CN111582489A - 一种超声人工智能模型的分布式部署决策系统及方法 - Google Patents
一种超声人工智能模型的分布式部署决策系统及方法 Download PDFInfo
- Publication number
- CN111582489A CN111582489A CN202010409321.2A CN202010409321A CN111582489A CN 111582489 A CN111582489 A CN 111582489A CN 202010409321 A CN202010409321 A CN 202010409321A CN 111582489 A CN111582489 A CN 111582489A
- Authority
- CN
- China
- Prior art keywords
- decision
- artificial intelligence
- ultrasonic
- ultrasound
- result
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种超声人工智能模型的分布式部署决策系统及方法,涉及深度学习技术领域,包括:服务器集群,包括若干分布式的存储有超声人工智能模型的人工智能服务器;综合接口服务器,根据外部的调用指令将若干超声数据分配至对应的人工智能服务器进行处理得到若干初始推断结果;针对每个超声数据,将初始推断结果代入预先生成的决策树中进行决策,根据决策结果将超声数据文件分配至下一个人工智能服务器进行处理,直至作为结果节点的人工智能服务器执行完成,得到最终推断结果并缓存;在所有超声数据全部决策完成后,输出各超声数据对应的各最终推断结果,以供医生进行诊断参考。有益效果是有效避免由于单一超声人工智能模型造成的漏诊现象。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种超声人工智能模型的分布式部署决策系统及方法。
背景技术
人工智能(artificialintelligence,AI)近年成为各领域关注的焦点,其中深度学习的提出带来了一系列革命性变化,而随着计算机视觉向深度学习的过渡以及硬件和大数据的进步,AI在图像识别领域展现出更广阔的发展前景。超声人工智能模型使得相关超声数据算法甚至达到了比人眼更高的识别准确率。这为医学影像的发展提供了巨大契机。超声医学作为影像领域的重要分支,利用超声人工智能模型进行分析的研究不断涌现,不仅为临床科研提供了新思路,亦有助于提高超声诊断的准确性。
现有超声人工智能模型基本上都是单一的模型推断,不能全面的进行超声诊断。超声人工智能模型在推断的时候由于单一性,容易造成漏诊或者诊断错误。
发明内容
针对现有技术中存在的问题,本发明提供一种超声人工智能模型的分布式部署决策系统,具体包括:
服务器集群,所述服务器集群包括若干分布式的人工智能服务器,每个所述人工智能服务器中存储有预先训练得到的超声人工智能模型,每个所述超声人工智能模型用于对对应的一类超声图像特征进行识别;
综合接口服务器,连接所述服务器集群,所述综合接口服务器包括:
数据存储模块,用于存储预先生成的决策树,所述决策树具有多个彼此之间形成决策树状的路径结构的节点,每个所述节点分别对应于各所述人工智能服务器;
第一决策模块,用于根据外部的调用指令将用户上传的一超声数据集中的若干超声数据分别分配至对应的所述人工智能服务器进行处理得到若干初始推断结果;
第二决策模块,分别连接所述数据存储模块和所述第一决策模块,用于针对每个所述超声数据,将对应的所述初始推断结果代入所述决策树对应的所述节点中进行决策,随后根据决策结果将所述超声数据文件分配至下一个所述人工智能服务器进行处理,直至作为结果节点的所述人工智能服务器执行完成,得到一最终推断结果并进行缓存;
结果输出模块,连接所述第二决策模块,用于在所述超声数据集中的所有所述超声数据全部决策完成后,将各所述超声数据对应的各所述最终推断结果包括在一最终结果集合中输出,以供医生进行诊断参考。
优选的,所述第一决策模块包括:
存储单元,用于保存预先生成的所述超声图像特征与所述人工智能服务器之间的对应关系表;
决策单元,连接所述存储单元,用于将用户上传的所述超声数据集中的各所述超声数据进行分类,得到各所述超声数据的所述超声图像特征,并根据所述对应关系表分别将各所述超声数据分配至对应的所述人工智能服务器进行处理得到所述初始推断结果。
优选的,所述超声图像特征包括超声图像,和/或病人信息,和/或超声参数,和/或超声部位。
优选的,所述决策树中的每个所述节点以及所述节点之间的树状关系依据临床医学的指导原则形成。
优选的,所述指导原则基于ID3决策多叉算法。
优选的,还包括路径输出模块,连接所述第二决策模块,用于针对每个所述超声数据,在每次进行决策时,记录表征决策轨迹的所述决策结果,并在作为所述结果节点的所述人工智能服务器执行完成后,根据各所述决策轨迹生成所述超声数据的决策路径并输出,以供医生进行诊断参考。
一种超声人工智能模型的分布式部署决策方法,应用于以上任意一项所述的超声人工智能模型的分布式部署决策系统,所述分布式部署决策方法具体包括以下步骤:
