CN111275558B - 用于确定保险数据的方法和装置 - Google Patents
用于确定保险数据的方法和装置 Download PDFInfo
- Publication number
- CN111275558B CN111275558B CN202010033136.8A CN202010033136A CN111275558B CN 111275558 B CN111275558 B CN 111275558B CN 202010033136 A CN202010033136 A CN 202010033136A CN 111275558 B CN111275558 B CN 111275558B
- Authority
- CN
- China
- Prior art keywords
- probability
- features
- determining
- user
- insurance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 201000010099 disease Diseases 0.000 claims abstract description 82
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 82
- 230000036541 health Effects 0.000 claims abstract description 64
- 238000003860 storage Methods 0.000 claims abstract description 23
- 230000009897 systematic effect Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 27
- 210000000056 organ Anatomy 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 16
- 206010028980 Neoplasm Diseases 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 206010011732 Cyst Diseases 0.000 claims description 4
- 230000017531 blood circulation Effects 0.000 claims description 4
- 208000031513 cyst Diseases 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 208000037062 Polyps Diseases 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 230000002308 calcification Effects 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 208000019838 Blood disease Diseases 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 239000013078 crystal Substances 0.000 claims description 2
- 208000010643 digestive system disease Diseases 0.000 claims description 2
- 208000030172 endocrine system disease Diseases 0.000 claims description 2
- 208000014951 hematologic disease Diseases 0.000 claims description 2
- 208000018706 hematopoietic system disease Diseases 0.000 claims description 2
- 208000026278 immune system disease Diseases 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 2
- 208000017443 reproductive system disease Diseases 0.000 claims description 2
- 208000023504 respiratory system disease Diseases 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000004575 stone Substances 0.000 claims description 2
- 208000014001 urinary system disease Diseases 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000012633 nuclear imaging Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 208000006454 hepatitis Diseases 0.000 description 3
- 231100000283 hepatitis Toxicity 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 101710098398 Probable alanine aminotransferase, mitochondrial Proteins 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010019646 Hepatic cyst Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000004186 Pulmonary Heart Disease Diseases 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了用于确定保险数据的方法、装置和计算机可读存储介质。该方法包括：在控制设备处，获取用户的健康信息、个人信息和投保信息，健康信息至少包括医学影像类图片和关于医学影像信息的文本类数据中的一项；识别健康信息，以生成用于指示用户健康状况的、结构化的多个特征，特征至少包括影像特征，影像特征是经由识别模型对影像类图片和文本类数据中的至少一项进行特征提取而生成的；基于多个特征、多个单病种患病概率，确定系统性患病概率，多个单病种患病概率中的每一个单病种患病概率是基于与单病种相关联的多个特征、分别对应特征的第一权重和多个特征之间的关联性而确定；以及基于单病种患病概率、系统性患病概率、个人信息和投保信息，确定与用户的保险策略相关的保险数据，以便输出保险数据。
Description
技术领域
本公开涉及保险策略评估，更具体地，涉及用于确定保险数据的方法、装置、计算机可读存储介质。
背景技术
传统的确定保险(例如医疗险、寿险)数据(例如关于保险策略的保险数据)的方案例如包括两种方式：第一种方式例如是，保险机构基于被保险人的年龄和健康告知来确定保险数据；第二种方式例如是，基于被保险人在指定医疗机构进行体检的体检报告人为确定保险数据。
在上述第一种确定保险数据的方案中，仅基于被保险人的年龄和健康告知来确定是否承保以及理赔责任，虽然利于简化保险程序，但会缺乏被保险人健康状况的充分的调查与评估，容易导致较大的风险。
在上述第二种确定保险数据的方案中，医疗机构进行体检的体检报告中通常涉及多项医学指标及其检查结果，缺乏医学背景的人员一般难以准确解读体检结果，另外，医学指标与整体健康风险的关系较为复杂，例如，以血常规检查结果为例，当血常规出现异常时，可能是不影响投保的常见炎症，也可能是有可能被拒保或部分承保的严重疾病，例如白血病、肺源性心脏病等。如果给出明确的诊断一般需要较长的确诊时间。此外，不同的险种、不同的疾病状况、其核保要求存在差异。因此上述基于体检报告人为确定保险数据的第二种方案核保效率低下而且核保结果存在较明显的个体差异，难以准确、高效地给出核保结论。
因此，传统的确定保险数据的方案难以准确、高效确定保险数据。
发明内容
本公开提供一种用于确定保险数据的方法的和设备，能够准确、高效确定保险数据，避免因核保人员个体差异而导致的核保结果偏差。
根据本公开的第一方面，提供了一种用于确定保险数据的方法。该方法包括：在控制设备处，获取用户的健康信息、个人信息和投保信息，健康信息至少包括医学影像类图片和关于医学影像信息的文本类数据中的一项；识别健康信息，以生成用于指示用户健康状况的、结构化的多个特征，特征至少包括影像特征，影像特征是经由识别模型对影像类图片和文本类数据中的至少一项进行特征提取而生成的；基于多个特征、多个单病种患病概率中的至少一项，确定系统性患病概率，多个单病种患病概率中的每一个单病种患病概率是基于与单病种相关联的多个特征、分别对应特征的第一权重和多个特征之间的关联性而确定；以及基于系统性患病概率、个人信息和投保信息，确定与用户的保险策略相关的保险数据，以便输出保险数据。
根据本发明的第二方面，还提供一种确定保险数据的装置。该装置包括：存储器，被配置为存储一个或多个程序；处理单元，耦合至存储器并且被配置为执行一个或多个程序使装置执行根据本公开的第一方面的方法。
根据本公开的第三方面，提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令，机器可执行指令在被执行时使机器执行根据本公开的第一方面的方法。
提供发明内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本公开的实施例的用于确定保险数据的系统100的架构图；
图2示出了根据本公开的实施例的用于确定保险数据的方法200的示意图；
图3示出了根据本公开的实施例的用于识别健康信息以生成特征的方法300的流程图；
图4示出了根据本公开的实施例的确定与用户的保险策略相关的保险数据的方法400的流程图；
图5示出了根据本公开的实施例的预约体检的方法500的流程图；以及
图6示意性示出了适于用来实现本公开实施例的电子设备600的框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上文所描述的，在传统的确定保险数据的方案中，或者因为仅基于被保险人的年龄和健康告知来确定是否承保以及理赔责任，容易导致较大的风险；或者基于体检报告人为确定，容易导致核保效率低下而且核保结果存在较明显的个体差异，进而无法准确、高效地给出核保结论。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于确定保险数据的方案。在该方案中，在控制设备处，获取用户的健康信息、个人信息和投保信息，健康信息至少包括医学影像类图片和关于医学影像信息的文本类数据中的一项；识别健康信息，以生成用于指示用户健康状况的、结构化的多个特征，特征至少包括影像特征，影像特征是经由识别模型对影像类图片和文本类数据中的至少一项进行特征提取而生成的；基于多个特征、多个单病种患病概率中的至少一项，确定系统性患病概率，多个单病种患病概率中的每一个单病种患病概率是基于与单病种相关联的多个特征、分别对应特征的第一权重和多个特征之间的关联性而确定；以及基于系统性患病概率、个人信息和投保信息，确定与用户的保险策略相关的保险数据，以便输出保险数据。
在上述方案中，通过基于包括医学影像类图片或关于医学影像信息的文本类数据的非结构化的健康信息生成结构化的特征，提高了对复杂类型的非结构化的健康信息的智能处理能力和处理效率；另外，通过基于特征和/或单病种患病概率所确定系统性患病概率、个人信息和投保信息，来确定用户的关于保险策略的保险数据，能够使得核保结果因为综合考虑了个人信息、单病种风险、系统性风险对整体健康所带来各自影响和关联影响，进而实现更为准确、高效地确定保险数据，避免了因核保人员个体差异而导致的核保结果偏差。
图1示出了根据本公开的实施例的用于确定保险数据的系统100的架构图。如图1所示，系统100包括用于确定保险数据的控制设备110、用户122的终端设备120(例如而不限于是移动终端)、体检机构的服务器130、保险机构的服务器140。控制设备110、终端设备120、体检机构的服务器130和保险机构的服务器140通过网络150进行数据交互。在一些实施例中，系统100包括多个保险机构的服务器和体检机构的服务器。
关于控制设备110，其用于基于所获取用户的健康信息、个人信息和投保信息来确定用户关于保险策略的保险数据。控制设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，控制设备110上也可以运行着一个或多个虚拟机。在一些实施例中，控制设备110可以获取来自终端设备120的关于用户122(例如被保险人)的体检预约信息(该体检预约信息例如包括体检人信息、体检机构、所选择的体检日期、以及购买体检加项等信息中的部分或全部)，以及将所获取的体检预约信息发送至体检机构的服务器130。控制设备110还可以获取来自体检机构的服务器130有关用户122的健康信息(例如体检报告)、经由终端设备120或者保险机构的服务器140获取关于用户122的保险信息、以及经由终端设备120输入的用户个人信息、问诊数据、调查问卷数据中的至少一项。在一些实施例中，控制设备110可以将所确定的用户122的保险数据发送至保险机构的服务器140。
在一些实施例中，控制设备110存储有大量的医学影像类图片样本。控制设备110还可以识别所获取健康信息(例如体检报告)以生成用于用户健康状况(例如指示检查项和检查项的对应检查结果)的、结构化的多个特征，然后基于所确定的特征计算出疾病患病概率风险，以及给出关于用户122的保险策略的保护数据。在一些实施例中，疾病患病概率风险例如包括单病种患病概率、系统性患病概率。系统性患病概率又进一步包括：用户的整体健康评估结果和系统患病概率中的至少一项，该系统患病概率指示所述用户的生理系统的患病概率。
关于终端设备120，其用于填写并发送用户122(例如被保险人)的体检预约信息、投保申请、个人信息、健康档案、问诊数据、调查问卷数据中的至少一项。终端设备120可以是个人计算机、移动终端(如手机、PAD)和服务器等。在一些实施例中，终端设备120可以配置有用于投保的应用程序(APP)。经由该应用程序，用户122可以提交投保申请、支付保险费用、查看保险机构所确定的保单等。终端设备120还可以查看体检预约信息，以及查看由体检机构的服务器130所发送的体检报告等等。
关于体检机构的服务器130，其用于获取体检预约信息，以及将用户122的体检报告发送至控制设备110。体检机构的服务器130可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，体检机构的服务器130上也可以运行着一个或多个虚拟机。在一些实施例中，体检机构的服务器130可以将体检报告也发送至终端设备120。在一些实施例中，系统100所包括的多个体检机构所出具的体检报告的格式可以不同。
关于保险机构的服务器140，其用于获取投保申请和控制设备110所确定的用户的保险数据。保险机构的服务器140可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，保险机构的服务器140上也可以运行着一个或多个虚拟机。在一些实施例中，保险机构的服务器140还可以基于来自控制设备110所确定用户的保险数据而出具该保单、拒保、部分承保的数据，以及将有关该保单、拒保、部分承保的数据发送至终端设备120。
以下结合图2来说明用于确定保险数据的方法。图2示出了根据本公开的实施例的用于确定保险数据的方法200的示意图。在图2中，各个动作例如由图1中系统100中的控制设备110执行。为了为方便讨论，不失一般性地，以如图1所示的控制设备110为例，来描述方法200。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在框202处，控制设备110获取用户的健康信息、个人信息和投保信息。该健康信息至少包括医学影像类图片和关于医学影像信息的文本类数据中的一项。在一些实施例中，医学影像类图片包括X线图像、CT图像、核磁共振成像图像、超声图像、核素显像图像、心电图中的至少一项。在一些实施例中，医学图像基本为灰度图像。
关于个人信息，其例如包括用户的年龄、居住地、性别、职业信息、行为数据中的至少一项。
关于健康信息，其例如是用户的体检数据、健康档案、调查问卷、问诊信息中的至少一项。在一些实施例中健康信息除了医学影像类图片和关于医学影像信息的文本类数据之外，还包括：其他文本类数据、数值类数据中的至少一项。其他文本类数据例如是描述性文字类数据，数值类数据例如是对应检测项的检测结果值和正常值范围。
关于保险数据，其至少指示用户是否可以承保、承保内保险责任进行除外的确认、保险责任进行批改的确认、退保的确认、理赔依据的确认、续保责任变更、以及是否可以续保中的至少一项。
在框204处，控制设备110识别健康信息，以生成用于指示用户健康状况的、结构化的多个特征，特征至少包括影像特征。该影像特征是经由识别模型对影像类图片和文本类数据中的至少一项进行特征提取而生成的。
关于结构化的特征，在一些实施例中，其除了影像特征之外，还可以包括其他特征，例如是：用于指示检查项和与检查项的对应检查结果的特征、描述特征和弃漏检特征。
影像特征例如是用于指示：实体、实体的关联部位或器官的属性中的至少一项。其中实体例如包括结节、囊肿、肿块、息肉、结石、钙化灶、结晶、占位、肿瘤、斑块、回声中的至少一个。在一些实施例中，该回声数据例如是指强回声、高回声、低回声、无回声、或者混合回声等。属性例如包括与实体相关联的大小、数目、形状、回声强弱、回声均匀性、血流信号丰富、弥漫性、大范围中的至少一个。
关于影像特征的生成方法，在一些实施例中，控制设备110可以基于医学影像类图片灰度特征、纹理特征，形态特征中的至少一个，来确定影像特征。例如控制设备110可以基于图像的灰度直方图，提取影像特征。由于医学图像的灰度特征具有一定稳定性，对大小、方向体现出较强的鲁棒性。利用灰度直方图可以获得图像灰度分布情况的统计特性。
关于文本类数据，控制设备110可以通过自然语言处理和机器学习算法，对文本类数据进行特征提取，以便生成描述特征。关于描述特征的生成方式，以下将结合图3详细说明用于识别健康信息以生成特征的方法300的流程图，在此则不再赘述。
关于弃漏检特征，在一些实施例中，控制设备110基于与投保信息相关联的预定检查项，确定健康信息中的弃漏检特征。在一些实施例中，体检报告中指示某些检查项被用户弃检。控制设备110可以识别哪些预定检查项未关联对应的检查结果，以及哪些预定检查项存在关联的用户弃检声明，进而生成弃漏检特征。弃漏检特征例如而不限于是：心脏彩超漏检，或者腹部B超弃检。
在一些实施例中，控制设备110所生成的结构化的多个特征中还可以包括数值特征。该数值特征例如包括检查项(例如ALT)和检查结果(例如检测结果为40)。
