CN112002410A - 传染病疾病状态预测方法及装置、存储介质、电子设备 - Google Patents
传染病疾病状态预测方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN112002410A CN112002410A CN202010841563.9A CN202010841563A CN112002410A CN 112002410 A CN112002410 A CN 112002410A CN 202010841563 A CN202010841563 A CN 202010841563A CN 112002410 A CN112002410 A CN 112002410A
- Authority
- CN
- China
- Prior art keywords
- data
- detection data
- infectious disease
- disease state
- term memory
- 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
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
- G16H50/20—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
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开属于数据处理技术领域,涉及一种传染病疾病状态预测方法及装置、存储介质、电子设备。该方法包括:获取传染病患者在预设时间段内的历史检测数据,并利用历史检测数据构建在预设时间段内的时序数据;计算历史检测数据的重要度,并计算历史检测数据的标准互信息;利用重要度和标准互信息在时序数据中确定目标检测数据,并重构目标检测数据得到待预测数据;将待预测数据输入至双向长短期记忆网络模型,以使双向长短期记忆网络模型输出传染病患者的疾病状态概率。本公开保留了检测数据的动态变化信息,保证了对疾病状态概率预估的准确性和高效性,发挥了长短期记忆网络模型的稳定性,为医护人员的医疗决策提供了强有力的保障。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种传染病疾病状态预测方法与传染病疾病状态预测装置、计算机可读存储介质及电子设备。
背景技术
由于以新冠肺炎为例的传染病具有一定的特殊性,传染病患者基本靠免疫力自愈。但是,当传染病患者进入重症阶段,免疫力很难再通过药物恢复,传染病患者也会进入危险的境地。常规的计算传染病患者转重症的概率模型是选取某一天的传染病患者的信息进行分析和建模,以整合得到传染病患者转重症的概率。除此之外,也可以应用常规的时序分析得到患者转重症的概率。
但是,常规的转重症概率模型无法考虑到传染病患者动态的指标变化,缺乏时序信息也无法保证有更为精准的概率预估;而时序分析方式未经处理或增强,不容易学习出传染病患者转重症的规律,且预测效果较差。
鉴于此,本领域亟需开发一种新的传染病疾病状态预测方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种传染病疾病状态预测方法、传染病疾病状态预测装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服由于相关技术的限制而导致的转重症概率预估不准确的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种传染病疾病状态预测方法,所述方法包括:获取传染病患者在预设时间段内的历史检测数据,并利用所述历史检测数据构建在所述预设时间段内的时序数据;
计算所述历史检测数据的重要度,并计算所述历史检测数据的标准互信息;
利用所述重要度和所述标准互信息在所述时序数据中确定目标检测数据,并重构所述目标检测数据得到待预测数据;
将所述待预测数据输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
在本公开的一种示例性实施例中,所述将所述待预测数据输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率,包括:
将所述待预测数据输入至注意力机制,以使所述注意力机制输出数据向量;
将所述数据向量输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
在本公开的一种示例性实施例中,所述将所述数据向量输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率,包括:
获取与所述数据向量对应的向量权重;其中,所述向量权重与所述预设时间段内的日期对应;
将所述数据向量和所述向量权重输入至所述双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
在本公开的一种示例性实施例中,所述将所述数据向量和所述向量权重输入至所述双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率,包括:
将所述数据向量和所述向量权重输入至多个双向长短期记忆网络模型,以使所述多个双向长短期记忆网络模型输出多个预测状态概率;
计算所述多个预测状态概率平均值,并确定所述平均值为所述传染病患者的疾病状态概率。
在本公开的一种示例性实施例中,所述重构所述目标检测数据得到待预测数据,包括:
在所述预设时间段内确定目标日期以及与所述目标日期对应的前一日期和后一日期;
在所述目标检测数据中获取与所述目标日期、所述前一日期和所述后一日期对应的三组检测数据;
将所述三组检测数据确定为所述目标日期的重构检测数据,以根据所述重构检测数据确定与所述预设时间段对应的待预测数据。
在本公开的一种示例性实施例中,所述利用所述重要度和所述标准互信息在所述时序数据中确定目标检测数据,包括:
对所述重要度进行排序得到重要度排序结果,并对所述标准互信息进行排序得到信息排序结果;
获取所述重要度排序结果与所述信息排序结果的交集,并确定与所述交集对应的所述时序数据为目标检测数据。
在本公开的一种示例性实施例中,所述计算所述历史检测数据的重要度,包括:
将所述历史检测数据输入至训练好的梯度提升回归树模型中,以使所述梯度提升回归树模型输出所述历史检测数据的重要度。
根据本公开的一个方面,提供一种传染病疾病状态预测装置,所述装置包括:数据获取模块,被配置为获取传染病患者在预设时间段内的历史检测数据,并利用所述历史检测数据构建在所述预设时间段内的时序数据;
数据计算模块,被配置为计算所述历史检测数据的重要度,并计算所述历史检测数据的标准互信息;
数据重构模块,被配置为利用所述重要度和所述标准互信息在所述时序数据中确定目标检测数据,并重构所述目标检测数据得到待预测数据;
概率输出模块,被配置为将所述待预测数据输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
根据本公开的一个方面,提供一种电子设备,包括:处理器和存储器;其中,存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的传染病疾病状态预测方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意示例性实施例中的传染病疾病状态预测方法。
由上述技术方案可知,本公开示例性实施例中的传染病疾病状态预测方法、传染病疾病状态预测装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的示例性实施例提供的方法及装置中,通过对历史检测数据的计算可以重构出待预测数据,并进一步根据待预测数据预测出传染病患者的疾病状态概率。一方面,对历史检测数据进行重构和增强,保留了传染病患者检测数据的动态变化信息,保证了对疾病状态概率预估的准确性和高效性;另一方面,利用双向长短期记忆网络模型进行预估,发挥了长短期记忆网络模型的稳定性,减少了由于随机产生的偏移,为医护人员做出正确的医疗决策提供了强有力的保障。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种传染病疾病状态预测方法的流程示意图;
图2示意性示出本公开示例性实施例中确定目标检测数据的方法的流程示意图;
图3示意性示出本公开示例性实施例中重构目标检测数据得到待预测数据的方法的流程示意图;
图4示意性示出本公开示例性实施例中将待预测数据输入至双向长短期记忆网络模型的方法的流程示意图;
图5示意性示出本公开示例性实施例中获取向量权重的方法的流程示意图;
图6示意性示出本公开示例性实施例中得到疾病状态概率的方法的流程示意图;
图7示意性示出本公开示例性实施例中应用场景下传染病疾病状态预测方法的流程示意图;
图8示意性示出本公开示例性实施例中双向长短期记忆网络模型的单个细胞的结构示意图;
图9示意性示出本公开示例性实施例中一种传染病疾病状态预测装置的结构示意图;
图10示意性示出本公开示例性实施例中一种用于实现传染病疾病状态预测方法的电子设备;
图11示意性示出本公开示例性实施例中一种用于实现传染病疾病状态预测方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
针对相关技术中存在的问题,本公开提出了一种传染病疾病状态预测方法。图1示出了传染病疾病状态预测方法的流程图,如图1所示,传染病疾病状态预测方法至少包括以下步骤:
步骤S110.获取传染病患者在预设时间段内的历史检测数据,并利用历史检测数据构建在预设时间段内的时序数据。
步骤S120.计算历史检测数据的重要度,并计算历史检测数据的标准互信息。
步骤S130.利用重要度和标准互信息在时序数据中确定目标检测数据,并重构目标检测数据得到待预测数据。
步骤S140.将待预测数据输入至双向长短期记忆网络模型,以使双向长短期记忆网络模型输出传染病患者的疾病状态概率。
在本公开的示例性实施例中,通过对历史检测数据的计算可以重构出待预测数据,并进一步根据待预测数据预测出传染病患者的疾病状态概率。一方面,对历史检测数据进行重构和增强,保留了传染病患者检测数据的动态变化信息,保证了对疾病状态概率预估的准确性和高效性;另一方面,利用双向长短期记忆网络模型进行预估,发挥了长短期记忆网络模型的稳定性,减少了由于随机产生的偏移,为医护人员做出争取的医疗决策提供了强有力的保障。
下面对传染病疾病状态预测方法的各个步骤进行详细说明。
在步骤S110中,获取传染病患者在预设时间段内的历史检测数据,并利用历史检测数据构建在预设时间段内的时序数据。
在本公开的示例性实施例中,举例而言,传染病患者可以是确诊的新冠肺炎患者,该预设时间段的时长可以是7天,也可以是其他时长的时间段,本示例性实施例对此不做特殊限定。
针对新冠肺炎患者,历史检测数据可以是与新冠肺炎相关的检测项目的结果数值。举例而言,历史检测数据可以包括痰/咽拭的核酸检查、血常规、尿常规、血气分析、肝肾功能、降钙素原、肌酸激酶、肌红蛋白、凝血及胸部电子计算机断层扫描(ComputedTomography,简称CT)等的检测结果数据。若传染病患者患有其他传染病种类,历史检测数据也可以是与该传染病的检测项目对应检测结果数据,本示例性实施例对此不做特殊限定。
因此,获取到的历史检测数据可以是新冠肺炎患者在7天内每天的检测数据。
进一步的,可以根据历史检测数据构建对应的时序数据。该时序数据可以是以天为单位的传染病患者的检测数据,用以反映传染病患者检测数据的动态变化情况。
针对不同疾病状态的传染病患者可以构建不同天数的时序数据。举例而言,若该传染病患者是重症患者,可以抽取确诊重症当日的前7天的历史检测数据构建时序数据;若该传染病患者是轻症患者,可以抽取最近7天的历史检测数据构建时序数据。
同时考虑到医学特征的特异性,当后续时间点的历史检测数据为空值时,可以向前继承之前的历史检测数据。
举例而言,若今日缺少尿常规的检测数据,可以继承昨天的尿常规的检测数据,以得到7天内全部的历史检测数据作为时序数据。
而对于不足7天的时序数据可以将第1天的检测数据向前复制。
举例而言,若只检测到传染病患者在4天的历史检测数据,可以将检测第1天的检测数据向前复制3天,以得到7天的时序数据。
在步骤S120中,计算历史检测数据的重要度,并计算历史检测数据的标准互信息。
在本公开的示例性实施例中,可以进一步计算历史检测数据的目标重要度和标准互信息。
在可选的实施例中,将历史检测数据输入到训练好的梯度提升回归树模型中,以使梯度提升回归树模型输出历史检测数据的重要度。
梯度提升回归树(Gradient Boost Regression Tree,简称GBRT)模型的核心思想是利用损失函数的负梯度在当前模型的值作为残差的近似值,本质上是对损失函数进行一阶泰勒展开,从而拟合一个回归树。可以看出,该梯度提升回归树模型是一种集成方法,通过合并多个决策树来构建一个更为强大的模型。
在本实施例中,通过将历史检测数据输入到训练好的梯度提升回归树模型中,可以获得每个输入的历史检测数据在梯度提升回归树模型中单棵树的重要度的均值,并将该均值确定为该历史检测数据的重要度。
除此之外,还可以利用随机森林模型或者支持向量机等计算历史检测数据的重要度,本示例性实施例对此不做特殊限定。
在本示例性实施例中,利用梯度提升回归树计算历史检测数据的重要度,可以考虑到历史检测数据的离散性和相互影响关系,能够更精准的计算重要度数值。
但是仅通过梯度提升回归树模型是有局限性的,尤其是在历史检测数据不够充分的情况下,梯度提升回归树模型无法很好的学习出历史检测数据的重要程度。因此,还可以计算历史检测数据的标准互信息。
标准互信息(Normalized Mutual Information,简称NMI)可以判断历史检测数据的稳定性和相关性。在历史检测数据中计算每个检测数据的标准互信息,该标准互信息的取值范围在0~1之间。标准互信息越大,表明该检测数据与疾病状态的相关性越大。
在步骤S130中,利用重要度和标准互信息在时序数据中确定目标检测数据,并重构目标检测数据得到待预测数据。
在本公开的示例性实施例中,根据重要度和标准互信息可以在时序数据中确定目标检测数据。
在可选的实施例中,图2示出了确定目标检测数据的方法的流程示意图,如图2所示,该方法至少包括以下步骤:在步骤S210中,对重要度进行排序得到重要度排序结果,并对标准互信息进行排序得到信息排序结果。
具体的,对重要度的排序方式可以是按照从小到大的方式进行排序,也可以按照从大到小的方式进行排序,本示例性实施例对此不做特殊限定。排序之后可以得到重要度排序结果。
同样的,对标准互信息的排序方式可以按照从小到大的方式,也可以按照从大到小的方式,本示例性实施例对此不做特殊限定。排序之后可以得到信息排序结果。
在步骤S220中,获取重要度排序结果与信息排序结果的交集,并确定与交集对应的时序数据为目标检测数据。
在得到重要度排序结果和信息排序结果之后,可以获取两个排序结果中的交集。进一步的,可以确定与交集对应的时序数据为目标检测数据。
值得说明的是,为了更加能够反映出疾病状态,可以确定交集对应的前10个时序数据为目标检测数据。除此之外,也可以是其他数目的目标检测数据,本示例性实施例对此不做特殊限定。
在本示例性实施例中,通过重要度和标准互信息可以筛选出时序数据中的目标检测数据,筛选方式简单且准确,可以为后续预测疾病状态概率提供精准的数据基础。
在确定目标检测数据之后,还可以进一步对目标检测数据进行重构。
在可选的实施例中,图3示出了重构目标检测数据得到待预测数据的方法的流程示意图,如图3所示,该方法至少包括以下步骤:在步骤S310中,在预设时间段内确定目标日期以及与目标日期对应的前一日期和后一日期。
举例而言,当目标日期为预设时间段内的第2天时,可以确定第1天为前一日期,第3天为后一日期。
但是当预设时间段为7天时,第1天没有对应的前一日期,且第7天没有对应的后一日期,因此可以剔除这两天作为目标日期的情况。除此之外,也可以根据实际情况有其他处理方式,本示例性实施例对此不做特殊限定。
在步骤S320中,在目标检测数据中获取与目标日期、前一日期和后一日期对应的三组检测数据。
当确定目标日期、前一日期和后一日期之后,可以获取对应日期的目标检测数据,因此可以得到三个日期的目标检测数据的组合,亦即三组检测数据。
