CN111613287A - 基于Glow网络的报告单编码模型生成方法、系统和设备 - Google Patents
基于Glow网络的报告单编码模型生成方法、系统和设备 Download PDFInfo
- Publication number
- CN111613287A CN111613287A CN202010242020.5A CN202010242020A CN111613287A CN 111613287 A CN111613287 A CN 111613287A CN 202010242020 A CN202010242020 A CN 202010242020A CN 111613287 A CN111613287 A CN 111613287A
- Authority
- CN
- China
- Prior art keywords
- network
- initial training
- model
- glow
- training model
- 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
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Glow网络的报告单编码模型生成方法,包括:初始化预先构建的初始训练模型中的网络参数;根据第一预设循环次数使得初始训练模型进入一次循坏迭代;计算预设的损失函数的损失值;通过反向传播算法将损失值用于修正网络参数;根据第二预设循环次数使得初始训练模型进入二次循坏迭代;当二次循环迭代达到第二预设循环次数时,对初始训练模型进行拆分,以在初始训练模型拆分出编码器作为编码模型。本发明还公开了一种基于Glow网络的报告单编码模型生成系统、设备和一种计算机可读存储介质。采用本发明实施例生成的编码模型能够学习到非线性的特征表示,有利于后续任务算法的效果的提升,采用无监督算法,可以节省大量人力标注的成本。
Description
技术领域
本发明涉及数据编码领域,尤其涉及一种基于Glow网络的报告单编码模型生成方法、系统和设备。
背景技术
目前对应医疗检测报告单的结果分析主要针对某类报告单中的检测项目进行结果值的分析,检测的结果值跟统计的参考值进行对比,得到最终的报告单结果。报告单的大部分结果值经过大量试验和病人治疗期间的临床表现得到佐证,但检测报告单的结果值仍然还有很大的研究和挖掘的空间。在某特定的时间点上,同时通过多种检测方法对受检者进行检测,不仅可以提供检测结果的准确性,而且可以更加全面的了解生物体目前的状态,为临床治疗提供更加详细的病人身体数据。但随着检测项目和累计的报告单的数量的增多,带来的挑战也越来越大。主要原因是人的生物状态信息通过检测结果被投射到了一个高维的数据空间中,通过传统的统计学方法分析检测项目之间和临床表现之间的相关性变的越来越难,对于检测项目的特征工程效率低下,导致整个检测项目数据分析的过程漫长且昂贵,因此,亟待一个编码模型能够对检测项目数据进行编码,以提取检测报告的数据特征。
发明内容
本发明实施例的目的是提供一种基于Glow网络的报告单编码模型生成方法、系统、设备和存储介质,生成的编码模型能够学习到非线性的特征表示,有利于后续任务算法的效果的提升,采用无监督算法,操作方便,可以节省大量人力标注的成本。
为实现上述目的,本发明实施例提供了一种基于Glow网络的报告单编码模型生成方法,包括:
初始化预先构建的初始训练模型中的网络参数;其中,所述初始训练模型为Glow网络模型,所述初始训练模型包括编码器,所述网络参数包括编码器参数;
根据第一预设循环次数使得所述初始训练模型进入一次循坏迭代;
计算预设的损失函数的损失值;
通过反向传播算法将所述损失值用于修正所述网络参数;
根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;
判断所述二次循环迭代是否达到所述第二预设循环次数;
若是,对所述初始训练模型进行拆分,以在所述初始训练模型拆分出所述编码器作为编码模型;若否,重新计算所述损失函数的损失值。
与现有技术相比,本发明实施例公开的基于Glow网络的数据报告单编码模型生成方法,首先,初始化预先构建的初始训练模型中的网络参数;然后,根据第一预设循环次数使得初始训练模型进入一次循坏迭代,利用初始训练模型计算预设损失函数的损失值,通过反向传播算法将损失值用于修正所述网络参数,根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;最后,对所述初始训练模型进行拆分,在所述初始训练模型拆分出所述编码器作为数据编码模型。本发明实施例所述的基于Glow网络的报告单编码模型生成方法生成的编码模型能够学习到非线性的特征表示,有利于后续任务算法的效果的提升,采用无监督算法,操作方便,可以节省大量人力标注的成本。
作为上述方案的改进,所述编码器用于输入预先对报告单中的数据进行编码后的结果清单数据和服从均匀分布的噪声数据,以输出服从正态分布的所述结果清单数据的均值和方差;其中,所述报告单中的数据包括检测项目的名义变量和检测结果数据,所述名义变量包括所述检测项目的单位、所采用的试剂名称、在检测过程中所用到的检测设备名称中的至少一种。
作为上述方案的改进,所述方法还包括:
使用随机梯度下降算法对所述初始训练模型进行网络参数调整。
作为上述方案的改进,所述初始化预先构建的初始训练模型中的网络参数,具体包括:
利用截断随机高斯初始化预先构建的初始训练模型中的网络参数。
为实现上述目的,本发明实施例还提供了一种基于Glow网络的报告单编码模型生成系统,包括:
网络参数初始化模块,用于初始化预先构建的初始训练模型中的网络参数;其中,所述初始训练模型为Glow网络模型,所述初始训练模型包括编码器,所述网络参数包括编码器参数;
一次循坏迭代模块,用于根据第一预设循环次数使得所述初始训练模型进入一次循坏迭代;
损失值一次计算模块,用于计算预设损失函数的损失值;
网络参数修正模块,用于通过反向传播算法将所述损失值用于修正所述网络参数;
二次循坏迭代模块,用于根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;
判断模块,用于判断所述二次循环迭代是否达到所述第二预设循环次数;
编码模型生成模块,用于当所述二次循环迭代达到所述第二预设循环次数时,对所述初始训练模型进行拆分,以在所述初始训练模型拆分出所述编码器作为编码模型;
损失值二次计算模块,用于当所述二次循环迭代未达到所述第二预设循环次数时,重新计算所述损失函数的损失值。
与现有技术相比,本发明实施例公开的基于Glow网络的数据报告单编码模型生成系统,首先,网络参数初始化模块初始化预先构建的初始训练模型中的网络参数;然后,一次循坏迭代模块根据第一预设循环次数使得初始训练模型进入一次循坏迭代,损失值一次计算模块利用初始训练模型计算预设损失函数的损失值,网络参数修正模块通过反向传播算法将损失值用于修正所述网络参数,二次循坏迭代模块根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;最后,编码模型生成模块对所述初始训练模型进行拆分,在所述初始训练模型拆分出所述编码器作为数据编码模型。本发明实施例所述的基于Glow网络的报告单编码模型生成系统生成的编码模型能够学习到非线性的特征表示,有利于后续任务算法的效果的提升,采用无监督算法,操作方便,可以节省大量人力标注的成本。
作为上述方案的改进,所述编码器用于输入预先对报告单中的数据进行编码后的结果清单数据和服从均匀分布的噪声数据,以输出服从正态分布的所述结果清单数据的均值和方差;其中,所述报告单中的数据包括检测项目的名义变量和检测结果数据,所述名义变量包括所述检测项目的单位、所采用的试剂名称、在检测过程中所用到的检测设备名称中的至少一种。
作为上述方案的改进,所述系统还包括:
网络参数调整模块,用于使用随机梯度下降算法对所述初始训练模型进行网络参数调整。
作为上述方案的改进,所述网络参数初始化模块,具体用于:
利用截断随机高斯初始化预先构建的初始训练模型中的网络参数。
为实现上述目的,本发明实施例还提供一种基于Glow网络的报告单编码模型生成设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例所述的基于Glow网络的报告单编码模型生成方法。
为实现上述目的,本发明实施例还提供一种计算机可读存储介质,,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的基于Glow网络的报告单编码模型生成方法。
附图说明
图1是本发明实施例提供的一种基于Glow网络的报告单编码模型生成方法的流程图;
图2是本发明实施例提供的Glow网络模型的网络架构;
图3是本发明实施例提供的Glow网络模型中encoder层的网络架构;
图4是本发明实施例提供的Glow网络模型中revnet模块的网络架构;
图5是本发明实施例提供的Glow网络模型中f函数的网络架构;
图6是本发明实施例提供的Glow网络模型中split2d的网络架构;
图7是本发明实施例提供的Glow网络模型的堆叠架构;
图8是本发明实施例提供的一种基于Glow网络的报告单编码模型生成系统的结构框图;
图9是本发明实施例提供的一种基于Glow网络的报告单编码模型生成设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明实施例提供的一种基于Glow网络的报告单编码模型生成方法的流程图;所述基于Glow网络的报告单编码模型生成方法包括:
S1、初始化预先构建的初始训练模型中的网络参数;其中,所述初始训练模型为Glow网络模型,所述初始训练模型包括编码器,所述网络参数包括编码器参数;
S2、根据第一预设循环次数使得所述初始训练模型进入一次循坏迭代;
S3、计算预设的损失函数的损失值;
S4、通过反向传播算法将所述损失值用于修正所述网络参数;
S5、根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;
S6、判断所述二次循环迭代是否达到所述第二预设循环次数;
S7、若是,对所述初始训练模型进行拆分,以在所述初始训练模型拆分出所述编码器作为编码模型;若否,重新计算所述损失函数的损失值。
值得说明的是,本发明实施例所述的基于Glow网络的报告单编码模型生成方法用于生成编码模型,该编码模型能够对报告单中的数据进行编码,以完对所述报告单中的特征信息的分析。示例性的,所述报告单为患者的检测报告,所述报告单可以是电子版的报告单,或者由纸质版(医生/患者手写)的报告单经过机器自动识别后生成的电子版报告单,从而能够自动对报告单中的信息进行提取,进一步确定所述报告单中的就详细数据。值得说明的是,对所述报告单进行信息识别/提取的过程可参考现有技术中的数据处理过程,本发明对此不做具体限定。
所述初始训练模型为Glow网络模型,所述Glow网络模型为基于flow的流模型的一种代表。流模型的研究工作主要是简化和加速行列式的计算,主要通过分块耦合层来简化行列式的计算,通过不断的堆叠分块耦合层来提升模型的表达能力。
参见图2,图2是本发明实施例提供的Glow网络模型的网络架构,所述Glow网络模型仅有编码器组成,通过对编码器进行求逆就能到的解码器。编码器主要完成结果清单数据的编码,xin代表输入,输入的结果清单数据上加上服从均匀分布的噪声U,输出的结果zout是每个维度的正态分布的均值和方差。通过square loss来进行模型优化。
示例性的,所述编码器用于输入预先对报告单中的数据进行编码后的结果清单数据和服从均匀分布的噪声数据,以输出服从正态分布的所述结果清单数据的均值和方差;其中,所述报告单中的数据包括检测项目的名义变量和检测结果数据,所述名义变量包括所述检测项目的单位、所采用的试剂名称、在检测过程中所用到的检测设备名称中的至少一种。
具体的,对名义变量和检测结果数据进行编码的过程包括步骤S11~S15。
S11、获取检测项目中的名义变量,并根据所述名义变量的取值数量对所述名义变量进行编码。
根据预设的取值规则确定每一所述名义变量的取值数量;判断当前所述名义变量的取值数量是否大于或等于预设的取值数量阈值;若是,则采用哈希编码方式对所述名义变量进行编码;若否,则采用独热编码方式对所述名义变量进行编码。
S12、获取检测项目中的检测结果数据,并根据所述检测结果数据的类型对所述检测结果数据进行预处理。
当所述检测结果数据的类型为连续型数据时,对所述检测结果数据进行归一化处理;当所述检测结果数据的类型为离散型数据时,对所述检测结果数据进行在预设设定值内的空间等距编码处理。
S13、对进行完预处理后的所述检测结果数据进行编码。其中,编码方式有四种,分别为:矢量维度编码、时间维度编码、矩阵维度编码、张量维度编码。
方案一:矢量维度编码,将所述检测结果数据按照预设的检测项目横向排列;其中,当前未进行检测的检测项目对应的所述检测结果数据置空,且保留其在排列中的位置;检测项目即检测项目的在实验室的唯一标识,一般都是有序排列,方便程序编码结果写入和读回。
方案二:时间维度编码,按照生成所述检测结果数据的时间对所述检测结果数据进行排序。但需要剔除掉没有检测的结果项目。比如2000个检测项目,条码检测了7个,那么这个矢量里只有7个经过归一化/空间等距编码处理后的检测结果数据。
方案三:矩阵维度编码,对所述检测结果数据按照预设的排列规则进行排列;其中,所述预设的排列规则为根据所述检测结果数据所对应的检测项目的类别、科室和/或学科进行层级划分。具体的,主条码的检测结果数据按照二维表格方式排列。由于检测项目结果之间存在着相关性,二维表格的检测项目的排列是否合理有可能会阻碍神经网络对这些相关信息的提取,需要特别设计检测项目的排列规则。
方案四:张量维度编码,将所述检测结果数据按照预设的三维模型排序;其中,该三维模型以三维表格(张量)的方式呈现,所述三维模型包括若干个代表不同检测套餐的切片(通道),每一所述切片包括若干个所述检测结果数据。
S14、对编码后的所述检测结果数据进行随机打乱。
同一个主条码的报告单的分析结果不应该受到检测项目的排列的影响,即方案1~4中的排列顺序不应该影响整体的分析结果,因此允许编码后的数据在送入深度学习模型前是支持在不同的维度上做随机打乱的。比如方案2中,检测项目的顺序应该是可以随机调整,方案3中的学科可以左右随机打乱,方案4中的在切片维度(通道)上进行随机打乱,打乱前和打乱后的分析值可以保证其自洽性。
S15、合并编码后的名义变量、编码后的检测结果数据以及随机打乱的编码后的检测结果数据,以输出检测项目的编码结果。
具体的,参见图3,所述Glow网络模型的Encoder层由L个模块组成,zin代表本层的输入,每个模块的作用是对输入数据进行运算,然后将输出对半分为两份,一部分传入下一个模块,另一部分直接输出。本发明实施例中的L采用6层,如图3中所示的是一层的实例,L从1开始迭代到6,split2d的输出Z1连接到下层的输入zin,堆叠起来变成6层squeeze模块用来压缩多余的维度。
具体的,Encoder层中Revnet模块结构如图4所示,Revnet模块主要是进行单步flow运算,在输入数据之前进行尺度变换,然后打乱轴,并且进行分割,接着输入到耦合层中。如此训练K次,这里的K称为“深度”,这里采用了Glow中默认值32。Glow中使用了名为Actnorm的层来取代BN,主要使用如下公式(1)对Z进行缩放平移变换:
图4中的permute操作是指在分割操作之前都应该对变量进行某种打乱排列,以确保在充分的流程步骤之后,每个维度都可以影响其他每个维度。Glow中的耦合模块Coupling,主要运算过程如下公式(2)~(7)中所示,split代表分割操作,⊙代表点积运算。用s代表尺度缩放矩阵,t代表平移矩阵,concat代表矩阵连接操作。
z1,z2=split(z)公式(2);
(log s,t)=NN(z1)公式(3);
s=exp(log s)公式(4);
ya=s⊙z2+t公式(5);
yb=z1公式(6);
zin=concat(ya,yb)公式(7)。
如图5所示,非线性变换函数f使用神经网络来实现,它用了三层relu卷积,分别是3×3,1×1,3×3的卷积核,其中最后一层使用零初始化,这样就使得初始状态下输入输出一样,即初始状态为一个恒等变换,这有利于训练深层网络。
参见图6,split2d不在是对Z简单的分割,而是混合了对分割后的变换运算,并且分割只沿通道维度执行拆分。
参见图7,整个Glow网络通过堆叠多个Flow模型(Glow)最终实现结果清单数据到不同尺度的潜变量空间Z的映射。
具体的,整个网络模型的损失函数是优化pθ(x)的对数似然,具体公式如下,pθ(x)由两部分构成,第一部分是pθ(z)的对数似然,通过计算输出Z的平均平方和作为损失函数,可以间接提升pθ(z)概率。第二部分是流模型的行列式,目前主要由actnorm的变化,放射变换和1x1卷积运算的行列式加合计算得出。
log pθ(x)=log pθ(z)+log|det(df(x)/dx)|公式(8)。
示例性的,在步骤S1中,使用截断随机高斯初始化所述编码器参数。在步骤S2中,进入迭代循环,所述第一预设循环次数为n个epoch,n的具体取值为经验参数。在步骤S3中,读取训练集中的一个batch的结果清单数据到内存,计算预设损失函数的损失值,该预设损失函数即为上述公式(8)中的损失函数。在步骤S4中,通过反向传播算法将所述损失值用于修正所述编码器参数。
在步骤S5~S6中,完成反向传播算法后,重新回到步骤S3中进行循环,直到迭代的次数达到第二预设循环次数。在步骤S7中,当二次循环迭代达到第二预设循环次数时,将训练好的所述初始训练模型冻结减枝,拆分出来的编码器即为最好的可用数据编码器模型,模型输入结果清单数据,输出编码后特征向量;当二次循环迭代未达到第二预设循环次数时,重新回到步骤S3中计算所述损失函数的损失值。
值得说明的是,训练完成的模型尾巴部分会有损失函数部分,损失函数在训练模型时有用,使用时可以移出,步骤S7中的拆分主要是指拿出编码器部分,其他的部分丢弃掉。当需要生成结果清单数据时,可以采样z数据,将正向传播时的输出端作为输入端,就可以从原来的输入端得到输出的结果清单数据。
进一步的,使用随机梯度下降算法对所述初始训练模型进行网络参数优化调整。示例性的,所述随机梯度下降算法为SGD,学习率为0.0001。
与现有技术相比,本发明实施例公开的基于Glow网络的数据报告单编码模型生成方法,首先,初始化预先构建的初始训练模型中的网络参数;然后,根据第一预设循环次数使得初始训练模型进入一次循坏迭代,利用初始训练模型计算预设损失函数的损失值,通过反向传播算法将损失值用于修正所述网络参数,根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;最后,对所述初始训练模型进行拆分,在所述初始训练模型拆分出所述编码器作为数据编码模型。
本发明实施例所述的基于Glow网络的报告单编码模型生成方法生成的编码模型能够学习到非线性的特征表示,有利于后续任务算法的效果的提升,采用无监督算法,操作方便,可以节省大量人力标注的成本。特征变量的构建相对手工的特征变量更加的丰富,可以学习到非线性的特征表示,有利于后续任务算法的效果的提升。相对于自编码的特征学习的方法和自回归网络,流生成的模型能够直接优化估计潜变量空间中的概率分布,无论在编码阶段还是在解码阶段都有不错的性能。相对于GANs网络方法,流网络训练过程更加稳定,对于真实数据的分布的拟合效果会好过常见的对抗网络,流网络生成的潜变量空间更方便进行采样和插值研究,更有利于后续潜变量空间研究工作的开展。
参见图8,图8是本发明实施例提供的一种基于Glow网络的报告单编码模型生成系统10的结构框图。所述基于Glow网络的报告单编码模型生成系统10包括:
网络参数初始化模块11,用于初始化预先构建的初始训练模型中的网络参数;其中,所述初始训练模型为Glow网络模型,所述初始训练模型包括编码器,所述网络参数包括编码器参数;
一次循坏迭代模块12,用于根据第一预设循环次数使得所述初始训练模型进入一次循坏迭代;
损失值一次计算模块13,用于计算预设损失函数的损失值;
网络参数修正模块14,用于通过反向传播算法将所述损失值用于修正所述网络参数;
二次循坏迭代模块15,用于根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;
判断模块16,用于判断所述二次循环迭代是否达到所述第二预设循环次数;
编码模型生成模块17,用于当所述二次循环迭代达到所述第二预设循环次数时,对所述初始训练模型进行拆分,以在所述初始训练模型拆分出所述编码器作为编码模型;
损失值二次计算模块18,用于当所述二次循环迭代未达到所述第二预设循环次数时,重新计算所述损失函数的损失值。
值得说明的是,本发明实施例所述的基于Glow网络的报告单编码模型生成系统10用于生成编码模型,该编码模型能够对报告单中的数据进行编码,以完对所述报告单中的特征信息的分析。示例性的,所述报告单为患者的检测报告,所述报告单可以是电子版的报告单,或者由纸质版(医生/患者手写)的报告单经过机器自动识别后生成的电子版报告单,从而能够自动对报告单中的信息进行提取,进一步确定所述报告单中的就详细数据。值得说明的是,对所述报告单进行信息识别/提取的过程可参考现有技术中的数据处理过程,本发明对此不做具体限定。
所述初始训练模型为Glow网络模型,所述Glow网络模型为基于flow的流模型的一种代表。流模型的研究工作主要是简化和加速行列式的计算,主要通过分块耦合层来简化行列式的计算,通过不断的堆叠分块耦合层来提升模型的表达能力。
示例性的,所述编码器用于输入预先对报告单中的数据进行编码后的结果清单数据和服从均匀分布的噪声数据,以输出服从正态分布的所述结果清单数据的均值和方差;其中,所述报告单中的数据包括检测项目的名义变量和检测结果数据,所述名义变量包括所述检测项目的单位、所采用的试剂名称、在检测过程中所用到的检测设备名称中的至少一种。
具体的,对名义变量和检测结果数据进行编码的过程包括步骤S11~S15。
S11、获取检测项目中的名义变量,并根据所述名义变量的取值数量对所述名义变量进行编码。
根据预设的取值规则确定每一所述名义变量的取值数量;判断当前所述名义变量的取值数量是否大于或等于预设的取值数量阈值;若是,则采用哈希编码方式对所述名义变量进行编码;若否,则采用独热编码方式对所述名义变量进行编码。
S12、获取检测项目中的检测结果数据,并根据所述检测结果数据的类型对所述检测结果数据进行预处理。
当所述检测结果数据的类型为连续型数据时,对所述检测结果数据进行归一化处理;当所述检测结果数据的类型为离散型数据时,对所述检测结果数据进行在预设设定值内的空间等距编码处理。
S13、对进行完预处理后的所述检测结果数据进行编码。其中,编码方式有四种,分别为:矢量维度编码、时间维度编码、矩阵维度编码、张量维度编码。
方案一:矢量维度编码,将所述检测结果数据按照预设的检测项目横向排列;其中,当前未进行检测的检测项目对应的所述检测结果数据置空,且保留其在排列中的位置;检测项目即检测项目的在实验室的唯一标识,一般都是有序排列,方便程序编码结果写入和读回。
方案二:时间维度编码,按照生成所述检测结果数据的时间对所述检测结果数据进行排序。但需要剔除掉没有检测的结果项目。比如2000个检测项目,条码检测了7个,那么这个矢量里只有7个经过归一化/空间等距编码处理后的检测结果数据。
方案三:矩阵维度编码,对所述检测结果数据按照预设的排列规则进行排列;其中,所述预设的排列规则为根据所述检测结果数据所对应的检测项目的类别、科室和/或学科进行层级划分。具体的,主条码的检测结果数据按照二维表格方式排列。由于检测项目结果之间存在着相关性,二维表格的检测项目的排列是否合理有可能会阻碍神经网络对这些相关信息的提取,需要特别设计检测项目的排列规则。
方案四:张量维度编码,将所述检测结果数据按照预设的三维模型排序;其中,该三维模型以三维表格(张量)的方式呈现,所述三维模型包括若干个代表不同检测套餐的切片(通道),每一所述切片包括若干个所述检测结果数据。
S14、对编码后的所述检测结果数据进行随机打乱。
同一个主条码的报告单的分析结果不应该受到检测项目的排列的影响,即方案1~4中的排列顺序不应该影响整体的分析结果,因此允许编码后的数据在送入深度学习模型前是支持在不同的维度上做随机打乱的。比如方案2中,检测项目的顺序应该是可以随机调整,方案3中的学科可以左右随机打乱,方案4中的在切片维度(通道)上进行随机打乱,打乱前和打乱后的分析值可以保证其自洽性。
S15、合并编码后的名义变量、编码后的检测结果数据以及随机打乱的编码后的检测结果数据,以输出检测项目的编码结果。
具体的,参见图3,所述Glow网络模型的Encoder层由L个模块组成,zin代表本层的输入,每个模块的作用是对输入数据进行运算,然后将输出对半分为两份,一部分传入下一个模块,另一部分直接输出。本发明实施例中的L采用6层,如图3中所示的是一层的实例,L从1开始迭代到6,split2d的输出Z1连接到下层的输入zin,堆叠起来变成6层squeeze模块用来压缩多余的维度。
具体的,Encoder层中Revnet模块结构如图4所示,Revnet模块主要是进行单步flow运算,在输入数据之前进行尺度变换,然后打乱轴,并且进行分割,接着输入到耦合层中。如此训练K次,这里的K称为“深度”,这里采用了Glow中默认值32。Glow中使用了名为Actnorm的层来取代BN,主要使用如下公式(1)对Z进行缩放平移变换:
图4中的permute操作是指在分割操作之前都应该对变量进行某种打乱排列,以确保在充分的流程步骤之后,每个维度都可以影响其他每个维度。Glow中的耦合模块Coupling,主要运算过程如下公式(2)~(7)中所示,split代表分割操作,⊙代表点积运算。用s代表尺度缩放矩阵,t代表平移矩阵,concat代表矩阵连接操作。
z1,z2=split(z)公式(2);
(log s,t)=NN(z1)公式(3);
s=exp(log s)公式(4);
ya=s⊙z2+t公式(5);
yb=z1公式(6);
zin=concat(ya,yb)公式(7)。
如图5所示,非线性变换函数f使用神经网络来实现,它用了三层relu卷积,分别是3×3,1×1,3×3的卷积核,其中最后一层使用零初始化,这样就使得初始状态下输入输出一样,即初始状态为一个恒等变换,这有利于训练深层网络。
参见图6,split2d不在是对Z简单的分割,而是混合了对分割后的变换运算,并且分割只沿通道维度执行拆分。
参见图7,整个Glow网络通过堆叠多个Flow模型(Glow)最终实现结果清单数据到不同尺度的潜变量空间Z的映射。
具体的,整个网络模型的损失函数是优化pθ(x)的对数似然,具体公式如下,pθ(x)由两部分构成,第一部分是pθ(z)的对数似然,通过计算输出Z的平均平方和作为损失函数,可以间接提升pθ(z)概率。第二部分是流模型的行列式,目前主要由actnorm的变化,放射变换和1x1卷积运算的行列式加合计算得出。
log pθ(x)=log pθ(z)+log|det(df(x)/dx)|公式(8)。
示例性的,所述网络参数初始化模块11使用截断随机高斯初始化所述编码器参数。所述一次循坏迭代模块12将所述初始训练模型进行迭代循环,所述第一预设循环次数为n个epoch,n的具体取值为经验参数。所述损失值一次计算模块13读取训练集中的一个batch的结果清单数据到内存,计算预设损失函数的损失值,该预设损失函数即为上述公式(8)中的损失函数。所述网络参数修正模块14通过反向传播算法将所述损失值用于修正所述编码器参数。完成反向传播算法后,所述二次循坏迭代模块15将所述初始训练模型进行二次循环,直到迭代的次数达到第二预设循环次数。当所述判断模块16判定二次循环迭代达到第二预设循环次数时,所述编码模型生成模块17将训练好的所述初始训练模型冻结减枝,拆分出来的编码器即为最好的可用数据编码器模型,模型输入结果清单数据,输出编码后特征向量;当所述判断模块16判定二次循环迭代未达到第二预设循环次数时,所述损失值二次计算模块18重新计算所述损失函数的损失值。当需要生成结果清单数据时,可以采样z数据,将正向传播时的输出端作为输入端,就可以从原来的输入端得到输出的结果清单数据。
进一步的,所述系统还包括:网络参数调整模块19,用于使用随机梯度下降算法对所述初始训练模型进行网络参数优化调整。示例性的,所述随机梯度下降算法为SGD,学习率为0.0001。
与现有技术相比,本发明实施例所述的基于Glow网络的报告单编码模型生成系统10生成的编码模型能够学习到非线性的特征表示,有利于后续任务算法的效果的提升,采用无监督算法,操作方便,可以节省大量人力标注的成本。相对于自编码的特征学习的方法和自回归网络,流生成的模型能够直接优化估计潜变量空间中的概率分布,无论在编码阶段还是在解码阶段都有不错的性能。相对于GANs网络方法,流网络训练过程更加稳定,对于真实数据的分布的拟合效果会好过常见的对抗网络,流网络生成的潜变量空间更方便进行采样和插值研究,更有利于后续潜变量空间研究工作的开展。
参见图9,图9是本发明实施例提供的一种基于Glow网络的报告单编码模型生成设备20的结构框图。该实施例的基于Glow网络的报告单编码模型生成设备20包括:处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述基于Glow网络的报告单编码模型生成方法实施例中的步骤,例如图1所示的步骤S1~S7。或者,所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如网络参数初始化模块11。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器22中,并由所述处理器21执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于Glow网络的报告单编码模型生成设备20中的执行过程。例如,所述计算机程序可以被分割成网络参数初始化模块11、一次循坏迭代模块12、损失值计算模块13、网络参数修正模块14、二次循坏迭代模块15、判断模块16、编码模型生成模块17、损失值二次计算模块18和网络参数调整模块19,各模块具体功能请参考上述实施例所述的基于Glow网络的报告单编码模型生成系统10的具体工作过程,在此不再赘述。
所述基于Glow网络的报告单编码模型生成设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于Glow网络的报告单编码模型生成设备20可包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,所述示意图仅仅是基于Glow网络的报告单编码模型生成设备20的示例,并不构成对基于Glow网络的报告单编码模型生成设备20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于Glow网络的报告单编码模型生成设备20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器21也可以是任何常规的处理器等,所述处理器21是所述基于Glow网络的报告单编码模型生成设备20的控制中心,利用各种接口和线路连接整个基于Glow网络的报告单编码模型生成设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块,所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块,以及调用存储在存储器22内的数据,实现所述基于Glow网络的报告单编码模型生成设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述基于Glow网络的报告单编码模型生成设备20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器21执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于Glow网络的报告单编码模型生成方法,其特征在于,包括:
初始化预先构建的初始训练模型中的网络参数;其中,所述初始训练模型为Glow网络模型,所述初始训练模型包括编码器,所述网络参数包括编码器参数;
根据第一预设循环次数使得所述初始训练模型进入一次循坏迭代;
计算预设的损失函数的损失值;
通过反向传播算法将所述损失值用于修正所述网络参数;
根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;
判断所述二次循环迭代是否达到所述第二预设循环次数;
若是,对所述初始训练模型进行拆分,以在所述初始训练模型拆分出所述编码器作为编码模型;若否,重新计算所述损失函数的损失值。
2.如权利要求1所述的基于Glow网络的报告单编码模型生成方法,其特征在于,所述编码器用于输入预先对报告单中的数据进行编码后的结果清单数据和服从均匀分布的噪声数据,以输出服从正态分布的所述结果清单数据的均值和方差;其中,所述报告单中的数据包括检测项目的名义变量和检测结果数据,所述名义变量包括所述检测项目的单位、所采用的试剂名称、在检测过程中所用到的检测设备名称中的至少一种。
3.如权利要求1所述的基于Glow网络的报告单编码模型生成方法,其特征在于,所述方法还包括:
使用随机梯度下降算法对所述初始训练模型进行网络参数调整。
4.如权利要求1所述的基于Glow网络的报告单编码模型生成方法,其特征在于,所述初始化预先构建的初始训练模型中的网络参数,具体包括:
利用截断随机高斯初始化预先构建的初始训练模型中的网络参数。
5.一种基于Glow网络的报告单编码模型生成系统,其特征在于,包括:
网络参数初始化模块,用于初始化预先构建的初始训练模型中的网络参数;其中,所述初始训练模型为Glow网络模型,所述初始训练模型包括编码器,所述网络参数包括编码器参数;
一次循坏迭代模块,用于根据第一预设循环次数使得所述初始训练模型进入一次循坏迭代;
损失值一次计算模块,用于计算预设损失函数的损失值;
网络参数修正模块,用于通过反向传播算法将所述损失值用于修正所述网络参数;
二次循坏迭代模块,用于根据第二预设循环次数使得所述初始训练模型进入二次循坏迭代;
判断模块,用于判断所述二次循环迭代是否达到所述第二预设循环次数;
编码模型生成模块,用于当所述二次循环迭代达到所述第二预设循环次数时,对所述初始训练模型进行拆分,以在所述初始训练模型拆分出所述编码器作为编码模型;
损失值二次计算模块,用于当所述二次循环迭代未达到所述第二预设循环次数时,重新计算所述损失函数的损失值。
6.如权利要求5所述的基于Glow网络的报告单编码模型生成系统,其特征在于,所述编码器用于输入预先对报告单中的数据进行编码后的结果清单数据和服从均匀分布的噪声数据,以输出服从正态分布的所述结果清单数据的均值和方差;其中,所述报告单中的数据包括检测项目的名义变量和检测结果数据,所述名义变量包括所述检测项目的单位、所采用的试剂名称、在检测过程中所用到的检测设备名称中的至少一种。
7.如权利要求5所述的基于Glow网络的报告单编码模型生成系统,其特征在于,所述系统还包括:
网络参数调整模块,用于使用随机梯度下降算法对所述初始训练模型进行网络参数调整。
8.如权利要求5所述的基于Glow网络的报告单编码模型生成系统,其特征在于,所述网络参数初始化模块,具体用于:
利用截断随机高斯初始化预先构建的初始训练模型中的网络参数。
9.一种基于Glow网络的报告单编码模型生成设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的基于Glow网络的报告单编码模型生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的基于Glow网络的报告单编码模型生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242020.5A CN111613287B (zh) | 2020-03-31 | 2020-03-31 | 基于Glow网络的报告单编码模型生成方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242020.5A CN111613287B (zh) | 2020-03-31 | 2020-03-31 | 基于Glow网络的报告单编码模型生成方法、系统和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111613287A true CN111613287A (zh) | 2020-09-01 |
CN111613287B CN111613287B (zh) | 2023-08-04 |
Family
ID=72201502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010242020.5A Active CN111613287B (zh) | 2020-03-31 | 2020-03-31 | 基于Glow网络的报告单编码模型生成方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111613287B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735544A (zh) * | 2020-12-30 | 2021-04-30 | 杭州依图医疗技术有限公司 | 病历数据的处理方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114544A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Semi-Supervised Learning for Training an Ensemble of Deep Convolutional Neural Networks |
CN109784249A (zh) * | 2019-01-04 | 2019-05-21 | 华南理工大学 | 一种基于变分级联信息瓶颈的置乱人脸识别方法 |
CN110045419A (zh) * | 2019-05-21 | 2019-07-23 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
CN110110861A (zh) * | 2019-05-09 | 2019-08-09 | 北京市商汤科技开发有限公司 | 确定模型超参数及模型训练的方法和装置、存储介质 |
CN110135582A (zh) * | 2019-05-09 | 2019-08-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
CN110647916A (zh) * | 2019-08-23 | 2020-01-03 | 苏宁云计算有限公司 | 基于卷积神经网络的色情图片识别方法及装置 |
CN110689937A (zh) * | 2019-09-05 | 2020-01-14 | 郑州金域临床检验中心有限公司 | 编码模型训练方法、系统、设备及检测项目编码方法 |
CN110766070A (zh) * | 2019-10-22 | 2020-02-07 | 北京威信通信息技术股份有限公司 | 一种基于循环自编码器的稀少信号识别方法及装置 |
CN110910982A (zh) * | 2019-11-04 | 2020-03-24 | 广州金域医学检验中心有限公司 | 自编码模型训练方法、装置、设备及存储介质 |
-
2020
- 2020-03-31 CN CN202010242020.5A patent/CN111613287B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114544A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Semi-Supervised Learning for Training an Ensemble of Deep Convolutional Neural Networks |
CN109784249A (zh) * | 2019-01-04 | 2019-05-21 | 华南理工大学 | 一种基于变分级联信息瓶颈的置乱人脸识别方法 |
CN110110861A (zh) * | 2019-05-09 | 2019-08-09 | 北京市商汤科技开发有限公司 | 确定模型超参数及模型训练的方法和装置、存储介质 |
CN110135582A (zh) * | 2019-05-09 | 2019-08-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
CN110045419A (zh) * | 2019-05-21 | 2019-07-23 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
CN110263863A (zh) * | 2019-06-24 | 2019-09-20 | 南京农业大学 | 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法 |
CN110647916A (zh) * | 2019-08-23 | 2020-01-03 | 苏宁云计算有限公司 | 基于卷积神经网络的色情图片识别方法及装置 |
CN110689937A (zh) * | 2019-09-05 | 2020-01-14 | 郑州金域临床检验中心有限公司 | 编码模型训练方法、系统、设备及检测项目编码方法 |
CN110766070A (zh) * | 2019-10-22 | 2020-02-07 | 北京威信通信息技术股份有限公司 | 一种基于循环自编码器的稀少信号识别方法及装置 |
CN110910982A (zh) * | 2019-11-04 | 2020-03-24 | 广州金域医学检验中心有限公司 | 自编码模型训练方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735544A (zh) * | 2020-12-30 | 2021-04-30 | 杭州依图医疗技术有限公司 | 病历数据的处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111613287B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886388B (zh) | 一种基于变分自编码器的训练样本数据扩充方法和装置 | |
CN111599431A (zh) | 基于报告单的数据编码模型生成方法、系统和设备 | |
Ronellenfitsch et al. | Topological phenotypes constitute a new dimension in the phenotypic space of leaf venation networks | |
CN110910982A (zh) | 自编码模型训练方法、装置、设备及存储介质 | |
CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
CN111091603A (zh) | 一种超声成像方法、装置、可读存储介质及终端设备 | |
CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
CN109829478B (zh) | 一种基于变分自编码器的问题分类方法和装置 | |
CN112560964A (zh) | 基于半监督学习训练中草药病虫害识别模型的方法与系统 | |
CN111243736A (zh) | 一种生存风险评估方法及系统 | |
CN111489803B (zh) | 基于自回归模型的报告单编码模型生成方法、系统和设备 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN112836602A (zh) | 基于时空特征融合的行为识别方法、装置、设备及介质 | |
Schell et al. | Nonlinear independent component analysis for discrete-time and continuous-time signals | |
CN115859302A (zh) | 源代码漏洞检测方法、装置、设备及存储介质 | |
CN111613287A (zh) | 基于Glow网络的报告单编码模型生成方法、系统和设备 | |
Friz et al. | Unified signature cumulants and generalized Magnus expansions | |
CN113570391B (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN110689937A (zh) | 编码模型训练方法、系统、设备及检测项目编码方法 | |
CN112257332B (zh) | 一种仿真模型的评估方法及装置 | |
CN111414788B (zh) | 基于可变形u型网络的重叠染色体图像分割方法 | |
CN110188181B (zh) | 领域关键词确定方法、装置、电子设备和存储介质 | |
CN116844006A (zh) | 一种目标识别方法、装置、电子设备及可读存储介质 | |
CN111353860A (zh) | 产品信息推送方法及系统 | |
CN110970100A (zh) | 检测项目编码方法、装置、设备和计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 8 Lianhu Road, Wuhan Economic and Technological Development Zone, Hubei Province Applicant after: WUHAN KINGMED DIAGNOSTICS LABORATORY Co.,Ltd. Address before: Floor 2, 3 and 4, office building, No. 1977, Guanggu street, Changchun hi tech Development Zone, Jilin Province, 130000 Applicant before: WUHAN KINGMED DIAGNOSTICS LABORATORY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |