CN112002414A - 一种基于胃液认知胃病的系统、设备、存储介质 - Google Patents
一种基于胃液认知胃病的系统、设备、存储介质 Download PDFInfo
- Publication number
- CN112002414A CN112002414A CN202010853277.4A CN202010853277A CN112002414A CN 112002414 A CN112002414 A CN 112002414A CN 202010853277 A CN202010853277 A CN 202010853277A CN 112002414 A CN112002414 A CN 112002414A
- Authority
- CN
- China
- Prior art keywords
- gastric juice
- disease
- data
- decision tree
- sample
- 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
- 210000004051 gastric juice Anatomy 0.000 title claims abstract description 115
- 230000019771 cognition Effects 0.000 title claims abstract description 17
- 208000018556 stomach disease Diseases 0.000 title claims abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 73
- 201000010099 disease Diseases 0.000 claims abstract description 72
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 9
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 208000012895 Gastric disease Diseases 0.000 claims description 6
- 210000000941 bile Anatomy 0.000 claims description 6
- 241000894006 Bacteria Species 0.000 claims description 5
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 5
- -1 bile Substances 0.000 claims description 5
- 239000004202 carbamide Substances 0.000 claims description 5
- 239000004310 lactic acid Substances 0.000 claims description 5
- 235000014655 lactic acid Nutrition 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 210000002784 stomach Anatomy 0.000 description 9
- 208000005718 Stomach Neoplasms Diseases 0.000 description 5
- 206010017758 gastric cancer Diseases 0.000 description 5
- 201000011549 stomach cancer Diseases 0.000 description 5
- 208000032843 Hemorrhage Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000740 bleeding effect Effects 0.000 description 4
- 238000009534 blood test Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002496 gastric effect Effects 0.000 description 3
- 230000028327 secretion Effects 0.000 description 3
- 208000002310 Achlorhydria Diseases 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical group N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 201000000660 Pyloric Stenosis Diseases 0.000 description 2
- 208000007107 Stomach Ulcer Diseases 0.000 description 2
- 230000027119 gastric acid secretion Effects 0.000 description 2
- 201000005917 gastric ulcer Diseases 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 208000007848 Alcoholism Diseases 0.000 description 1
- 208000004300 Atrophic Gastritis Diseases 0.000 description 1
- 208000037157 Azotemia Diseases 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 206010016717 Fistula Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 208000036495 Gastritis atrophic Diseases 0.000 description 1
- 206010018276 Gingival bleeding Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 208000016644 chronic atrophic gastritis Diseases 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000002183 duodenal effect Effects 0.000 description 1
- 208000012012 duodenal gastrin-producing neuroendocrine tumor Diseases 0.000 description 1
- 201000001708 duodenal gastrinoma Diseases 0.000 description 1
- 208000000718 duodenal ulcer Diseases 0.000 description 1
- 206010060865 duodenogastric reflux Diseases 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000003890 fistula Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 210000004211 gastric acid Anatomy 0.000 description 1
- 230000030136 gastric emptying Effects 0.000 description 1
- 210000001156 gastric mucosa Anatomy 0.000 description 1
- 208000011759 gum bleeding Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 210000001187 pylorus Anatomy 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002627 tracheal intubation Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 238000012795 verification Methods 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
- G16H50/20—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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种基于胃液认知胃病的系统、设备、存储介质，数据采集单元：用于采集胃液数据，得到胃液样本对应的属性特征数据；数据划分单元：用于按照基础正常值标准，将所述胃液样本划分为正常和异常两类，将异常样本按性别、年龄进行划分，构成基于属性特征的样本数据集；疾病知识库：构建基于胃液数据的疾病知识库，所述疾病知识库中包括疾病类别与对应的胃液属性数据；模型构建单元：用于基于所述疾病知识库和样本数据集，构建胃液属性数据与对应的疾病类别的决策树模型，用于胃液与疾病自学习建模；疾病认知单元：用于将被检者胃液数据输入所述决策树模型，获取疾病认知结果。本发明可实现基于胃液数据的疾病认知与智能辅助诊断。
Description
技术领域
本发明涉及医疗辅助设备领域，具体一种基于胃液认知胃病的系统、设备、存储介质。
背景技术
胃液分析是一种诊断胃病最古老而又最常用方法，它是指抽取胃液进行有关指标(如胃酸)的测定和检查，从而判断胃液是否正常。胃液分析不但能反映一个人胃酸分泌是否正常，而且对胃溃疡、十二指肠球部溃疡，甚至对胃癌的诊断都有一定的意义。目前基于胃液分析的疾病诊断大多基于专家经验人工判断，而人工判断往往受个体经验的限制，在信息繁杂、数据众多的环境下判断的会造成信息遗漏，造成漏判与错判，影响疾病的准确诊断。
发明内容
有鉴于此，本发明提出了一种基于胃液认知胃病的系统、设备、存储介质，用于解决现有的基于胃液分析的疾病认知易造成漏判与错判的问题，帮助医护人员进行疾病的辅助诊断。
本发明第一方面，公开一种基于胃液认知胃病的系统，所述系统包括：
数据采集单元：用于采集胃液数据，得到胃液样本对应的属性特征数据；
数据划分单元：用于按照基础正常值标准，将所述胃液样本划分为正常和异常两类，将异常样本按性别、年龄进行划分，构成基于属性特征的样本数据集；
疾病知识库：获取所述基于属性特征的样本数据集，构建基于胃液数据的疾病知识库，所述疾病知识库中包括疾病类别与对应的胃液属性数据；
模型构建单元：用于基于所述疾病知识库和样本数据集，构建胃液属性数据与对应的疾病类别的决策树模型，用于胃液与疾病自学习建模；
疾病认知单元：用于将被检者胃液数据输入所述决策树模型，获取疾病认知结果。
优选的，所述胃液样本对应的属性数据包括胃液量、颜色、气味、性状、分层、PH值以及胃液中包含的乳酸、隐血、胆汁、尿素、细胞、细菌的指标值。
优选的，所述模型构建单元中，根据给定的样本数据集选择信息增益最大属性特征作为决策树的节根点，所述决策树中的每个子结点表示胃液样本的某个属性特征数据，决策树的叶子节点表示胃液样本所属的疾病类别。
优选的，所述决策树模型构建方法为：
计算样本数据集D的信息熵：
其中D表示胃液样本数据集，c表示胃液样本疾病类别数，pi表示属于类别i的样本数量占所有样本的比例。
对应数据集D，选择属性特征A作为决策树判断节点时，在属性特征作用后的信息熵的为Info(D)，计算如下：
其中k表示样本D被分为k个部分；
计算信息增益值Gain(A)：
Gain(A)＝Info(D)-InfoA(D)
以信息增益值Gain(A)最大的属性特征作为根节点，以根节点分裂出子节点，进一步计算信息增益并以信息增益最大的作为子节点，以此构建决策树，直到所有属性特征值均小于设定阈值或没有属性特征选择为止。
优选的，所述系统还包括：
健康管理单元：根据疾病认知结果、被检者的基本信息、结合临床特征信息进行潜在疾病推荐以及个性化健康管理。
本发明第二方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的系统。