步骤S1,所述分布式部署决策系统根据外部的调用指令将用户上传的一超声数据集中的若干超声数据分别分配至对应的所述人工智能服务器进行处理得到若干初始推断结果;
步骤S2,针对每个所述超声数据,所述分布式部署决策系统将对应的所述初始推断结果代入所述决策树对应的所述节点中进行决策,随后根据决策结果将所述超声数据文件分配至下一个所述人工智能服务器进行处理,直至作为结果节点的所述人工智能服务器执行完成,得到一最终推断结果并进行缓存;
步骤S3,所述分布式部署决策系统在所述超声数据集中的所有所述超声数据全部决策完成后,将各所述超声数据对应的各所述最终推断结果包括在一最终结果集合中输出,以供医生进行诊断参考。
优选的,所述步骤S1具体包括:
步骤S11,所述分布式部署决策系统预先生成超声图像特征与所述人工智能服务器之间的对应关系表;
步骤S12,所述分布式部署决策系统将用户上传的所述超声数据集中的各所述超声数据进行分类,得到各所述超声数据的所述超声图像特征,并根据所述对应关系表分别将各所述超声数据分配至对应的所述人工智能服务器进行处理得到所述初始推断结果。
优选的,执行所述步骤S2时,还包括:
针对每个所述超声数据,在每次进行决策时,记录表征决策轨迹的所述决策结果,并在作为所述结果节点的所述人工智能服务器执行完成后,根据各所述决策轨迹生成所述超声数据的决策路径并输出,以供医生进行诊断参考。
上述技术方案具有如下优点或有益效果:
通过将具有不同功能的超声人工智能模型分布放置于不同的人工智能服务器中形成服务器集群,并通过部署综合接口服务器对服务器集群中的各人工智能服务器进行功能协调,超声数据进行推断时能够最终输出所有可能的推断结果,有效避免由于单一超声人工智能模型造成的漏诊现象。
附图说明
图1为本发明的较佳的实施例中,一种超声人工智能模型的分布式部署决策系统的结构示意图;
图2为本发明的较佳的实施例中,一种超声人工智能模型的分布式部署决策方法的流程示意图;
图3为本发明的较佳的实施例中,根据超声图像特征进行推断任务分配的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种超声人工智能模型的分布式部署决策系统,如图1所示,具体包括:
服务器集群1,服务器集群1包括若干分布式的人工智能服务器11,每个人工智能服务器11中存储有预先训练得到的超声人工智能模型,每个超声人工智能模型用于对对应的一类超声图像特征进行识别;
综合接口服务器2,连接服务器集群1,综合接口服务器2包括:
数据存储模块21,用于存储预先生成的决策树,决策树具有多个彼此之间形成决策树状的路径结构的节点,每个节点分别对应于各人工智能服务器11;
第一决策模块22,用于根据外部的调用指令将用户上传的一超声数据集中的若干超声数据分别分配至对应的人工智能服务器11进行处理得到若干初始推断结果;
第二决策模块23,分别连接数据存储模块21和第一决策模块22,用于针对每个超声数据,将对应的初始推断结果代入决策树对应的节点中进行决策,随后根据决策结果将超声数据文件分配至下一个人工智能服务器11进行处理,直至作为结果节点的人工智能服务器11执行完成,得到一最终推断结果并进行缓存;
结果输出模块24,连接第二决策模块23,用于在超声数据集中的所有超声数据全部决策完成后,将各超声数据对应的各最终推断结果包括在一最终结果集合中输出,以供医生进行诊断参考。
具体地,本实施例中,超声数据包含有若干类超声图像特征,包括但不限于超声图像、病人信息、超声参数、超声部位和临床诊断意见等,针对每类超声图像特征,如超声图像,根据需求不同,需要送入不同的超声人工智能模型中进行推断。即若上述超声图像为肺部超声图像时,需要对肺部结节进行识别,则需要将该肺部超声图像送入结节识别模型中进行推断;需要对肺部结节进行分割,则需要将该肺部超声图像送入结节分割模型中进行推断。另外,在对肺部结节进行识别或分割后,可能还会需要根据识别结果或分割结果进行进一步推断。
为解决上述问题,本实施例中,首先根据临床医学的指导原则,根据上述超声图像特征将需要进行推断的功能进行划分,并把划分得到的每个功能进行预先训练得到相应的超声人工智能模型,随后将超声人工智能模型部署在人工智能服务器中,方便后续调用。优选的,上述人工智能服务器包括但不限于识别图像、推断数据等不同功能的服务器,比如专门识别超声图像的颈动脉斑块服务器,识别血管弹性的动态度分析服务器,以及根据年龄或其他一些因素决定的风险比例等多功能人工服务器。
进一步地,在部署完成超声人工智能模型及服务器集群后,通过设置一综合接口服务器实现超声人工智能模型的调用和决策,并输出所有可能的推断结果,有效避免漏诊。为实现上述调用和决策,优选根据临床医学的指导原则预先生成用于调用和决策的决策树,该决策树的每个节点均对应一个人工智能服务器。
