CN111096727B - 妊高症的检测方法、系统、电子设备和存储介质 - Google Patents
妊高症的检测方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111096727B CN111096727B CN201911422455.1A CN201911422455A CN111096727B CN 111096727 B CN111096727 B CN 111096727B CN 201911422455 A CN201911422455 A CN 201911422455A CN 111096727 B CN111096727 B CN 111096727B
- Authority
- CN
- China
- Prior art keywords
- pregnancy
- target
- historical
- fundus
- induced hypertension
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Ophthalmology & Optometry (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种妊高症的检测方法、系统、电子设备和存储介质,所述检测方法包括:获取多张妊高症患者的历史眼底图像;将每张历史眼底图像作为输入,历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型;获取目标患者的目标眼底图像;将目标眼底图像输入至特征点获取模型,当获取到特征点获取模型输出的目标特征点时,则确定目标患者具有妊高症眼底病变,再结合其他指标建立算法,确定是否患有妊高症并进行疾病预后预测。本发明有效改进了妊高症的诊疗模式,实现检测早期性、及时性、便捷性,提高了检测的准确性和效率;对病情进展的风险进行准确预测,从而实现了对患者病情的主动干预和及时处理,降低了妊高症的风险和损害。
Description
技术领域
本发明涉及医学研究技术领域,特别涉及一种妊高症的检测方法、系统、电子设备和存储介质。
背景技术
妊娠高血压综合征(Hypertensive Disorders in Pregnancy)是妊娠期特有的全身性疾病,多发生于妊娠20周以后,是妊娠与高血压并存的一组疾病(简称妊高症),其基本的病理生理变化为全身小血管痉挛、内皮损伤、局部缺血,可能累及多个系统,以高血压、蛋白尿、水肿为主要特征,严重者可发展为子痫,甚至导致产妇及胎儿死亡。目前,妊高症在我国发病率约为9.4%,国外平均发病率为7%~12%。该病严重影响母婴健康,在导致孕产妇和围生儿死亡的原因中占据第二位,围产儿死亡率可高达4.5/10000。因此,早期及时且正确地对妊高症进行检测并予以诊断是具有十分重要的意义。
当前妊高症的诊断和预后预测体系存在如下问题:
一、眼底检查的准确性、及时性和可行性不足:鉴于妊高症的病理生理改变在于全身小血管痉挛,眼底检查是全身唯一能够直接、实时观察到小血管眼底(视网膜)的血管变化的检查方式,因此眼底检查在妊高症的检测中有着重要参考意义,成为检测标准之一和重要依据。目前,眼底检查主要是依赖于眼科医生及时来现场会诊,但是该方式存在如下缺陷:
1)因条件限制,医院可能没有配备眼科专科医生(如妇产科专科医院),或眼科医生资质不足(基层医疗机构);
2)眼科医生在现场用眼底镜进行眼底检查,其操作性可能受到诸多因素干扰,如患者精神状态、配合情况、眼瞳孔大小、屈光介质混浊、屈光不正(如高度近视、散光)情况等,可能会导致无法准确判断眼底情况。此时若进行扩瞳检查或转至眼科门诊行眼底照相检查则会耽搁时间,可能导致延误治疗;
3)由于视网膜中央动脉直径0.096-0.112mm,中央静脉0.123-0.142mm;用以观察和测算的二级分支血管的直径则更小一些。而动静脉比例1:2(0.5)与2:3(0.67)之间的差别很细微,靠肉眼判别具有很大难度,准确度较低;
二、缺乏精确的妊高症诊断体系:
妊高症需要兼顾多重指标进行检测才能予以诊断,包括症状、体征、检验和多种特殊检查等,各指标的权重不同,凭借单一指标或主观经验欠缺客观,准确性较低。
三、缺乏准确的的妊高症预测体系:
妊高症的预后通常差异很大,有的在及时用药解除血管痉挛后可以得到缓解,有的却迅速发展为子痫甚至重度子痫,疾病在几天甚至几个小时里不可逆加重,导致全身多个器官衰竭而引发母婴死亡。倘若根据医生的主观临床经验,在疾病急剧进展后再被动处理,必将滞后而最终导致严重的不良后果。
发明内容
本发明要解决的技术问题是为了克服现有技术中妊高症的检测方法不能满足实际需求的缺陷,目的在于提供一种妊高症的检测方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种妊高症的检测方法,所述检测方法包括:
获取多张妊高症患者的历史眼底图像;
将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型;
其中,所述训练特征点对应视网膜动脉痉挛期、视网膜动脉硬化期或视网膜病变期的多种眼底病变点;
获取目标患者的目标眼底图像;
将所述目标眼底图像输入至所述特征点获取模型,当获取到所述特征点获取模型输出的目标特征点时,则确定所述目标患者具有妊高症眼底病变。
较佳地,所述将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型的步骤包括:
将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,采用卷积神经网络建立所述特征点获取模型。
较佳地,所述确定所述目标患者具有妊高症眼底病变的步骤之后还包括:
将同一妊高症患者在同一历史时间点的所述历史眼底图像输入至所述特征点获取模型获取眼底病变的历史判定结果;
采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和所述历史判定结果作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型;
将所述目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至所述概率预测模型,获取所述目标患者患有妊高症的概率值。
较佳地,所述获取所述目标患者患有妊高症的概率的步骤之后还包括:判断所述概率值是否大于设定阈值,若是,则确定所述目标患者患有妊高症。
较佳地,所述获取所述目标患者患有妊高症的概率的步骤之后还包括:
采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和所述历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;
将所述目标患者在同一目标时间点的所述目标病史记录、症状描述的所述目标文字信息、多项检查的所述目标数据信息、具有妊高症眼底病变的所述目标判定结果和所述目标患者患有妊高症的概率值输入至所述病况预测模型,获取所述目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
较佳地,所述获取多张妊高症患者的历史眼底图像的步骤包括:
获取眼底照相机分别以视神经和黄斑为中心,对妊高症患者进行免扩瞳眼底照相检查时采集的多张所述历史眼底图像;
所述获取目标患者的目标眼底图像的步骤包括:
获取眼底照相机分别以视神经和黄斑为中心,对所述目标患者进行免扩瞳眼底照相检查时采集的所述目标眼底图像。
本发明还提供一种妊高症的检测系统,所述检测系统包括历史眼底图像获取模块、特征点模型建立模块、目标眼底图像获取模块和检测模块;
所述历史眼底图像获取模块用于获取多张妊高症患者的历史眼底图像;
所述特征点模型建立模块用于将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型;
其中,所述训练特征点对应视网膜动脉痉挛期、视网膜动脉硬化期或视网膜病变期的多种眼底病变点;
所述目标眼底图像获取模块用于获取目标患者的目标眼底图像;
所述检测模块用于将所述目标眼底图像输入至所述特征点获取模型,当获取到所述特征点获取模型输出的目标特征点时,则确定所述目标患者具有妊高症眼底病变。
较佳地,所述特征点模型建立模块用于将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,采用卷积神经网络建立所述特征点获取模型。
较佳地,所述检测系统还包括历史判定结果获取模块、概率预测模型建立模块和概率值获取模块;
所述历史判定结果获取模块用于将同一妊高症患者在同一历史时间点的所述历史眼底图像输入至所述特征点获取模型获取眼底病变的历史判定结果;
所述概率预测模型建立模块用于采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和所述历史判定结果作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型;
所述概率值获取模块用于将所述目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至所述概率预测模型,获取所述目标患者患有妊高症的概率值。
较佳地,所述检测系统还包括判断模块;
所述判断模块用于判断所述概率值是否大于设定阈值,若是,则确定所述目标患者患有妊高症。
较佳地,所述检测系统还包括病况预测模型建立模块和预测结果获取模块;
所述病况预测模型建立模块用于采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和所述历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;
所述预测结果获取模块用于将所述目标患者在同一目标时间点的所述目标病史记录、症状描述的所述目标文字信息、多项检查的所述目标数据信息、具有妊高症眼底病变的所述目标判定结果和所述目标患者患有妊高症的概率值输入至所述病况预测模型,获取所述目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
较佳地,所述历史眼底图像获取模块用于获取眼底照相机分别以视神经和黄斑为中心,对妊高症患者进行免扩瞳眼底照相检查时采集的多张所述历史眼底图像;
所述目标眼底图像获取模块用于获取眼底照相机分别以视神经和黄斑为中心,对所述目标患者进行免扩瞳眼底照相检查时采集的所述目标眼底图像。
本发明还提供一种电子设备,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,所述处理器执行计算机程序时实现上述的妊高症的检测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的妊高症的检测方法的步骤。
本发明的积极进步效果在于:
本发明中,基于多张妊高症患者的历史眼底图像采用卷积神经网络训练特征点获取模型;当该特征点获取模型输出目标眼底图像中的目标特征点时则确定该目标患者具有妊高症眼底病变;采用多模态技术结合症状描述的文本信息、多项检查的数据信息和眼底病变的检测信息等建立概率预测模型以确定该目标患者患有妊高症的概率,并根据该概率值以及多模态输入参数等各项参数信息采用递归神经网络建立病况预测模型以预测目标患者在未来不同时间点的妊高症的病况进展情况,从而有效改进了妊高症的诊疗模式,实现检测早期性、及时性、便捷性,提高了检测的准确性和效率;对病情进展的风险进行准确预测,从而实现了对患者病情的主动干预和及时处理,降低了妊高症的风险和损害,提升了患者体验和满意度。
附图说明
图1为本发明实施例1的妊高症的检测方法的流程图。
图2为本发明实施例2的妊高症的检测方法的流程图。
图3为本发明实施例3的妊高症的检测系统的模块示意图。
图4为本发明实施例4的妊高症的检测系统的模块示意图。
图5为本发明实施例5的实现妊高症的检测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的妊高症的检测方法包括:
S101、获取多张妊高症患者的历史眼底图像;
S102、将每张历史眼底图像作为输入,历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型;
其中,训练特征点对应视网膜动脉痉挛期、视网膜动脉硬化期或视网膜病变期的多种眼底病变点;
具体地,妊高症的眼底病变的本质是急/慢性血压升高引发的高血压及动脉硬化性眼底改变。对于视网膜动脉痉挛期:视网膜小动脉狭窄、粗细不等;动脉细、静脉粗,动静脉的直径比例由2:3变为1:2-4;对于视网膜动脉硬化期,视网膜动脉管径变窄,管壁中心光反射增宽,出现“铜丝”甚至“银丝”状反光,以及出现“动静脉交叉征”;对于视网膜病变期的多种眼底病变点:视网膜水肿、出血、棉绒斑、黄斑区星状渗出、甚至渗出性视网膜脱离等。
S103、获取目标患者的目标眼底图像;
S104、将目标眼底图像输入至特征点获取模型,当获取到特征点获取模型输出的目标特征点时,则确定目标患者具有妊高症眼底病变。
本实施例中,基于多张妊高症患者的历史眼底图像训练特征点获取模型;当该特征点获取模型输出目标眼底图像中的目标特征点时则确定该目标患者具有妊高症眼底病变,有效改进了妊高症的诊疗模式,实现检测早期性、及时性、便捷性,提高了检测的准确性和效率,提升了患者体验和满意度。
实施例2
如图2所示,本实施例的妊高症的检测方法是对实施例1的进一步改进,具体地:
步骤S101包括:
S1011、获取眼底照相机分别以视神经和黄斑为中心,对妊高症患者进行免扩瞳眼底照相检查时采集的多张历史眼底图像;
步骤S103包括:
S1031、获取眼底照相机分别以视神经和黄斑为中心,对目标患者进行免扩瞳眼底照相检查时采集的目标眼底图像。
步骤S102包括:
S1021、将每张历史眼底图像作为输入,历史眼底图像中预先标记出的训练特征点作为输出,采用卷积神经网络建立特征点获取模型。
步骤S104之后还包括:
S105、将同一妊高症患者在同一历史时间点的历史眼底图像输入至特征点获取模型获取眼底病变的历史判定结果;
S106、采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型;
其中,多项检查的数据信息包括但不限于患者病史、症状、局部水肿情况、血液检验(肝肾功能:尿素氮、肌酐等)、尿液检查(尿比重、尿蛋白、24小时尿蛋白定量)、损伤性血流动力学监测(中心静脉压),心电图、超声心动图、脑CT或MRI等,以及胎心监护、胎盘功能和胎儿成熟度检查,以及临床诊断信息等。
S107、将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至概率预测模型,获取目标患者患有妊高症的概率值。
另外,还可以结合大临床样本的深度学习最终获取目标患者患有妊高症的概率值,从而进一步提高了确定患者是否患有妊高症的风险系数的准确度。
步骤S107之后还包括:
S108、判断概率值是否大于设定阈值,若是,则确定所述目标患者患有妊高症。
步骤S107之后还包括:
S109、采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;
S1010、将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息、具有妊高症眼底病变的目标判定结果和目标患者患有妊高症的概率值输入至病况预测模型,获取目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
另外,还可以结合大临床样本的深度学习预测目标患者在未来不同的设定时间内妊高症的病况进展情况,进一步提高疾病预后预测的准确度。
本实施例可以为临床医生提供诊断和治疗的客观依据,有利于降低妊高症的风险和损害,可以主动有效地应对患者预后的可能出现的问题,及时有效地进行干预与治疗,从而避免了因治疗之后造成的不良后果。
下面结合实例具体说明:
1)选取患有妊娠期高血压的患者3000例,以及正常对照组7000例。
其中,临床诊断由妇产科医生提供,排除合并其他孕期疾病患者,排除合并其他眼底疾病的患者。
2)用眼底照相机对患者进行免扩瞳眼底照相检查,其中,对每个患者进行双眼检查,每只眼分别以视神经和黄斑为中心各拍照一张,计每人拍四张眼底照相。
3)记录患者其他临床信息,包括:一般信息:年龄等;既往病史:孕产史;血压情况:峰值,监测期平均值;主观症状:头晕,视力下降等;血检验:肌酐、尿素氮;尿常规:尿比重、尿蛋白、24h定量;其他检查(视情况):中心静脉压;心电图、超声心动图;以及胎心监护、胎盘功能和胎儿成熟度检查等。
4)随访患者,搜集1周、2周、1个月、3个月后的上述眼底照相和其他临床信息;
5)由眼科医生和负责处理图像计算机软件工程师共同进行控制,图片质量是否符合标注要求,以提供有效信息。
6)由3位独立的眼科医生对眼底图像按相应标准进行标注特征点,这些特征点具体包括:二级分支血管动脉和静脉直径、动静脉交叉、出血、棉绒斑、硬性渗出、视网膜脱离等。
7)在临床信息录入时,将训练集中患者的多项指标分类录入。
8)对标注后的眼底图像采用卷积神经网络进行训练,建立特征点获取模型;
9)将目标患者的眼底图像输入至特征点获取模型并获取到目标特征点时,则确定识别出该目标患者具有妊高症眼底病变;
10)采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果(这些数据在患者随访时采集得到)作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型,然后将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至概率预测模型,获取目标患者患有妊高症的概率值。
11)采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;然后将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息、具有妊高症眼底病变的目标判定结果和目标患者患有妊高症的概率值输入至病况预测模型,获取目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
其中,采用测试集(300例独立样本)对本实施例的检测方法进行测试,以验证其测试的准确性。
具体地,分别将300例独立样本执行上述步骤8)-10),获取每个独立样本对应的妊高症眼底病变、患有妊高症的概率值以及疾病预后的预测情况;
同时,将同样的测试集由眼科医生根据眼底图像判别是否妊高症眼底病变,由妇产科医生判别是否妊高症临床诊断,对比历史资料判断妊高症进展情况(可根据条件分为高级资深医生组和初级低年资医生组);
将每个独立样本在本实施例的妊高症的检测方法与眼科医生以及妇产科医生做出的诊断结果进行对比,结果表明,两者的诊断结果基本保持一致,即本实施例的妊高症的检测方法的准确性较高,可以应用到妊高症检测方面。
本实施例中,基于多张妊高症患者的历史眼底图像采用卷积神经网络训练特征点获取模型;当该特征点获取模型输出目标眼底图像中的目标特征点时则确定该目标患者具有妊高症眼底病变;采用多模态技术结合症状描述的文本信息、多项检查的数据信息和眼底病变的检测信息等建立概率预测模型以确定该目标患者患有妊高症的概率,并根据该概率值以及多模态输入参数等各项参数信息采用递归神经网络建立病况预测模型以预测目标患者在未来不同时间点的妊高症的病况进展情况,从而有效改进了妊高症的诊疗模式,实现检测早期性、及时性、便捷性,提高了检测的准确性和效率;对病情进展的风险进行准确预测,从而实现了对患者病情的主动干预和及时处理,降低了妊高症的风险和损害,提升了患者体验和满意度。
实施例3
如图3所示,本实施例的妊高症的检测系统包括历史眼底图像获取模块1、特征点模型建立模块2、目标眼底图像获取模块3和检测模块4。
历史眼底图像获取模块1用于获取多张妊高症患者的历史眼底图像;
特征点模型建立模块2用于将每张历史眼底图像作为输入,历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型;
其中,训练特征点对应视网膜动脉痉挛期、视网膜动脉硬化期或视网膜病变期的多种眼底病变点;
妊高症的眼底病变的本质是急/慢性血压升高引发的高血压及动脉硬化性眼底改变。对于视网膜动脉痉挛期:视网膜小动脉狭窄、粗细不等;动脉细、静脉粗,动静脉的直径比例由2:3变为1:2-4;对于视网膜动脉硬化期,视网膜动脉管径变窄,管壁中心光反射增宽,出现“铜丝”甚至“银丝”状反光,以及出现“动静脉交叉征”;对于视网膜病变期的多种眼底病变点:视网膜水肿、出血、棉绒斑、黄斑区星状渗出、甚至渗出性视网膜脱离等。
目标眼底图像获取模块3用于获取目标患者的目标眼底图像;
检测模块4用于将目标眼底图像输入至特征点获取模型,当获取到特征点获取模型输出的目标特征点时,则确定目标患者具有妊高症眼底病变。
本实施例中,基于多张妊高症患者的历史眼底图像训练特征点获取模型;当该特征点获取模型输出目标眼底图像中的目标特征点时则确定该目标患者具有妊高症眼底病变,有效改进了妊高症的诊疗模式,实现检测早期性、及时性、便捷性,提高了检测的准确性和效率,提升了患者体验和满意度。
实施例4
如图4所示,本实施例的妊高症的检测系统是对实施例3的进一步改进,具体地:
历史眼底图像获取模块1用于获取眼底照相机分别以视神经和黄斑为中心,对妊高症患者进行免扩瞳眼底照相检查时采集的多张历史眼底图像;
目标眼底图像获取模块3用于获取眼底照相机分别以视神经和黄斑为中心,对目标患者进行免扩瞳眼底照相检查时采集的目标眼底图像。
特征点模型建立模块2用于将每张历史眼底图像作为输入,历史眼底图像中预先标记出的训练特征点作为输出,采用卷积神经网络建立特征点获取模型。
检测系统还包括历史判定结果获取模块5、概率预测模型建立模块6和概率值获取模块7。
历史判定结果获取模块5用于将同一妊高症患者在同一历史时间点的历史眼底图像输入至特征点获取模型获取眼底病变的历史判定结果;
概率预测模型建立模块6用于采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型;
概率值获取模块7用于将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至概率预测模型,获取目标患者患有妊高症的概率值。
另外,还可以结合大临床样本的深度学习最终获取目标患者患有妊高症的概率值,从而进一步提高了确定患者是否患有妊高症的风险系数的准确度。
检测系统包括判断模块8,判断模块8用于判断概率值是否大于设定阈值,若是,则确定目标患者患有妊高症。
检测系统包括病况预测模型建立模块9和预测结果获取模块10。
病况预测模型建立模块9用于采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;
预测结果获取模块10用于将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息、具有妊高症眼底病变的目标判定结果和目标患者患有妊高症的概率值输入至病况预测模型,获取目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
另外,还可以结合大临床样本的深度学习预测目标患者在未来不同的设定时间内妊高症的病况进展情况,进一步提高疾病预后预测的准确度。
本实施例可以为临床医生提供诊断和治疗的客观依据,有利于降低妊高症的风险和损害,可以主动有效地应对患者预后的可能出现的问题,及时有效地进行干预与治疗,从而避免了因治疗之后造成的不良后果。
本实施例的妊高症的检测系统可以应用在社区筛查、体检机构和远程医疗等方面,大大地缩短了检测周期,提高了现有妊高症检测设备的检测速度、智能化以及准确性。
下面结合实例具体说明:
1)选取患有妊娠期高血压的患者3000例,以及正常对照组7000例。
其中,临床诊断由妇产科医生提供,排除合并其他孕期疾病患者,排除合并其他眼底疾病的患者。
2)用眼底照相机对患者进行免扩瞳眼底照相检查,其中,对每个患者进行双眼检查,每只眼分别以视神经和黄斑为中心各拍照一张,计每人拍四张眼底照相。
3)记录患者其他临床信息,包括:一般信息:年龄等;既往病史:孕产史;血压情况:峰值,监测期平均值;主观症状:头晕,视力下降等;血检验:肌酐、尿素氮;尿常规:尿比重、尿蛋白、24h定量;其他检查(视情况):中心静脉压;心电图、超声心动图;以及胎心监护、胎盘功能和胎儿成熟度检查等。
4)随访患者,搜集1周、2周、1个月、3个月后的上述眼底照相和其他临床信息;
5)由眼科医生和负责处理图像计算机软件工程师共同进行控制,图片质量是否符合标注要求,以提供有效信息。
6)由3位独立的眼科医生对眼底图像按相应标准进行标注特征点,这些特征点具体包括:二级分支血管动脉和静脉直径、动静脉交叉、出血、棉绒斑、硬性渗出、视网膜脱离等。
7)在临床信息录入时,将训练集中患者的多项指标分类录入。
8)对标注后的眼底图像采用卷积神经网络进行训练,建立特征点获取模型;
9)将目标患者的眼底图像输入至特征点获取模型并获取到目标特征点时,则确定识别出该目标患者具有妊高症眼底病变;
10)采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果(这些数据在患者随访时采集得到)作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型,然后将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至概率预测模型,获取目标患者患有妊高症的概率值。
11)采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;然后将目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息、具有妊高症眼底病变的目标判定结果和目标患者患有妊高症的概率值输入至病况预测模型,获取目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
其中,采用测试集(300例独立样本)对本实施例的检测方法进行测试,以验证其测试的准确性。
具体地,分别将300例独立样本执行上述步骤8)-10),获取每个独立样本对应的妊高症眼底病变、患有妊高症的概率值以及疾病预后的预测情况;
同时,将同样的测试集由眼科医生根据眼底图像判别是否妊高症眼底病变,由妇产科医生判别是否妊高症临床诊断、妊高症是否进展(可根据条件分为高级资深医生组和初级低年资医生组);
将每个独立样本在本实施例的妊高症的检测方法与眼科医生以及妇产科医生做出的诊断结果进行对比,结果表明,两者的诊断结果基本保持一致,即本实施例的妊高症的检测方法的准确性较高,可以应用到妊高症检测方面。
本实施例中,基于多张妊高症患者的历史眼底图像采用卷积神经网络训练特征点获取模型;当该特征点获取模型输出目标眼底图像中的目标特征点时则确定该目标患者具有妊高症眼底病变;采用多模态技术结合症状描述的文本信息、多项检查的数据信息和眼底病变的检测信息等建立概率预测模型以确定该目标患者患有妊高症的概率,并根据该概率值以及多模态输入参数等各项参数信息采用递归神经网络建立病况预测模型以预测目标患者在未来不同时间点的妊高症的病况进展情况,从而有效改进了妊高症的诊疗模式,实现检测早期性、及时性、便捷性,提高了检测的准确性和效率;对病情进展的风险进行准确预测,从而实现了对患者病情的主动干预和及时处理,降低了妊高症的风险和损害,提升了患者体验和满意度。
实施例5
图5为本发明实施例5提供的一种电子设备的结构示意图。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,处理器执行程序时实现实施例1或2中任意一实施例中的妊高症的检测方法。图5显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2中任意一实施例中的妊高症的检测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1或2中任意一实施例中的妊高症的检测方法中的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1或2中任意一实施例中的妊高症的检测方法中的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (3)
1.一种妊高症的检测系统,其特征在于,所述检测系统包括历史眼底图像获取模块、特征点模型建立模块、目标眼底图像获取模块和检测模块;
所述历史眼底图像获取模块用于获取多张妊高症患者的历史眼底图像;
所述特征点模型建立模块用于将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,建立特征点获取模型;
其中,所述训练特征点对应视网膜动脉痉挛期、视网膜动脉硬化期或视网膜病变期的多种眼底病变点;
所述目标眼底图像获取模块用于获取目标患者的目标眼底图像;
所述检测模块用于将所述目标眼底图像输入至所述特征点获取模型,当获取到所述特征点获取模型输出的目标特征点时,则确定所述目标患者具有妊高症眼底病变;
所述检测系统还包括历史判定结果获取模块、概率预测模型建立模块和概率值获取模块;
所述历史判定结果获取模块用于将同一妊高症患者在同一历史时间点的所述历史眼底图像输入至所述特征点获取模型获取眼底病变的历史判定结果;
所述概率预测模型建立模块用于采用多模态技术将同一妊高症患者在同一历史时间点对应的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和所述历史判定结果作为输入,患者具有妊高症的历史诊断结果作为输出,建立概率预测模型;
所述概率值获取模块用于将所述目标患者在同一目标时间点的目标病史记录、症状描述的目标文字信息、多项检查的目标数据信息和具有妊高症眼底病变的目标判定结果输入至所述概率预测模型,获取所述目标患者患有妊高症的概率值;
所述检测系统还包括判断模块;
所述判断模块用于判断所述概率值是否大于设定阈值,若是,则确定所述目标患者患有妊高症;
所述检测系统还包括病况预测模型建立模块和预测结果获取模块;
所述病况预测模型建立模块用于采用递归神经网络将同一妊高症患者在多个不同历史时间点的历史病史记录、症状描述的历史文字信息、多项检查的历史数据信息和所述历史判定结果作为输入,不同历史时间点对应的妊高症的病况作为输出,建立病况预测模型;
所述预测结果获取模块用于将所述目标患者在同一目标时间点的所述目标病史记录、症状描述的所述目标文字信息、多项检查的所述目标数据信息、具有妊高症眼底病变的所述目标判定结果和所述目标患者患有妊高症的概率值输入至所述病况预测模型,获取所述目标患者在未来不同时间点的妊高症的病况进展情况的预测结果。
2.如权利要求1所述的妊高症的检测系统,其特征在于,所述特征点模型建立模块用于将每张所述历史眼底图像作为输入,所述历史眼底图像中预先标记出的训练特征点作为输出,采用卷积神经网络建立所述特征点获取模型。
3.如权利要求1所述的妊高症的检测系统,其特征在于,所述历史眼底图像获取模块用于获取眼底照相机分别以视神经和黄斑为中心,对妊高症患者进行免扩瞳眼底照相检查时采集的多张所述历史眼底图像;
所述目标眼底图像获取模块用于获取眼底照相机分别以视神经和黄斑为中心,对所述目标患者进行免扩瞳眼底照相检查时采集的所述目标眼底图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422455.1A CN111096727B (zh) | 2019-12-31 | 2019-12-31 | 妊高症的检测方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422455.1A CN111096727B (zh) | 2019-12-31 | 2019-12-31 | 妊高症的检测方法、系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111096727A CN111096727A (zh) | 2020-05-05 |
CN111096727B true CN111096727B (zh) | 2021-02-26 |
Family
ID=70426528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911422455.1A Expired - Fee Related CN111096727B (zh) | 2019-12-31 | 2019-12-31 | 妊高症的检测方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111096727B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112587089B (zh) * | 2020-11-19 | 2023-04-21 | 新希望六和股份有限公司 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
CN116831534A (zh) * | 2023-08-23 | 2023-10-03 | 中国科学院合肥物质科学研究院 | 基于反应性充血的红外热成像糖尿病足风险评估系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
WO2019105218A1 (zh) * | 2017-11-30 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 图像特征的识别方法和装置、存储介质、电子装置 |
CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110490138A (zh) * | 2019-08-20 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 一种数据处理方法及装置、存储介质、电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682389B (zh) * | 2016-11-18 | 2019-01-15 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理系统 |
CN108771530B (zh) * | 2017-05-04 | 2021-03-30 | 深圳硅基智能科技有限公司 | 基于深度神经网络的眼底病变筛查系统 |
CN109994173A (zh) * | 2019-04-02 | 2019-07-09 | 周赟 | 一种眼底病监测系统 |
-
2019
- 2019-12-31 CN CN201911422455.1A patent/CN111096727B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019105218A1 (zh) * | 2017-11-30 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 图像特征的识别方法和装置、存储介质、电子装置 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110490138A (zh) * | 2019-08-20 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 一种数据处理方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
妊娠期高血压疾病眼底病变;张梦雨等;《中国医刊》;20180831;第53卷(第8期);第851-823页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111096727A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10722180B2 (en) | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders | |
Cheung et al. | A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre | |
Palmer et al. | Optic nerve head drusen: an update | |
US20190313903A1 (en) | System and Method for Medical Condition Diagnosis, Treatment and Prognosis Determination | |
Hollands et al. | Acute-onset floaters and flashes: is this patient at risk for retinal detachment? | |
Raman et al. | Diabetic retinopathy screening guidelines in India: All India Ophthalmological Society diabetic retinopathy task force and Vitreoretinal Society of India consensus statement | |
Sayin et al. | Subfoveal choroidal thickness in preeclampsia: comparison with normal pregnant and nonpregnant women | |
Abdel-Ghafar et al. | Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy | |
CN111096727B (zh) | 妊高症的检测方法、系统、电子设备和存储介质 | |
Ong Tone et al. | Imaging the corneal endothelium in Fuchs corneal endothelial dystrophy | |
JP2022540159A (ja) | 収縮期血圧、血液パラメーター、およびこれらの組み合わせを含むバイタルサインを使用して敗血症を検出する方法 | |
Oh et al. | Inpatient and emergency room ophthalmology consultations at a tertiary care center | |
Wu et al. | The future application of artificial intelligence and telemedicine in the retina: A perspective | |
Gupta et al. | Heart, eye, and artificial intelligence: a review | |
US11278260B1 (en) | Acquiring ultrasound image | |
Turczyńska et al. | Wide-field fluorescein angiography in the diagnosis and Management of Retinal Vein Occlusion: a retrospective single-center study | |
Pradeep et al. | Artificial intelligence and hemodynamic studies in optical coherence tomography angiography for diabetic retinopathy evaluation: A review | |
Tiwari et al. | Broad analysis of deep learning techniques for diabetic retinopathy screening | |
Wang et al. | Eye trauma imaging | |
Chen et al. | EE-explorer: a multimodal artificial intelligence system for eye emergency triage and primary diagnosis | |
Takizawa et al. | Association between a relative afferent pupillary defect using pupillography and inner retinal atrophy in optic nerve disease | |
Agarwal et al. | Non-invasive techniques for the screening of diabetic retinopathy | |
Jindal et al. | Non‐contact methods for the detection of people at risk of primary angle closure glaucoma | |
Li et al. | Correlation between ductus venosus spectrum and right ventricular diastolic function in isolated single-umbilical-artery foetus and normal foetus in third trimester | |
Swiderska et al. | A deep learning approach for Meibomian gland appearance evaluation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 Termination date: 20211231 |