CN110767310A - 一种基于大数据的肺癌筛查系统 - Google Patents
一种基于大数据的肺癌筛查系统 Download PDFInfo
- Publication number
- CN110767310A CN110767310A CN201911076397.1A CN201911076397A CN110767310A CN 110767310 A CN110767310 A CN 110767310A CN 201911076397 A CN201911076397 A CN 201911076397A CN 110767310 A CN110767310 A CN 110767310A
- Authority
- CN
- China
- Prior art keywords
- patient
- central server
- data
- lung cancer
- diagnosis
- 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
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明涉及肺癌肿瘤筛查技术领域,具体为一种基于大数据的肺癌筛查系统,包括中心服务器,多个与中心服务器通过网络连接的网络节点以及多个与中心服务器网络连接的便携监控设备,每个所述网络节点连接一个区域内的医院数据平台,所述医院数据平台将患者的诊断信息实时通过网络节点传输给中心服务器,所述便携监控设备通过穿戴在患者的身上以及布置在患者的周围,通过前期可以对大量用户进行肺癌的初步筛查,对于高风险的用户,提醒其至医院进行确诊,一方面扩大了肺癌筛查的范围,另一方面通过分级筛查,节省成本,使得医疗资源使用更加有效;同时对患有肺病的患者进行癌变可能的预测,及时的将肺癌遏制在癌症初期。
Description
技术领域
本发明涉及肺癌肿瘤筛查技术领域,具体为一种基于大数据的肺癌筛查系统。
背景技术
目前,随着互联网技术的飞速发展及大数据技术的进步,我国已经建成了一些肺癌数据库,而且此类数据库亦散见于极少量教学医院、中心医院。但各大医院使用各自的医疗系统,同样的病人数据采用不同的记录规则,导致了肺癌病人信息无法集成,各个医院因为使用的电子病历系统的差异,肿瘤病人数据无法被收集统一使用,大量的病人数据只是成了摆设,出现了“数据丰富,无法统一”的现象。因此如何充分利用这些宝贵的信息资源来对肺癌的早期诊断和治疗提供科学的指导、为医院管理决策提供科学的参考依据,已经成为迫切需要解决的问题;并且现有技术仅是针对患者体检数据进行基于大数据的判断标准,虽然准确性有一定提高,但并没有考虑患者周围生存环境对肺癌发病率的影响,导致判断结果准确性仍有待提高;通过目前的系统还不能够对具有肺病的普通患者进行癌变预测提醒,不能够在癌变时及时的发现,导致肺癌到中晚期才能够被发现。
发明内容
为了上述的问题,本发明提供一种基于大数据的肺癌筛查系统。
本发明解决其技术问题采用以下技术方案来实现:
一种基于大数据的肺癌筛查系统,包括中心服务器,多个与中心服务器通过网络连接的网络节点以及多个与中心服务器网络连接的便携监控设备,每个所述网络节点连接一个区域内的医院数据平台,所述医院数据平台将患者的诊断信息实时通过网络节点传输给中心服务器,所述便携监控设备通过穿戴在患者的身上以及布置在患者的周围,用于采集患者的心率、血压以及患者周围的空气状况,并通过网络连接上传到中心服务器;
所述中心服务器内置有根据医院数据平台传输的数据以及便携监控设备采集的信息进行机器学习的专家系统,所述专家系统为每一位录入信息的患者数据生成一个储存文件夹,以时间戳的形式排序文件,所述专家系统用于对新传输的患者数据给出预测,并实时传递给医院数据平台,供医生诊断时加以参考;
专家系统通过录入信息的患者数据进行分析后作出预测,对于该患者的预测结果发送到医院数据平台,供医生诊断参考,当该患者进行复查后,获取的最新信息通过医院数据平台发送到中心服务器内,通过专家系统进行对比之前的预测结果,根据预测的差距结果再次对专家系统进行机器学习;
医生通过医院诊疗模块诊断完毕后,将诊断数据实时更新至中心服务器,所述中心服务器根据诊断结果再次对专家系统进行机器学习。
优选的,所述医院数据平台所采集的诊断信息包括患者的诊断信息、具体包括肺癌常规验血指标及肺部X光片数据。
优选的,所述专家系统将中心服务器内储存的患者的心率、血压、患者周围的空气状况、肺癌常规验血指标和肺部X光片的数据进行分配权重值,将各个数据间进行参数化,将各个数据依据严重程度进行非线性变换处理,非线性变换的公式为:
优选的,所述中心服务器根据诊断结果再次对专家系统进行机器学习的方法包括:
设A为输入的二值图像,采用结构元素B对图像进行形态学处理;
A被B腐蚀,表示为AΘB,为:AΘB={x|(x+b)∈A,对每一个 b∈B};
与现有技术相比,本发明的有益效果是:本发明所述的一种基于大数据的肺癌筛查系统,通过前期可以对大量用户进行肺癌的初步筛查,对于高风险的用户,提醒其至医院进行确诊,一方面扩大了肺癌筛查的范围,另一方面通过分级筛查,节省成本,使得医疗资源使用更加有效;同时对患有肺病的患者进行癌变可能的预测,及时的将肺癌遏制在癌症初期。
附图说明
图1为本发明的系统结构框图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式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方式,而不是全部的实施方式。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。
请参阅图1,本发明提供一种技术方案:
一种基于大数据的肺癌筛查系统,包括中心服务器,多个与中心服务器通过网络连接的网络节点以及多个与中心服务器网络连接的便携监控设备,每个所述网络节点连接一个区域内的医院数据平台,所述医院数据平台将患者的诊断信息实时通过网络节点传输给中心服务器,所述便携监控设备通过穿戴在患者的身上以及布置在患者的周围,用于采集患者的心率、血压以及患者周围的空气状况,并通过网络连接上传到中心服务器;
所述中心服务器内置有根据医院数据平台传输的数据以及便携监控设备采集的信息进行机器学习的专家系统,专家系统内前期录入有大量的肺癌数据信息,所述专家系统为每一位录入信息的患者数据生成一个储存文件夹,以时间戳的形式排序文件,所述专家系统用于对新传输的患者数据给出预测,并实时传递给医院数据平台,供医生诊断时加以参考;
专家系统通过录入信息的患者数据进行分析后作出预测,对于该患者的预测结果发送到医院数据平台,供医生诊断参考,当该患者进行复查后,获取的最新信息通过医院数据平台发送到中心服务器内,通过专家系统进行对比之前的预测结果,根据预测的差距结果再次对专家系统进行机器学习,对患有肺病的患者进行癌变可能的预测,及时的将肺癌遏制在癌症初期;
医生通过医院诊疗模块诊断完毕后,将诊断数据实时更新至中心服务器,所述中心服务器根据诊断结果再次对专家系统进行机器学习。
所述医院数据平台所采集的诊断信息包括患者的诊断信息、具体包括肺癌常规验血指标及肺部X光片数据。
所述专家系统将中心服务器内储存的患者的心率、血压、患者周围的空气状况、肺癌常规验血指标和肺部X光片的数据进行分配权重值,将各个数据间进行参数化,将各个数据依据严重程度进行非线性变换处理,非线性变换的公式为:
所述中心服务器根据诊断结果再次对专家系统进行机器学习的方法包括:
设A为输入的二值图像,采用结构元素B对图像进行形态学处理;
A被B腐蚀,表示为AΘB,为:AΘB={x|(x+b)∈A,对每一个 b∈B};
A被B作闭运算,表示为A·B,为:
每次新患者就诊,将数据传入专家系统后即可得出初步诊断结果,并传输给医院数据平台,医生确诊后,将诊断结果传输回中心服务器,中心服务器将医生确诊结果与初步诊断结果进行比对,修正影响因子数值后再次对专家系统进行数据学习。
虽然在上文中已经参考实施例对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施例中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于大数据的肺癌筛查系统,其特征在于,包括中心服务器,多个与中心服务器通过网络连接的网络节点以及多个与中心服务器网络连接的便携监控设备,每个所述网络节点连接一个区域内的医院数据平台,所述医院数据平台将患者的诊断信息实时通过网络节点传输给中心服务器,所述便携监控设备通过穿戴在患者的身上以及布置在患者的周围,用于采集患者的心率、血压以及患者周围的空气状况,并通过网络连接上传到中心服务器;
所述中心服务器内置有根据医院数据平台传输的数据以及便携监控设备采集的信息进行机器学习的专家系统,所述专家系统为每一位录入信息的患者数据生成一个储存文件夹,以时间戳的形式排序文件,所述专家系统用于对新传输的患者数据给出预测,并实时传递给医院数据平台,供医生诊断时加以参考;
专家系统通过录入信息的患者数据进行分析后作出预测,对于该患者的预测结果发送到医院数据平台,供医生诊断参考,当该患者进行复查后,获取的最新信息通过医院数据平台发送到中心服务器内,通过专家系统进行对比之前的预测结果,根据预测的差距结果再次对专家系统进行机器学习;
医生通过医院诊疗模块诊断完毕后,将诊断数据实时更新至中心服务器,所述中心服务器根据诊断结果再次对专家系统进行机器学习。
2.根据权利要求1所述的一种基于大数据的肺癌筛查系统,其特征在于:所述医院数据平台所采集的诊断信息包括患者的诊断信息、具体包括肺癌常规验血指标及肺部X光片数据。
4.根据权利要求1所述的一种基于大数据的肺癌筛查系统,其特征在于:所述中心服务器根据诊断结果再次对专家系统进行机器学习的方法包括:
设A为输入的二值图像,采用结构元素B对图像进行形态学处理;
A被B膨胀,表示为A⊕B,为:A⊕B={x|x=a+b,对某些a∈A和b∈B};
A被B腐蚀,表示为AΘB,为:AΘB={x|(x+b)∈A,对每一个b∈B};
A被B作开运算,表示为AΟB,为:AΟB=(AΘB)⊕B;
A被B作闭运算,表示为A·B,为:A·B=(A⊕B)ΘB。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076397.1A CN110767310A (zh) | 2019-11-06 | 2019-11-06 | 一种基于大数据的肺癌筛查系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076397.1A CN110767310A (zh) | 2019-11-06 | 2019-11-06 | 一种基于大数据的肺癌筛查系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110767310A true CN110767310A (zh) | 2020-02-07 |
Family
ID=69336172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076397.1A Pending CN110767310A (zh) | 2019-11-06 | 2019-11-06 | 一种基于大数据的肺癌筛查系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110767310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524594A (zh) * | 2020-06-12 | 2020-08-11 | 山东大学 | 目标人群血液系统恶性肿瘤筛查系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339709A (zh) * | 2015-07-14 | 2017-01-18 | 璧典凯 | 一种图像实时提取方法 |
CN107358635A (zh) * | 2017-07-19 | 2017-11-17 | 辽宁工程技术大学 | 一种基于模糊相似性的彩色形态学图像处理方法 |
CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
CN108520778A (zh) * | 2018-04-20 | 2018-09-11 | 中日友好医院 | 一种基于大数据的肺癌筛查系统及方法 |
CN109903846A (zh) * | 2019-02-21 | 2019-06-18 | 吉林禾熙科技开发有限公司 | 基于医疗大数据的肺癌筛查系统及方法 |
-
2019
- 2019-11-06 CN CN201911076397.1A patent/CN110767310A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339709A (zh) * | 2015-07-14 | 2017-01-18 | 璧典凯 | 一种图像实时提取方法 |
CN107358635A (zh) * | 2017-07-19 | 2017-11-17 | 辽宁工程技术大学 | 一种基于模糊相似性的彩色形态学图像处理方法 |
CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
CN108520778A (zh) * | 2018-04-20 | 2018-09-11 | 中日友好医院 | 一种基于大数据的肺癌筛查系统及方法 |
CN109903846A (zh) * | 2019-02-21 | 2019-06-18 | 吉林禾熙科技开发有限公司 | 基于医疗大数据的肺癌筛查系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524594A (zh) * | 2020-06-12 | 2020-08-11 | 山东大学 | 目标人群血液系统恶性肿瘤筛查系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Groh et al. | Evaluating deep neural networks trained on clinical images in dermatology with the fitzpatrick 17k dataset | |
Sors et al. | A convolutional neural network for sleep stage scoring from raw single-channel EEG | |
Kaur et al. | A systematic review on metaheuristic optimization techniques for feature selections in disease diagnosis: open issues and challenges | |
Mehrabi et al. | Temporal pattern and association discovery of diagnosis codes using deep learning | |
CN110232383A (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
CN110364259B (zh) | 一种高原疾病预测方法、系统、介质及电子设备 | |
CN109460717B (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
Patil et al. | Performance overview of an artificial intelligence in biomedics: a systematic approach | |
CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
CN110477865A (zh) | 一种癫痫发作检测装置、终端设备及存储介质 | |
Zhang et al. | Identifying diabetic macular edema and other retinal diseases by optical coherence tomography image and multiscale deep learning | |
Neshat et al. | Diagnosing hepatitis disease by using fuzzy hopfield neural network | |
Goyal et al. | IoT based cloud network for smart health care using optimization algorithm | |
Upjohn et al. | Demystifying AI in healthcare: historical perspectives and current considerations | |
Deb et al. | CoVSeverity-Net: an efficient deep learning model for COVID-19 severity estimation from Chest X-Ray images | |
CN110767310A (zh) | 一种基于大数据的肺癌筛查系统 | |
CN113744845A (zh) | 基于人工智能的医学影像处理方法、装置、设备及介质 | |
CN116525117B (zh) | 一种面向数据分布漂移检测与自适应的临床风险预测系统 | |
WO2019121130A1 (en) | Method and system for evaluating compliance of standard clinical guidelines in medical treatments | |
Saraei et al. | A different traditional approach for automatic comparative machine learning in multimodality COVID-19 severity recognition | |
Hussain et al. | Automated Deep Learning of COVID-19 and Pneumonia Detection Using Google AutoML. | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
Ono et al. | Introduction to supervised machine learning in clinical epidemiology |
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 |
Application publication date: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |