列腺切除术。随着前列腺癌患者症状的改善,机器辅助系统将优先考虑在诊断间隔9和10期间的积极监测和药物治疗。
前列腺癌分期的目的是描述前列腺癌的严重程度和癌细胞在体内扩散的程度。因此,了解前列腺癌是否处于I、II、III或IV期对于做出最佳治疗选择具有重要意义。就过去5年三家医院前列腺癌患者与疾病分期相关的平均诊断参数P EVP Ca而言,2011年至2015年平均 P EVP Ca增加近2.1倍,一年平均P EVP Ca从67.29上升到139.44,近5年总体平均PEVP Ca 约为100,表明大多数前列腺癌为间歇性或高级别(Ⅲ、Ⅳ期)。此外,23658项医学信息表明,在这3所医院的8000名患者中,大多数在被发现时已发展为中晚期前列腺癌,这与机器辅助系统中的检测结果几乎一致。
在这个实际案例之中,诊断的准确性被严格地定义为患者在第一次发现时被诊断为前列腺癌的概率。随着病例数从200例,持续增加到8000例,内科医生的诊断准确率从97%下降到81%,而机器辅助系统的诊断准确率则逐渐提高。从61%到87%。特别是当样本总数达到 8000份时,机器辅助系统的诊断精度首次超过医生。另外,当数据样本的大小从200增加到 8000时,机器辅助系统的精度提高了大约42.6%。本发明所述的系统,可以通过不断的增加历史数据,对前列腺癌疾病指标的权重进行进一步的更新,使得辅助系统更加准确。
以上所述仅是本发明技术的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (6)
1.一种基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法,其特征在于,包括以下步骤:
步骤1:获取医院病人历史前列腺癌检测和诊断数据;
所述前列腺癌检测数据包含列腺癌疾病指标以及PEV,所述前列腺疾病指标包括TPSA、RBC、Hb、FPSA、PAP、PSMA,所述前列腺癌诊断数据包含病人当前疾病所属分期,{I期、II期、III期、IV期};
步骤2:基于前列腺癌疾病指标历史数据,采用信息熵计算各前列腺癌疾病指标的权重;
步骤3:将前列腺疾病诊断指标分为两类C(t)={TPSA,FPSA,Hb,RBC}和M(t)={PAP,PSMA},利用C(t)和M(t)检测值和权重分别构建前列腺癌主关联和次关联计算模型SC(t)和PC(t);
步骤4:利用各前列腺癌疾病指标的权重,计算病人在检测时间t时,前列腺癌主关联和次关联相关性;
步骤5:基于医院病人历史前列腺癌诊断数据,采用三分法,构建前列腺癌分期关于ADPCa(i)的隶属度函数;
步骤6:随机设定{a1,a2,σ1,σ2}和各分期的PEV值区间点,依次利用医院病人历史前列腺癌历史数据基于构建的隶属度函数,采用质心法计算病人的历史前列腺癌PEV的相位估计值,若超过90%的病人的检测值PEV落入设定的与分期结论一致的PEV值区间中,则获得当前由相关性计算模型和前列腺癌分期的隶属度函数构建的基于模糊推理逻辑的前列腺癌大数据辅助决策系统,否则,重新调整{a1,a2,σ1,σ2}和各分期的PEV值区间点,重复步骤6;
其中,{a1,σ1}和{a2,σ2}分别表示前列腺癌分期关于ADPCa(i)的隶属度函数中第一隶属度函数和第二隶属度函数、第二隶属度函数和第三隶属度函数分界点的均值和方差。
2.根据权利要求1所述的方法,其特征在于,采用信息熵计算各前列腺癌疾病指标的权重的计算公式如下:
其中,表示第j个前列腺癌疾病指标TM(j)的最佳权重,λTM(j)和wTM(j)分别表示第j个前列腺癌疾病指标TM(j)的权重参数调节因子和权重值,
λTM(j)={λTPSA,λFPSA,λRBC,λHb,λPAP,λPSMA},λTM(j)的取值由医生根据经验设定,取值范围为[0,1],wTM(j)={wTPSA,wFPSA,wRBC,wHb,wPAP,wPSMA};表示第i个病人Pai在获取的医院病人历史数据中,第j个前列腺癌诊断指标TM(j)的检测均值;m表示获取的医院病人历史数据中包含的病人数量,dTM(j),ETM(j),均属于中间变量。
3.根据权利要求2所述的方法,其特征在于,前列腺癌原发性和继发性疾病的相关性计算模型SC(t)和PC(t)如下:
其中,δTPSA(t),δRBC(t),δHb(t),δFPSA(t),δPAP(t),δPSMA(t)分别表示病人在时间t时,前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值;δTPSA(i),δRBC(i),δHb(i),δFPSA(i),δPAP(i),δPSMA(i)分别表示病人在第i年前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值,表示历史检测次数。
4.根据权利要求1所述的方法,其特征在于,利用医院病人历史前列腺癌历史数据基于构建的隶属度函数,计算病人的历史前列腺癌检测值PEV,采用的具体公式如下:
其中,xs AD和ys MD分别表示病人在时间s对应的疾病指标相关值和隶属度值,n表示病人当前检查周期的检查次数,其中病人在时间S对应的SC(t)和PC(t),若SC(t)和PC(t)同时小于医院给定的SC在II期和III期的临界值,则xs AD的取值为对应的SC(t),否则,xs AD的取值为对应的PC(t)。
5.根据权利要求1-4任一项所述的方法,其特征在于,所构建的前列腺癌分期关于ADPCa(i)的隶属度函数如下:
6.一种应用权利要求1-5任一项所述的前列腺癌大数据辅助决策系统进行辅助决策的方法,其特征在于,获取病人的前列腺癌疾病诊断指标,输入所述基于模糊推理逻辑的前列腺癌大数据决策系统,依据医院设定的前列腺癌各分期中SC(t)和PC(t)对应的区间,获得病人隶属度值,依据隶属度值计算PEV值,对应各分期的PEV值区间,得到病人前列腺癌所属分期辅助预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635587.6A CN110517765B (zh) | 2019-07-15 | 2019-07-15 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635587.6A CN110517765B (zh) | 2019-07-15 | 2019-07-15 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517765A true CN110517765A (zh) | 2019-11-29 |
CN110517765B CN110517765B (zh) | 2022-06-14 |
Family
ID=68623633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635587.6A Active CN110517765B (zh) | 2019-07-15 | 2019-07-15 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517765B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312392A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
CN113707308A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 一种医疗数据的分析装置及计算机可读存储介质 |
CN113793683A (zh) * | 2021-08-23 | 2021-12-14 | 广州医科大学附属第一医院(广州呼吸中心) | 一种基于psa的前列腺癌辅助决策方法及其系统 |
CN116570848A (zh) * | 2023-07-13 | 2023-08-11 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1547149A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 基于数据挖掘的脑部胶质瘤计算机辅助诊断系统的实现方法 |
WO2009016385A1 (en) * | 2007-07-31 | 2009-02-05 | Imperial Innovations Limited | Methods of aiding in the diagnosis of prostate cancer |
WO2012102444A1 (ko) * | 2011-01-26 | 2012-08-02 | 계명대학교 산학협력단 | 계층적 퍼지 추론에 기반한 임상진단 지원방법 및 그 시스템 |
CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
CN109003671A (zh) * | 2018-06-29 | 2018-12-14 | 重庆柚瓣家科技有限公司 | 一种基于模糊决策的疾病概率计算系统及方法 |
-
2019
- 2019-07-15 CN CN201910635587.6A patent/CN110517765B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1547149A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 基于数据挖掘的脑部胶质瘤计算机辅助诊断系统的实现方法 |
WO2009016385A1 (en) * | 2007-07-31 | 2009-02-05 | Imperial Innovations Limited | Methods of aiding in the diagnosis of prostate cancer |
WO2012102444A1 (ko) * | 2011-01-26 | 2012-08-02 | 계명대학교 산학협력단 | 계층적 퍼지 추론에 기반한 임상진단 지원방법 및 그 시스템 |
CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
CN109003671A (zh) * | 2018-06-29 | 2018-12-14 | 重庆柚瓣家科技有限公司 | 一种基于模糊决策的疾病概率计算系统及方法 |
Non-Patent Citations (7)
Title |
---|
F. S. AHADI AND ET.AL: "Feature-Based classification and diagnosis of breast cancer using fuzzy inference system", 《2017 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA)》 * |
S. A. BIYOUKI AND ET.AL: "Fuzzy rule-based expert system for diagnosis of thyroid disease", 《2015 IEEE CONFERENCE ON COMPUTATIONAL INTELLIGENCE IN BIOINFORMATICS AND COMPUTATIONAL BIOLOGY (CIBCB)》 * |
丁卫平等: "模糊逻辑推理在电子病历智能辅助诊断系统中的应用研究", 《南通大学学报(自然科学版)》 * |
万鑫: "模糊推理在疾病辅助诊断系统中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
张惠康等: "骨肿瘤辅助诊断专家系统模糊推理模型", 《第四军医大学学报》 * |
裴紫燕等: "模糊逻辑在医学辅助诊断中的应用", 《嘉兴学院学报》 * |
陈艳等: "基于粗糙集和模糊推理的医疗诊断系统的研究", 《广西科技师范学院学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312392A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
CN111312392B (zh) * | 2020-03-13 | 2023-08-22 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
CN113793683A (zh) * | 2021-08-23 | 2021-12-14 | 广州医科大学附属第一医院(广州呼吸中心) | 一种基于psa的前列腺癌辅助决策方法及其系统 |
CN113793683B (zh) * | 2021-08-23 | 2024-04-02 | 广州医科大学附属第一医院(广州呼吸中心) | 一种基于psa的前列腺癌辅助决策方法及其系统 |
CN113707308A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 一种医疗数据的分析装置及计算机可读存储介质 |
CN116570848A (zh) * | 2023-07-13 | 2023-08-11 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策方法及系统 |
CN116570848B (zh) * | 2023-07-13 | 2023-09-15 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110517765B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517765A (zh) | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 | |
Xu et al. | A risk prediction model for type 2 diabetes based on weighted feature selection of random forest and xgboost ensemble classifier | |
Iyer et al. | Diagnosis of diabetes using classification mining techniques | |
Devi et al. | A novel hybrid approach for diagnosing diabetes mellitus using farthest first and support vector machine algorithms | |
Straszecka | Combining uncertainty and imprecision in models of medical diagnosis | |
CN104881463A (zh) | 基于结构化病历数据库的参考病历检索方法及装置 | |
Ramezani et al. | A novel hybrid intelligent system with missing value imputation for diabetes diagnosis | |
Yao et al. | Liver disease screening based on densely connected deep neural networks | |
Wu et al. | Effective data decision-making and transmission system based on mobile health for chronic disease management in the elderly | |
CN110111884B (zh) | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 | |
CN106874693A (zh) | 一种医疗大数据分析处理系统及方法 | |
Jain et al. | Improving the prediction rate of diabetes using fuzzy expert system | |
CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
CN111863238A (zh) | 一种基于平行智能的慢病诊疗系统及诊疗方法 | |
CN112365978A (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
Karim et al. | A belief rule based expert system to assess clinical bronchopneumonia suspicion | |
CN114639479A (zh) | 一种基于医疗知识图谱的智能诊断辅助系统 | |
CN111951975A (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
CN109686452A (zh) | 一种用于糖尿病药物干预策略制定的智能系统及方法 | |
CN105005709A (zh) | 基于单病种治疗过程的流程挖掘方法 | |
CN104462858A (zh) | 基于多阶隐马尔可夫模型的健康预警方法 | |
Brause et al. | Septic shock diagnosis by neural networks and rule based systems | |
Muro et al. | Weighting experience-based decision support on the basis of clinical outcomes' assessment | |
Shukla et al. | Cloud computing with artificial intelligence techniques for effective disease detection |
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 |