在步骤S330中,将三组检测数据确定为目标日期的重构检测数据,以根据重构检测数据确定与预设时间段对应的待预测数据。
当得到三组检测数据之后,可以确定该三组检测数据为目标日期的重构检测数据。
按照同样的方式获取第3天、第4天、第5天和第6天的重构检测数据,就可以得到与预设时间段对应的待预测数据。
具体的,可以参考表1:
表1
可以看出,第1天和第7天无对应的重构检测数据,第2天的重构检测数据为第1、2、3天的三组检测数据,第3天的重构检测数据为第2、3、4天的三组检测数据,第4天的重构检测数据为第3、4、5天的三组检测数据,第5天的重构检测数据为第4、5、6天的三组检测数据,第6天的重构检测数据为第5、6、7天的三组检测数据。
因此,与预设时间段对应的待预测数据为5天的重组检测数据。该待预测数据包含了连续5天的10维3组数据。
在本示例性实施例中,对目标检测数据进行重构得到待预测数据,可以反映检测数据的动态变化情况,以进一步达到对疾病状态的精准预估。
在步骤S140中,将待预测数据输入至双向长短期记忆网络模型,以使双向长短期记忆网络模型输出传染病患者的疾病状态概率。
在本公开的示例性实施例中,根据重构得到的待预测数据可以确定传染病患者的疾病状态概率。
在可选的实施例中,图4示出了将待预测数据输入至双向长短期记忆网络模型的方法的流程示意图,如图4所示,该方法至少包括以下步骤:在步骤S410中,将待预测数据输入至注意力机制,以使注意力机制输出数据向量。
利用注意力机制可以对待预测数据进行聚焦,注意力机制的权重会分布在不同待预测数据的隐藏状态,权值越大,注意力机制就越集中。
因此,将待预测数据输入至注意力机制,注意力机制可以输出与待预测数据对应的数据向量。
在步骤S420中,将数据向量输入至双向长短期记忆网络模型,以使双向长短期记忆网络模型输出传染病患者的疾病状态概率将待预测数据输入至双向长短期记忆网络模型。
在可选的实施例中,图5示出了获取向量权重的方法的流程示意图,如图5所示,该方法至少包括以下步骤:在步骤S510中,获取与数据向量对应的向量权重;其中,向量权重与预设时间段内的日期对应。
在双向长短期记忆网络模型输出的过程中,可以对预设时间段内的不同日期赋予不同的向量权重。
由于越临近的日期对预测状态概率的影响越大,可以为越临近的日期赋予更大的向量权重。
举例而言,假设5组数据向量中第i组数据向量对疾病预测概率率的损失函数的影响为Ai,因此,最终的损失函数为公式(1)所示:
可以看出,越临近的天数的数据向量对于预测状态概率的影响成倍增加,反之越远的数据向量对于预测状态概率的影响越小。
基于此,可以为第5组的数据向量赋予1/2的向量权重,为第4组的数据向量赋予1/4的向量权重,为第3组的数据向量赋予1/8的向量权重,为第2组的数据向量赋予1/16的向量权重,为第1组的数据向量赋予1/32的向量权重。除此之外,也可以赋予其他数值的向量权重,本示例性实施例对此不做特殊限定。
在步骤S520中,将数据向量和向量权重输入至双向长短期记忆网络模型,以使双向长短期记忆网络模型输出传染病患者的疾病状态概率。
在可选的实施例中,图6示出了得到疾病状态概率的方法的流程示意图,如图6所示,该方法至少包括以下步骤:在步骤S610中,将数据向量和向量权重输入至多个双向长短期记忆网络模型,以使多个双向长短期记忆网络模型输出多个预测状态概率。
为减少由于随机产生的偏移,可以确定多个双向长短期记忆网络模型。其中,该双向长短期记忆网络模型的个数可以为5个,也可以为其他数量,本示例性实施例对此不做特殊限定。
因此,可以将数据向量和向量权重输入至5个双向长短期记忆网络模型,可以得到双向长短期记忆网络模型输出的5个预测状态概率。
值得说明的是,还可以将数据向量和向量权重分成5份,以分别作为5个双向长短期记忆网络模型的输入。并且,每个双向长短期记忆网络模型学习的数据向量和向量权重可以是与其他双向长短期记忆网络模型不同的四份数据,并且利用剩余的一份数据向量和向量权重对该双向长短期记忆网络模型进行参数调整。
举例而言,此时有1、2、3、4和5共5份数据向量和向量权重,第一个双向长短期记忆网络模型的输入数据为前4份,并用第5份进行验证;第二个双向长短期记忆网络模型的输入数据为第2-5份,并用第1份数据进行验证,以此类推。
在步骤S620中,计算多个预测状态概率平均值,并确定平均值为传染病患者的疾病状态概率。
在得到多个预测状态概率之后,可以计算多个预测状态概率的平均值,亦即传染病患者的疾病状态概率。其中,该疾病状态概率可以是传染病患者转重症状态的概率,也可以按照实际情况为其他疾病状态概率,本示例性实施例对此不做特殊限定。
除此之外,除了双向长短期记忆网络模型之外,还可以利用循环神经网络模型和门控循环单元网络模型等,本示例性实施例对此不做特殊限定。
并且,对双向长短期记忆网络模型的融合方式多样,也可以自行定义或者动态学习各个双向长短期记忆网络模型的权重,本示例性实施例对此不做特殊限定。
在本示例性实施例中,利用双向长短期记忆网络模型预估传染病患者的疾病状态概率,准确提取数据中的有效信息和波动情况,精准预估疾病状态概率,为医护人员的医疗决策提供有效的数据支持。
下面结合一应用场景对本公开实施例中的传染病疾病状态预测方法做出详细说明。
图7示出了应用场景下传染病疾病状态预测方法的流程示意图,如图7所示,在步骤S710中,以传染病患者的检测指标对应的检测数据为输入,以是否会转为重症为输出构建数据集,该数据集为历史检测数据。
举例而言,历史检测数据可以是7天内的15个检测指标对应的数据。
在步骤S720中,对历史检测数据进行补全。
举例而言,若7天的历史检测数据中第6天缺少尿常规的历史检测数据,可以从第5天的历史检测数据中继承尿常规的检测数据;若该传染病患者仅入院4天,只有4天的历史检测数据,可以复制第1天的检测数据3次并补充到4天前的部分,以得到7天的时序数据。
在步骤S730中,基于GBRT模型获得历史检测数据的重要度,并对重要度进行排序得到重要度排序结果。
具体的,按照GBRT输出的历史检测数据的重要度对历史检测数据进行排序得到重要度排序结果。
在步骤S740中,GBRT的重要度排序结果结合标准互信息得到交集,在交集中选出10维的目标检测数据。
与重要度排序结果对应的,也可以对计算得到的标准互信息进行排序得到信息排序结果。
由于历史检测数据是15个指标对应的检测数据,因此重要度排序结构是15维数据的排序结果,而信息排序结果也是15维数据的排序结果。
因此,可以分别对15维的重要度排序结果和15维的信息排序结果求交集,从中选择前10维的时序数据作为目标检测数据。
在步骤S750中,以3天为时间窗口,重构数据。
重构目标检测数据可以得到待预测数据。具体的,第2天的重构检测数据为第1、2、3天的三组检测数据,第3天的重构检测数据为第2、3、4天的三组检测数据,第4天的重构检测数据为第3、4、5天的三组检测数据,第5天的重构检测数据为第4、5、6天的三组检测数据,第6天的重构检测数据为第5、6、7天的三组检测数据。
其中,所有的三组检测数据均为10维。因此,该待预测数据为5*10*3的数据矩阵。
在步骤S760中,将待预测数据传递给注意力机制和双向长短期记忆网络模型。
图8示出了双向长短期记忆网络模型的单个细胞的结构示意图,如图8所示,双向长短期记忆网络模型由输入门、输出门和遗忘门控制细胞记忆状态,门值范围一般在0-1之间,因此三个门使用Sigmoid函数作为激活函数,输出状态为Tanh激活函数。
具体的,双向长短期记忆网络模型可以按照公式(2)~(7)输出:
it=σ(xtUi+ht-1Wi) (2)
ft=σ(xtUf+ht-1Wf) (3)
ot=σ(xtU0+ht-1Wo) (4)
ht=tanh(Ct)*ot (7)
其中,公式(2)表示的是当前待预测数据的输入,由输入门控制,通过Sigmoid函数决定输入的待预测数据是否保留;公式(3)表示的是遗忘门,通过遗忘门控制记忆单元的状态,让记忆单元随机舍弃干扰当前时刻预测结果的过去时态;公式(4)和公式(7)表示的是输出门,公式(4)是对输出值的初始化,公式(7)将输出值和记忆单元通过相关运算作为当前时刻的隐藏状态。公式(4)为tanh激活函数,具有稳定数值的作用;公式(5)表示该函数在时间t的内部记忆。
将待预测数据输入至注意力机制中可以得到数据向量。进一步的,将数据向量输入至双向长短期记忆网络模型中得到传染病患者的疾病状态概率。
在步骤S770中,重构后的待预测数据在双向长短期记忆网络模型的参数优化过程中,可以获取与数据向量对应的向量权重。
在将数据向量输入至双向长短期记忆网络模型中得到传染病患者的疾病状态概率的过程中,可以获取与数据向量对应的向量权重。
具体的,为第5组的数据向量赋予1/2的向量权重,为第4组的数据向量赋予1/4的向量权重,为第3组的数据向量赋予1/8的向量权重,为第2组的数据向量赋予1/16的向量权重,为第1组的数据向量赋予1/32的向量权重。
在步骤S780中,按照上述方法进行多模型融合,将多个双向长短期记忆网络模型输出的多个预测状态概率进行加权平均计算输出传染病患者转重症的疾病状态概率。
举例而言,当双向长短期记忆网络模型为5个,且输出的5个预测状态概率分别为0.1、0.2、0.3、0.4和0.5时,可以计算5个预测状态概率的平均值为0.3,则该传染病患者转重症的概率为0.3。
在该应用场景下的传染病疾病状态预测方法,通过对历史检测数据的计算可以重构出待预测数据,并进一步根据待预测数据预测出传染病患者转重症的疾病状态概率。一方面,对历史检测数据进行重构和增强,保留了传染病患者检测数据的动态变化信息,保证了对疾病状态概率预估的准确性和高效性;另一方面,利用双向长短期记忆网络模型进行预估,发挥了长短期记忆网络模型的稳定性,减少了由于随机产生的偏移,为医护人员做出正确的医疗决策提供了强有力的保障。
此外,在本公开的示例性实施例中,还提供一种传染病疾病状态预测装置。图9示出了传染病疾病状态预测装置的结构示意图,如图9所示,传染病疾病状态预测装置900可以包括:数据获取模块910、数据计算模块920、数据重构模块930和概率输出模块940。其中:
数据获取模块910,被配置为获取传染病患者在预设时间段内的历史检测数据,并利用历史检测数据构建在预设时间段内的时序数据;数据计算模块920,被配置为计算历史检测数据的重要度,并计算历史检测数据的标准互信息;数据重构模块930,被配置为利用重要度和标准互信息在时序数据中确定目标检测数据,并重构目标检测数据得到待预测数据;概率输出模块940,被配置为将待预测数据输入至双向长短期记忆网络模型,以使双向长短期记忆网络模型输出传染病患者的疾病状态概率。
上述传染病疾病状态预测装置900的具体细节已经在对应的传染病疾病状态预测方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了传染病疾病状态预测装置900的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
下面参照图10来描述根据本发明的这种实施例的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1021和/或高速缓存存储单元1022,还可以进一步包括只读存储单元(ROM)1023。
存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024,这样的程序模块1025包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图11所示,描述了根据本发明的实施例的用于实现上述方法的程序产品1100,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种传染病疾病状态预测方法,其特征在于,所述方法包括:
获取传染病患者在预设时间段内的历史检测数据,并利用所述历史检测数据构建在所述预设时间段内的时序数据;
计算所述历史检测数据的重要度,并计算所述历史检测数据的标准互信息;
利用所述重要度和所述标准互信息在所述时序数据中确定目标检测数据,并重构所述目标检测数据得到待预测数据;
将所述待预测数据输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
2.根据权利要求1所述的传染病疾病状态预测方法,其特征在于,所述将所述待预测数据输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率,包括:
将所述待预测数据输入至注意力机制,以使所述注意力机制输出数据向量;
将所述数据向量输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
3.根据权利要求2所述的传染病疾病状态预测方法,其特征在于,所述将所述数据向量输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率,包括:
获取与所述数据向量对应的向量权重;其中,所述向量权重与所述预设时间段内的日期对应;
将所述数据向量和所述向量权重输入至所述双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
4.根据权利要求3所述的传染病疾病状态预测方法,其特征在于,所述将所述数据向量和所述向量权重输入至所述双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率,包括:
将所述数据向量和所述向量权重输入至多个双向长短期记忆网络模型,以使所述多个双向长短期记忆网络模型输出多个预测状态概率;
计算所述多个预测状态概率平均值,并确定所述平均值为所述传染病患者的疾病状态概率。
5.根据权利要求1所述的传染病疾病状态预测方法,其特征在于,所述重构所述目标检测数据得到待预测数据,包括:
在所述预设时间段内确定目标日期以及与所述目标日期对应的前一日期和后一日期;
在所述目标检测数据中获取与所述目标日期、所述前一日期和所述后一日期对应的三组检测数据;
将所述三组检测数据确定为所述目标日期的重构检测数据,以根据所述重构检测数据确定与所述预设时间段对应的待预测数据。
6.根据权利要求1所述的传染病疾病状态预测方法,其特征在于,所述利用所述重要度和所述标准互信息在所述时序数据中确定目标检测数据,包括:
对所述重要度进行排序得到重要度排序结果,并对所述标准互信息进行排序得到信息排序结果;
获取所述重要度排序结果与所述信息排序结果的交集,并确定与所述交集对应的所述时序数据为目标检测数据。
7.根据权利要求1所述的传染病疾病状态预测方法,其特征在于,所述计算所述历史检测数据的重要度,包括:
将所述历史检测数据输入至训练好的梯度提升回归树模型中,以使所述梯度提升回归树模型输出所述历史检测数据的重要度。
8.一种传染病疾病状态预测装置,其特征在于,包括:
数据获取模块,被配置为获取传染病患者在预设时间段内的历史检测数据,并利用所述历史检测数据构建在所述预设时间段内的时序数据;
数据计算模块,被配置为计算所述历史检测数据的重要度,并计算所述历史检测数据的标准互信息;
数据重构模块,被配置为利用所述重要度和所述标准互信息在所述时序数据中确定目标检测数据,并重构所述目标检测数据得到待预测数据;
概率输出模块,被配置为将所述待预测数据输入至双向长短期记忆网络模型,以使所述双向长短期记忆网络模型输出所述传染病患者的疾病状态概率。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被发送器执行时实现权利要求1-7中任意一项所述的传染病疾病状态预测方法。
10.一种电子设备,其特征在于,包括:
发送器;
存储器,用于存储所述发送器的可执行指令;
其中,所述发送器被配置为经由执行所述可执行指令来执行权利要求1-7中任意一项所述的传染病疾病状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010841563.9A CN112002410A (zh) | 2020-08-20 | 2020-08-20 | 传染病疾病状态预测方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010841563.9A CN112002410A (zh) | 2020-08-20 | 2020-08-20 | 传染病疾病状态预测方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112002410A true CN112002410A (zh) | 2020-11-27 |
Family
ID=73474132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010841563.9A Pending CN112002410A (zh) | 2020-08-20 | 2020-08-20 | 传染病疾病状态预测方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112002410A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613726A (zh) * | 2020-12-18 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的风险检测方法、客户端、设备和存储介质 |
CN112652398A (zh) * | 2020-12-22 | 2021-04-13 | 浙江大学 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
CN112768090A (zh) * | 2021-01-05 | 2021-05-07 | 山东福来克思智能科技有限公司 | 一种用于慢病检测及风险评估的过滤系统及方法 |
CN113057586A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN114628039A (zh) * | 2022-03-29 | 2022-06-14 | 医渡云(北京)技术有限公司 | 传染病预警方法及装置、存储介质及电子设备 |
CN115631820A (zh) * | 2022-10-11 | 2023-01-20 | 浙江大学 | 一种乳腺肿瘤患者随访数据的快捷式处理方法 |
CN116798630A (zh) * | 2023-07-05 | 2023-09-22 | 广州视景医疗软件有限公司 | 基于机器学习的近视理疗依从性预测方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
CN110459324A (zh) * | 2019-06-27 | 2019-11-15 | 平安科技(深圳)有限公司 | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 |
-
2020
- 2020-08-20 CN CN202010841563.9A patent/CN112002410A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110459324A (zh) * | 2019-06-27 | 2019-11-15 | 平安科技(深圳)有限公司 | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 |
CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
Non-Patent Citations (3)
Title |
---|
王诗瑜: ""基于深度学习的阿尔茨海默症分类方法研究与应用"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
陈静: ""两阶段特征选择的冷水机组能耗预测方法"", 《制冷技术》 * |
龚越: ""基于梯度提升回归树的城市道路行程时间预测"", 《浙江大学学报(工学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613726A (zh) * | 2020-12-18 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的风险检测方法、客户端、设备和存储介质 |
CN112652398A (zh) * | 2020-12-22 | 2021-04-13 | 浙江大学 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
CN112768090A (zh) * | 2021-01-05 | 2021-05-07 | 山东福来克思智能科技有限公司 | 一种用于慢病检测及风险评估的过滤系统及方法 |
CN113057586A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN113057586B (zh) * | 2021-03-17 | 2024-03-12 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN114628039A (zh) * | 2022-03-29 | 2022-06-14 | 医渡云(北京)技术有限公司 | 传染病预警方法及装置、存储介质及电子设备 |
CN115631820A (zh) * | 2022-10-11 | 2023-01-20 | 浙江大学 | 一种乳腺肿瘤患者随访数据的快捷式处理方法 |
CN115631820B (zh) * | 2022-10-11 | 2023-09-26 | 浙江大学 | 一种乳腺肿瘤患者随访数据的快捷式处理方法 |
CN116798630A (zh) * | 2023-07-05 | 2023-09-22 | 广州视景医疗软件有限公司 | 基于机器学习的近视理疗依从性预测方法、设备及介质 |
CN116798630B (zh) * | 2023-07-05 | 2024-03-08 | 广州视景医疗软件有限公司 | 基于机器学习的近视理疗依从性预测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112002410A (zh) | 传染病疾病状态预测方法及装置、存储介质、电子设备 | |
CA3062071C (en) | Neural network based translation of natural language queries to database queries | |
Shim et al. | Joint active feature acquisition and classification with variable-size set encoding | |
CN108170749B (zh) | 基于人工智能的对话方法、装置及计算机可读介质 | |
US20200027545A1 (en) | Systems and Methods for Automatically Tagging Concepts to, and Generating Text Reports for, Medical Images Based On Machine Learning | |
Medhekar et al. | Heart disease prediction system using naive Bayes | |
CN104572583B (zh) | 用于数据致密化的方法和系统 | |
CN111143576A (zh) | 一种面向事件的动态知识图谱构建方法和装置 | |
CN111128391B (zh) | 一种信息处理设备、方法和存储介质 | |
CN111145905A (zh) | 目标决策模型构建方法及装置、电子设备、存储介质 | |
Basha et al. | Evaluating the performance of supervised classification models: decision tree and Naïve Bayes using KNIME | |
He et al. | Neural network-based multi-task learning for inpatient flow classification and length of stay prediction | |
CN113012774A (zh) | 病案自动编码方法、装置、电子设备及存储介质 | |
Denter et al. | Forecasting future bigrams and promising patents: introducing text-based link prediction | |
CN114693461A (zh) | 基于机器学习的城市普惠保险的风险影响因子获取方法 | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
Liu et al. | State of health prediction of medical lithium batteries based on multi-scale decomposition and deep learning | |
US11783244B2 (en) | Methods and systems for holistic medical student and medical residency matching | |
Wu et al. | A feature optimized deep learning model for clinical data mining | |
CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
Chang et al. | [Retracted] Application of Hidden Markov Model in Financial Time Series Data | |
CN116994695A (zh) | 报告生成模型的训练方法、装置、设备及存储介质 | |
US10929761B2 (en) | Systems and methods for automatically detecting and repairing slot errors in machine learning training data for a machine learning-based dialogue system | |
Ullah et al. | Unveiling the Power of Deep Learning: A Comparative Study of LSTM, BERT, and GRU for Disaster Tweet Classification | |
CN114068028A (zh) | 医疗问诊数据处理方法及装置、可读存储介质及电子设备 |
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 |