CN111063434A - 一种基于临床症状特征的性病诊断系统 - Google Patents
一种基于临床症状特征的性病诊断系统 Download PDFInfo
- Publication number
- CN111063434A CN111063434A CN201911370622.2A CN201911370622A CN111063434A CN 111063434 A CN111063434 A CN 111063434A CN 201911370622 A CN201911370622 A CN 201911370622A CN 111063434 A CN111063434 A CN 111063434A
- Authority
- CN
- China
- Prior art keywords
- venereal
- venereal disease
- clinical symptom
- disease
- weight
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (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
本发明提出了一种基于临床症状特征的性病诊断系统,包括:特征预处理单元,用于标注及预处理已收集的患者的多种性病临床症状特征;分类及聚类单元,用于通过分类算法和聚类算法对所述多种性病临床症状特征进行分类聚类并设定每一种所述性病临床症状特征作用于每一种性病的权重,构建基于所述性病临床症状特征与性病的训练集;模型构建单元,用于通过深度学习和神经网络模型对所述训练集进行训练并得到基于深度学习和神经网络的性病诊断模型;性病预测单元,用于根据输入到所述性病诊断模型的待识别人群的临床症状特征输出诊断结果。本发明可极大的提高诊断准确度,最大限度地降低漏诊和误诊风险,并减少了不必要的医疗过程。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于临床症状特征的性病诊断系统。
背景技术
性传播疾病的涵盖范围目前已扩展至包括最少50种致病微生物感染所致的疾病,其中包括传统的五种性病及非淋菌性尿道炎、尖锐湿疣、生殖器疱疹、艾滋病、细菌性阴道病、外阴阴道念珠菌病、阴道毛滴虫病、疥疮、阴虱和乙型肝炎等。我国目前要求重点防治的性传播疾病是梅毒、淋病、生殖道沙眼衣原体感染、尖锐湿疣、生殖器疱疹及艾滋病。由于性病的种类繁多且医患数量严重失衡,常需要性病诊断系统进行辅助诊断,以实现快速诊断、提高诊断效率,性病诊断系统通常表现为患者勾选系统呈现的疾病症状,若患者勾选的疾病症状与某种性病对应,系统则给出患者可能患有此种性病的诊断结果。上述症状与性病的对应规则通常人为设定,一般是患者具有某一性病的特定症状即诊断患者患有该疾病,患者不具有某一性病的特定症状即诊断患者未患有该疾病,这种性病诊断系统的诊断方式绝对,准确率低,容易造成误诊。
发明内容
有鉴于此,本发明提出了一种基于临床症状特征的性病诊断系统,以解决传统性病诊断系统的诊断方式绝对,准确率低,容易造成误诊的问题。
本发明的技术方案是这样实现的:本发明提供了一种基于临床症状特征的性病诊断系统,包括:
特征预处理单元,用于标注及预处理已收集的患者的多种性病临床症状特征;
分类及聚类单元,用于通过分类算法和聚类算法对所述多种性病临床症状特征进行分类聚类并设定每一种所述性病临床症状特征作用于每一种性病的权重,构建基于所述性病临床症状特征与性病的训练集;
模型构建单元,用于通过深度学习和神经网络模型对所述训练集进行训练并得到基于深度学习和神经网络的性病诊断模型;
性病预测单元,用于根据输入到所述性病诊断模型的待识别人群的临床症状特征输出诊断结果。
可选的,所述基于临床症状特征的性病诊断系统还包括模型优化单元,用于结合所述性病临床症状特征的多模态数据对所述性病诊断模型进行优化。
可选的,所述多模态数据包括所述性病临床症状特征的出现部位、接触方式、传播方式、人群种类及并发疾病中的至少一种。
可选的,所述性病预测单元包括:
症状权重获取模块,用于获取输入到所述性病诊断模型的待识别人群的每种临床症状特征的权重;
单性病权重计算模块,用于根据所述待识别人群的每种临床症状特征的权重计算每种关联性病的权重;
性病总权重计算模块,用于根据每种关联性病的权重计算所有关联性病的总权重;
患病概率计算模块,用于分别计算每种关联性病的权重与所述总权重的比值并输出。
可选的,所述单性病权重计算模块为加法模块,用于对每种关联性病下的所述待识别人群临床症状特征的权重进行加法运算以得到每种关联性病的权重。
可选的,所述性病总权重计算模块同样为加法模块,用于对每种关联性病的权重进行加法运算以得到所述总权重。
可选的,所述性病临床症状特征包括知识描述和症状图片。
本发明的基于临床症状特征的性病诊断系统相对于现有技术具有以下有益效果:
(1)本发明的基于临床症状特征的性病诊断系统对性病这一类别下所有具体疾病的临床症状特征进行自然语言处理后,依据临床症状特征在不同病症上的分类和聚类不同来设定权重,以此构建分类和聚类算法和建模,在线模拟就诊场景,引导患者了解病情,提供融入诊疗过程中的、值得信赖的辅助诊疗工具,并智能给出专业建议,可极大的提高诊断准确度,最大限度地降低漏诊和误诊风险,并减少了不必要的医疗过程;
(2)本发明的基于临床症状特征的性病诊断系统通过模型优化单元结合性病临床症状特征的多模态数据对性病诊断模型进行优化,进一步保障了辅助诊断结果的准确性和深入性;
(3)本发明的基于临床症状特征的性病诊断系统可根据实际情况选择多模态数据的种类,提高优化性病诊断模型的针对性,并减少不必要的优化过程。
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为本发明的本发明的基于临床症状特征的性病诊断系统的结构框图;
图2为本发明的性病预测单元的结构框图;
图3为本发明的部分临床症状特征及其权重示意图。
附图标记说明:
10-特征预处理单元;20-分类及聚类单元;30-模型构建单元;40-模型优化单元;50-性病预测单元;501-症状权重获取模块;502-单性病权重计算模块;503-性病总权重计算模块;504-患病概率计算模块。
具体实施方式
下面将结合本发明实施方式,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,所描述的实施方式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方式,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方式,都属于本发明保护的范围。
如图1所示,本发明的基于临床症状特征的性病诊断系统包括:
特征预处理单元10,用于标注及预处理已收集的患者的多种性病临床症状特征;
分类及聚类单元20,用于通过分类算法和聚类算法对所述多种性病临床症状特征进行分类聚类并设定每一种所述性病临床症状特征作用于每一种性病的权重,构建基于所述性病临床症状特征与性病的训练集;
模型构建单元30,用于通过深度学习和神经网络模型对所述训练集进行训练并得到基于深度学习和神经网络的性病诊断模型;
性病预测单元50,用于根据输入到所述性病诊断模型的待识别人群的临床症状特征输出诊断结果。
一般来说,性病作为一类疾病,其有作为本体通用的临床症状特征,临床症状特征是患者因疾病而表现出来的不正常状态,本体下的属性可以有一级、二级、甚至三级的临床症状分类特征,一级分类与一级分类之间可能存在共同标签(临床症状特征),二级分类与二级分类之间可能存在共同标签,三级分类与三级分类之间可能存在共同标签,三级分类下的各个疾病之间也可能存在共同标签,以上关于“可能存在”即可以存在共同标签,也可以不必存在共同标签。性病临床症状特征(即标签)的采集,前期需要通过先验专家知识在系统实施前完成构建。
其中,特征预处理单元10的标注指的是标注每种性病临床症状特征是否患有性病;所述性病临床症状特征包括知识描述和症状图片,从而建模训练集的数据更加全面可靠,训练出的性病诊断模型的性病预测准确性更高。分类及聚类单元20中,分类算法的基本功能是做预测,即已知某种性病的具体特征,然后判断这个具体特征具体属于哪一种性病。比如已知某个人出现尿频、尿急、尿痛、尿道口灼痒、排尿时灼痛、尿道口流脓或宫颈口阴道口有脓性分泌物等,可以预测判断这个人可能患有淋球菌性尿道炎;如果新生儿的肛门附近、臀部、会阴部等处皮肤发红,有散在斑丘疹或疱疹,可以预测判断可能是尿布皮炎。分类算法的根本目标是发现新的模式、新的知识,与数据挖掘数据分析的根本目标是一致的。聚类算法的功能是降维,性病临床症状特征的种类数量多,需要归类与划简,从而提高数据分析的效率。比如若临床症状特征是阴道分泌物增多,可通过聚类得到细菌性阴道炎、性病性阴道炎、性病性盆腔炎、滴虫阴道炎、妊娠合并淋病、淋菌性子宫内膜炎、幼女淋病性女阴及阴道炎、淋菌性宫颈炎等性病都具有这一类临床症状特征。
因为同一种性病临床症状特征对不同种类的性病的作用各有不同,因此体现为权重信息,相应地,赋予不同的权重就能够初步诊断出一类或者一个具体的疾病。分类及聚类单元20可通过分类算法和聚类算法对多种性病临床症状特征进行分类聚类并设定每一种性病临床症状特征作用于每一种性病的权重,构建基于性病临床症状特征与性病的训练集。构建训练集后,就可以通过模型构建单元30利用深度学习和神经网络模型对训练集进行训练并得到基于深度学习和神经网络的性病诊断模型,这样在待识别患者在系统界面上选择临床症状特征后,待识别患者的临床症状特征输入到性病诊断模型,最后性病预测单元50输出待识别患者患有哪一种性病的概率。
这样,本实例中的性病诊断系统对性病这一类别下所有具体疾病的临床症状特征进行自然语言处理后,依据临床症状特征在不同病症上的分类和聚类不同来设定权重,以此构建分类和聚类算法和建模,在线模拟就诊场景,引导患者了解病情,提供融入诊疗过程中的、值得信赖的辅助诊疗工具,并智能给出专业建议,可极大的提高诊断准确度,最大限度地降低漏诊和误诊风险,并减少了不必要的医疗过程。
可选的,如图1所示,所述基于临床症状特征的性病诊断系统还包括模型优化单元40,用于结合所述性病临床症状特征的多模态数据对所述性病诊断模型进行优化。
一般的,有些性病是通过性交传染的,有些不是;有的出现在外阴、阴唇、肛门等部位等等。比如,一期梅毒除了全身皮疹、表现为硬下疳和硬化性淋巴结炎,一般无全身症状;典型的硬下疳初起为小片红斑,迅速发展为无痛性炎性丘疹,数天内丘疹扩大形成硬结,表面发生坏死形成单个直径为1~2cm、圆形或椭圆形无痛性溃疡,周边水肿并隆起,基底呈肉红色,表面有浆液性分泌物,累及单侧腹股沟或患处附近淋巴结,呈质地较硬的隆起,表面无红肿破溃,一般不痛;二期梅毒(硬下疳)除了全身皮疹、患者皮肤有斑疹、皮疹、颗粒样结构、脓疱等症状、皮肤黏膜损害、全身性淋巴结肿大、骨与关节损害、扁平湿疣;眼、骨、神经系统及内脏等损害大,很可能有发烧,有肌肉疼痛;三期梅毒(硬下疳)除了全身皮疹、患者有不洁性交,早期梅毒史;典型症状如结节性梅毒疹、树胶肿、主动脉炎、动脉瓣闭锁不全、主动脉瘤、脊髓痨、麻痹性痴呆,感染后3-10年内出现皮肤、粘膜、骨、关节以及各内脏、神经系统的损害、症状复杂。以上种种情形下需要通过模型优化单元40结合性病临床症状特征的多模态数据对性病诊断模型进行优化,进一步保障了辅助诊断结果的准确性和深入性。
可选的,所述多模态数据包括所述性病临床症状特征的出现部位、接触方式、传播方式、人群种类及并发疾病中的至少一种。这样可根据实际情况选择多模态数据的种类,提高优化性病诊断模型的针对性,并减少不必要的优化过程。
可选的,如图2所示,所述性病预测单元50包括:
症状权重获取模块501,用于获取输入到所述性病诊断模型的待识别人群的每种临床症状特征的权重;
单性病权重计算模块502,用于根据所述待识别人群的每种临床症状特征的权重计算每种关联性病的权重;
性病总权重计算模块503,用于根据每种关联性病的权重计算所有关联性病的总权重;
患病概率计算模块504,用于分别计算每种关联性病的权重与所述总权重的比值并输出。
具体的,本实施中的所述单性病权重计算模块502为加法模块,用于对每种关联性病下的所述待识别人群临床症状特征的权重进行加法运算以得到每种关联性病的权重。所述性病总权重计算模块503同样为加法模块,用于对每种关联性病的权重进行加法运算以得到所述总权重。下面结合实例说明性病预测单元50的工作原理。
如图3所示,假设待识别人群选择了“共同标签1”、“甲标签1”、”丙标签5”,单性病权重计算模块502通过加法运算计算疾病甲权重为1+5=6,疾病乙权重为1,疾病丙权重为1+50=51,性病总权重计算模块503通过加法运算计算总权重为6+1+50=58,患病概率计算模块504计算疾病甲概率为6/58=10.3%,疾病乙概率为1/58=1.7%,疾病丙概率为51/58=87.9%。这样性病预测单元50可根据输入到性病诊断模型的待识别人群的临床症状特征输出诊断结果。其中,单性病权重计算模块502和/或性病总权重计算模块503可进行混合运算,如加权运算,但单性病权重计算模块502与性病总权重计算模块503的运算需要保持一致性,即同为加法运算或同为加权运算,以保证结果的可靠性。其中,加法运算的计算量小。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于临床症状特征的性病诊断系统,其特征在于,包括:
特征预处理单元(10),用于标注及预处理已收集的患者的多种性病临床症状特征;
分类及聚类单元(20),用于通过分类算法和聚类算法对所述多种性病临床症状特征进行分类聚类并设定每一种所述性病临床症状特征作用于每一种性病的权重,构建基于所述性病临床症状特征与性病的训练集;
模型构建单元(30),用于通过深度学习和神经网络模型对所述训练集进行训练并得到基于深度学习和神经网络的性病诊断模型;
性病预测单元(50),用于根据输入到所述性病诊断模型的待识别人群的临床症状特征输出诊断结果。
2.如权利要求1所述的基于临床症状特征的性病诊断系统,其特征在于,还包括模型优化单元(40),用于结合所述性病临床症状特征的多模态数据对所述性病诊断模型进行优化。
3.如权利要求2所述的基于临床症状特征的性病诊断系统,其特征在于,所述多模态数据包括所述性病临床症状特征的出现部位、接触方式、传播方式、人群种类及并发疾病中的至少一种。
4.如权利要求1所述的基于临床症状特征的性病诊断系统,其特征在于,所述性病预测单元(50)包括:
症状权重获取模块(501),用于获取输入到所述性病诊断模型的待识别人群的每种临床症状特征的权重;
单性病权重计算模块(502),用于根据所述待识别人群的每种临床症状特征的权重计算每种关联性病的权重;
性病总权重计算模块(503),用于根据每种关联性病的权重计算所有关联性病的总权重;
患病概率计算模块(504),用于分别计算每种关联性病的权重与所述总权重的比值并输出。
5.如权利要求4所述的基于临床症状特征的性病诊断系统,其特征在于,所述单性病权重计算模块(502)为加法模块,用于对每种关联性病下的所述待识别人群临床症状特征的权重进行加法运算以得到每种关联性病的权重。
6.如权利要求5所述的基于临床症状特征的性病诊断系统,其特征在于,所述性病总权重计算模块(503)同样为加法模块,用于对每种关联性病的权重进行加法运算以得到所述总权重。
7.如权利要求1所述的基于临床症状特征的性病诊断系统,其特征在于,所述性病临床症状特征包括知识描述和症状图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370622.2A CN111063434A (zh) | 2019-12-26 | 2019-12-26 | 一种基于临床症状特征的性病诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370622.2A CN111063434A (zh) | 2019-12-26 | 2019-12-26 | 一种基于临床症状特征的性病诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111063434A true CN111063434A (zh) | 2020-04-24 |
Family
ID=70304001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911370622.2A Pending CN111063434A (zh) | 2019-12-26 | 2019-12-26 | 一种基于临床症状特征的性病诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111063434A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653359A (zh) * | 2020-05-30 | 2020-09-11 | 吾征智能技术(北京)有限公司 | 一种出血性疾病的智能预测模型构建方法和预测系统 |
CN111816245A (zh) * | 2020-07-20 | 2020-10-23 | 成都博欣医学检验实验室有限公司 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
CN112017774A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于口臭伴随症状的疾病预测模型的构建方法及系统 |
CN117423467A (zh) * | 2023-10-18 | 2024-01-19 | 广州中医药大学(广州中医药研究院) | 面向医学临床诊断的缺失值感知和容忍深度网络方法和装置 |
-
2019
- 2019-12-26 CN CN201911370622.2A patent/CN111063434A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653359A (zh) * | 2020-05-30 | 2020-09-11 | 吾征智能技术(北京)有限公司 | 一种出血性疾病的智能预测模型构建方法和预测系统 |
CN111653359B (zh) * | 2020-05-30 | 2023-09-08 | 吾征智能技术(北京)有限公司 | 一种出血性疾病的智能预测模型构建方法和预测系统 |
CN111816245A (zh) * | 2020-07-20 | 2020-10-23 | 成都博欣医学检验实验室有限公司 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
CN111816245B (zh) * | 2020-07-20 | 2022-09-09 | 成都博欣医学检验实验室有限公司 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
CN112017774A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于口臭伴随症状的疾病预测模型的构建方法及系统 |
CN112017774B (zh) * | 2020-08-31 | 2023-10-03 | 吾征智能技术(北京)有限公司 | 一种基于口臭伴随症状的疾病预测模型的构建方法及系统 |
CN117423467A (zh) * | 2023-10-18 | 2024-01-19 | 广州中医药大学(广州中医药研究院) | 面向医学临床诊断的缺失值感知和容忍深度网络方法和装置 |
CN117423467B (zh) * | 2023-10-18 | 2024-04-19 | 广州中医药大学(广州中医药研究院) | 面向医学临床诊断的缺失值感知和容忍深度网络方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111063434A (zh) | 一种基于临床症状特征的性病诊断系统 | |
US20220198661A1 (en) | Artificial intelligence based medical image automatic diagnosis system and method | |
Handa et al. | Progression and remission of pelvic organ prolapse: a longitudinal study of menopausal women | |
Rogers et al. | Sexual function in women with and without urinary incontinence and/or pelvic organ prolapse | |
Persu et al. | Pelvic Organ Prolapse Quantification System (POP–Q)–a new era in pelvic prolapse staging | |
Lincoln et al. | Macroscopically detected female genital injury after consensual and non-consensual vaginal penetration: a prospective comparison study | |
Tegerstedt et al. | A short-form questionnaire identified genital organ prolapse | |
JP7278415B2 (ja) | 下部尿路症状診断補助システムの動作方法、該方法を実現するプログラムが記録されたコンピュータ読取可能な記録媒体、及び下部尿路症状診断補助システム | |
CN107066800B (zh) | 一种盆底功能障碍性疾病分级诊疗系统 | |
Ren et al. | Three‐Dimensional Modeling of the Pelvic Floor Support Systems of Subjects with and without Pelvic Organ Prolapse | |
CN112950614A (zh) | 一种基于多尺度空洞卷积的乳腺癌检测方法 | |
Hdaib et al. | Detection of polycystic ovary syndrome (PCOS) using machine learning algorithms | |
Visalaxi et al. | An analogy of endometriosis recognition using machine learning techniques | |
CN110277166B (zh) | 一种宫腹腔镜辅助诊断系统及方法 | |
Shui et al. | Assessment of female pelvic floor support to the urethra using 3D transperineal ultrasound | |
CN112017772B (zh) | 一种基于妇女白带的疾病认知模型构建方法及系统 | |
Shiny Irene et al. | An IoT based smart menstrual cup using optimized adaptive CNN model for effective menstrual hygiene management | |
O’Leary et al. | Sonographic predictors of obstructive defecatory dysfunction | |
Singh et al. | The role of speculum and bimanual examinations when evaluating attendees at a sexually transmitted diseases clinic | |
Anggraeny et al. | Modeled early detection of pregnancy risk based on Poedji Rochjati score card using relief and neural network | |
Vittori et al. | A new approach to estimate Genital Warts incidence and prevalence in the Italian general female population | |
Lukban et al. | Safety and effectiveness of Colpexin Sphere in the treatment of pelvic organ prolapse | |
Zhang et al. | Double decoupled network for imbalanced obstetric intelligent diagnosis | |
Shi et al. | AM-DenseNet: A novel DenseNet framework using attention mechanisms for COVID-19 CT image classification | |
Qi et al. | A classification diagnosis of cervical cancer medical data based on various artificial neural networks |
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 |