CN111653362A - 基于增量式神经网络模型的高血压肾病预测系统及方法 - Google Patents
基于增量式神经网络模型的高血压肾病预测系统及方法 Download PDFInfo
- Publication number
- CN111653362A CN111653362A CN202010515135.7A CN202010515135A CN111653362A CN 111653362 A CN111653362 A CN 111653362A CN 202010515135 A CN202010515135 A CN 202010515135A CN 111653362 A CN111653362 A CN 111653362A
- Authority
- CN
- China
- Prior art keywords
- module
- hypertensive nephropathy
- data
- image
- information
- 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.)
- Withdrawn
Links
- 206010055171 Hypertensive nephropathy Diseases 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 title claims abstract description 37
- 210000003734 kidney Anatomy 0.000 claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 238000012216 screening Methods 0.000 claims abstract description 58
- 210000002700 urine Anatomy 0.000 claims abstract description 36
- 230000036772 blood pressure Effects 0.000 claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 35
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 35
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 35
- 201000010099 disease Diseases 0.000 claims abstract description 34
- 208000017169 kidney disease Diseases 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000003902 lesion Effects 0.000 claims description 30
- 238000007726 management method Methods 0.000 claims description 24
- 230000024924 glomerular filtration Effects 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000001684 chronic effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000003907 kidney function Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 208000020832 chronic kidney disease Diseases 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 208000001647 Renal Insufficiency Diseases 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000028709 inflammatory response Effects 0.000 claims description 3
- 201000006370 kidney failure Diseases 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 description 9
- 230000001631 hypertensive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 208000007530 Essential hypertension Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 2
- 201000009925 nephrosclerosis Diseases 0.000 description 2
- 208000037157 Azotemia Diseases 0.000 description 1
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 206010029164 Nephrotic syndrome Diseases 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 239000002158 endotoxin Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 201000005857 malignant hypertension Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000009928 nephrosis Diseases 0.000 description 1
- 231100001027 nephrosis Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于肾病预测技术领域，公开了一种基于增量式神经网络模型的高血压肾病预测系统及方法，基于增量式神经网络模型的高血压肾病预测系统包括：肾脏影像采集模块、血压采集模块、尿蛋白采集模块、主控模块、影像增强模块、影像特征提取模块、指标对比模块、病症分析模块、病症预测模块、筛查模块、肾病监管模块、云存储模块、显示模块。本发明通过筛查模块提高高血压肾病筛查的效率；通过肾病监管模块不仅可以使患者根据适合自己的高血压肾病管理方案进行治疗，还可以尽可能早的筛选出潜在的高血压肾病患者，及时对潜在的高血压肾病患者给予合理的管理方案，从而达到降低高血压肾病患者人数的增长速度，减轻医保基金的负担的需求。
Description
技术领域
本发明属于肾病预测技术领域，尤其涉及一种基于增量式神经网络模型的高血压肾病预测系统及方法。
背景技术
目前，高血压肾病系原发性高血压引起的肾脏结构和功能损害，分为良性高血压肾硬化症和恶性高血压肾硬化症。前者是由于良性高血压(≥140/90毫米汞柱)长期作用于肾脏所致，后者指在原发性高血压基础上发展为恶性高血压(舒张压>130毫米汞柱)后引起的肾脏损害。高血压和肾损害如果同时存在，会互为因果，互相加重。肾脏本身用于过滤体内毒素，通过尿液排出多余的水和钠盐，同时防止蛋白，血细胞等漏出血管。高血压使得血管内血液压力增高，导致蛋白漏出至尿液里，蛋白一旦漏出会对肾脏的滤网系统造成破坏。高血压长久控制不佳，造成的结构破坏难以逆转，就会逐渐出现肾功能损害，甚至慢性肾衰竭，其最后严重的阶段为尿毒症。然而，现有基于增量式神经网络模型的高血压肾病预测系统对于高血压肾病的筛查通常由检查者主动去医院进行检查，效率低；同时对高血压肾病管理负担大，管理效果差。
综上所述，现有技术存在的问题及缺陷是：现有基于增量式神经网络模型的高血压肾病预测系统对于高血压肾病的筛查通常由检查者主动去医院进行检查，效率低；同时对高血压肾病管理负担大，管理效果差。
发明内容
针对现有技术存在的问题，本发明提供了一种基于增量式神经网络模型的高血压肾病预测系统及方法。
本发明是这样实现的，一种基于增量式神经网络模型的高血压肾病预测方法，所述基于增量式神经网络模型的高血压肾病预测方法包括以下步骤：
步骤一，通过肾脏影像采集模块利用B超机采集患者的原始肾脏影像数据，通过血压采集模块利用血压计采集患者的血压数据，并通过尿蛋白采集模块利用医疗设备采集患者的尿蛋白数据。
步骤二，通过主控模块利用主机控制所述基于增量式神经网络模型的高血压肾病预测系统各个模块的正常工作；通过影像增强模块利用非局部先验算法对原始肾脏影像进行计算处理，以得到第一幅融合影像。
步骤三，通过影像增强程序利用自动色阶算法对原始肾脏影像进行计算处理，以得到第二幅融合影像；将所述第一融合影像和所述第二融合影像以透射率图像为权重进行融合，以得到增强处理后的肾脏病变影像。
步骤四，通过影像特征提取模块利用特征提取程序提取增强处理后的肾脏病变影像特征；通过指标对比模块利用对比程序将提取的肾脏病变影像特征数据与正常指标进行对比。
步骤五，通过病症分析模块利用分析程序根据指标对比结果对患者高血压肾病进行分析，并生成分析报告；通过病症预测模块利用预测程序根据分析报告对患者高血压肾病进行预测。
步骤六，通过筛查模块利用模型构建程序构建高血压肾病模型，并获取待分析用户的个人信息；其中，所述个人信息包括待分析用户的地址信息和联系信息。
步骤七，根据所述地址信息查找预设检查中心信息，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息。
步骤八，向所述目标检查中心发送连接请求，若连接成功，则获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果。
步骤九，利用筛查程序根据所述分析结果对所述待分析用户进行分类，将当前类别对应的提醒方案通过所述联系信息发送至所述待分析用户，实现对高血压肾病的筛查。
步骤十，通过肾病监管模块利用大数据技术构建大数据分析模型，并获取待筛查人群中各待筛查对象的身体状况数据。
步骤十一，根据预存的国际疾病分类编码集合和样本数据，构建所述大数据分析模型；根据预存的大数据分析模型，对所述各待筛查对象的身体状况数据进行分析，筛选出患有高血压肾病的对象。
步骤十二，根据预存的高血压肾病分期标准和所述对象的身体状况数据，确定所述对象对应的慢性肾病分期；根据所述对象的身体状况数据和所述对象对应的高血压肾病分期，制定针对所述对象的高血压肾病管理方案。
步骤十三，利用监管程序将所述高血压肾病管理方案下发至所述对象的终端设备，以使所述对象根据所述慢性肾病管理方案进行诊疗，和/或将所述高血压肾病管理方案下发至医护人员的终端设备，以使所述医护人员根据所述高血压肾病管理方案对所述对象进行监测管理。
步骤十四，通过云存储模块利用云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果。
步骤十五，通过显示模块利用显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
进一步，步骤七中，所述根据所述地址信息查找预设检查中心信息，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息的方法，包括：
根据所述地址信息查找预设检查中心信息，判断所述联系信息是否合法；
在所述联系信息为合法时，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息。
进一步，步骤八中，所述预设参考信息包括肾小球滤过率信息；
所述获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果的方法，包括：
获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的肾小球滤过率信息，将所述肾小球滤过率信息与预设指标区域进行比较，判断所述肾小球滤过率信息所处的目标指标区域，将所述目标指标区域放入预设高血压肾病模型进行分析，得到分析结果。
进一步，所述获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果之前，所述方法还包括：
获取历史检查者的检查结果，提取所述检查结果中的历史肾小球滤过率信息和历史慢性肾病等级；
确定所述历史肾小球滤过率信息的历史指标区域，利用所述历史指标区域和所述历史高血压肾病等级生成高血压肾病特征数据，将所述高血压肾病特征数据放入卷积神经网络进行训练，根据训练结果生成所述预设高血压肾病模型。
进一步，步骤十一中，所述根据预存的国际疾病分类编码集合和样本数据，构建所述大数据分析模型的方法，包括：
根据预设的筛选规则，从样本数据中筛选出符合所述筛选规则的样本数据作为惩罚因子，构建惩罚函数；
利用统计平方公差法对所述惩罚函数进行残差平方和最小化计算，并在计算过程中以稀疏规则算子作为约束条件，剔除掉大于所述约束条件的残差平方和，得到回归模型；
根据预存的国际疾病分类编码集合和样本数据，对所述回归模型进行训练，得到所述大数据分析模型。
进一步，步骤十二中，所述根据所述对象的身体状况数据和所述对象对应的高血压肾病分期，制定针对所述对象的高血压肾病管理方案，包括：
根据所述对象对应的高血压肾病分期，确定所述对象面临的风险级别；
根据所述对象的身体状况数据和所述风险级别，制定针对所述对象的高血压肾病管理方案。
进一步，所述根据所述对象对应的高血压肾病分期，确定所述对象面临的风险级别的方法，包括：
若所述对象对应的高血压肾病分期为炎症反应期或肾功能代尝期，则确定所述对象面临的风险级别为第一风险级别；
若所述对象对应的高血压肾病分期为肾功能矢代尝期，则确定所述对象面临的风险级别为第二风险级别；
若所述对象对应的高血压肾病分期为肾衰竭期，则确定所述对象面临的风险级别为第三风险级别；
其中，所述第二风险级别的风险等级高于所述第一风险级别的风险等级，所述第三风险级别的风险等级高于所述第二风险级别的风险等级和所述第一风险级别的风险等级。
本发明的另一目的在于提供一种应用所述的基于增量式神经网络模型的高血压肾病预测方法的基于增量式神经网络模型的高血压肾病预测系统，所述基于增量式神经网络模型的高血压肾病预测系统包括：
肾脏影像采集模块，与主控模块连接，用于通过B超机采集患者的原始肾脏影像数据；
血压采集模块，与主控模块连接，用于通过血压计采集患者的血压数据；
尿蛋白采集模块，与主控模块连接，用于通过医疗设备采集患者的尿蛋白数据；
主控模块，与肾脏影像采集模块、血压采集模块、尿蛋白采集模块、影像增强模块、影像特征提取模块、指标对比模块、病症分析模块、病症预测模块、筛查模块、肾病监管模块、云存储模块、显示模块连接，用于通过主机控制所述基于增量式神经网络模型的高血压肾病预测系统各个模块的正常工作；
影像增强模块，与主控模块连接，用于通过影像增强程序对采集的原始肾脏影像进行增强处理；
影像特征提取模块，与主控模块连接，用于通过特征提取程序提取增强处理后的肾脏病变影像特征；
指标对比模块，与主控模块连接，用于通过对比程序将提取的肾脏病变影像特征数据与正常指标进行对比；
病症分析模块，与主控模块连接，用于通过分析程序根据指标对比结果对患者高血压肾病进行分析，并生成分析报告；
病症预测模块，与主控模块连接，用于通过预测程序根据分析报告对患者高血压肾病进行预测；
筛查模块，与主控模块连接，用于通过筛查程序对高血压肾病进行筛查；
肾病监管模块，与主控模块连接，用于通过监管程序对高血压肾病进行监测管理；
云存储模块，与主控模块连接，用于通过云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果；
显示模块，与主控模块连接，用于通过显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于增量式神经网络模型的高血压肾病预测方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于增量式神经网络模型的高血压肾病预测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过影像增强模块能够对原始肾脏影像数据进行增强处理，从而提高肾脏影像的清晰度与对比度。通过筛查模块获取待分析用户的地址信息和联系信息，根据所述地址信息查找就近的检查中心，将查找到的检查中心通过所述联系信息发送至检查者进行检查，并将检查结果放入预设高血压肾病模型进行分析，根据分析结果将对应的提醒方案进行推送，从而通过一整套的消息处理，提高高血压肾病筛查的效率；同时，通过肾病监管模块不仅可以使患者根据适合自己的高血压肾病管理方案进行治疗，还可以尽可能早的筛选出潜在的高血压肾病患者，及时对潜在的高血压肾病患者给予合理的管理方案，尽可能的阻止其发展为高血压肾病，从而达到降低高血压肾病患者人数的增长速度，减轻医保基金的负担的需求。
附图说明
图1是本发明实施例提供的基于增量式神经网络模型的高血压肾病预测方法流程图。
图2是本发明实施例提供的基于增量式神经网络模型的高血压肾病预测系统结构框图；
图中：1、肾脏影像采集模块；2、血压采集模块；3、尿蛋白采集模块；4、主控模块；5、影像增强模块；6、影像特征提取模块；7、指标对比模块；8、病症分析模块；9、病症预测模块；10、筛查模块；11、肾病监管模块；12、云存储模块；13、显示模块。
图3是本发明实施例提供的通过影像增强程序对采集的原始肾脏影像进行增强处理的方法流程图。
图4是本发明实施例提供的通过筛查程序对高血压肾病进行筛查的方法流程图。
图5是本发明实施例提供的通过监管程序对高血压肾病进行监测管理的方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的基于增量式神经网络模型的高血压肾病预测方法包括以下步骤：
S101，通过肾脏影像采集模块利用B超机采集患者的原始肾脏影像数据，通过血压采集模块利用血压计采集患者的血压数据，并通过尿蛋白采集模块利用医疗设备采集患者的尿蛋白数据。
S102，通过主控模块利用主机控制所述基于增量式神经网络模型的高血压肾病预测系统各个模块的正常工作。
S103，通过影像增强模块利用影像增强程序对采集的原始肾脏影像进行增强处理。
S104，通过影像特征提取模块利用特征提取程序提取增强处理后的肾脏病变影像特征。
S105，通过指标对比模块利用对比程序将提取的肾脏病变影像特征数据与正常指标进行对比。
S106，通过病症分析模块利用分析程序根据指标对比结果对患者高血压肾病进行分析，并生成分析报告。
S107，通过病症预测模块利用预测程序根据分析报告对患者高血压肾病进行预测。
S108，通过筛查模块利用筛查程序对高血压肾病进行筛查；通过肾病监管模块利用监管程序对高血压肾病进行监测管理。
S109，通过云存储模块利用云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果。
S110，通过显示模块利用显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
如图2所示，本发明实施例提供的基于增量式神经网络模型的高血压肾病预测系统包括：肾脏影像采集模块1、血压采集模块2、尿蛋白采集模块3、主控模块4、影像增强模块5、影像特征提取模块6、指标对比模块7、病症分析模块8、病症预测模块9、筛查模块10、肾病监管模块11、云存储模块12、显示模块13。
肾脏影像采集模块1，与主控模块4连接，用于通过B超机采集患者的原始肾脏影像数据；
血压采集模块2，与主控模块4连接，用于通过血压计采集患者的血压数据；
尿蛋白采集模块3，与主控模块4连接，用于通过医疗设备采集患者的尿蛋白数据；
主控模块4，与肾脏影像采集模块1、血压采集模块2、尿蛋白采集模块3、影像增强模块5、影像特征提取模块6、指标对比模块7、病症分析模块8、病症预测模块9、筛查模块10、肾病监管模块11、云存储模块12、显示模块13连接，用于通过主机控制所述基于增量式神经网络模型的高血压肾病预测系统各个模块的正常工作；
影像增强模块5，与主控模块4连接，用于通过影像增强程序对采集的原始肾脏影像进行增强处理；
影像特征提取模块6，与主控模块4连接，用于通过特征提取程序提取增强处理后的肾脏病变影像特征；
指标对比模块7，与主控模块4连接，用于通过对比程序将提取的肾脏病变影像特征数据与正常指标进行对比；
病症分析模块8，与主控模块4连接，用于通过分析程序根据指标对比结果对患者高血压肾病进行分析，并生成分析报告；
病症预测模块9，与主控模块4连接，用于通过预测程序根据分析报告对患者高血压肾病进行预测；
筛查模块10，与主控模块4连接，用于通过筛查程序对高血压肾病进行筛查；
肾病监管模块11，与主控模块4连接，用于通过监管程序对高血压肾病进行监测管理；
云存储模块12，与主控模块4连接，用于通过云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果；
显示模块13，与主控模块4连接，用于通过显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的基于增量式神经网络模型的高血压肾病预测方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的通过影像增强程序对采集的原始肾脏影像进行增强处理的方法包括：
S201，通过影像增强模块利用非局部先验算法对原始肾脏影像进行计算处理，以得到第一幅融合影像。
S202，通过影像增强程序利用自动色阶算法对原始肾脏影像进行计算处理，以得到第二幅融合影像。
S203，将所述第一融合影像和所述第二融合影像以透射率图像为权重进行融合，以得到增强处理后的肾脏病变影像。
实施例2
本发明实施例提供的基于增量式神经网络模型的高血压肾病预测方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的通过筛查程序对高血压肾病进行筛查的方法包括：
S301，通过筛查模块利用模型构建程序构建高血压肾病模型，并获取待分析用户的个人信息；所述个人信息包括待分析用户的地址信息和联系信息。
S302，根据所述地址信息查找预设检查中心信息，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息。
S303，向所述目标检查中心发送连接请求，若连接成功，则获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果。
S304，利用筛查程序根据所述分析结果对所述待分析用户进行分类，将当前类别对应的提醒方案通过所述联系信息发送至所述待分析用户，实现对高血压肾病的筛查。
本发明实施例提供的所述根据所述地址信息查找预设检查中心信息，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息的方法，包括：
根据所述地址信息查找预设检查中心信息，判断所述联系信息是否合法；
在所述联系信息为合法时，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息。
本发明实施例提供的所述预设参考信息包括肾小球滤过率信息；
所述获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果的方法，包括：
获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的肾小球滤过率信息，将所述肾小球滤过率信息与预设指标区域进行比较，判断所述肾小球滤过率信息所处的目标指标区域，将所述目标指标区域放入预设高血压肾病模型进行分析，得到分析结果。
本发明实施例提供的所述获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果之前，所述方法还包括：
获取历史检查者的检查结果，提取所述检查结果中的历史肾小球滤过率信息和历史慢性肾病等级；
确定所述历史肾小球滤过率信息的历史指标区域，利用所述历史指标区域和所述历史高血压肾病等级生成高血压肾病特征数据，将所述高血压肾病特征数据放入卷积神经网络进行训练，根据训练结果生成所述预设高血压肾病模型。
实施例3
本发明实施例提供的基于增量式神经网络模型的高血压肾病预测方法如图1所示，作为优选实施例，如图5所示，本发明实施例提供的通过监管程序对高血压肾病进行监测管理的方法包括：
S401，通过肾病监管模块利用大数据技术构建大数据分析模型，并获取待筛查人群中各待筛查对象的身体状况数据。
S402，根据预存的国际疾病分类编码集合和样本数据，构建所述大数据分析模型；根据预存的大数据分析模型，对所述各待筛查对象的身体状况数据进行分析，筛选出患有高血压肾病的对象。
S403，根据预存的高血压肾病分期标准和所述对象的身体状况数据，确定所述对象对应的慢性肾病分期；根据所述对象的身体状况数据和所述对象对应的高血压肾病分期，制定针对所述对象的高血压肾病管理方案。
S404，利用监管程序将所述高血压肾病管理方案下发至所述对象的终端设备，以使所述对象根据所述慢性肾病管理方案进行诊疗，和/或将所述高血压肾病管理方案下发至医护人员的终端设备，以使所述医护人员根据所述高血压肾病管理方案对所述对象进行监测管理。
本发明实施例提供的所述根据预存的国际疾病分类编码集合和样本数据，构建所述大数据分析模型的方法，包括：
根据预设的筛选规则，从样本数据中筛选出符合所述筛选规则的样本数据作为惩罚因子，构建惩罚函数；
利用统计平方公差法对所述惩罚函数进行残差平方和最小化计算，并在计算过程中以稀疏规则算子作为约束条件，剔除掉大于所述约束条件的残差平方和，得到回归模型；
根据预存的国际疾病分类编码集合和样本数据，对所述回归模型进行训练，得到所述大数据分析模型。
本发明实施例提供的所述根据所述对象的身体状况数据和所述对象对应的高血压肾病分期，制定针对所述对象的高血压肾病管理方案，包括：
根据所述对象对应的高血压肾病分期，确定所述对象面临的风险级别；
根据所述对象的身体状况数据和所述风险级别，制定针对所述对象的高血压肾病管理方案。
本发明实施例提供的所述根据所述对象对应的高血压肾病分期，确定所述对象面临的风险级别的方法，包括：
若所述对象对应的高血压肾病分期为炎症反应期或肾功能代尝期，则确定所述对象面临的风险级别为第一风险级别；
若所述对象对应的高血压肾病分期为肾功能矢代尝期，则确定所述对象面临的风险级别为第二风险级别；
若所述对象对应的高血压肾病分期为肾衰竭期，则确定所述对象面临的风险级别为第三风险级别；
其中，所述第二风险级别的风险等级高于所述第一风险级别的风险等级，所述第三风险级别的风险等级高于所述第二风险级别的风险等级和所述第一风险级别的风险等级。
本发明工作时，首先，通过肾脏影像采集模块1利用B超机采集患者肾脏影像数据；通过血压采集模块2利用血压计采集患者血压数据；通过尿蛋白采集模块3利用医疗设备采集患者尿蛋白数据；其次，主控模块4通过影像增强模块5利用影像增强程序对采集的肾脏影像进行增强处理；通过影像特征提取模块6利用特征提取程序提取肾脏病变影像特征；通过指标对比模块7利用对比程序对采集的数据与正常指标进行对比；通过病症分析模块8利用分析程序对患者高血压肾病进行分析；通过病症预测模块9利用预测程序根据采集的数据对患者高血压肾病进行预测；通过筛查模块10利用筛查程序对高血压肾病进行筛查；然后，通过肾病监管模块11利用监管程序对高血压肾病进行监测管理；通过云存储模块12利用云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果；最后，通过显示模块13利用显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于增量式神经网络模型的高血压肾病预测方法，其特征在于，所述基于增量式神经网络模型的高血压肾病预测方法包括以下步骤：
步骤一，通过肾脏影像采集模块利用B超机采集患者的原始肾脏影像数据，通过血压采集模块利用血压计采集患者的血压数据，并通过尿蛋白采集模块利用医疗设备采集患者的尿蛋白数据；
步骤二，通过主控模块利用主机控制所述基于增量式神经网络模型的高血压肾病预测系统各个模块的正常工作；通过影像增强模块利用非局部先验算法对原始肾脏影像进行计算处理，以得到第一幅融合影像；
步骤三，通过影像增强程序利用自动色阶算法对原始肾脏影像进行计算处理，以得到第二幅融合影像；将所述第一融合影像和所述第二融合影像以透射率图像为权重进行融合，以得到增强处理后的肾脏病变影像；
步骤四，通过影像特征提取模块利用特征提取程序提取增强处理后的肾脏病变影像特征；通过指标对比模块利用对比程序将提取的肾脏病变影像特征数据与正常指标进行对比；
步骤五，通过病症分析模块利用分析程序根据指标对比结果对患者高血压肾病进行分析，并生成分析报告；通过病症预测模块利用预测程序根据分析报告对患者高血压肾病进行预测；
步骤六，通过筛查模块利用模型构建程序构建高血压肾病模型，并获取待分析用户的个人信息；其中，所述个人信息包括待分析用户的地址信息和联系信息；
步骤七，根据所述地址信息查找预设检查中心信息，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息；
步骤八，向所述目标检查中心发送连接请求，若连接成功，则获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果；
步骤九，利用筛查程序根据所述分析结果对所述待分析用户进行分类，将当前类别对应的提醒方案通过所述联系信息发送至所述待分析用户，实现对高血压肾病的筛查；
步骤十，通过肾病监管模块利用大数据技术构建大数据分析模型，并获取待筛查人群中各待筛查对象的身体状况数据；
步骤十一，根据预存的国际疾病分类编码集合和样本数据，构建所述大数据分析模型；根据预存的大数据分析模型，对所述各待筛查对象的身体状况数据进行分析，筛选出患有高血压肾病的对象；
步骤十二，根据预存的高血压肾病分期标准和所述对象的身体状况数据，确定所述对象对应的慢性肾病分期；根据所述对象的身体状况数据和所述对象对应的高血压肾病分期，制定针对所述对象的高血压肾病管理方案；
步骤十三，利用监管程序将所述高血压肾病管理方案下发至所述对象的终端设备，以使所述对象根据所述慢性肾病管理方案进行诊疗，和/或将所述高血压肾病管理方案下发至医护人员的终端设备，以使所述医护人员根据所述高血压肾病管理方案对所述对象进行监测管理；
步骤十四，通过云存储模块利用云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果；
步骤十五，通过显示模块利用显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
2.如权利要求1所述的基于增量式神经网络模型的高血压肾病预测方法，其特征在于，步骤七中，所述根据所述地址信息查找预设检查中心信息，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息的方法，包括：
根据所述地址信息查找预设检查中心信息，判断所述联系信息是否合法；
在所述联系信息为合法时，将查找到的目标检查中心信息通过所述联系信息发送至所述待分析用户，以使所述待分析用户在目标检查中心完成检查，得到体检信息。
3.如权利要求1所述的基于增量式神经网络模型的高血压肾病预测方法，其特征在于，步骤八中，所述预设参考信息包括肾小球滤过率信息；
所述获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果的方法，包括：
获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的肾小球滤过率信息，将所述肾小球滤过率信息与预设指标区域进行比较，判断所述肾小球滤过率信息所处的目标指标区域，将所述目标指标区域放入预设高血压肾病模型进行分析，得到分析结果。
4.如权利要求3所述的基于增量式神经网络模型的高血压肾病预测方法，其特征在于，所述获取所述目标检查中心发送的所述体检信息，提取所述体检信息中的预设参考信息，将所述预设参考信息放入预设高血压肾病模型进行分析，得到分析结果之前，所述方法还包括：
获取历史检查者的检查结果，提取所述检查结果中的历史肾小球滤过率信息和历史慢性肾病等级；
确定所述历史肾小球滤过率信息的历史指标区域，利用所述历史指标区域和所述历史高血压肾病等级生成高血压肾病特征数据，将所述高血压肾病特征数据放入卷积神经网络进行训练，根据训练结果生成所述预设高血压肾病模型。
5.如权利要求1所述的基于增量式神经网络模型的高血压肾病预测方法，其特征在于，步骤十一中，所述根据预存的国际疾病分类编码集合和样本数据，构建所述大数据分析模型的方法，包括：
根据预设的筛选规则，从样本数据中筛选出符合所述筛选规则的样本数据作为惩罚因子，构建惩罚函数；
利用统计平方公差法对所述惩罚函数进行残差平方和最小化计算，并在计算过程中以稀疏规则算子作为约束条件，剔除掉大于所述约束条件的残差平方和，得到回归模型；
根据预存的国际疾病分类编码集合和样本数据，对所述回归模型进行训练，得到所述大数据分析模型。
6.如权利要求1所述的基于增量式神经网络模型的高血压肾病预测方法，其特征在于，步骤十二中，所述根据所述对象的身体状况数据和所述对象对应的高血压肾病分期，制定针对所述对象的高血压肾病管理方案，包括：
根据所述对象对应的高血压肾病分期，确定所述对象面临的风险级别；
根据所述对象的身体状况数据和所述风险级别，制定针对所述对象的高血压肾病管理方案。
7.如权利要求6所述的基于增量式神经网络模型的高血压肾病预测方法，其特征在于，所述根据所述对象对应的高血压肾病分期，确定所述对象面临的风险级别的方法，包括：
若所述对象对应的高血压肾病分期为炎症反应期或肾功能代尝期，则确定所述对象面临的风险级别为第一风险级别；
若所述对象对应的高血压肾病分期为肾功能矢代尝期，则确定所述对象面临的风险级别为第二风险级别；
若所述对象对应的高血压肾病分期为肾衰竭期，则确定所述对象面临的风险级别为第三风险级别；
其中，所述第二风险级别的风险等级高于所述第一风险级别的风险等级，所述第三风险级别的风险等级高于所述第二风险级别的风险等级和所述第一风险级别的风险等级。
8.一种应用如权利要求1～7任意一项所述的基于增量式神经网络模型的高血压肾病预测方法的基于增量式神经网络模型的高血压肾病预测系统，其特征在于，所述基于增量式神经网络模型的高血压肾病预测系统包括：
肾脏影像采集模块，与主控模块连接，用于通过B超机采集患者的原始肾脏影像数据；
血压采集模块，与主控模块连接，用于通过血压计采集患者的血压数据；
尿蛋白采集模块，与主控模块连接，用于通过医疗设备采集患者的尿蛋白数据；
主控模块，与肾脏影像采集模块、血压采集模块、尿蛋白采集模块、影像增强模块、影像特征提取模块、指标对比模块、病症分析模块、病症预测模块、筛查模块、肾病监管模块、云存储模块、显示模块连接，用于通过主机控制所述基于增量式神经网络模型的高血压肾病预测系统各个模块的正常工作；
影像增强模块，与主控模块连接，用于通过影像增强程序对采集的原始肾脏影像进行增强处理；
影像特征提取模块，与主控模块连接，用于通过特征提取程序提取增强处理后的肾脏病变影像特征；
指标对比模块，与主控模块连接，用于通过对比程序将提取的肾脏病变影像特征数据与正常指标进行对比；
病症分析模块，与主控模块连接，用于通过分析程序根据指标对比结果对患者高血压肾病进行分析，并生成分析报告；
病症预测模块，与主控模块连接，用于通过预测程序根据分析报告对患者高血压肾病进行预测；
筛查模块，与主控模块连接，用于通过筛查程序对高血压肾病进行筛查；
肾病监管模块，与主控模块连接，用于通过监管程序对高血压肾病进行监测管理；
云存储模块，与主控模块连接，用于通过云数据库服务器存储采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果；
显示模块，与主控模块连接，用于通过显示器显示采集的原始肾脏影像数据、血压数据、尿蛋白数据、肾脏病变影像特征、指标对比结果、分析报告、预测结果以及筛查结果的实时数据。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项所述的基于增量式神经网络模型的高血压肾病预测方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的基于增量式神经网络模型的高血压肾病预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515135.7A CN111653362A (zh) | 2020-06-08 | 2020-06-08 | 基于增量式神经网络模型的高血压肾病预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515135.7A CN111653362A (zh) | 2020-06-08 | 2020-06-08 | 基于增量式神经网络模型的高血压肾病预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111653362A true CN111653362A (zh) | 2020-09-11 |
Family
ID=72350492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010515135.7A Withdrawn CN111653362A (zh) | 2020-06-08 | 2020-06-08 | 基于增量式神经网络模型的高血压肾病预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111653362A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240000A (zh) * | 2022-07-22 | 2022-10-25 | 司法鉴定科学研究院 | 一种用于法医鉴定的糖尿病检测装置及方法 |
| CN115831370A (zh) * | 2023-02-13 | 2023-03-21 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种多步骤检验同步整合分析的肾脏病风险预测系统 |
-
2020
- 2020-06-08 CN CN202010515135.7A patent/CN111653362A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240000A (zh) * | 2022-07-22 | 2022-10-25 | 司法鉴定科学研究院 | 一种用于法医鉴定的糖尿病检测装置及方法 |
| CN115240000B (zh) * | 2022-07-22 | 2023-05-02 | 司法鉴定科学研究院 | 一种用于法医鉴定的糖尿病检测装置及方法 |
| CN115831370A (zh) * | 2023-02-13 | 2023-03-21 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种多步骤检验同步整合分析的肾脏病风险预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | Identification of glomerular lesions and intrinsic glomerular cell types in kidney diseases via deep learning | |
| KR102498686B1 (ko) | 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들 | |
| CN103440421A (zh) | 医学数据处理方法和系统 | |
| CN111653362A (zh) | 基于增量式神经网络模型的高血压肾病预测系统及方法 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
| KR20230021665A (ko) | 디지털 병리학에서 현저한 정보를 결정하기 위해 전자 이미지들을 처리하는 시스템들 및 방법들 | |
| CN114582496A (zh) | 一种常见妇科疾病预测模型构建方法和预测系统 | |
| CN117373624B (zh) | 一种智能医保控费方法与系统 | |
| CN116936117A (zh) | 基于ai分析模型的慢性病大数据识别和分析处理方法 | |
| CN112802606A (zh) | 数据筛选模型建立及数据筛选方法、装置、设备和介质 | |
| CN116978527A (zh) | 基于dip的医院数据分析方法及装置 | |
| Vasilescu et al. | A deep learning approach for improved segmentation of lesions related to covid-19 chest ct scans | |
| CN111626876A (zh) | 保险审核方法、保险审核装置、电子设备、存储介质 | |
| JP7278256B2 (ja) | 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法 | |
| CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
| CN114496259A (zh) | 一种甲状腺微小癌大量淋巴结转移预测方法及系统 | |
| CN115376692A (zh) | 一种健康数据的处理方法、装置、电子设备及存储介质 | |
| CN112420190A (zh) | 一种人工智能辅助诊疗系统及其构建方法 | |
| CN111599427A (zh) | 一种一元化诊断的推荐方法、装置、电子设备及存储介质 | |
| CN117116472B (zh) | 医学诊断装置、电子设备及存储介质 | |
| CN116308585A (zh) | 医疗费用监测方法、装置、电子设备和存储介质 | |
| CN118398246A (zh) | 一种基于人工智能的患者随访方法、装置、终端及介质 | |
| CN114334043A (zh) | 基于医保的对诊疗关键路径监测方法及装置 | |
| CN117637169A (zh) | 一种基于互联网的老年综合评估系统及评估方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200911 |