CN111882533A - 决策模型诊断方法、装置及计算机可读存储介质 - Google Patents
决策模型诊断方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111882533A CN111882533A CN202010683785.2A CN202010683785A CN111882533A CN 111882533 A CN111882533 A CN 111882533A CN 202010683785 A CN202010683785 A CN 202010683785A CN 111882533 A CN111882533 A CN 111882533A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- patient
- decision model
- treatment
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 42
- 230000014509 gene expression Effects 0.000 claims description 28
- 201000010099 disease Diseases 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000002405 diagnostic procedure Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003902 lesion Effects 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 201000002287 Keratoconus Diseases 0.000 description 17
- 238000007726 management method Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 7
- 210000001508 eye Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 208000029091 Refraction disease Diseases 0.000 description 6
- 230000004430 ametropia Effects 0.000 description 6
- 208000014733 refractive error Diseases 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 208000007623 Lordosis Diseases 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 210000004087 cornea Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 206010054760 Corneal thinning Diseases 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001045 lordotic effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000003560 epithelium corneal Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能领域，揭露了一种决策模型诊断方法，包括：利用预设诊疗知识库构建并训练诊疗决策模型；获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据；利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。此外，本发明还涉及区块链技术，其中，患者的隐私信息可存储于区块链中。本发明还提出一种决策模型诊断装置、电子设备以及计算机可读存储介质。本发明可以实现结合患者的信息数据，利用患者多模态影像数据得到患者具体的诊疗结果。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种决策模型诊断的方法、装置、电子设备及计算机可读存储介质。
背景技术
随着技术的发展，人工智能技术被广泛应用在基于医学影像的辅助诊断领域，通过卷积神经网络等算法模型可以大大提高影像病灶的识别能力，为提高医生的读片速度和水平提供帮助。目前，眼科相关的影像识别研究多集中于眼底彩照或眼底OCT两种模态，但是，市面上的影像识别工具通常只针对单个模态的影像，但圆锥角膜诊断和治疗通常需要联合多个模态的影像结果，才能做出准确判断，而目前尚缺乏利用多个模态的影像数据进行疾病诊疗的方案。
发明内容
本发明提供一种决策模型诊断方法、装置、电子设备及计算机可读存储介质，其主要目的在于结合患者的信息数据，利用患者多模态影像数据得到患者具体的诊疗结果。
为实现上述目的，本发明提供的一种决策模型诊断方法，包括：
利用预设诊疗知识库构建并训练诊疗决策模型；
获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据；
利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。
可选地，所述患者的信息数据存储于区块链中，该方法还包括对所述患者的信息数据进行标准化处理，其中，所述标准化处理包括：
对所述患者的信息数据进行重复数据清洗处理、缺失值填充处理、数据有效性验证处理以及异常数据删除处理。
可选地，所述异常数据删除处理包括：
计算所述患者的信息数据中每个数据的局部离群因子，将所述患者的信息数据中局部离群因子大于预设数值的数据删除。
可选地，所述局部离群因子通过下述公式计算得到：
其中，Nk(q)为所述患者的信息数据中与数据q的距离由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，lrdk(q)为数据q的局部可达密度，lrdk(p)为数据p的局部可达密度，LOFk(q)为所述数据q的局部离群因子。
可选地，所述利用预设诊疗知识库构建并训练诊疗决策模型，包括：
提取所述诊疗知识库中的预设类型信息，根据所述预设类型信息分析得到典型表现诊断规则和早期表现诊断规则，根据所述典型表现诊断规则和早期表现诊断规则，构建所述诊疗决策模型。
可选地，所述利用预设诊疗知识库构建并训练诊疗决策模型，包括：
利用所述诊疗决策模型根据历史患者的信息数据和病灶类型数据，对所述历史患者是否患有预设疾病类型进行诊断，得到诊断结果；
将所述诊断结果和医生做出的诊断结果进行比较，得到比较结果；
根据所述比较结果，计算所述诊疗决策模型的诊断正确率；
在所述诊断正确率小于预设阈值时，重新构建所述诊疗决策模型；
在所述诊断正确率大于或者等于所述预设阈值时，得到训练完成的诊疗决策模型。
可选地，所述利用所述诊疗决策模型根据历史的患者的信息数据和病灶类型数据，对所述患者是否患有预设疾病类型进行诊断，得到诊断结果，包括：
判断所述历史患者的信息数据和病灶类型数据是否符合典型表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述典型表现诊断规则，则确诊患者患有所述典型表现诊断规则对应疾病类型；
若所述历史患者的信息数据和病灶类型数据不符合所述典型表现诊断规则，则继续判断所述历史患者的信息数据和病灶类型数据是否符合早期表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述早期表现诊断规则，则根据符合的早期表现诊断规则预测患者患有的疾病类型。
为了解决上述问题，本发明还提供一种决策模型诊断装置，所述装置包括：
决策模型构建训练模块，用于利用预设诊疗知识库构建并训练诊疗决策模型；
影像数据处理模块，用于获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据；
信息数据处理及决策模型诊断模块，用于利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的决策模型诊断方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述所述的决策模型诊断方法。
本发明实施例中，利用预设诊疗知识库构建并训练诊疗决策模型，可以对多种预设疾病类型进行诊断；获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据，去除了患者影像数据中非特征数据的影响；利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果，对患者的信息数据进行标准化处理去除了异常数据对模型判断的影响；结合患者的信息数据，利用患者多模态影像数据得到患者具体的诊疗结果。
附图说明
图1为本发明一实施例提供的决策模型诊断方法的流程示意图；
图2为本发明一实施例提供的决策模型诊断装置的模块示意图；
图3为本发明一实施例提供的决策模型诊断方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的决策模型诊断方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述决策模型诊断方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
在本实施例中，所述决策模型诊断方法包括：
S1、利用预设诊疗知识库构建并训练诊疗决策模型。
本发明实施例中所述诊疗知识库包括诊断推荐知识库、治疗推荐知识库(用药推荐、手术治疗、物理治疗等)、转诊推荐知识库、风险评估知识库等。所述诊疗知识库的来源包括专业指南、专家知识、文献专著、行业规范等通用知识，也包括基于海量真实世界数据、大数据分析技术而建立的模型。
进一步地，本发明实施例提取所述诊疗知识库中的预设类型信息，根据所述预设类型信息分析得到典型表现诊断规则和早期表现诊断规则，根据所述典型表现诊断规则和早期表现诊断规则，构建所述诊疗决策模型。其中，所述典型表现诊断规则为预设疾病类型的典型表现，所述早期表现特征为预设疾病类型的早期表现。
详细地，本发明实施例还包括采用下述方法对所述诊疗决策模型进行训练：
利用所述诊疗决策模型根据历史患者的信息数据和病灶类型数据，对所述历史患者是否患有预设疾病类型进行诊断，得到诊断结果；
将所述诊断结果和医生做出的诊断结果进行比较，得到比较结果；
根据所述比较结果，计算所述诊疗决策模型的诊断正确率；
在所述诊断正确率小于预设阈值时，重新构建所述诊疗决策模型；
在所述诊断正确率大于或者等于所述预设阈值时，得到训练完成的诊疗决策模型。
详细地，所述利用所述诊疗决策模型根据历史的患者的信息数据和病灶类型数据，对所述患者是否患有预设疾病类型进行诊断，得到诊断结果，包括：
判断所述历史患者的信息数据和病灶类型数据是否符合典型表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述典型表现诊断规则，则确诊患者患有所述典型表现诊断规则对应疾病类型；
若所述历史患者的信息数据和病灶类型数据不符合所述典型表现诊断规则，则继续判断所述历史患者的信息数据和病灶类型数据是否符合早期表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述早期表现诊断规则，则根据符合的早期表现诊断规则预测患者患有的疾病类型。
本发明其中一个应用实例可以利用所述诊疗决策模型对患者是否患有圆锥角膜进行诊断，首先判断患者是否符合所述典型表现诊断规则，若患者符合所述典型表现诊断规则，则判断患者确诊圆锥角膜；若患者不符合所述典型表现诊断规则，则进一步利用早期表现诊断规则对患者进行疾病类型的诊断，根据患者不同的早期表现特征得到对应的诊断结果。因此，在上述所述圆锥角膜的诊断的应用实例中，所述诊疗决策模型中包括的典型表现诊断规则包括：Munson征(患者眼向下看时，下眼睑缘的弯度因前凸角膜的异常支撑而变畸形)、Fleisher环(在前凸的角膜锥底部的角膜上皮及基底内有铁质沉着，为一棕褐色环)、Vogt线(在角膜的中央区，见基质深板层皱褶增多而引起的数条混浊或半透明的白色细线，多为垂直状，还有的为水平状，在对眼球加压后，此线可消失)、角膜锥状前凸变薄(角膜呈明显锥状前凸,中央变薄)；所述早期表现诊断规则包括：屈光不正及后表面高度异常、角膜厚度异常、临床非炎症角膜变薄、对侧眼圆锥角膜。所述早期表现诊断规则包括：判断患者是否有屈光不正，若患者没有屈光不正，则患者排除罹患圆锥角膜的可能性；若患者有屈光不正，则判断患者的临床特征是否满足后表面高度异常、角膜厚度异常、临床非炎症角膜变薄3种临床特征中的一种或多种；若患者满足3种临床特征，则患者确诊圆锥角膜；若患者满足1或2种临床特征，则患者为疑似圆锥角膜；若患者不满足任何临床特征，则继续判断患者是否对侧眼已确诊圆锥角膜，若患者对侧眼已确诊圆锥角膜，则患者为疑似圆锥角膜；若患者对侧眼未确诊圆锥角膜，则患者排除罹患圆锥角膜的可能性。
S2、获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据。
本发明实施例中，所述多模态影像数据为患者圆锥角膜的相关影像，如OCT影像、角膜地形图等。
详细的，所述影像识别模型可以利用卷积神经模型构建，并利用大量的多模态影像数据为训练集，将医生标注过病灶类型的多模态影像数据作为标签集，对所述卷积神经网络模型进行训练，并当卷积神经网络的分类准确率达到预定阈值时，完成卷积神经网络模型的训练，得到所述影像识别模型。
进一步地，所述病灶类型包括：角膜上皮缺损、角膜上皮增厚、角膜变薄、角膜锥状前凸变薄、后表面高度异常。
S3、利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。
本发明实施例中所述患者的信息数据可以从医院的患者信息数据库中获取。
详细地，本发明实施例中所述患者的信息数据为患者病历信息及各项生理医学指标数据，例如：患者是否有屈光不正、角膜分布异常、对侧眼圆锥角膜等临床特征表现及体重、血压、心率、血氧含量等生理数据。
进一步地，由于所述患者的信息数据包含有异常的信息数据会影响所述诊疗决策模型的诊疗结果，所以本发明实施例对所述患者的信息数据进行标准化处理。需要强调的是，为进一步保证上述患者的信息数据的私密和安全性，上述患者的信息数据还可以存储于一区块链的节点中。
详细地，所述标准化处理包括：对所述患者的信息数据进行重复数据清洗处理、缺失值填充处理、数据有效性验证处理及异常数据删除处理。
其中，本发明所述重复数据是指相同属性的数据，例如：患者的信息数据中第一项为心率：72次，第四项为心率：68次；第一项和第四项都为心率的数据，则认为第一项数据与第四项数据重复。所述重复数据清洗处理为删除首次出现之后的其它同属性数据，例如：患者的信息数据中第一项为心率：72次，第四项为心率：68次，第九项为心率：69次，第一项、第二项、第九项数据都为心率数据，因为第一项心率数据是患者的信息数据中首次出现的心率数据，所以本发明实施例只保留第一项心率数据，把其他项的心率数据删除。
此外，所述患者的信息数据中存在某些指标数据缺失，不利于对患者的健康数据进行分析，所以需要对所述患者的信息数据进行缺失值填充处理。本发明实施例中所述缺失值填充处理可采用均值估算法处理，将所述患者的信息数据中的缺失值数据的前n项数据的均值作为缺失值进行填充。
进一步地，所述患者的信息数据中不同属性的数据都有正常取值范围，处于正常取值范围的数据为有效数据，超出正常取值范围内的数据为无效数据，所述数据有效性验证处理为删除无效数据，如：正常人心率取值范围为60～100次，若所述患者的信息数据中心率数据为150次，则该心率数据为无效数据，对该心率数据进行删除处理。
进一步地，所述异常数据为孤立有效数据。例如：心率数据一共有五组65次、66次、64次68次、95次都为有效数据，但95次与前四组心率数据差别过大为孤立数据，不具有统计学意义，视为异常数据。
较佳地，所述异常数据处理包括：计算所述患者的信息数据中每个数据的局部离群因子，将所述患者的信息数据中数据的局部离群因子大于预设数值的数据删除，其中所述局部离群因子越大则数据为孤立数据的可能性越高。
较佳地，所述预设数值可以设置为1。
详细地，在本发明实施例中，以本发明中数据q为例，所述数据q的局部离群因子LOFk(q)可采用下述方法计算得到：
其中，Nk(q)为所述患者的信息数据中与数据q的距离由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，lrdk(q)为数据q的局部可达密度，lrdk(p)为数据p的局部可达密度。
进一步地，所述数据q的局部可达密度lrdk(q)采用下述方法计算：
其中，Nk(q)为所述患者的信息数据中与数据q的距离由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，reach-distk(p，q)为p到q的可达距离。
本发明实施例中，利用预设诊疗知识库构建并训练诊疗决策模型，可以对多种预设疾病类型进行诊断；获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据，去除了患者影像数据中非特征数据的影响；利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果，对患者的信息数据进行标准化处理去除了异常数据对模型判断的影响；结合患者的信息数据，利用患者多模态影像数据得到患者具体的诊疗结果。
如图2所示，是本发明决策模型诊断装置的功能模块图。
本发明所述决策模型诊断装置100可以安装于电子设备中。根据实现的功能，所述决策模型诊断装置可以包括决策模型构建训练模块101、影像数据处理模块102、信息数据处理及决策模型诊断模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述决策模型构建训练模块101用于利用预设诊疗知识库构建并训练诊疗决策模型。
本发明实施例中所述诊疗知识库包括诊断推荐知识库、治疗推荐知识库(用药推荐、手术治疗、物理治疗等)、转诊推荐知识库、风险评估知识库等。所述诊疗知识库的来源包括专业指南、专家知识、文献专著、行业规范等通用知识，也包括基于海量真实世界数据、大数据分析技术而建立的模型。
进一步地，本发明实施例提取所述诊疗知识库中的预设类型信息，根据所述预设类型信息分析得到典型表现诊断规则和早期表现诊断规则，根据所述典型表现诊断规则和早期表现诊断规则，构建所述诊疗决策模型。其中，所述典型表现诊断规则为预设疾病类型的典型表现，所述早期表现特征为预设疾病类型的早期表现。
详细地，本发明实施例还包括采用下述方法对所述诊疗决策模型进行训练：
利用所述诊疗决策模型根据历史患者的信息数据和病灶类型数据，对所述历史患者是否患有预设疾病类型进行诊断，得到诊断结果；
将所述诊断结果和医生做出的诊断结果进行比较，得到比较结果；
根据所述比较结果，计算所述诊疗决策模型的诊断正确率；
在所述诊断正确率小于预设阈值时，重新构建所述诊疗决策模型；
在所述诊断正确率大于或者等于所述预设阈值时，得到训练完成的诊疗决策模型。
详细地，所述利用所述诊疗决策模型根据历史的患者的信息数据和病灶类型数据，对所述患者是否患有预设疾病类型进行诊断，得到诊断结果，包括：
判断所述历史患者的信息数据和病灶类型数据是否符合典型表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述典型表现诊断规则，则确诊患者患有所述典型表现诊断规则对应疾病类型；
若所述历史患者的信息数据和病灶类型数据不符合所述典型表现诊断规则，则继续判断所述历史患者的信息数据和病灶类型数据是否符合早期表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述早期表现诊断规则，则根据符合的早期表现诊断规则预测患者患有的疾病类型。
所述影像数据处理模块102用于获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据。
本发明实施例中，所述多模态影像数据为患者圆锥角膜的相关影像，如OCT影像、角膜地形图等。
详细的，所述影像识别模型可以利用卷积神经模型构建，并利用大量的多模态影像数据为训练集，将医生标注过病灶类型的多模态影像数据作为标签集，对所述卷积神经网络模型进行训练，并当卷积神经网络的分类准确率达到预定阈值时，完成卷积神经网络模型的训练，得到所述影像识别模型。
进一步地，所述病灶类型包括：角膜上皮缺损、角膜上皮增厚、角膜变薄、角膜锥状前凸变薄、后表面高度异常。
所述信息数据处理及决策模型诊断模块103用于利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。需要强调的是，为进一步保证上述患者的信息数据的私密和安全性，上述患者的信息数据还可以存储于一区块链的节点中。
本发明实施例中所述患者的信息数据可以从医院的患者信息信息数据库中获取。
详细地，本发明实施例中所述患者的信息数据为患者病历信息及各项生理医学指标数据，例如：患者是否有屈光不正、角膜分布异常、对侧眼圆锥角膜等临床特征表现及体重、血压、心率、血氧含量等生理数据。
进一步地，由于所述患者的信息数据包含有异常的信息数据会影响所述诊疗决策模型的诊疗结果，所以本发明实施例对所述患者的信息数据进行标准化处理。
详细地，所述标准化处理包括：对所述患者的信息数据进行重复数据清洗处理、缺失值填充处理、数据有效性验证处理及异常数据删除处理。
其中，本发明所述重复数据是指相同属性的数据，例如：患者的信息数据中第一项为心率：72次，第四项为心率：68次；第一项和第四项都为心率的数据，则认为第一项数据与第四项数据重复。所述重复数据清洗处理为删除首次出现之后的其它同属性数据，例如：患者的信息数据中第一项为心率：72次，第四项为心率：68次，第九项为心率：69次，第一项、第二项、第九项数据都为心率数据，因为第一项心率数据是患者的信息数据中首次出现的心率数据，所以本发明实施例只保留第一项心率数据，把其他项的心率数据删除。
此外，所述患者的信息数据中存在某些指标数据缺失，不利于对患者的健康数据进行分析，所以需要对所述患者的信息数据进行缺失值填充处理。本发明实施例中所述缺失值填充处理可采用均值估算法处理，将所述患者的信息数据中的缺失值数据的前n项数据的均值作为缺失值进行填充。
进一步地，所述患者的信息数据中不同属性的数据都有正常取值范围，处于正常取值范围的数据为有效数据，超出正常取值范围内的数据为无效数据，所述数据有效性验证处理为删除无效数据，如：正常人心率取值范围为60～100次，若所述患者的信息数据中心率数据为150次，则该心率数据为无效数据，对该心率数据进行删除处理。
进一步地，所述异常数据为孤立有效数据。例如：心率数据一共有五组65次、66次、64次68次、95次都为有效数据，但95次与前四组心率数据差别过大为孤立数据，不具有统计学意义，视为异常数据。
较佳地，所述异常数据处理包括：计算所述患者的信息数据中每个数据的局部离群因子，将所述患者的信息数据中数据的局部离群因子大于预设数值的数据删除，其中所述局部离群因子越大则数据为孤立数据的可能性越高。
较佳地，所述预设数值可以设置为1。
详细地，在本发明实施例中，以本发明中数据q为例，所述数据q的局部离群因子LOFk(q)可采用下述方法计算得到：
其中，Nk(q)为所述患者的信息数据中与数据q的距离由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，lrdk(q)为数据q的局部可达密度，lrdk(p)为数据p的局部可达密度。
进一步地，所述数据q的局部可达密度lrdk(q)采用下述方法计算：
其中，Nk(q)为所述患者的信息数据中与数据q的距离由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，reach-distk(p，q)为p到q的可达距离。
如图3所示，是本发明实现决策模型诊断方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如决策模型诊断程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如决策模型诊断程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如决策模型诊断程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。需要强调的是，为进一步保证上述患者的信息数据的私密和安全性，上述患者的信息数据还可以存储于一区块链的节点中。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的决策模型诊断程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
利用预设诊疗知识库构建并训练诊疗决策模型；
获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据；
利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图2对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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。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)。
所述计算机可读存储介质包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述的决策模型诊断方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种决策模型诊断方法，其特征在于，所述方法包括：
利用预设诊疗知识库构建并训练诊疗决策模型；
获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据；
利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。
2.如权利要求1所述的决策模型诊断方法，其特征在于，所述患者的信息数据存储于区块链中，该方法还包括对所述患者的信息数据进行标准化处理，其中，所述标准化处理包括：
对所述患者的信息数据进行重复数据清洗处理、缺失值填充处理、数据有效性验证处理以及异常数据删除处理。
3.如权利要求1所述的决策模型诊断方法，其特征在于，所述异常数据删除处理包括：
计算所述患者的信息数据中每个数据的局部离群因子，将所述患者的信息数据中局部离群因子大于预设数值的数据删除。
4.如权利要求3所述的决策模型诊断方法，其特征在于，所述局部离群因子通过下述公式计算得到：
其中，Nk(q)为所述患者的信息数据中与数据q的距离由近至远排列的第k个数据p与数据q的欧氏距离之内的数据的集合，lrdk(q)为数据q的局部可达密度，lrdk(p)为数据p的局部可达密度，LOFk(q)为所述数据q的局部离群因子。
5.如权利要求1所述的决策模型诊断方法，其特征在于，所述利用预设诊疗知识库构建并训练诊疗决策模型，包括：
提取所述诊疗知识库中的预设类型信息，根据所述预设类型信息分析得到典型表现诊断规则和早期表现诊断规则，根据所述典型表现诊断规则和早期表现诊断规则，构建所述诊疗决策模型。
6.如权利要求5所述的决策模型诊断方法，其特征在于，所述利用预设诊疗知识库构建并训练诊疗决策模型，还包括：
利用所述诊疗决策模型根据历史患者的信息数据和病灶类型数据，对所述历史患者是否患有预设疾病类型进行诊断，得到诊断结果；
将所述诊断结果和医生做出的诊断结果进行比较，得到比较结果；
根据所述比较结果，计算所述诊疗决策模型的诊断正确率；
在所述诊断正确率小于预设阈值时，重新构建所述诊疗决策模型；
在所述诊断正确率大于或者等于所述预设阈值时，得到训练完成的诊疗决策模型。
7.如权利要求6所述的决策模型诊断方法，其特征在于，所述利用所述诊疗决策模型根据历史患者的信息数据和病灶类型数据，对所述历史患者是否患有预设疾病类型进行诊断，得到诊断结果，包括：
判断所述历史患者的信息数据和病灶类型数据是否符合典型表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述典型表现诊断规则，则确诊患者患有所述典型表现诊断规则对应疾病类型；
若所述历史患者的信息数据和病灶类型数据不符合所述典型表现诊断规则，则继续判断所述历史患者的信息数据和病灶类型数据是否符合早期表现诊断规则；
若所述历史患者的信息数据和病灶类型数据符合所述早期表现诊断规则，则根据符合的早期表现诊断规则预测患者患有的疾病类型。
8.一种决策模型诊断装置，其特征在于，所述装置包括：
决策模型构建训练模块，用于利用预设诊疗知识库构建并训练诊疗决策模型；
影像数据处理模块，用于获取患者多模态影像数据，利用预先构建的影像识别模型对所述多模态影像数据进行识别分类，得到患者的病灶类型数据；
信息数据处理及决策模型诊断模块，用于利用所述诊疗决策模型，根据所述患者的信息数据及所述病灶类型数据，得到所述患者的诊疗结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的决策模型诊断方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的决策模型诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010683785.2A CN111882533A (zh) | 2020-07-15 | 2020-07-15 | 决策模型诊断方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010683785.2A CN111882533A (zh) | 2020-07-15 | 2020-07-15 | 决策模型诊断方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111882533A true CN111882533A (zh) | 2020-11-03 |
Family
ID=73155492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010683785.2A Pending CN111882533A (zh) | 2020-07-15 | 2020-07-15 | 决策模型诊断方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882533A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112687392A (zh) * | 2020-12-24 | 2021-04-20 | 深圳市智连众康科技有限公司 | 基于ai的智能脱发决策方法、装置及计算机可读存储介质 |
| CN113012821A (zh) * | 2021-03-18 | 2021-06-22 | 日照职业技术学院 | 基于机器学习的多模态康复诊疗云平台的实现方法 |
| CN113633304A (zh) * | 2021-06-28 | 2021-11-12 | 北京工业大学 | 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
| CN208210017U (zh) * | 2018-06-14 | 2018-12-07 | 诺雪（重庆）科技有限公司 | 一种基于区块链的患者数据监测设备及在线诊疗设备 |
| CN110111910A (zh) * | 2019-05-09 | 2019-08-09 | 中国人民解放军陆军军医大学第二附属医院 | 放疗患者智能随访管理及质量评价系统 |
| CN110634566A (zh) * | 2019-09-24 | 2019-12-31 | 成都成信高科信息技术有限公司 | 一种中医临床诊断数据处理系统及方法、信息数据处理终端 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
-
2020
- 2020-07-15 CN CN202010683785.2A patent/CN111882533A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
| CN208210017U (zh) * | 2018-06-14 | 2018-12-07 | 诺雪（重庆）科技有限公司 | 一种基于区块链的患者数据监测设备及在线诊疗设备 |
| CN110111910A (zh) * | 2019-05-09 | 2019-08-09 | 中国人民解放军陆军军医大学第二附属医院 | 放疗患者智能随访管理及质量评价系统 |
| CN110634566A (zh) * | 2019-09-24 | 2019-12-31 | 成都成信高科信息技术有限公司 | 一种中医临床诊断数据处理系统及方法、信息数据处理终端 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112687392A (zh) * | 2020-12-24 | 2021-04-20 | 深圳市智连众康科技有限公司 | 基于ai的智能脱发决策方法、装置及计算机可读存储介质 |
| CN113012821A (zh) * | 2021-03-18 | 2021-06-22 | 日照职业技术学院 | 基于机器学习的多模态康复诊疗云平台的实现方法 |
| CN113633304A (zh) * | 2021-06-28 | 2021-11-12 | 北京工业大学 | 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法 |
| CN113633304B (zh) * | 2021-06-28 | 2023-11-24 | 北京工业大学 | 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11410758B2 (en) | Medical scan artifact detection system | |
| US10722181B2 (en) | Systems, methods, and computer-readable media for using descriptors to identify when a subject is likely to have a dysmorphic feature | |
| CN111882533A (zh) | 决策模型诊断方法、装置及计算机可读存储介质 | |
| CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
| WO2021151291A1 (zh) | 疾病风险的分析方法、装置、电子设备及计算机存储介质 | |
| CN112465819A (zh) | 图像异常区域检测方法、装置、电子设备及存储介质 | |
| CN117238452B (zh) | 一种区域医学影像云及检查检验结果互认共享平台 | |
| US20200065967A1 (en) | Computer system, method, and program for diagnosing subject | |
| US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
| CN112435755A (zh) | 疾病分析方法、装置、电子设备及存储介质 | |
| CN114220541A (zh) | 疾病预测方法、装置、电子设备及存储介质 | |
| CN113744845A (zh) | 基于人工智能的医学影像处理方法、装置、设备及介质 | |
| WO2022247007A1 (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN116719891A (zh) | 中医信息分组聚类方法、装置、设备及计算机存储介质 | |
| CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
| CN114864094A (zh) | 重症监护室智能控制方法、设备及介质 | |
| CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
| CN111651652A (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN111986816B (zh) | 基于大数据分析的门诊病例的分组方法和装置 | |
| US20230238140A1 (en) | Addiction treatment and management | |
| CN114391806A (zh) | 疾病预警方法、装置、设备及存储介质 | |
| CN107169736A (zh) | 一种智能化考试申报系统 | |
| CN113674840A (zh) | 医学影像共享方法、装置、电子设备及存储介质 | |
| Tang et al. | Research on high-reliability intelligent-sensing health service support platform and key technologies based on Biometrics and blockchain security technology | |
| CN116993162A (zh) | 防黑产风控决策方法、装置、设备及存储介质 |
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 |