本发明第三方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明第一方面所述的系统。
本发明的相对于现有技术具有以下有益效果：
本发明构建了基于胃液数据的疾病知识库和基于属性数据的疾病类别决策树模型，通过所述决策树模型进行胃液与疾病自学习建模，实现基于胃液数据的疾病认知与智能辅助诊断，减少漏判与错判，帮助医护人员提高疾病诊断准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的基于胃液认知胃病的系统结构图。
具体实施方式
本发明公开一种基于胃液认知胃病的系统、设备、存储介质，就是通过对收集得到的胃液各个属性数据(包括数量、颜色、气味、性状、分层以及酸碱度、乳酸、隐血、胆汁、尿素、细胞、细菌等)进行汇总，构成决策树机器学习模型的属性向量，根据异常胃液评估结果和被检者的基本信息推荐可能的疾病和健康问题以及个性化健康管理方案。
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明提出一种基于胃液认知胃病的系统，所述系统包括：数据采集单元1、数据划分单元2、疾病知识库3、模型构建单元4、疾病认知单元5、健康管理单元6。
数据采集单元1，用于采集胃液数据，得到胃液样本对应的属性特征数据；所述胃液样本对应的属性数据包括胃液量、颜色、气味、性状、分层、PH值以及胃液中包含的乳酸、隐血、胆汁、尿素、细胞、细菌的指标值。
本发明收集的胃液样本属性数据包括胃液量收集，正常空腹12h的胃液残余量约为50ml，正常基础胃液量为10～100ml；收集胃液颜色数据，如，胆汁反流时胃液呈蓝色或草绿色，胃内新鲜出血胃液鲜红色，陈旧出血是咖啡色；胃液外观数据的收集，如，咖啡残渣样外观提示胃内有大量陈旧性出血，常见于胃癌，可用隐血试验证实；胃液气味数据的收集，比如，正常胃液可嗅到盐酸气味，消化不良或食物滞留过久有发酵味；胃液酸碱度(PH值)、乳酸、隐血、胆汁、尿素、细胞、细菌等数据的收集，比如，胃液PH>7为真正胃酸缺乏，PH3.7-7为胃酸过低；胃液分层数据的收集方式为胃液放置片刻后，形成不明显的两层，上层为少量黏液，下层为无色透明的胃液层，如幽门梗阻、胃癌时，胃液层下面有一层坏死组织或食物残渣。
数据划分单元2，用于按照基础正常值标准，将所述胃液样本划分为正常和异常两类，将异常样本按性别、年龄进行划分，构成基于属性特征的样本数据集；
疾病知识库3，构建基于胃液数据的疾病知识库，所述疾病知识库中包括疾病类别与对应的胃液属性数据；
根据相关胃部疾病诊断标准，建立胃液属性属性数据与对应的疾病类别的疾病知识库。比如，正常空腹12h的胃液残余量约为50ml。在插管成功后持续负压吸引1h所得的胃液总量称为基础胃液量，正常基础胃液量为10～100ml。若大于100ml为增多，常见于胃分泌增多，如十二指肠溃疡、胃泌素瘤等；胃排空障碍，如幽门梗阻、胃蠕动功能减退等；十二指肠液反流等；如胃液量小于10ml为减低，主要见于萎缩性胃炎、胃蠕动功能亢进等；正常胃液可略带酸味，而无其他臭味。胃液如果为发酵味，见于胃张力高度缺乏、幽门梗阻；如果胃液为氨臭味，见于尿毒症；如果胃液为恶臭味，见于晚期胃癌；如果胃液为粪臭味，见于胃大肠瘘、小肠低位梗阻。比如，正常胃液pH为0.9～1.8。如果pH3.5～7.0之间，一般为低酸，pH为7.0为无酸；比如，白细胞胃液内可见白细胞，这些白细胞多属中性粒细胞。正常空腹胃液含量约为100-1000个/μl，如果白细胞增加>1000/μl时，多属病理现象，可见于胃粘膜各种炎症时等；
模型构建单元4，用于基于所述疾病知识库和样本数据集，构建胃液属性数据与对应的疾病类别的决策树模型，用于胃液与疾病自学习建模；
具体的，根据给定的样本数据集选择信息增益最大属性特征作为决策树的节根点，所述决策树中的每个子结点表示胃液样本的某个属性特征数据，决策树的叶子节点表示胃液样本所属的疾病类别。所述决策树模型构建方法为：
计算样本数据集D的信息熵：
其中D表示胃液样本数据集，c表示胃液样本疾病类别数，pi表示属于类别i的样本数量占所有样本的比例。
对应数据集D，选择属性特征A作为决策树判断节点时，在属性特征作用后的信息熵的为Info(D)，计算如下：
其中k表示样本D被分为k个部分；
计算信息增益值Gain(A)：
Gain(A)＝Info(D)-InfoA(D)
以信息增益值Gain(A)最大的属性特征作为根节点，以根节点分裂出子节点，进一步计算信息增益并以信息增益最大的作为子节点，以此构建决策树，直到所有属性特征值均小于设定阈值或没有属性特征选择为止。
决策树模型建立之后，通过测试集校验，通过评估指标来评估决策树模型，评估指标包括分类准确度、召回率、虚警率和精确度等。
本发明基于所述疾病知识库，建立了基于属性数据的疾病类别决策树模型，从而实现了基于胃液数据的疾病诊断，帮助医护人员进行辅助诊断，提高准确率。
疾病认知单元5，用于将被检者胃液数据输入所述决策树模型，获取疾病认知结果。
健康管理单元6，根据疾病认知结果、被检者的基本信息、结合临床特征信息进行潜在疾病推荐以及个性化健康管理。
应当引起注意的是，根据胃液认知结果和被检者的基本信息推荐可能的疾病和健康问题时，还应考虑特定的环境和因素，比如结合临床特征信息进行判断。比如，正常胃液不含血液，镜检不见红细胞。当患者性胃炎、胃溃疡、胃癌时可有不同程度的出血而使隐血试验呈阳性，由于一般所用隐血试验比较敏感。故如有牙龈出血、吞咽胃管损伤时，隐血试验也可呈现阳性，应结合临床进行判断；再比如，影响胃酸分泌的因素很多，除病理因素外还受性别、年龄、精神因素、食欲好坏、涸酒嗜好等因素的影响。一个人的BAO随时都可能有变化，并有生理节律，上午5-11时分泌最低，下午2-11时分泌最高。MAO较为稳定，日间差小，与性别、体重、年龄有关。儿童MAO较成人为低，但当以“mmol/(kg.h)”表示时与成人相近，实验技术也会影响测定结果。因此疾病认知单元进行疾病识别之后，应结合临床情况及其它检查综合分析，进一步进行判断。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的基于现行的血常规诊断标准智能识别疾病的系统，包括数据采集单元、数据划分单元、疾病知识库、模型构建单元、疾病认知单元、健康管理单元。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述的全部系统或部分系统，例如包括数据采集单元、数据划分单元、疾病知识3、模型构建单元、疾病认知单元、健康管理单元。所述存储介质包括：U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员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，此处不做限制。另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于胃液认知疾病的系统，此处不再赘述。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于胃液认知胃病的系统，其特征在于，所述系统包括：
数据采集单元：用于采集胃液数据，得到胃液样本对应的属性特征数据；
数据划分单元：用于按照基础正常值标准，将所述胃液样本划分为正常和异常两类，将异常样本按性别、年龄进行划分，构成基于属性特征的样本数据集；
疾病知识库：构建基于胃液数据的疾病知识库，所述疾病知识库中包括疾病类别与对应的胃液属性数据；
模型构建单元：用于基于所述疾病知识库和样本数据集，构建胃液属性数据与对应的疾病类别的决策树模型，用于胃液与疾病自学习建模；
疾病认知单元：用于将被检者胃液数据输入所述决策树模型，获取疾病认知结果。
2.根据权利要求1所述基于胃液认知胃病的系统，其特征在于，所述胃液样本对应的属性数据包括胃液量、颜色、气味、性状、分层、PH值以及胃液中包含的乳酸、隐血、胆汁、尿素、细胞、细菌的指标值。
3.根据权利要求2所述基于胃液认知胃病的系统，其特征在于，所述模型构建单元中，根据给定的样本数据集选择信息增益最大属性特征作为决策树的节根点，所述决策树中的每个子结点表示胃液样本的某个属性特征数据，决策树的叶子节点表示胃液样本所属的疾病类别。
4.根据权利要求3所述基于胃液认知胃病的系统，其特征在于，所述决策树模型构建方法为：
计算样本数据集D的信息熵：
其中D表示胃液样本数据集，c表示胃液样本疾病类别数，pi表示属于类别i的样本数量占所有样本的比例。
对应数据集D，选择属性特征A作为决策树判断节点时，在属性特征作用后的信息熵的为Info(D)，计算如下：
其中k表示样本D被分为k个部分；
计算信息增益值Gain(A)：
Gain(A)＝Info(D)-InfoA(D)
以信息增益值Gain(A)最大的属性特征作为根节点，以根节点分裂出子节点，进一步计算信息增益并以信息增益最大的作为子节点，以此构建决策树，直到所有属性特征值均小于设定阈值或没有属性特征选择为止。
5.根据权利要求1所述基于胃液认知胃病的系统，其特征在于，所述系统还包括：
健康管理单元：根据疾病认知结果、被检者的基本信息、结合临床特征信息进行潜在疾病推荐以及个性化健康管理。
6.一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～5任一项所述的系统。
7.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现权利要求1～5任一项所述的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853277.4A CN112002414B (zh) | 2020-08-23 | 2020-08-23 | 一种基于胃液认知胃病的系统、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853277.4A CN112002414B (zh) | 2020-08-23 | 2020-08-23 | 一种基于胃液认知胃病的系统、设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112002414A true CN112002414A (zh) | 2020-11-27 |
| CN112002414B CN112002414B (zh) | 2024-01-26 |
Family
ID=73473940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010853277.4A Active CN112002414B (zh) | 2020-08-23 | 2020-08-23 | 一种基于胃液认知胃病的系统、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112002414B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671164A (zh) * | 2021-09-26 | 2021-11-19 | 吾征智能技术(北京)有限公司 | 一种基于大便颜色及气味判断疾病的系统、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11344495A (ja) * | 1998-06-02 | 1999-12-14 | Fujirebio Inc | 胃癌の診断方法 |
| CN1695057A (zh) * | 2002-09-12 | 2005-11-09 | 摩诺根公司 | 基于细胞的疾病检测和鉴别 |
| US20080162101A1 (en) * | 2004-03-05 | 2008-07-03 | Biohit Oyj | Method for Predicting the State of the Gastric Mucosa |
| CN105303060A (zh) * | 2015-11-24 | 2016-02-03 | 上海应用技术学院 | 一种基于移动端的胃病专家系统 |
| CN106446553A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的胃病预测方法和预测系统 |
| CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
| KR20200060129A (ko) * | 2018-11-22 | 2020-05-29 | 주식회사 셀바스에이아이 | 병변 예측 방법 및 이를 이용한 병변 진단용 디바이스 |
| CN111489827A (zh) * | 2020-04-10 | 2020-08-04 | 吉林大学 | 一种基于关联决策树的甲状腺疾病预测建模方法 |
-
2020
- 2020-08-23 CN CN202010853277.4A patent/CN112002414B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11344495A (ja) * | 1998-06-02 | 1999-12-14 | Fujirebio Inc | 胃癌の診断方法 |
| CN1695057A (zh) * | 2002-09-12 | 2005-11-09 | 摩诺根公司 | 基于细胞的疾病检测和鉴别 |
| US20080162101A1 (en) * | 2004-03-05 | 2008-07-03 | Biohit Oyj | Method for Predicting the State of the Gastric Mucosa |
| CN105303060A (zh) * | 2015-11-24 | 2016-02-03 | 上海应用技术学院 | 一种基于移动端的胃病专家系统 |
| CN106446553A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的胃病预测方法和预测系统 |
| KR20200060129A (ko) * | 2018-11-22 | 2020-05-29 | 주식회사 셀바스에이아이 | 병변 예측 방법 및 이를 이용한 병변 진단용 디바이스 |
| CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
| CN111489827A (zh) * | 2020-04-10 | 2020-08-04 | 吉林大学 | 一种基于关联决策树的甲状腺疾病预测建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| WANG, ZS 等: "Blind separation of multichannel electrogastrograms using independent component analysis based on a neural network", MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING, vol. 37, no. 1, pages 80 - 86 * |
| 赵世元 等: "胃液PH、蛋白质含量与胃疾病严重程度之间关系的探讨", 广西预防医学, vol. 6, no. 2, pages 92 - 94 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671164A (zh) * | 2021-09-26 | 2021-11-19 | 吾征智能技术(北京)有限公司 | 一种基于大便颜色及气味判断疾病的系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112002414B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106567435A (zh) | 一种智能健康马桶的智能检测系统及方法 | |
| CN109935346A (zh) | 一种智能化的基层社区健康综合管理系统 | |
| CN107103182A (zh) | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 | |
| CN103458777A (zh) | 用于吞咽损伤检测的方法和设备 | |
| CN111563891B (zh) | 基于颜色认知的疾病预测系统 | |
| CN101535497A (zh) | 确定分娩过程中头皮血中的低氧的方法 | |
| CN110277169A (zh) | 共享智能体检系统 | |
| CN107430645A (zh) | 用于重症监护病房中的实验室值自动化分析和风险通知的系统 | |
| CN115714022A (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
| CN205720260U (zh) | 家用远程尿液分析仪 | |
| CN112002414A (zh) | 一种基于胃液认知胃病的系统、设备、存储介质 | |
| CN111192687A (zh) | 一种进展期阑尾炎列线图预测模型及其用途 | |
| McBain | Cetacean medicine | |
| TR202006585A2 (tr) | İdrardan gli̇koz ölçümü yapan si̇stem ve yöntem | |
| CN115910346A (zh) | 一种糖尿病患者的监护预警系统及方法 | |
| CN204557579U (zh) | 一种健康一体机 | |
| CN108133754B (zh) | 一种溶栓后出血风险的预测系统 | |
| CN113066547B (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
| CN115153437A (zh) | 一种疼痛程度识别方法及系统 | |
| CN116936082A (zh) | 一种躯体健康风险的量化评估方法、系统和装置 | |
| CN107945838A (zh) | 一种健康问卷生成方法和装置 | |
| KR102310888B1 (ko) | 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
| CN108573748A (zh) | 一种孕前优生健康风险评估系统 | |
| Jiang | IoT-based sensing system for patients with mobile application | |
| CN112037916A (zh) | 共享多功能防猝死生理信息检测系统及其方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |