CN110706808A - 动脉瘤破裂状态预测方法和装置 - Google Patents
动脉瘤破裂状态预测方法和装置 Download PDFInfo
- Publication number
- CN110706808A CN110706808A CN201910873526.3A CN201910873526A CN110706808A CN 110706808 A CN110706808 A CN 110706808A CN 201910873526 A CN201910873526 A CN 201910873526A CN 110706808 A CN110706808 A CN 110706808A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- machine learning
- rupture state
- learning model
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明提供一种动脉瘤破裂状态预测方法和装置,其中,该方法包括:接收原始样本数据;对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。本发明提供的一种动脉瘤破裂状态预测方法和装置,结合临床信息、形态学信息和血液动力学信息,共同预测动脉瘤破裂状态的方法,相对于传统方法更好地利用了已有的数据,预测结果更准确。
Description
技术领域
本发明是涉及机器学习领域,尤其涉及一种动脉瘤破裂状态预测方法和装置。
背景技术
未破裂动脉瘤在成年人中有较高的发生率,随着CT血管造影和磁共振血管成像的普及,更多的未破裂动脉瘤被检出。虽然大部分检出的动脉瘤是小动脉瘤且无明显症状,但有证据表明这些小动脉瘤也有很高的破裂风向且可致命。由此,预测动脉瘤破裂状态有很高的临床意义。
但与此同时,在预测动脉瘤破裂状态过程中,需要同时考虑几十种变量及他们之间相互作用对于结果的影响,传统方法已经不足以处理这样复杂的问题。
发明内容
为了解决现有的预测动脉瘤破裂状态过程中,由于需考虑的变量过多,传统的预测方式已经不足以处理这样复杂的问题,本发明提供一种动脉瘤破裂状态预测方法和装置。
第一发面,本发明提供一种动脉瘤破裂状态预测方法,该方法包括:
接收原始样本数据;
对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;
利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
进一步地,处理后的数据包括:训练数据集、内部验证数据集、外部验证数据集。
进一步地,该方法还包括:
利用内部验证数据集和外部验证数据集对各动脉瘤破裂状态的机器学习模型进行验证,得到验证结果。
进一步地,利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果之前还包括:
根据十折交叉验证算法得到机器学习模型的超参数数值;
根据超参数数值,确定各动脉瘤破裂状态的机器学习模型。
第二方面,本发明提供一种动脉瘤破裂状态预测装置,该装置包括:
接收模块,用于接收原始样本数据;
训练集模型建立模块,用于对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;
预测结果得到模块,用于利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
处理后的数据包括:训练数据集、内部验证数据集、外部验证数据集。
该装置还包括:
验证模块,用于利用内部验证数据集和外部验证数据集对各动脉瘤破裂状态的机器学习模型进行验证,得到验证结果。
预测结果得到模块之前还包括:
超参数数值确定模块,用于根据十折交叉验证算法得到机器学习模型的超参数数值;
机器学习模型确定模块,用于根据所述超参数数值,确定各动脉瘤破裂状态的机器学习模型。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面提供的动脉瘤破裂状态预测方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面提供的动脉瘤破裂状态预测方法的步骤。
本发明提供的一种动脉瘤破裂状态预测方法和装置,结合临床信息、形态学信息和血液动力学信息,共同预测动脉瘤破裂状态的方法,相对于传统方法更好地利用了已有的数据,预测结果更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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为本发明实施例提供的动脉瘤破裂状态预测方法流程示意图;
图2为本发明另一实施例提供的动脉瘤破裂状态预测方法流程示意图;
图3为本发明再一实施例提供的动脉瘤破裂状态预测方法流程示意图;
图4为本发明实施例提供的动脉瘤破裂状态预测装置框图;
图5为本发明另一实施例提供的动脉瘤破裂状态预测装置框图;
图6为本发明再一实施例提供的动脉瘤破裂状态预测装置框图;
图7为本发明实施例提供的动脉瘤破裂状态预测方法的整体流程示意图;
图8为本发明实施例提供的电子设备框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着CT血管造影和磁共振血管成像的普及,更多的未破裂动脉瘤被检出。虽然大部分检出的动脉瘤是小动脉瘤且无明显症状,但有证据表明这些小动脉瘤也有很高的破裂风向且可致命。所以,预测动脉瘤破裂状态有很高的临床意义。为此,本发明实施例提供一种动脉瘤破裂状态预测方法,如图1所示,该方法包括:
步骤S101,接收原始样本数据;
步骤S102,对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;
步骤S103,利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
具体为,收集原始样本数据,其中,收集到的原始数据中每个样本包含两部分信息,第一部分是常规的临床信息和形态学信息,第二部分是血液动力学信息,如压力,壁面剪应力等指标。
对收集到的原始数据进行筛选等预处理,将不合适的样本,如病人无动脉瘤,成像质量差等剔除,以及将不符合前述样本标准信息的原始样本数据也进行删除,最终得到符合本发明实施例对动脉瘤破裂状态进行预测的数据集。其中,在本发明实施例中,预处理完成后的数据样本共504个,这些样本被随机打乱后,其中80%的样本,即404个样本分入了训练集。
将上述404个训练集样本作为训练集模型,训练各动脉瘤破裂状态的机器学习模型。其中,在本发明实施例中机器学习模型包括:逻辑斯特回归,随机森林,支持向量机和多层感知机,代表了四类不同的机器学习方法,其对应模型为:单层非线性模型,集成模型,支持向量机类模型,人工神经网络类模型。利用404个训练集样本组成的训练集模型分别训练单层非线性模型,集成模型,支持向量机类模型,人工神经网络类模型四个模型,得到相应的动脉瘤破裂状态的预测结果。
本发明实施例提供的一种动脉瘤破裂状态预测方法,结合临床信息、形态学信息和血液动力学信息,共同预测动脉瘤破裂状态的方法,相对于传统方法更好地利用了已有的数据,预测结果更准确。
基于上述各实施例的内容,作为一种可选实施例:处理后的数据包括:训练数据集、内部验证数据集、外部验证数据集。
具体为,上述实施例中,经过预处理完成后的数据样本共504个,在504个样本中,选取20%样本,即100个样本分入了内部验证数据集。除此之外,还在其他的医院采集了外部验证数据集,去除不合适样本后,总计52个样本。
基于上述各实施例的内容,作为一种可选实施例:如图2所示,该方法还包括:
步骤S104,利用内部验证数据集和外部验证数据集对各动脉瘤破裂状态的机器学习模型进行验证,得到验证结果。
具体为,如表1,表1为各机器学习模型在内部验证数据集上的验证结果。
表1
由表1可以得出,各机器学习模型在内部验证数据集上取得了较好的预测效果。在这里,ROC曲线下面积用AUC(Area Under Curve,曲线下的面积来表示,其取值范围为0-1,使用AUC值作为模型的评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC数值更大的分类器效果更好。灵敏度是将实际有病的人正确地判定为真阳性的比例;特异度是将实际无病的人正确地判定为真阴性的比例,灵敏度和特异度都是数值越大判断正确概率越高。
另外,本发明实施例为了进一步验证算法的有效性和泛化性能,还建立了一个外部测试集,由总共52个样本构成。如表2所示,表2为各机器学习模型在外部验证数据集上的验证结果。
表2
由表2可以得出,各机器学习模型性能相对于内部验证数据集对应的机器学习模型略有下降,但仍取得了较好结果。
本发明实施例通过在内部验证数据集和外部验证数据集上的验证实验,可以认为新的方法具有良好的预测效果和泛化性能;同时还可以从模型中挖掘出影响动脉瘤破裂的防线因素和保护因素,有很高的使用价值和临床价值。
基于上述各实施例的内容,作为一种可选实施例:利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果之前还包括:如图3所示:
步骤S1031,根据十折交叉验证算法得到机器学习模型的超参数数值;
步骤S1032,根据超参数数值,确定各动脉瘤破裂状态的机器学习模型。
具体为,在每个机器学习模型的学习过程之前都需要设置参数,该参数称为超参数。超参数通常是人为设置的,不是通过训练得到的,通常需要对超参数进行优化,在本发明实施例中,每一种机器学习模型的超参数都是在十折交叉验证的基础上搜索的到的最优超参数组合,由此确定各动脉瘤破裂状态的机器学习模型。其中,多层感知机的超参数是人工指定的,具体是带有64个隐藏层神经元的3层神经网络。
根据本发明的再一个方面,本发明实施例提供动脉瘤破裂状态预测装置,参见图4,图4为本发明实施例提供的动脉瘤破裂状态预测装置框图。该装置用于在前述各实施例中完成本发明实施例提供的对动脉瘤破裂状态进行预测。因此,在前述各实施例中的本发明实施例提供的动脉瘤破裂状态预测方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
该装置包括:
接收模块401,用于接收原始样本数据;
训练集模型建立模块402,用于对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;
预测结果得到模块403,用于利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
本发明实施例提供的一种动脉瘤破裂状态预测装置,结合临床信息、形态学信息和血液动力学信息,共同预测动脉瘤破裂状态的方法,相对于传统方法更好地利用了已有的数据,预测结果更准确。
基于上述各实施例的内容,作为一种可选实施例:如图5所示,装置还包括:
验证模块404,用于利用内部验证数据集和外部验证数据集对各动脉瘤破裂状态的机器学习模型进行验证,得到验证结果。
本发明实施例通过在内部验证数据集和外部验证数据集上的验证实验,可以认为新的方法具有良好的预测效果和泛化性能;同时还可以从模型中挖掘出影响动脉瘤破裂的防线因素和保护因素,有很高的使用价值和临床价值。
基于上述各实施例的内容,作为一种可选实施例:如图6所示,预测结果得到模块之前还包括:
超参数数值确定模块4031,用于根据十折交叉验证算法得到机器学习模型的超参数数值;
机器学习模型确定模块4032,用于根据超参数数值,确定各动脉瘤破裂状态的机器学习模型。
基于上述各实施例的内容,作为一种可选实施例:如图7所示,图7为本发明实施例提供的动脉瘤破裂状态预测方法的整体流程示意图,具体为:收集原始样本数据,其中该原始样本数据包括临床信息和形态学指标,血液动力学信息。将收集的符合要求的原始样本数据进行数据预处理,剔除不合适样本,例如病人无动脉瘤,成像质量差等,将预处理后的样本数据集分为训练集和验证集,其中训练集用于训练动脉瘤破裂状态预测模型,得到训练后的机器学习模型,利用训练后的机器学习模型得到动脉瘤破裂状态的预测结果。最后,对基于训练后的机器学习模型用验证集内的数据去验证和测试,以证明使用机器学习模型得到的预测结果优于传统的检测方法。
图7为本发明实施例提供的电子设备框图,如图7所示,该设备包括:处理器701、存储器702和总线703;
其中,处理器701及存储702分别通过总线703完成相互间的通信;处理器701用于调用存储器702中的程序指令,以执行上述实施例所提供的动脉瘤破裂状态预测方法,例如包括:接收原始样本数据;对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现动脉瘤破裂状态预测方法的步骤。例如包括:接收原始样本数据;对原始样本数据进行预处理,得到处理后的数据,建立训练集模型;利用训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后,本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种动脉瘤破裂状态预测方法,其特征在于,所述方法包括:
接收原始样本数据;
对所述原始样本数据进行预处理,得到处理后的数据,建立训练集模型;
利用所述训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述处理后的数据包括:训练数据集、内部验证数据集、外部验证数据集。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
利用所述内部验证数据集和外部验证数据集对所述各动脉瘤破裂状态的机器学习模型进行验证,得到验证结果。
4.根据权利要求1所述的方法,其特征在于,所述利用所述训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果之前还包括:
根据十折交叉验证算法得到机器学习模型的超参数数值;
根据所述超参数数值,确定各动脉瘤破裂状态的机器学习模型。
5.一种动脉瘤破裂状态预测装置,其特征在于,所述装置包括:
接收模块,用于接收原始样本数据;
训练集模型建立模块,用于对所述原始样本数据进行预处理,得到处理后的数据,建立训练集模型;
预测结果得到模块,用于利用所述训练集模型训练各动脉瘤破裂状态的机器学习模型,得到动脉瘤破裂状态的预测结果。
6.根据权利要求5所述的装置,其特征在于,所述处理后的数据包括:训练数据集、内部验证数据集、外部验证数据集。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
验证模块,用于利用所述内部验证数据集和外部验证数据集对所述各动脉瘤破裂状态的机器学习模型进行验证,得到验证结果。
8.根据权利要求6所述的装置,其特征在于,所述预测结果得到模块之前还包括:
超参数数值确定模块,用于根据十折交叉验证算法得到机器学习模型的超参数数值;
机器学习模型确定模块,用于根据所述超参数数值,确定各动脉瘤破裂状态的机器学习模型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述动脉瘤破裂状态预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述动脉瘤破裂状态预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873526.3A CN110706808A (zh) | 2019-09-12 | 2019-09-12 | 动脉瘤破裂状态预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873526.3A CN110706808A (zh) | 2019-09-12 | 2019-09-12 | 动脉瘤破裂状态预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110706808A true CN110706808A (zh) | 2020-01-17 |
Family
ID=69196179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910873526.3A Pending CN110706808A (zh) | 2019-09-12 | 2019-09-12 | 动脉瘤破裂状态预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706808A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553482A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
CN113782198A (zh) * | 2021-08-11 | 2021-12-10 | 东软医疗系统股份有限公司 | 颅内动脉瘤状态预测模型的生成方法及装置、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
CN108647565A (zh) * | 2018-03-28 | 2018-10-12 | 浙江工业大学 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
WO2018220573A1 (en) * | 2017-05-31 | 2018-12-06 | Fondazione Ri.Med | Method and system for the evaluation of the risk of aortic rupture or dissection in an individual with an ascending thoracic aortic aneurysm |
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
CN110148471A (zh) * | 2019-03-21 | 2019-08-20 | 中国人民解放军总医院第五医学中心 | 肝胆肿瘤患者生存率预测数据收集系统及模型构建方法 |
-
2019
- 2019-09-12 CN CN201910873526.3A patent/CN110706808A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018220573A1 (en) * | 2017-05-31 | 2018-12-06 | Fondazione Ri.Med | Method and system for the evaluation of the risk of aortic rupture or dissection in an individual with an ascending thoracic aortic aneurysm |
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
CN108647565A (zh) * | 2018-03-28 | 2018-10-12 | 浙江工业大学 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
CN110148471A (zh) * | 2019-03-21 | 2019-08-20 | 中国人民解放军总医院第五医学中心 | 肝胆肿瘤患者生存率预测数据收集系统及模型构建方法 |
CN109907732A (zh) * | 2019-04-09 | 2019-06-21 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
孟添主编: "《智能交通系统理论体系与应用》", 31 May 2018, 上海大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553482A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
CN111553482B (zh) * | 2020-04-09 | 2023-08-08 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
CN113782198A (zh) * | 2021-08-11 | 2021-12-10 | 东软医疗系统股份有限公司 | 颅内动脉瘤状态预测模型的生成方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574098B (zh) | 知识图谱的生成方法及装置、实体对比方法及装置 | |
CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN106897746A (zh) | 数据分类模型训练方法和装置 | |
CN110009364A (zh) | 一种行业识别模型确定方法和装置 | |
CN114220458B (zh) | 基于阵列水听器的声音识别方法和装置 | |
CN110147926A (zh) | 一种业务类型的风险等级计算方法、存储介质及终端设备 | |
CN111783934A (zh) | 卷积神经网络构建方法、装置、设备及介质 | |
CN110706808A (zh) | 动脉瘤破裂状态预测方法和装置 | |
CN115587337A (zh) | 车门异响识别方法、设备和存储介质 | |
CN115290596A (zh) | 一种基于fcn-acgan数据增强的隐匿危险品识别方法及设备 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
CN109192226A (zh) | 一种信号处理方法及装置 | |
CN109308660B (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
TWI761695B (zh) | 核身方法及裝置與其核身安全模型的生成方法與裝置及其計算設備與電腦可讀儲存媒體 | |
CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
CN110020597A (zh) | 一种用于头晕/眩晕辅诊的眼部视频处理方法及系统 | |
CN115759750A (zh) | 金融风险评估方法、系统、计算机及可读存储介质 | |
CN115630147A (zh) | 应答方法、装置、电子设备及存储介质 | |
CN110223786B (zh) | 基于非负张量分解的药物-药物相互作用预测方法及系统 | |
CN114330650A (zh) | 基于进化元学习模型训练的小样本特征分析方法及装置 | |
CN111401390B (zh) | 分类器方法及装置、电子设备及存储介质 | |
CN114239666A (zh) | 分类模型训练的方法、设备、计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |