CN111243758A - 一种应用于具有多次反馈调节特点场景的建模方法 - Google Patents
一种应用于具有多次反馈调节特点场景的建模方法 Download PDFInfo
- Publication number
- CN111243758A CN111243758A CN202010018777.6A CN202010018777A CN111243758A CN 111243758 A CN111243758 A CN 111243758A CN 202010018777 A CN202010018777 A CN 202010018777A CN 111243758 A CN111243758 A CN 111243758A
- Authority
- CN
- China
- Prior art keywords
- formula
- index
- value
- stage
- dosage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009123 feedback regulation Effects 0.000 title abstract description 4
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000009776 industrial production Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000033228 biological regulation Effects 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 7
- 238000009472 formulation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 206010066901 Treatment failure Diseases 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000001364 causal effect Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002357 endometrial effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Pharmacology & Pharmacy (AREA)
- Bioethics (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Toxicology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于具有多次反馈调节特点场景的建模方法，假设工业生产系统的调节包含若干个阶段；每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；对数据进行预处理；对模型进行训练，预测值在模型的输入中，通过在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量；本发明解决了在多轮调节场景中用前馈网络建模的矛盾，利用大量历史数据来训练模型，依据历史生产中配方与产品质量之间的因果关系，自动得到生产环节中的配方剂量。
Description
技术领域
本发明属于模型建模领域，尤其涉及一种应用于具有多次反馈调节特点场景的建模方法。
背景技术
在一些工业生产场景中，生产的配方、添加剂的剂量等需要通过不断的实验测试来获得最优值，因为面对的常常是一个复杂系统，只能通过指标测量值来获知其内部情况(产品质量、人体器官健康程度)，对一个复杂系统的调试往往需要经过多次迭代，根据其每一次的检测指标值，来调节下一轮迭代的配方剂量和处理方式，来提升最终的产品质量，即得到最终的最优检测指标。例如在一个新研发的药物的使用剂量的确定，实质上是对人体这个复杂系统进行调节，通过在不同的个体上做大量的临床实验，来确定药物的推荐使用方法，以及针对不同体质个体的精准使用方法，对每个个体的实验过程都是一个多次调节的过程，每次用药的剂量都要参考历史用药和历史指标测量。再例如工业品的生产过程，其标准生产流程也是通过大量反复实验得到的，每一生产步骤应该采取什么动作、添加多少剂量的添加剂等，都要基于前面的生产步骤做过的动作和使用过的剂量。
发明内容
本发明针对工业生产场景中多轮调节的生产过程，利用大量历史数据来训练模型，依据历史生产中配方与产品质量之间的因果关系，自动得到生产环节中的配方剂量。在这一过程中，每一个当前环节的剂量的决策依据历史环节中的剂量X0和检测指标I0，而用一般的前馈网络模型，在模型训练阶段，模型在每个环节的输入是历史剂量X0和指标I0、当前剂量X1，模型输出的是此次用药后的检测指标I1。本发明主要解决这一建模中的矛盾，在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量X1。
本发明的目的是通过以下技术方案来实现的：一种应用于具有多次反馈调节特点场景的建模方法，包括：
(1)问题的分析与建模：假设工业生产系统的调节包含若干阶段，每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；
(2)数据采集与模型训练：
(2.1)采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；
(2.2)数据预处理：将数值型指标按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好；
(2.3)模型训练：给定一组数据，包括配方剂量前指标I1、配方剂量方案X1、配方剂量后指标I2，假设存在函数关系I2＝function(I1,X1)，即在使用配方前指标一定的情况下，经过一定的配方剂量后，其结果应当是一定的；用神经网络来拟合这一函数关系：
I2＝relu(w1*[I1,X1]+b)*w2 (1)
用历史数据来训练这一函数，得到其参数w1、b、w2的值，其中w1的维度为(n1,dim_hidden)，n1为I1的指标数量，dim_hidden为每一层神经网络的参数个数；神经网络可以采用多层神经网络。
(2.4)预测：根据使用配方前指标I1预测配方剂量方案X1，利用训练好的函数(1)，计算能够让结果指标最好(值最小)的配方剂量方案X1，把使用配方后指标I2线性组合为一个浮点数值I2’＝func_linear(I20、I21…I2n2)；计算如下式得到X1：
argminX1(I2’)＝argminX1(function(I1,X1))＝argminX1(relu(w1*[I1,X1]+b)*w2)(2)
其中w1、b、w2为步骤2.3中得到的值，I1为输入值，计算X1的值使得式(2)即I2’的值最小。
(2.5)对调节流程中的每个阶段按步骤2.3和2.4进行建模。
进一步地，当应用场景为治疗过程的用药预测场景时，所述步骤(2.1)中采集上千份结构化的电子病历数据，包括治疗成功和治疗失败的病历，从中取出各个阶段的检测指标、医生的配方剂量方案、配方剂量后得到的结果指标；配方剂量方案一般包括各种成分的剂量时间和剂量，将配方剂量时间作为浮点数处理。
进一步地，所述步骤(2.4)中采用梯度下降类优化方法或Gibbs Sampling方法计算X1。
本发明的有益效果是：本发明解决了在多轮调节场景中用前馈网络建模的矛盾，即预测值在模型的输入中，通过在前馈网络的基础上，用argmin函数来得到当前应当采用的剂量X1。
附图说明
图1为本发明应用于具有多次反馈调节特点场景的建模方法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，本发明提供的一种应用于具有多次反馈调节特点场景的建模方法，包括：
1.问题的分析和建模
假设对一种工业生产场景中的复杂系统的调节包含3个阶段(实际应用中可以是1个或任意多个阶段)：
第一阶段：根据初步检测指标1(I1＝I10、I11…I1n1共n1个指标)，采用配方剂量方案1(X1＝X10、X11，即两种药物的剂量)，得到了检测指标2(I2＝I20、I21…I2n2共n2个指标)；
第二阶段：根据检测指标2、初步检测指标1、配方剂量方案1，采用配方剂量方案2(X2＝X20、X21)，得到了检测指标3(I3＝I30、I31…I3n3)；
第三阶段：根据检测指标2、初步检测指标1、配方剂量方案1、检测指标3、配方剂量方案2，采用配方剂量方案3(X3＝X30、X31)，得到了检测指标4(I4＝I40、I41…I4n4)；
检测指标举例：例如在治疗不孕中的检测指标包括卵泡大小、数量、子宫内膜的厚度这3个指标。检测指标4反映了最终的治疗结果是否成功；
在应用场景中，每一阶段已知的信息是之前阶段的检测指标与配方剂量方案、当前阶段的检测指标，待预测的是当前阶段的配方剂量方案。
2.数据采集与模型训练：
2.1采集历史数据，包括每一次完整调节(生产、治疗)流程中的各环节的检测指标和使用的配方剂量方案数据，如在治疗过程中，采集上千份结构化的电子病历数据，从中取出各个阶段的检测指标、医生的配方剂量方案、配方剂量后得到的结果指标。包括治疗成功和治疗失败的病历，治疗失败的例如最终的结果指标显示治疗失败、治疗到中间阶段的指标太差而没有继续治疗。
2.2数据预处理：数值型指标(包括整数和浮点数)按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好，选项型指标为0表示结果好，如果不符合“值越小表示结果越好”，则用1减去归一化后的值进行处理。配方剂量方案一般包括各种成分的剂量时间和剂量，如一天3次每次5ml，将配方剂量时间作为浮点数处理。
如此即得到每一份完整调节流程数据中各阶段检测指标及配方剂量方案。
2.3训练：
给定一组数据，如配方剂量前指标I1、配方剂量方案X1、配方剂量后指标I2。假设存在函数关系I2＝function(I1,X1)，即在使用配方前指标一定的情况下，经过一定的配方剂量后，其结果即配方后指标应当是一定的。
由于神经网络可以拟合任一函数(包括连续函数，非连续函数也可以通过处理来进行拟合)，用神经网络来拟合这一函数关系，如单层神经网络：
I2＝relu(w1*[I1,X1]+b)*w2 (1)
用历史数据来训练这一函数，得到其参数w1、b、w2的值，其中w1的维度为(n1,dim_hidden)，n1为I1的指标数量，每一层神经网络的参数个数dim_hidden默认为50，可根据拟合的效果调节，例如拟合效果差(网络输出的I2与实际值差太多)，可以增加为100。
2.4预测：
即根据使用配方前指标I1预测配方剂量方案X1，利用训练好的函数(1)，计算能够让结果指标最好(值最小)的配方剂量方案X1，把使用配方后指标I2线性组合为一个浮点数值I2’＝func_linear(I20、I21…I2n2)。func_linear可以为2I20+5*I21+…+3*I2n2，其中的组合系数根据经验值确定。计算如下式得到X1：
argminX1(I2’)＝argminX1(function(I1,X1))＝argminX1(relu(w1*[I1,X1]+b)*w2)(2)
其中w1、b、w2为步骤2.3中得到的值，I1为输入值，即用梯度下降类优化方法(如Adam)计算X1的值使得式(2)即I2’的值最小。对于X1为多变量的情形，也可以用GibbsSampling方法计算。
2.5以上过程针对上述举例中的第一阶段进行了建模，对于第二、三阶段采用类似的方法进行建模。
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (3)
1.一种应用于具有多次反馈调节特点场景的建模方法，其特征在于，包括：
(1)问题的分析与建模：假设工业生产系统的调节包含若干阶段，每个阶段根据之前阶段的检测指标、之前阶段的配方剂量方案以及当前阶段的检测指标，预测当前阶段的配方剂量方案；
(2)数据采集与模型训练：
(2.1)采集历史数据，包括每一次完整调节流程中的各阶段的检测指标、使用的配方剂量方案，以及使用配方剂量后得到的结果指标；
(2.2)数据预处理：将数值型指标按照所有数据出现的最大、最小值进行归一化，即缩放到[0,1]的范围；选项型指标用0和1表示，如该选项出现为1，不出现为0；每项指标的意义应当为值越小表示结果越好；
(2.3)模型训练：给定一组数据，包括配方剂量前指标I1、配方剂量方案X1、配方剂量后指标I2，假设存在函数关系I2＝function(I1,X1)，即在使用配方前指标一定的情况下，经过一定的配方剂量后，其结果应当是一定的；用神经网络来拟合这一函数关系：
I2＝relu(w1*[I1,X1]+b)*w2 (1)
用历史数据来训练这一函数，得到其参数w1、b、w2的值，其中w1的维度为(n1,dim_hidden)，n1为I1的指标数量，dim_hidden为每一层神经网络参数个数；神经网络可以采用多层神经网络；
(2.4)预测：根据使用配方前指标I1预测配方剂量方案X1，利用训练好的函数(1)，计算能够让结果指标最好(值最小)的配方剂量方案X1，把使用配方后指标I2线性组合为一个浮点数值I2’＝func_linear(I20、I21…I2n2)；计算如下式得到X1：
argminX1(I2’)＝argminX1(function(I1,X1))＝argminX1(relu(w1*[I1,X1]+b)*w2) (2)
其中w1、b、w2为步骤2.3中得到的值，I1为输入值，计算X1的值使得式(2)即I2’的值最小。
(2.5)对调节流程中的每个阶段按步骤2.3和2.4进行建模。
2.根据权利要求1所述的一种应用于具有多次反馈调节特点场景的建模方法，其特征在于，当应用场景为治疗过程的用药预测场景时，所述步骤(2.1)中采集上千份结构化的电子病历数据，包括治疗成功和治疗失败的病历，从中取出各个阶段的检测指标、医生的配方剂量方案、配方剂量后得到的结果指标；配方剂量方案一般包括各种成分的剂量时间和剂量，将配方剂量时间作为浮点数处理。
3.根据权利要求1所述的一种应用于具有多次反馈调节特点场景的建模方法，其特征在于，所述步骤(2.4)中，采用梯度下降类优化方法或Gibbs Sampling方法计算X1的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010018777.6A CN111243758B (zh) | 2020-01-08 | 2020-01-08 | 一种应用于具有多次反馈调节特点场景的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010018777.6A CN111243758B (zh) | 2020-01-08 | 2020-01-08 | 一种应用于具有多次反馈调节特点场景的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111243758A true CN111243758A (zh) | 2020-06-05 |
| CN111243758B CN111243758B (zh) | 2023-06-30 |
Family
ID=70876070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010018777.6A Active CN111243758B (zh) | 2020-01-08 | 2020-01-08 | 一种应用于具有多次反馈调节特点场景的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111243758B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
| US6678548B1 (en) * | 2000-10-20 | 2004-01-13 | The Trustees Of The University Of Pennsylvania | Unified probabilistic framework for predicting and detecting seizure onsets in the brain and multitherapeutic device |
| WO2008109508A2 (en) * | 2007-03-02 | 2008-09-12 | The Trustees Of The University Of Pennsylvania | Automatic parameter selection and therapy timing for increasing efficiency in responsive neurodevice therapies |
| WO2010019919A1 (en) * | 2008-08-14 | 2010-02-18 | University Of Toledo | Multifunctional neural network system and uses thereof for glycemic forecasting |
| US20130085772A1 (en) * | 2011-09-30 | 2013-04-04 | University Of Louisville Research Foundation, Inc. | System and method for personalized dosing of pharmacologic agents |
| US20150291411A1 (en) * | 2014-04-09 | 2015-10-15 | Stephanie Ittstein | Device for a production and/or for a dispensing |
| CN105765586A (zh) * | 2013-09-27 | 2016-07-13 | 瓦里安医疗系统国际股份公司 | 用于选择治疗计划的决定支持工具 |
| CN106325070A (zh) * | 2016-08-30 | 2017-01-11 | 河南华东工控技术有限公司 | 一种智能加药配方控制系统及控制方法 |
| US20170189715A1 (en) * | 2014-06-30 | 2017-07-06 | Koninklijke Philips N.V. | Radiotherapy planning system and method |
| WO2019079490A1 (en) * | 2017-10-18 | 2019-04-25 | Memorial Sloan Kettering Cancer Center | PROBABILISTIC MODELING TO MATCH PATIENTS WITH CLINICAL TRIALS |
| CN109843377A (zh) * | 2016-09-07 | 2019-06-04 | 医科达有限公司 | 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法 |
| CN110197709A (zh) * | 2019-05-29 | 2019-09-03 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
-
2020
- 2020-01-08 CN CN202010018777.6A patent/CN111243758B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
| US6678548B1 (en) * | 2000-10-20 | 2004-01-13 | The Trustees Of The University Of Pennsylvania | Unified probabilistic framework for predicting and detecting seizure onsets in the brain and multitherapeutic device |
| WO2008109508A2 (en) * | 2007-03-02 | 2008-09-12 | The Trustees Of The University Of Pennsylvania | Automatic parameter selection and therapy timing for increasing efficiency in responsive neurodevice therapies |
| WO2010019919A1 (en) * | 2008-08-14 | 2010-02-18 | University Of Toledo | Multifunctional neural network system and uses thereof for glycemic forecasting |
| US20130085772A1 (en) * | 2011-09-30 | 2013-04-04 | University Of Louisville Research Foundation, Inc. | System and method for personalized dosing of pharmacologic agents |
| CN105765586A (zh) * | 2013-09-27 | 2016-07-13 | 瓦里安医疗系统国际股份公司 | 用于选择治疗计划的决定支持工具 |
| US20150291411A1 (en) * | 2014-04-09 | 2015-10-15 | Stephanie Ittstein | Device for a production and/or for a dispensing |
| US20170189715A1 (en) * | 2014-06-30 | 2017-07-06 | Koninklijke Philips N.V. | Radiotherapy planning system and method |
| CN106325070A (zh) * | 2016-08-30 | 2017-01-11 | 河南华东工控技术有限公司 | 一种智能加药配方控制系统及控制方法 |
| CN109843377A (zh) * | 2016-09-07 | 2019-06-04 | 医科达有限公司 | 用于预测放射疗法剂量分布的放射疗法治疗计划的学习模型的系统和方法 |
| WO2019079490A1 (en) * | 2017-10-18 | 2019-04-25 | Memorial Sloan Kettering Cancer Center | PROBABILISTIC MODELING TO MATCH PATIENTS WITH CLINICAL TRIALS |
| CN110197709A (zh) * | 2019-05-29 | 2019-09-03 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111243758B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
| Yu et al. | Application of artificial neural network in the diagnostic system of osteoporosis | |
| CN109785003A (zh) | 一种药品零售行业药品销售预测系统及方法 | |
| Fathi-Torbaghan et al. | MEDUSA: a fuzzy expert system for medical diagnosis of acute abdominal pain | |
| Chow et al. | Bayesian estimation of semiparametric nonlinear dynamic factor analysis models using the Dirichlet process prior | |
| KR20190015649A (ko) | 신경심리검사를 이용한 치매 발병 예측 방법 및 예측 시스템 | |
| WO2018165580A1 (en) | Analytic and learning framework for quantifying value in value based care | |
| Duh et al. | Prediction and cross-validation of neural networks versus logistic regression: using hepatic disorders as an example | |
| CN112289391A (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
| CN114974485A (zh) | 一种慢病智能化管理方法及系统 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| Tricahya et al. | Forecasting the amount of pneumonia patients in Jakarta with weighted high order fuzzy time series | |
| Štencl et al. | Neural network learning algorithms comparison on numerical prediction of real data | |
| CN111243758A (zh) | 一种应用于具有多次反馈调节特点场景的建模方法 | |
| CN116580808A (zh) | 基于机器学习的中医开方方法及系统 | |
| Su et al. | A sensitivity analysis approach for informative dropout using shared parameter models | |
| CN114550924A (zh) | 基于人工智能的重疾状态预测方法、装置、设备及介质 | |
| Batra et al. | Consequences of sampling frequency on the estimated dynamics of AR processes using continuous-time models. | |
| Sintiya et al. | SARIMA and Holt-Winters Seasonal Methods for Time Series Forecasting in Tuberculosis Case | |
| CN111859263B (zh) | 一种用于自来水处理的精准投药方法 | |
| CN114203306A (zh) | 医疗事件预测模型训练方法、医疗事件预测方法及装置 | |
| Baldewijns et al. | Automatic detection of health changes using statistical process control techniques on measured transfer times of elderly | |
| Zhu et al. | Design and development of a readmission risk assessment system for patients with cardiovascular disease | |
| TWI768577B (zh) | 以腰圍與身體質量指數預測睡眠陽壓呼吸器最適壓力的方法 | |
| CN115292302B (zh) | 数据质量分值的确定方法及系统 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 7 / F, building B, 482 Qianmo Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province 310000 Patentee after: Huoshi Creation Technology Co.,Ltd. Address before: 7 / F, building B, 482 Qianmo Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province 310000 Patentee before: HANGZHOU FIRESTONE TECHNOLOGY Co.,Ltd. |