在一些实施例中，基于上述影像特征、描述特征、数值特征、弃漏检特征形成与用户相关联的医学特征集，存储在控制设备110本地或者云服务器端，以便用于后续确定患病概率和保险数据。
识别模型例如是经由对多个训练样本的机器学习而生成的。在一些实施例中，识别模型例如是卷积神经网络模型，其可以通过具有不同网络结构的算法模型来实施。在一些实施例中，识别模型为包括输入层、中间层和输出层的卷积神经网络，中间层包括多个卷积层。输入层包括多个神经元。
关于多个训练样本，在一些实施例中，控制设备110可以预先获取大量针对不同器官的、不同角度的医学影像类图片的单体图像(包括正常图像和出现病变异常的图像)作为参考图片存储在参考图像数据库中。对上述参考图片进行人工或自动特征标注，然后运用大量的单体参考图像训练一个基于图像块的滑窗图像识别CNN网络，用于对影像类图片进行特征提取，以便生成影像特征。
在健康信息(例如体检报告)中，影像类图片所属类别通常已经确定，例如是腹部超声、颈动脉超生、心脏彩超。影像类图片所涉及的器官通常属于预定的范围。例如在腹部超声图像中，一般仅会涉及肝、胆、脾、肾等器官。在一些实施例中，控制设备110可以检测待识别影像类图片中的对象；确定待识别图像中的对象区域；对检测到的对象区域进行分割；对每个被分割的对象区域与参考图像数据库中与的参考图片比较，以便识别被分割的对象区域所涉及的影像特征。在一些实施例中，控制设备110可以首先识别每个被分割的对象区域所涉及的器官；然后确定每个被分割的对象区域是否包括实体。例如确定该实体是否包括结节、囊肿、肿块、息肉、结石、钙化灶、结晶、占位、肿瘤、斑块、回声中的至少一个。当确定被分割的对象区域包括实体时，控制设备110可以再识别实体的关联部位或器官的属性。该属性例如包括与实体相关联的大小、数目、形状、回声强弱、回声均匀性、血流信号丰富、弥漫性、大范围中的至少一个。
在框206处，控制设备110基于多个特征、多个单病种患病概率中的至少一项，确定系统性患病概率，多个单病种患病概率中的每一个单病种患病概率是基于与单病种相关联的多个特征、分别对应特征的第一权重和多个特征之间的关联性而确定。应当理解，上下文所提及的“患病概率”的含义例如而不限于是指：患病风险。该“患病概率”的含义可以包括：患病的概率值，也可以包括：关于患病风险或患病可能性高低、大小等非量化的描述。在一些实施例中，系统性患病概率包括用户的整体健康评估结果和系统患病概率中的至少一项，其中系统患病概率指示用户的生理系统的患病概率。在一些实施例中，第一权重是基于对应特征对于单病种患病概率的贡献而确定的。
在一些实施例中，控制设备110所确定的患病风险包括：多个系统患病概率(即整体患病风险)和多个单病种患病风险。每一个系统患病概率是关于多个单病种患病风险、多个特征及其权重的函数。而每一个单病种患病风险是关于多个特征及其各自权重的函数。
关于单病种患病风险，其例如而不限于是：重度肝炎、肝硬化、糖尿病等等。控制设备110可以通过多种函数来计算单病种患病风险。在一些实施例中，单病种患病风险是关于多个特征及其权重的函数。例如可以基于多个特征的状态(例如而不限于是谷丙转氨酶ALT、谷草转氨酶AST、肝移植手术、肝囊肿、肝回声、总胆红素等特征的取值，是否异常、或超预定值等等)，分别对应上述特征的第一权重，以及上述特征的关联性(例如多个特征同时出现异常的情况)，来计算单病种患病风险(例如重度肝炎患病风险)。在一些实施例中，控制设备110如果确定多个对于单病种患病风险有贡献的特征都同时出现异常，则单病种患病风险将提高。例如同时出现谷丙转氨酶ALT特征异常和关于肝移植手术的特征指示用户曾经手术，则控制设备110会提高重度肝炎患病风险。在一些实施例中，控制设备110还可以确定特征是否符合预定条件(预定条件例如是高风险预警阈值)；响应于确定特征符合预定条件，则增加对应特征的第一权重。例如，谷丙转氨酶ALT超过高风险预警阈值，增加对应谷丙转氨酶ALT特征的第一权重。在上述方案中，通过基于多个特征，以及多个特征之间的关联性来确定单病种患病风险，能够提高确定单病种患病风险的准确性。
关于系统患病概率，其与人的生理系统和保险的理赔系统相关联。在一些实施例中，其可以包括：呼吸系统患病概率、循环系统患病概率、消化系统患病概率、眼部系统患病概率、肿瘤系统患病概率、内分泌系统患病概率、泌尿系统患病概率、生殖系统患病概率、血液或免疫系统患病概率中的至少一项。
关于系统患病概率的确定方式，在一些实施例中，每一个系统患病概率是关于多个单病种患病风险、多个特征及其权重的函数。例如，控制设备110可以基于多个特征、分别对应于特征的第二权重、多个单病种患病概率、分别对应于单病种患病概率的第三权重和多个单病种患病概率之间的关联性，确定系统患病概率，第三权重是基于对应的单病种患病概率对于系统患病概率的贡献而确定的，第二权重是基于对应的特征对于系统患病概率的贡献而确定的。
在框208处，控制设备110基于系统性患病概率、个人信息和投保信息，确定与用户的保险策略相关的保险数据，以便输出保险数据。在一些实施例中，控制设备110基于单病种患病概率、系统性患病概率和个人信息和投保信息，来确定与用户的保险策略相关的保险数据，以便输出保险数据。关于确定与用户的保险策略相关的保险数据的方式，以下将结合图4详细说明，在此则不再赘述。
在上述方案中，通过基于包括医学影像类图片或关于医学影像信息的文本类数据的非结构化的健康信息生成结构化的特征，能够提高对复杂类型的非结构化的健康信息的智能处理能力和处理效率。另外，通过基于特征和/或单病种患病概率所确定的系统性患病概率、个人信息和投保信息，来确定用户的关于保险策略的保险数据，能够使得核保结果因为综合考虑了个人信息、单病种风险、系统向风险对整体健康所带来各自影响和关联影响，进而实现更为准确、高效地确定保险数据，避免了因核保人员个体差异而导致的核保结果偏差。
在一些实施例中，方法200还包括：控制设备110基于个人信息，调整第一权重、第二权重和第三权重中的至少一项。例如，当控制设备110确定用户的年龄超过预定年龄阈值，降低对应于系统患病概率的第三权重。例如，用户的年龄超过预先设置的年龄阈值，控制设备110降低对应于肿瘤系统患病概率的第三权重。
在一些实施例中，方法200还包括：控制设备110确定特征是否符合第四预定条件；响应于确定特征符合第四预定条件，增加对应特征的第一权重。
图3示出了根据本公开的实施例的用于识别健康信息以生成特征的方法300的流程图。在图3中，各个动作例如由图1中用于确定保险数据的系统100中的控制设备110执行。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在框302处，控制设备110将文本类数据进行分词，以生成多个字段。在一些实施例中，控制设备110例如基于词典、基于理解、或基于统计的方法，来将文本类数据切分成一个个单独的字段。例如，将文本类数据和已有的词典进行匹配，如果匹配到，则此文字片段就作为一个分词结果，即一个字段。
在框304处，控制设备110经由语义分析，识别经分词的多个字段中的每个字段所包括的器官。
在框306处，控制设备110提取用于指示以下中至少一项的关键词：与器官相关联的描述属性；与器官相关联的判断表述；以及与器官相关联的实体。在一些实施例中，描述属性例如包括部位、大小、数目、回声情况等中的至少一项；与器官相关联的判断表述例如是：“有”、“没有”、“存在”、“未见”等指示是否存在的判断性表述。
在框308处，确定所提取的关键词与器官的归属关系。在一些实施例中，控制设备110可以基于标点和语义关系计算，确定所提取的关键词与器官的归属关系，以及所提取的多个关键词之间的归属关息。描述特征例如是多层的树形结构，例如，父节点为接茬结果所涉及的器官(例如是肺)，子节点是病灶实体(例如是囊肿)，一级孙节点例如是回声，二级孙节点例如是血流信号。例如判断相邻的字段中是否语义相同，以及是否与同一父节点相关联，例如是否涉及同一器官(例如，肺)，以及同一器官的同一部位(例如，左肺)。如果不是，则会在上下文中继续判断。在上述方案中，通过将文本类数据转换为具有归属关系的描述特征，使得非结构化、差异化的自然语言表达的文本类数据文本类数据转化可检索、可分析、可计算的结构化数据，有利于体检结果的深层次的数据分析和挖掘。另外，通过上述手段，不再需要人工特征提取，进而提高了数据处理的效率和准确性。
图4示出了根据本公开的实施例的确定与用户的保险策略相关的保险数据的方法400的流程图。在图4中，各个动作例如由图1中用于确定保险数据的系统100中的控制设备110执行。应当理解，方法400还可以包括未被示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在框402处，控制设备110基于单病种患病概率和系统患病概率，确定整体健康评估结果。在一些实施例中，整体健康评估结果是基于与多个单病种患病风险及其权重、系统患病概率及其权重的相关函数而确定的。在一些实施例中，整体健康评估结果例如是一个经计算的评估值。
在框404处，控制设备110确定整体健康评估结果是否符合第一预定条件。整体健康评估结果与用户整体健康风险相关联，在一些实施例中，控制设备110判断整体健康评估结果是否高于预先设置的预警阈值。
在框406处，控制设备110当确定整体健康评估结果符合第一预定条件时，确定用户的保险数据为不能承保、部分承保、影响保费中的一种。例如，控制设备110如果判断整体健康评估结果高于预先设置的预警阈值，则根据具体风险确定用户的保险数据为不能承保、部分承保、或者影响保费。
在框408处，当确定整体健康评估结果未符合预定条件，控制设备408确定以下至少一项条件是否满足：单病种患病概率符合第二预定条件；系统患病概率符合第三预定条件。例如，控制设备110如果判断整体健康评估结果没有超过预先设置的预警阈值。则进一步基于单病种患病概率确定高于第二预定条件(例如单病种患病概率阈值)，以及确定系统患病概率确定高于第三预定条件(例如系统患病阈值)。
在框410处，控制设备410当确定以上至少一项条件满足时，确定与单病种患病概率相关联的单病种和与系统患病概率相关联的系统中的至少一项是否与保险险种的排除疾病相关联。
图5示出了根据本公开的实施例的预约体检的方法500的流程图。在图5中，各个动作例如由图1中用于确定保险数据的系统100中的控制设备110执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在框502处，控制设备110获取用户的体检预约信息，体检预约信息至少指示用户的个人信息、体检机构。在一些实施例中，控制设备110经由终端设备120获取用户输入的体检预约信息。该体检预约信息例如包括体检人信息、体检机构、所选择的体检日期、以及购买体检加项等信息中的部分或全部。
在框504处，控制设备110向体检机构的设备发送体检预约信息。
在框506处，控制设备110获取来自体检机构的设备的体检报告。
在框508处，控制设备110识别体检报告，以便生成影像类图片、文本类数据、数值类检查结果和弃漏检查项的检查结果。
图6示意性示出了适于用来实现本公开实施例的电子设备600的框图。设备600可以用于实现图1的控制设备110。如图所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理，例如执行方法200、300、400和500。例如，在一些实施例中，方法200、300、400可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法200、300、400和500的一个或多个操作。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、300、400和500的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。
Claims (16)
1.一种用于确定保险数据的方法，包括：
在控制设备处，获取用户的健康信息、个人信息和投保信息，所述健康信息至少包括医学影像类图片和关于医学影像信息的文本类数据；
识别所述健康信息，以生成用于指示所述用户健康状况的、结构化的多个特征，所述特征至少包括影像特征，所述影像特征是经由识别模型对所述影像类图片和所述文本类数据进行特征提取而生成的，其中所述影像特征指示：实体、实体的关联部位或器官的属性中的至少一项；
基于多个特征、多个单病种患病概率，确定系统性患病概率，所述多个单病种患病概率中的每一个单病种患病概率是基于与所述单病种相关联的多个特征、分别对应所述特征的第一权重和所述多个特征之间的关联性而确定，其中所述系统性患病概率包括系统患病概率，所述系统患病概率指示所述用户的生理系统的患病概率，所述系统患病概率包括：呼吸系统患病概率、循环系统患病概率、消化系统患病概率、眼部系统患病概率、肿瘤系统患病概率、内分泌系统患病概率、泌尿系统患病概率、生殖系统患病概率、血液或免疫系统患病概率中的至少一项；以及
基于所述系统性患病概率、所述个人信息和所述投保信息，确定与所述用户的保险策略相关的保险数据，以便输出所述保险数据，
其中对所述影像类图片进行特征提取包括：
检测待识别影像类图片中的对象；
确定所述待识别影像类图像中的对象区域；
对所述对象区域进行分割；
对每个被分割的对象区域与参考图像数据库中与的参考图片比较，以便识别所述被分割的对象区域所涉及的影像特征，
其中识别所述健康信息以生成特征包括：
将所述文本类数据进行分词，以生成多个字段；
经由语义分析，识别经分词的多个字段中的每个字段所包括的器官；
提取用于指示以下中至少一项的关键词，
与所述器官相关联的描述属性，
与所述器官相关联的判断表述；以及
与所述器官相关联的实体；
确定所提取的关键词与所述器官的归属关系。
2.根据权利要求1所述的方法，其中确定与所述用户的保险策略相关的保险数据包括：
基于所述单病种患病概率、所述系统性患病概率、所述个人信息和所述投保信息，确定与所述用户的保险策略相关的保险数据，以便输出所述保险数据。
3.根据权利要求1所述的方法，其中多个特征还包括指示检查项和与所述检查项的对应检查结果的特征、描述特征和弃漏检特征中的至少一项。
4.根据权利要求1所述的方法，其中所述识别模型是经由对多个训练样本的机器学习而生成的，所述健康信息还包括数值类数据。
5.根据权利要求1所述的方法，其中所述医学影像类图片包括X线图像、CT图像、核磁共振成像图像、超声图像、核素显像图像、心电图中的至少一项。
6.根据权利要求1所述的方法，其中所述第一权重是基于对应特征对于单病种患病概率的贡献而确定的，所述健康信息为所述用户的体检数据、健康档案，所述个人信息包括用户的年龄、居住地、性别、职业信息、行为数据中的至少一项，所述用户的所述保险数据至少指示所述用户是否可以承保、承保内保险责任进行除外的确认、保险责任进行批改的确认、退保的确认、理赔依据的确认、续保责任变更、以及是否可以续保中的至少一项。
7.根据权利要求4所述的方法，其中确定系统患病概率包括：
基于多个特征、分别对应所述特征的第二权重、多个单病种患病概率、分别对应所述单病种患病概率的第三权重和所述多个单病种患病概率之间的关联性，确定所述系统患病概率，所述第三权重是基于对应的单病种患病概率对于系统患病概率的贡献而确定的，所述第二权重是基于对应的特征对于系统患病概率的贡献而确定的。
8.根据权利要求4所述的方法，其中确定与所述用户的保险策略相关的保险数据包括：
基于所述单病种患病概率和所述系统患病概率，确定整体健康评估结果；
确定所述整体健康评估结果是否符合第一预定条件；以及
响应于确定整体健康评估结果符合第一预定条件，确定所述用户的保险数据为不能承保、部分承保、影响保费中的一种。
9.根据权利要求8所述的方法，其中确定与所述用户的保险策略相关的保险数据包括还包括：
响应于确定整体健康评估结果未符合预定条件，确定以下至少一项条件是否满足：
所述单病种患病概率符合第二预定条件；
所述系统患病概率符合第三预定条件；
响应于确定以上至少一项条件满足，确定与所述单病种患病概率相关联的单病种和与所述系统患病概率相关联的系统中的至少一项是否与保险险种的排除疾病相关联。
10. 根据权利要求1所述的方法，还包括：
确定所述特征是否符合第四预定条件；以及
响应于确定所述特征符合第四预定条件，增加对应所述特征的所述第一权重。
11.根据权利要求1所述的方法，其中实体包括结节、囊肿、肿块、息肉、结石、钙化灶、结晶、占位、肿瘤、斑块、回声中的至少一个，所述属性包括与实体相关联的大小、数目、形状、回声强弱、回声均匀性、血流信号丰富、弥漫性、大范围中的至少一个。
12.根据权利要求4所述的方法，还包括：
基于所述个人信息，调整所述第一权重、第二权重和第三权重中的至少一项。
13.根据权利要求12所述的方法，其中调整所述第一权重、第二权重和第三权重中的至少一项包括：
响应于确定所述用户的年龄超过预定年龄阈值，降低对应于系统患病概率的第三权重。
14.根据权利要求1所述的方法，还包括：
获取用户的体检预约信息，所述体检预约信息至少指示所述用户的所述个人信息、体检机构；
向所述体检机构发送所述体检预约信息；以及
获取来自所述体检机构的体检报告。
15.一种用于确定保险风险的装置，所述装置包括：
存储器，被配置为存储一个或多个程序；
处理单元，耦合至所述存储器并且被配置为执行所述一个或多个程序使所述装置执行根据权利要求1-14中任一所述的方法的步骤。
16.一种计算机可读存储介质，其上存储有机器可执行指令，所述机器可执行指令在被执行时使机器执行根据权利要求1-14中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033136.8A CN111275558B (zh) | 2020-01-13 | 2020-01-13 | 用于确定保险数据的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033136.8A CN111275558B (zh) | 2020-01-13 | 2020-01-13 | 用于确定保险数据的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275558A CN111275558A (zh) | 2020-06-12 |
| CN111275558B true CN111275558B (zh) | 2024-02-27 |
Family
ID=71003088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010033136.8A Active CN111275558B (zh) | 2020-01-13 | 2020-01-13 | 用于确定保险数据的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275558B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037918B (zh) * | 2020-11-02 | 2021-02-12 | 平安科技（深圳）有限公司 | 一种融合并发症风险的慢病医保费用预测方法及相关设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631235A (zh) * | 2016-03-10 | 2016-06-01 | 深圳市前海安测信息技术有限公司 | 基于医疗大数据的医疗保险精算系统及方法 |
| CN105825429A (zh) * | 2016-03-18 | 2016-08-03 | 深圳市前海安测信息技术有限公司 | 基于医学大数据的保险精算方法和系统 |
| CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
| CN107247887A (zh) * | 2017-07-27 | 2017-10-13 | 点内（上海）生物科技有限公司 | 基于人工智能帮助肺癌筛查的方法及系统 |
| CN107610779A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云（北京）技术有限公司 | 疾病评价及患病风险评估方法及装置 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN107767959A (zh) * | 2017-11-15 | 2018-03-06 | 平安健康保险股份有限公司 | 基于性格特征的健康风险评估方法、装置及设备 |
| CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
| CN109300017A (zh) * | 2018-10-27 | 2019-02-01 | 平安科技（深圳）有限公司 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
| CN109447963A (zh) * | 2018-10-22 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种脑部影像识别的方法及装置 |
| CN109493244A (zh) * | 2018-11-07 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型配置保险需求的方法及相关产品 |
| CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
| CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
| CN110321896A (zh) * | 2019-04-30 | 2019-10-11 | 深圳市四季宏胜科技有限公司 | 黑头识别方法、装置及计算机可读存储介质 |
| CN110400297A (zh) * | 2019-07-22 | 2019-11-01 | 中国石油大学(华东) | 一种基于深度学习的肺癌分期预测方法 |
| CN110517225A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技（深圳）有限公司 | Ai影像识别方法、装置、设备及存储介质 |
-
2020
- 2020-01-13 CN CN202010033136.8A patent/CN111275558B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631235A (zh) * | 2016-03-10 | 2016-06-01 | 深圳市前海安测信息技术有限公司 | 基于医疗大数据的医疗保险精算系统及方法 |
| CN105825429A (zh) * | 2016-03-18 | 2016-08-03 | 深圳市前海安测信息技术有限公司 | 基于医学大数据的保险精算方法和系统 |
| CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
| CN107247887A (zh) * | 2017-07-27 | 2017-10-13 | 点内（上海）生物科技有限公司 | 基于人工智能帮助肺癌筛查的方法及系统 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN107610779A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云（北京）技术有限公司 | 疾病评价及患病风险评估方法及装置 |
| CN107767959A (zh) * | 2017-11-15 | 2018-03-06 | 平安健康保险股份有限公司 | 基于性格特征的健康风险评估方法、装置及设备 |
| CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
| CN109447963A (zh) * | 2018-10-22 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种脑部影像识别的方法及装置 |
| CN109300017A (zh) * | 2018-10-27 | 2019-02-01 | 平安科技（深圳）有限公司 | 基于数据分析的保单推荐方法、装置、服务器及存储介质 |
| CN109493244A (zh) * | 2018-11-07 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型配置保险需求的方法及相关产品 |
| CN109559243A (zh) * | 2018-12-13 | 2019-04-02 | 泰康保险集团股份有限公司 | 保险核保方法、装置、介质及电子设备 |
| CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
| CN110321896A (zh) * | 2019-04-30 | 2019-10-11 | 深圳市四季宏胜科技有限公司 | 黑头识别方法、装置及计算机可读存储介质 |
| CN110517225A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技（深圳）有限公司 | Ai影像识别方法、装置、设备及存储介质 |
| CN110400297A (zh) * | 2019-07-22 | 2019-11-01 | 中国石油大学(华东) | 一种基于深度学习的肺癌分期预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275558A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11922348B2 (en) | Generating final abnormality data for medical scans based on utilizing a set of sub-models | |
| US11145059B2 (en) | Medical scan viewing system with enhanced training and methods for use therewith | |
| Bharati et al. | A review on explainable artificial intelligence for healthcare: Why, how, and when? | |
| Fries et al. | Weakly supervised classification of aortic valve malformations using unlabeled cardiac MRI sequences | |
| EP4266195A1 (en) | Training of text and image models | |
| WO2020126868A1 (en) | Integrated diagnostics systems and methods | |
| Yang et al. | Using artificial intelligence to assist radiologists in distinguishing COVID-19 from other pulmonary infections | |
| US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
| Vellakani et al. | An enhanced OCT image captioning system to assist ophthalmologists in detecting and classifying eye diseases | |
| Widodo et al. | UBNet: Deep learning-based approach for automatic X-ray image detection of pneumonia and COVID-19 patients | |
| Ajmera et al. | Observer performance evaluation of the feasibility of a deep learning model to detect cardiomegaly on chest radiographs | |
| Petrick et al. | Regulatory considerations for medical imaging AI/ML devices in the United States: concepts and challenges | |
| Rehman Khan et al. | Cloud‐Based Framework for COVID‐19 Detection through Feature Fusion with Bootstrap Aggregated Extreme Learning Machine | |
| Li et al. | Deep learning algorithms for detection of diabetic macular edema in OCT images: A systematic review and meta-analysis | |
| Olescki et al. | A two step workflow for pulmonary embolism detection using deep learning and feature extraction | |
| CN111275558B (zh) | 用于确定保险数据的方法和装置 | |
| Mărginean et al. | Teeth segmentation and carious lesions segmentation in panoramic X-ray images using CariSeg, a networks' ensemble | |
| Chen et al. | A regulatory science perspective on performance assessment of machine learning algorithms in imaging | |
| EP3910559A1 (en) | Bias mitigation in machine learning pipeline | |
| US8756234B1 (en) | Information theory entropy reduction program | |
| Oguguo et al. | A comparative study of fairness in medical machine learning | |
| Dai et al. | Evaluating a Natural Language Processing–Driven, AI-Assisted International Classification of Diseases, 10th Revision, Clinical Modification, Coding System for Diagnosis Related Groups in a Real Hospital Environment: Algorithm Development and Validation Study | |
| CN117116472B (zh) | 医学诊断装置、电子设备及存储介质 | |
| JP2021507392A (ja) | エンティティ間のコンテキスト的類似性の学習および適用 | |
| Burkow et al. | High sensitivity methods for automated rib fracture detection in pediatric radiographs |
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 |