举例来说,服务器集群中包括四个人工智能服务器,分别为第一服务器,第二服务器、第三服务器和第四服务器,则综合接口服务器中的决策树具有四个节点,根据临床医学的指导原则构建多条决策路径,优选的,上述决策路径有三条,第一决策路径为第一服务器-第二服务器,第二决策路径为第一服务器-第二服务器-第四服务器,第三决策路径为第一服务器-第三服务器。各人工智能服务器的推断结果以第一结果和第二结果表示,第一服务器的推断结果为第一结果时,根据临床医学的指导原则进行决策,下一步需要第二服务器进行推断,第二服务器的推断结果为第一结果时,将第二服务器的推断结果作为最终结果进行输出,即超声图像遵循第一决策路径;第二服务器的推断结果为第二结果时,根据临床医学的指导原则进行决策,下一步需要第四服务器进行推断,将第四服务器的推断结果作为最终结果进行输出,即超声图像遵循第二决策路径;上述第一服务器的推断结果为第二结果时,根据临床医学的指导原则进行决策,下一步需要第三服务器进行推断,将第三服务器的推断结果作为最终结果进行输出,即超声图像遵循第三决策路径,以此类推。
进一步优选的,上述临床医学的指导原则基于ID3决策多叉算法,该算法首先根据临床超声对各种病情的诊断按照人工智能服务器的功能作为节点构建多叉流程树。根据人工智能服务器推断的结果放入决策树的各个节点,根据决策树各节点的推断结果,推测出有哪些叶子节点可能的结果。最终根据临床医学的指导原则,给出比较接近的诊断结果,把决策点和推断结果反馈给调用方。
进一步地,在超声数据集中的所有超声数据全部决策完成后,输出包含各超声数据对应的各最终推断结果的一最终结果集合,以供医生进行诊断参考,医生根据各最终推断结果给出诊断意见,有效提升诊断准确率,且节约人工成本,有效避免由于单一超声人工智能模型造成的漏诊现象。
本发明的较佳的实施例中,第一决策模块22包括:
存储单元221,用于保存预先生成的超声图像特征与人工智能服务器11之间的对应关系表;
决策单元222,连接存储单元221,用于将用户上传的超声数据集中的各超声数据进行分类,得到各超声数据的超声图像特征,并根据对应关系表分别将各超声数据分配至对应的人工智能服务器11进行处理得到初始推断结果。
具体地,本实施例中,综合接口服务器在接收到外部的调用指令后,首先需要根据一定的分配规则将用户上传的超声数据分配至对应的人工智能服务器进行数据推断。上述分配规则优选为按照超声数据的超声图像特征进行分配。
进一步地,用户上传的超声数据集通常包含多个超声数据,综合接口服务器首先将各超声数据进行分类,例如,超声数据为超声图像时,根据超声图像对应的超声部位将该超声数据分配至相应的人工智能服务器中进行处理,该人工智能服务器中存储有对应上述超声部位的超声人工智能模型;超声数据为病人信息时,优选将该超声数据放入存储有大数据分析功能的超声人工智能模型的人工智能服务器中进行处理;超声数据为诊断信息时,优选将该超声数据放入存储有语义分析功能的超声人工智能模型的人工智能服务器中进行处理。
本发明的较佳的实施例中,超声图像特征包括超声图像,和/或病人信息,和/或超声参数,和/或超声部位。
本发明的较佳的实施例中,决策树中的每个节点以及节点之间的树状关系依据临床医学的指导原则形成。
本发明的较佳的实施例中,临床指导原则基于ID3决策多叉算法。
本发明的较佳的实施例中,还包括路径输出模块25,连接第二决策模块23,用于针对每个超声数据,在每次进行决策时,记录表征决策轨迹的决策结果,并在作为结果节点的人工智能服务器11执行完成后,根据各决策轨迹生成超声数据的决策路径并输出,以供医生进行诊断参考。
一种超声人工智能模型的分布式部署决策方法,应用于以上任意一项的超声人工智能模型的分布式部署决策系统,如图2所示,分布式部署决策方法具体包括以下步骤:
步骤S1,分布式部署决策系统根据外部的调用指令将用户上传的一超声数据集中的若干超声数据分别分配至对应的人工智能服务器进行处理得到若干初始推断结果;
步骤S2,针对每个超声数据,分布式部署决策系统将对应的初始推断结果代入决策树对应的节点中进行决策,随后根据决策结果将超声数据文件分配至下一个人工智能服务器进行处理,直至作为结果节点的人工智能服务器执行完成,得到一最终推断结果并进行缓存;
步骤S3,分布式部署决策系统在超声数据集中的所有超声数据全部决策完成后,将各超声数据对应的各最终推断结果包括在一最终结果集合中输出,以供医生进行诊断参考
本发明的较佳的实施例中,如图3所示,步骤S1具体包括:
步骤S11,分布式部署决策系统预先生成超声图像特征与人工智能服务器之间的对应关系表;
步骤S12,分布式部署决策系统将用户上传的超声数据集中的各超声数据进行分类,得到各超声数据的超声图像特征,并根据对应关系表分别将各超声数据分配至对应的人工智能服务器进行处理得到初始推断结果。
本发明的较佳的实施例中,执行步骤S2时,还包括:
针对每个超声数据,在每次进行决策时,记录表征决策轨迹的决策结果,并在作为结果节点的人工智能服务器执行完成后,根据各决策轨迹生成超声数据的决策路径并输出,以供医生进行诊断参考。
本发明的一个较佳的实施例中,综合接口服务器根据外部的调用指令将用户上传的超声数据集中的各超声数据进行超声图像特征分类后,根据分类得到的具有相应超声图像特征的超声数据,将服务器集群中的各人工智能服务器划分为第一类服务器和第二类服务器,其中,第一类服务器中存储有对应识别各超声图像特征的超声人工智能模型,用于作为决策树的根节点分别对各所述超声数据进行处理得到初始推断结果,第二类服务器用于作为决策树的叶子节点,分别根据初始推断结果关联的决策结果对各所述超声数据进行处理直至作为结果节点的所述人工智能服务器执行完成,得到一最终推断结果。
进一步优选的,在第一类服务器完成对超声数据的初始推断后,综合接口服务器将第一类服务器中的各人工智能服务器划分为第二类服务器,即作为叶子节点或结果节点参与后续数据处理。同样的,根据超声数据的超声图像特征的不同,上述第二类服务器也可以作为第一类服务器参与超声数据的初始推断。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种超声人工智能模型的分布式部署决策系统,其特征在于,具体包括:
服务器集群,所述服务器集群包括若干分布式的人工智能服务器,每个所述人工智能服务器中存储有预先训练得到的超声人工智能模型,每个所述超声人工智能模型用于对对应的一类超声图像特征进行识别;
综合接口服务器,连接所述服务器集群,所述综合接口服务器包括:
数据存储模块,用于存储预先生成的决策树,所述决策树具有多个彼此之间形成决策树状的路径结构的节点,每个所述节点分别对应于各所述人工智能服务器;
第一决策模块,用于根据外部的调用指令将用户上传的一超声数据集中的若干超声数据分别分配至对应的所述人工智能服务器进行处理得到若干初始推断结果;
第二决策模块,分别连接所述数据存储模块和所述第一决策模块,用于针对每个所述超声数据,将对应的所述初始推断结果代入所述决策树对应的所述节点中进行决策,随后根据决策结果将所述超声数据文件分配至下一个所述人工智能服务器进行处理,直至作为结果节点的所述人工智能服务器执行完成,得到一最终推断结果并进行缓存;
结果输出模块,连接所述第二决策模块,用于在所述超声数据集中的所有所述超声数据全部决策完成后,将各所述超声数据对应的各所述最终推断结果包括在一最终结果集合中输出,以供医生进行诊断参考。
2.根据权利要求1所述的分布式部署决策系统,其特征在于,所述第一决策模块包括:
存储单元,用于保存预先生成的所述超声图像特征与所述人工智能服务器之间的对应关系表;
决策单元,连接所述存储单元,用于将用户上传的所述超声数据集中的各所述超声数据进行分类,得到各所述超声数据的所述超声图像特征,并根据所述对应关系表分别将各所述超声数据分配至对应的所述人工智能服务器进行处理得到所述初始推断结果。
3.根据权利要求2所述的超声人工智能模型的分布式部署决策系统,其特征在于,所述超声图像特征包括超声图像,和/或病人信息,和/或超声参数,和/或超声部位。
4.根据权利要求1所述的超声人工智能模型的分布式部署决策系统,其特征在于,所述决策树中的每个所述节点以及所述节点之间的树状关系依据临床医学的指导原则形成。
5.根据权利要求4所述的超声人工智能模型的分布式部署决策系统,其特征在于,所述指导原则基于ID3决策多叉算法。
6.根据权利要求1所述的超声人工智能模型的分布式部署决策系统,其特征在于,还包括路径输出模块,连接所述第二决策模块,用于针对每个所述超声数据,在每次进行决策时,记录表征决策轨迹的所述决策结果,并在作为所述结果节点的所述人工智能服务器执行完成后,根据各所述决策轨迹生成所述超声数据的决策路径并输出,以供医生进行诊断参考。
7.一种超声人工智能模型的分布式部署决策方法,其特征在于,应用于如权利要求1-6中任意一项所述的超声人工智能模型的分布式部署决策系统,所述分布式部署决策方法具体包括以下步骤:
步骤S1,所述分布式部署决策系统根据外部的调用指令将用户上传的一超声数据集中的若干超声数据分别分配至对应的所述人工智能服务器进行处理得到若干初始推断结果;
步骤S2,针对每个所述超声数据,所述分布式部署决策系统将对应的所述初始推断结果代入所述决策树对应的所述节点中进行决策,随后根据决策结果将所述超声数据文件分配至下一个所述人工智能服务器进行处理,直至作为结果节点的所述人工智能服务器执行完成,得到一最终推断结果并进行缓存;
步骤S3,所述分布式部署决策系统在所述超声数据集中的所有所述超声数据全部决策完成后,将各所述超声数据对应的各所述最终推断结果包括在一最终结果集合中输出,以供医生进行诊断参考。
8.根据权利要求7所述的超声人工智能模型的分布式部署决策方法,其特征在于,所述步骤S1具体包括:
步骤S11,所述分布式部署决策系统预先生成超声图像特征与所述人工智能服务器之间的对应关系表;
步骤S12,所述分布式部署决策系统将用户上传的所述超声数据集中的各所述超声数据进行分类,得到各所述超声数据的所述超声图像特征,并根据所述对应关系表分别将各所述超声数据分配至对应的所述人工智能服务器进行处理得到所述初始推断结果。
9.根据权利要求7所述的超声人工智能模型的分布式部署决策方法,其特征在于,执行所述步骤S2时,还包括:
