CN110853764A - 一种糖尿病证候预测系统 - Google Patents
一种糖尿病证候预测系统 Download PDFInfo
- Publication number
- CN110853764A CN110853764A CN201911197978.0A CN201911197978A CN110853764A CN 110853764 A CN110853764 A CN 110853764A CN 201911197978 A CN201911197978 A CN 201911197978A CN 110853764 A CN110853764 A CN 110853764A
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- age
- module
- diabetes
- 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
- 208000011580 syndromic disease Diseases 0.000 title claims abstract description 31
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 201000010099 disease Diseases 0.000 claims abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 15
- 208000024891 symptom Diseases 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000007812 deficiency Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 206010047513 Vision blurred Diseases 0.000 claims description 4
- 208000031971 Yin Deficiency Diseases 0.000 claims description 4
- 208000002173 dizziness Diseases 0.000 claims description 4
- 206010013781 dry mouth Diseases 0.000 claims description 4
- 210000003754 fetus Anatomy 0.000 claims description 4
- 208000034783 hypoesthesia Diseases 0.000 claims description 4
- 206010036067 polydipsia Diseases 0.000 claims description 4
- 230000035922 thirst Effects 0.000 claims description 4
- 210000001124 body fluid Anatomy 0.000 claims description 3
- 239000010839 body fluid Substances 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 claims description 3
- 210000002784 stomach Anatomy 0.000 claims description 3
- 206010003549 asthenia Diseases 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract 1
- 239000003814 drug Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 208000006083 Hypokinesia Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000004044 Hypesthesia Diseases 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G16H50/70—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种糖尿病证候预测系统，属于疾病证候预测系统领域。本发明运用深度学习算法，构建了卷积神经网络模型，该模型可以用糖尿病人性别、年龄、病程等简单信息，预测糖尿病证候特征，准确度较高。本发明将前述算法内置于糖尿病证候预测系统内，方便应用，前景良好。
Description
技术领域
本发明涉及疾病证候预测系统领域，尤其涉及一种糖尿病证候预测系统。
背景技术
糖尿病是全球威胁人类健康的3大慢性非传染性疾病之一。西医对本病多采取综合防治措施，中医药在治疗本病方面也显示出较好的前景，但目前最大的难题仍然是如何进一步提高临床疗效。进一步提高中医药防治糖尿病的能力，需要对证候诊断准确性进一步加强，包括对其证候类别进行快捷而准确判断。
而计算机人工智能技术的发展为复杂生命现象的研究带来了机遇，为糖尿病证候的快捷准确判断提供了可行性条件。
发明内容
本发明的目的在于提供一种新的糖尿病证候预测系统，其技术方案包括：
一种糖尿病证候预测系统，它包括：
I.输入模块：用于接收用户输入的包括性别、年龄和得病时间，得病时间以年为单位；
II.诊断模块：包括数据预处理模块和卷积神经网络模块；
数据预处理模块执行如下计算：
(1)将性别、年龄和病程转化为属性数据：
性别属性：用0代表女性，1代表男性，用x1表示；
年龄属性：将年龄做最大最小归一化处理，使数据在分布[0，1]之间，用x2表示；
病程属性：病人得病时间做最大最小归一化，使数据分布[0，1]之间，用x3表示；
得到原始样本向量x＝(x1，x2，x3)；
(2)使用外积操作获得提升数据维度的矩阵数据：
xnew＝xTx；
卷积神经网络模块执行如下计算：
将xnew输入到卷积神经网络模型，计算糖尿病分别为胃热炽盛、气阴亏虚、阴阳两虚、肺热津伤和肾阴亏虚5种证候的概率值；
III.输出模块：负责将卷积神经网络模块得到的概率值输出。
如前述的糖尿病证候预测系统，输入模块还用于接收症状数据，症状数据指的是病人是否具有某种症状的数据，优选地，输入模块会给病人呈现一个症状的列表，病人可以勾选其具有的症状；
数据预处理模块执行如下计算：
(1)将性别、年龄、病程、症状转化为属性数据：
性别属性：用0代表女性，1代表男性，用x1表示；
年龄属性：将年龄做最大最小归一化处理，使数据在分布[0，1]之间，用x2表示；
病程属性：病人得病时间做最大最小归一化，使数据分布[0，1]之间，用x3表示；
症状属性：病人是否有该症状用0，1表示，1表示有该症状，0表示无该症状，用x4～xd表示，其中d＝n+3，n为症状种数；
得到原始样本向量x＝(x1，x2，x3，...，xd)，它是1×d的向量；
(2)使用外积操作获得提升数据维度的矩阵数据：
xnew＝xTx。
如前述的糖尿病证候预测系统，所述症状属性选自如下症状中的一个或多个：口干、乏力、口渴多饮、视物模糊、肢体麻木、头晕、舌黯红、胎腻等，辩证以气阴两虚、阴虚热盛、阴阳两虚为主。
本发明具有如下有益效果：
本发明提供了一种糖尿病证候预测系统，依赖性别、年龄和病程属性建立向量，使用外积的方式将低维数据拓展为相对大的特征图，再使用卷积神经网络抽取高维特征，达到更好的分类效果。可实现对糖尿病证候的准确预测。当输入数据仅包括性别、年龄、病程3种时，其最终预测准确率高达82.75％；当输入数据进一步增加，如口干、乏力、口渴多饮、视物模糊、肢体麻木、头晕、舌黯红、胎腻等症状属性时，最终预测预测准确率高达87.23％。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
附图说明
图1：卷积神经网络结构。
具体实施方式
本发明的预测系统的核心内容在于本发明提出的卷积神经网络模型，以及整合了传统机器学习模型和卷积神经网络模型的基于加权投票策略的集成模型，以下就以实施例的形式对本发明的核心内容做进一步说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
实施例1本发明预测系统中诊断模块的组成和工作流程
本发明预测系统包括输入模块、诊断模块和输出模块。
其中诊断模块包括：对数据升维的预处理模块，和对升维后数据进行卷积神经网络分析的卷积神经网络模块。以下对诊断模块的工作流程做简要说明：
一、预处理模块
1.性别、年龄、病程数据预处理
用户通过信息输入模块输入糖尿病患者的性别、年龄、病程(以年计)数据后，诊断模块的预处理模块将输入的数据转化成属性数据：
(1)性别属性：用0代表女性，1代表男性，用x1表示。
(2)年龄属性：原数据是表示真实年龄的数据，数量级为10，因此需要做最大最小归一化，使数据在分布[0，1]之间，用x2表示。
(3)病程属性：原数据以年为单位，表示病人得病时间，为适应前两个属性的数量级，需要做最大最小归一化，使数据分布[0，1]之间，用x3表示。
(4)证候类别：按序对每个证候编码，如表1所示。
表1证候编号对照表
实例中，数据编码后得到如表2形式的数据，表2中证候编号列是经中医诊断得到的证候编号，在此处起参考作用。
表2数据格式表
因为外积操作能够获取数据各属性间的潜在关系，并能提升数据维度。本发明中数据属性较少，因此采用外积操作提升数据维度。具体来讲，假设原始样本x＝(x1，x2，x3)为1×3的向量，其中x1，x2，x3分别表示样本的性别、年龄及病程三个特征，则新数据xnew由式(1)给出：
xnew＝xTx (1)
其中，xT为原始样本x的转置，即3×1的向量，因此新数据xnew为3×3的矩阵。
2.症状数据预处理
为了增加预测的准确性，本发明的输入模块还支持输入症状数据，输入模块会给病人呈现一个症状的列表，病人可以勾选其具有的症状。预处理模块会将症状数据转为症状属性数据，病人是否有该症状用0，1表示，1表示有该症状，0表示无该症状，用x4～xd表示，其中d＝n+3，n为症状种数；进而得到原始样本向量x＝(x1，x2，x3，...，xd)，它是1×d的向量。同理，预处理模块会使用外积操作提升数据维度，得到与症状相关的式(1)。
二、卷积神经网络模块
1.概念描述
卷积神经网络(CNN)仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习。卷积神经网络一般包含多个卷积层和池化层，每个卷积操作只会处理一小块图像，卷积后再被传递到后续的网络，每一层卷积都会提取数据中最独特的特征(比如不同方向的边或拐角处)，然后被组合和抽象以形成高阶特征。
2.卷积神经网络用于本发明的两个主要步骤：
(1)提取数据的深度特征。将输入数据进行一系列的卷积、池化处理，从而得到数据深层的抽象的特征图。
(2)由上述得到的特征图作为输入，通过一定深度的全连接网络和有效的分类器层，网络最终输出该样本的分类(预测)结果。
3.网路结构
CNN通过卷积及池化操作，自身挖掘数据潜在的关联和特征，此黑盒过程模拟了生物视觉机制，能够有效抓捕数据的特点。全连接层及分类器层是机器学习领域用于分类任务较有效的方式，两者结合能高效地完成分类任务。因此针对本发明，结合CNN思想，搭建包含3个卷积层、2个池化层、1个全连接层和1个softmax分类层的卷积神经网络模型，如图1所示。
具体而言，对于每个样本数据，外积特征为一个2D矩阵该矩阵经过卷积层，池化等操作后得到结果y。
ε4＝[fully_connect(α2)]1024
p＝[Softmax(ε4)]c
预处理模块所得的xnew会被传入诊断模块的卷积神经网络模块，通过卷积神经网络模型，计算糖尿病分别为胃热炽盛、气阴亏虚、阴阳两虚、肺热津伤和肾阴亏虚5种证候的概率值，将其输出到输出模块；最高概率值所对应证候即为预测证候。
本发明建立的CNN模型在考虑计算速度和效率的前提下，仍能够实现较高准确率的预测。同时，该模型省去了人工提取数据特征以及分析的繁琐步骤，简化模型的训练及预测过程，在最短的时间内获得最好的效果。
为了验证本发明效果，发明人提供如下实验例：
实验例1本发明预测系统预测效果比较
发明人调查了300个糖尿病患者，在患者知晓调查信息的用途的情况下，统计了实际被医生诊断的证候类型、性别、年龄、病程(年)、各种症状等信息。
所述症状包括：口干、乏力、口渴多饮、视物模糊、肢体麻木、头晕、舌黯红、胎腻。
将前述信息随机分为2个子集：80％作为训练集，另20％作为测试集。采用本发明的系统基于训练集建立CNN模型，再以测试集进行证候预测。
以测试集数据分类准确率为指标，得到表3实验结果。
表3预测结果
由此可见，将本发明的模型整合到糖尿病证候预测系统中，能够快捷地实现糖尿病证候的准确判断，在中医药领域的应用前景十分良好。
Claims (3)
1.一种糖尿病证候预测系统，其特征在于，它包括：
I.输入模块：用于接收用户输入的包括性别、年龄和得病时间，得病时间以年为单位；
II.诊断模块：包括数据预处理模块和卷积神经网络模块；
数据预处理模块执行如下计算：
(1)将性别、年龄和病程转化为属性数据：
性别属性：用0代表女性，1代表男性，用x1表示；
年龄属性：将年龄做最大最小归一化处理，使数据在分布[0，1]之间，用x2表示；
病程属性：病人得病时间做最大最小归一化，使数据分布[0，1]之间，用x3表示；
得到原始样本向量x＝(x1，x2，x3)；
(2)使用外积操作获得提升数据维度的矩阵数据：
xnew＝xTx；
卷积神经网络模块执行如下计算：
将xnew输入到卷积神经网络模型，计算糖尿病分别为胃热炽盛、气阴亏虚、阴阳两虚、肺热津伤和肾阴亏虚5种证候的概率值；
III.输出模块：负责将卷积神经网络模块得到的概率值输出。
2.如权利要求1所述的糖尿病证候预测系统，其特征在于，输入模块还用于接收症状数据；
数据预处理模块执行如下计算：
(1)将性别、年龄、病程、症状转化为属性数据：
性别属性：用0代表女性，1代表男性，用x1表示；
年龄属性：将年龄做最大最小归一化处理，使数据在分布[0，1]之间，用x2表示；
病程属性：病人得病时间做最大最小归一化，使数据分布[0，1]之间，用x3表示；
症状属性：病人是否有该症状用0，1表示，1表示有该症状，0表示无该症状，用x4～xd表示，其中d＝n+3，n为症状种数；
得到原始样本向量x＝(x1，x2，x3，...，xd)，它是1×d的向量；
(2)使用外积操作获得提升数据维度的矩阵数据：
xnew＝xTx。
3.如权利要求2所述的糖尿病证候预测系统，其特征在于，所述症状属性选自如下症状中的一个或多个：如口干、乏力、口渴多饮、视物模糊、肢体麻木、头晕、舌黯红、胎腻。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911197978.0A CN110853764B (zh) | 2019-11-28 | 2019-11-28 | 一种糖尿病证候预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911197978.0A CN110853764B (zh) | 2019-11-28 | 2019-11-28 | 一种糖尿病证候预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110853764A true CN110853764A (zh) | 2020-02-28 |
| CN110853764B CN110853764B (zh) | 2023-11-14 |
Family
ID=69606216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911197978.0A Active CN110853764B (zh) | 2019-11-28 | 2019-11-28 | 一种糖尿病证候预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110853764B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968748A (zh) * | 2020-08-21 | 2020-11-20 | 南通大学 | 一种糖尿病并发症预测模型的建模方法 |
| CN112289437A (zh) * | 2020-10-28 | 2021-01-29 | 南通市第一人民医院 | 一种基于边缘计算架构的糖尿病辅助治疗云平台系统 |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1759804A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 中医四诊合参智能辨证方法 |
| CN102298662A (zh) * | 2010-06-24 | 2011-12-28 | 上海中医药大学 | 基于自适应谐振理论的神经网络中医证候诊断系统 |
| JP2013088981A (ja) * | 2011-10-17 | 2013-05-13 | Chugoku Electric Power Co Inc:The | 時間予測装置、時間予測方法及びプログラム |
| WO2014169268A1 (en) * | 2013-04-12 | 2014-10-16 | Biophysical Corporation, Inc. | System and method for identifying patients most likely to subscribe to a prevention program for type-2 diabetes |
| CN105740612A (zh) * | 2016-01-27 | 2016-07-06 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗方法和系统 |
| CN106169165A (zh) * | 2015-05-20 | 2016-11-30 | 詹宇 | 面向诊疗数据的症状层次关联及预测方法 |
| CN106407697A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的慢性疲劳综合症预测方法和预测系统 |
| CN106529162A (zh) * | 2016-11-04 | 2017-03-22 | 南京端云信息科技有限公司 | 一种智能糖尿病评估预测系统与算法 |
| CN107122583A (zh) * | 2017-03-10 | 2017-09-01 | 深圳大学 | 一种中医证素的辨证方法及装置 |
| RU2633926C1 (ru) * | 2016-05-04 | 2017-10-19 | Елена Владимировна Брюхина | Способ определения и прогнозирования состояния здоровья женщины в перименопаузе и постменопаузе |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN107887022A (zh) * | 2017-11-09 | 2018-04-06 | 淮阴工学院 | 一种基于sstm的中医证候智能诊断方法 |
| 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 |
| US20180239872A1 (en) * | 2017-02-22 | 2018-08-23 | CC&I Research Co.,Ltd | System for predicting an acute exacerbation of chronic obstructive pulmonary disease |
| CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 |
| CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
| CN109064460A (zh) * | 2018-08-01 | 2018-12-21 | 中国科学院合肥物质科学研究院 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
| CN109222914A (zh) * | 2018-11-06 | 2019-01-18 | 北京三医智慧科技有限公司 | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 |
| CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
| CN109616168A (zh) * | 2018-12-14 | 2019-04-12 | 北京工业大学 | 一种基于电子病历的医疗领域智能管理模型构建方法 |
| WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技（深圳）有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
| CN110111886A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种基于XGBoost疾病预测的智能问诊系统及方法 |
| CN110115563A (zh) * | 2019-05-22 | 2019-08-13 | 成都中医药大学 | 一种中医证型预测系统 |
| CN110176304A (zh) * | 2019-04-19 | 2019-08-27 | 上海依智医疗技术有限公司 | 一种确定糖尿病患者骨折风险的方法及装置 |
| WO2019189971A1 (ko) * | 2018-03-30 | 2019-10-03 | 주식회사 홍복 | 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법 |
-
2019
- 2019-11-28 CN CN201911197978.0A patent/CN110853764B/zh active Active
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1759804A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 中医四诊合参智能辨证方法 |
| CN102298662A (zh) * | 2010-06-24 | 2011-12-28 | 上海中医药大学 | 基于自适应谐振理论的神经网络中医证候诊断系统 |
| JP2013088981A (ja) * | 2011-10-17 | 2013-05-13 | Chugoku Electric Power Co Inc:The | 時間予測装置、時間予測方法及びプログラム |
| WO2014169268A1 (en) * | 2013-04-12 | 2014-10-16 | Biophysical Corporation, Inc. | System and method for identifying patients most likely to subscribe to a prevention program for type-2 diabetes |
| CN106169165A (zh) * | 2015-05-20 | 2016-11-30 | 詹宇 | 面向诊疗数据的症状层次关联及预测方法 |
| CN105740612A (zh) * | 2016-01-27 | 2016-07-06 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗方法和系统 |
| RU2633926C1 (ru) * | 2016-05-04 | 2017-10-19 | Елена Владимировна Брюхина | Способ определения и прогнозирования состояния здоровья женщины в перименопаузе и постменопаузе |
| CN106407697A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的慢性疲劳综合症预测方法和预测系统 |
| CN106529162A (zh) * | 2016-11-04 | 2017-03-22 | 南京端云信息科技有限公司 | 一种智能糖尿病评估预测系统与算法 |
| US20180239872A1 (en) * | 2017-02-22 | 2018-08-23 | CC&I Research Co.,Ltd | System for predicting an acute exacerbation of chronic obstructive pulmonary disease |
| CN107122583A (zh) * | 2017-03-10 | 2017-09-01 | 深圳大学 | 一种中医证素的辨证方法及装置 |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN107887022A (zh) * | 2017-11-09 | 2018-04-06 | 淮阴工学院 | 一种基于sstm的中医证候智能诊断方法 |
| 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 |
| WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技（深圳）有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
| WO2019189971A1 (ko) * | 2018-03-30 | 2019-10-03 | 주식회사 홍복 | 당뇨병 및 전조 증상을 진단하기 위해 홍채 영상 및 망막 영상을 인공지능으로 분석하는 방법 |
| CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 |
| CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
| CN109064460A (zh) * | 2018-08-01 | 2018-12-21 | 中国科学院合肥物质科学研究院 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
| CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
| CN109222914A (zh) * | 2018-11-06 | 2019-01-18 | 北京三医智慧科技有限公司 | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 |
| CN109616168A (zh) * | 2018-12-14 | 2019-04-12 | 北京工业大学 | 一种基于电子病历的医疗领域智能管理模型构建方法 |
| CN110176304A (zh) * | 2019-04-19 | 2019-08-27 | 上海依智医疗技术有限公司 | 一种确定糖尿病患者骨折风险的方法及装置 |
| CN110111886A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种基于XGBoost疾病预测的智能问诊系统及方法 |
| CN110115563A (zh) * | 2019-05-22 | 2019-08-13 | 成都中医药大学 | 一种中医证型预测系统 |
Non-Patent Citations (4)
| Title |
|---|
| 倪青等: "《中国中西医专科专病临床大系 内分泌病诊疗全书》", vol. 1, 31 October 2016, 中国中医药出版社, pages: 59 - 60 * |
| 柳红芳等: "《基于临床研究的糖尿病肾脏病预测量表的研制》", 《北京中医药大学学报》, vol. 41, no. 05, pages 418 - 422 * |
| 白旭飞: "《基于深度卷积网络的糖尿病并发症分类》", 《电子技术与软件工程》, no. 5, 31 May 2019 (2019-05-31), pages 155 - 158 * |
| 范鹏涛等: "《临床内科疾病诊断》", vol. 1, 吉林科学技术出版社, pages: 131 - 135 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968748A (zh) * | 2020-08-21 | 2020-11-20 | 南通大学 | 一种糖尿病并发症预测模型的建模方法 |
| CN112289437A (zh) * | 2020-10-28 | 2021-01-29 | 南通市第一人民医院 | 一种基于边缘计算架构的糖尿病辅助治疗云平台系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110853764B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huan et al. | Deep convolutional neural networks for classifying body constitution based on face image | |
| Luo et al. | Retinal image classification by self-supervised fuzzy clustering network | |
| CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
| CN110853764B (zh) | 一种糖尿病证候预测系统 | |
| WO2021120007A1 (zh) | 一种基于红外图像序列的睡眠质量评估系统和方法 | |
| Zhang et al. | A survey of wound image analysis using deep learning: Classification, detection, and segmentation | |
| Yu et al. | Fetal facial standard plane recognition via very deep convolutional networks | |
| Jia et al. | Face spoofing detection under super-realistic 3D wax face attacks | |
| Zhang et al. | Video based cocktail causal container for blood pressure classification and blood glucose prediction | |
| CN116844687A (zh) | 一种基于舌像和知识图谱的处方推荐方法及系统 | |
| CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| CN116864103A (zh) | 一种基于多模态对比学习的肌少症诊断方法 | |
| Wang et al. | A deep learning approach using attention mechanism and transfer learning for electromyographic hand gesture estimation | |
| Liu et al. | A cross-lesion attention network for accurate diabetic retinopathy grading with fundus images | |
| Chen et al. | A novel imbalanced dataset mitigation method and ECG classification model based on combined 1D_CBAM-autoencoder and lightweight CNN model | |
| CN113421250A (zh) | 一种基于无病变影像训练的眼底疾病智能诊断方法 | |
| Yang et al. | Lesion classification of wireless capsule endoscopy images | |
| WO2021231044A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
| CN116977330A (zh) | 基于脉冲神经网络和上下文感知的房颤辅助分析方法 | |
| Ali et al. | Pneumonia detection in chest X-ray images: Handling class imbalance | |
| CN116564505A (zh) | 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质 | |
| CN116468887A (zh) | 一种具有普适性的结肠息肉分割方法 | |
| CN115810109A (zh) | 一种舌像特征提取方法、系统和存储介质 | |
| Karthik et al. | Virtual doctor: an artificial medical diagnostic system based on hard and soft inputs | |
| CN114464325A (zh) | 一种中医智能辩证论治装置 |
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 |