针对每个所述超声数据,在每次进行决策时,记录表征决策轨迹的所述决策结果,并在作为所述结果节点的所述人工智能服务器执行完成后,根据各所述决策轨迹生成所述超声数据的决策路径并输出,以供医生进行诊断参考。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409321.2A CN111582489B (zh) | 2020-05-14 | 2020-05-14 | 一种超声人工智能模型的分布式部署决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409321.2A CN111582489B (zh) | 2020-05-14 | 2020-05-14 | 一种超声人工智能模型的分布式部署决策系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582489A true CN111582489A (zh) | 2020-08-25 |
CN111582489B CN111582489B (zh) | 2023-07-14 |
Family
ID=72115479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409321.2A Active CN111582489B (zh) | 2020-05-14 | 2020-05-14 | 一种超声人工智能模型的分布式部署决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582489B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035125A (zh) * | 2023-10-09 | 2023-11-10 | 中电科大数据研究院有限公司 | 一种分布式人工智能模型的决策平台、方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174555A1 (en) * | 2009-01-05 | 2010-07-08 | Klaus Abraham-Fuchs | System for automatic clinical pathway optimization |
CN102323328A (zh) * | 2010-11-25 | 2012-01-18 | 上海聚类生物科技有限公司 | 一种早期肺癌诊断的决策树模型 |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
US20180101645A1 (en) * | 2016-10-12 | 2018-04-12 | Terarecon, Inc. | System and method for medical image interpretation |
CN111145905A (zh) * | 2019-12-31 | 2020-05-12 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
-
2020
- 2020-05-14 CN CN202010409321.2A patent/CN111582489B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174555A1 (en) * | 2009-01-05 | 2010-07-08 | Klaus Abraham-Fuchs | System for automatic clinical pathway optimization |
CN102323328A (zh) * | 2010-11-25 | 2012-01-18 | 上海聚类生物科技有限公司 | 一种早期肺癌诊断的决策树模型 |
US20180101645A1 (en) * | 2016-10-12 | 2018-04-12 | Terarecon, Inc. | System and method for medical image interpretation |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
CN111145905A (zh) * | 2019-12-31 | 2020-05-12 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
李栋栋;李保利;丁浩奇;江世根;: "基于决策树的医院感染监测预警模型的构建", 中国数字医学, no. 04, pages 47 - 49 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035125A (zh) * | 2023-10-09 | 2023-11-10 | 中电科大数据研究院有限公司 | 一种分布式人工智能模型的决策平台、方法及装置 |
CN117035125B (zh) * | 2023-10-09 | 2024-01-02 | 中电科大数据研究院有限公司 | 一种分布式人工智能模型的决策系统、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111582489B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Piccialli et al. | A survey on deep learning in medicine: Why, how and when? | |
CN110443813B (zh) | 血管、眼底图像的分割方法、装置、设备及可读存储介质 | |
US9949714B2 (en) | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection | |
CN110335259B (zh) | 一种医学影像识别方法、装置和存储介质 | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
Zanjani et al. | Mask-MCNet: Tooth instance segmentation in 3D point clouds of intra-oral scans | |
CN111242933B (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
JP5462866B2 (ja) | 画像セグメンテーションに基づく画像分類 | |
Fang et al. | Concept-based explanation for fine-grained images and its application in infectious keratitis classification | |
JP2022546149A (ja) | 画像分割方法及び装置、画像分割モデルのトレーニング方法及び装置 | |
EP3796226A1 (en) | Data conversion/symptom scoring | |
Diker et al. | Examination of the ECG signal classification technique DEA-ELM using deep convolutional neural network features | |
JP2023506107A (ja) | 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体 | |
CN111582489A (zh) | 一种超声人工智能模型的分布式部署决策系统及方法 | |
CN117076655A (zh) | 一种手术规划方案生成方法、系统、装置和介质 | |
CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
CN111951950A (zh) | 基于深度学习的三维数据医疗分类系统、方法和装置 | |
CN111611891B (zh) | 应用神经网络深度学习的整体性智能识别方法 | |
CN114842972A (zh) | 确定用户状态的方法、装置、电子设备及介质 | |
El Omary et al. | Detecting heart failure from chest X-ray images using deep learning algorithms | |
Shi et al. | Choice over effort: Mapping and diagnosing augmented whole slide image datasets with training dynamics | |
Omarov et al. | Convolutional LSTM Network for Heart Disease Diagnosis on Electrocardiograms. | |
CN113723519A (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
Tran et al. | An Innovative Approach for Long ECG Synthesis with Wasserstein GAN Model | |
Qian et al. | MSCA-UNet: Multi-scale convolutional attention UNet for automatic cell counting using density regression |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201016 Address after: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant after: Shanghai Shenzhi Information Technology Co.,Ltd. Address before: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant before: Shanghai Shenzhi Information Technology Co.,Ltd. Applicant before: Shanghai Zhuxing Biotechnology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |