CN112071438A - 一种百日咳智能筛查方法及系统 - Google Patents
一种百日咳智能筛查方法及系统 Download PDFInfo
- Publication number
- CN112071438A CN112071438A CN202011058177.9A CN202011058177A CN112071438A CN 112071438 A CN112071438 A CN 112071438A CN 202011058177 A CN202011058177 A CN 202011058177A CN 112071438 A CN112071438 A CN 112071438A
- Authority
- CN
- China
- Prior art keywords
- pertussis
- characteristic information
- cognitive model
- model
- cognitive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
Abstract
本发明提供一种百日咳智能筛查方法及系统,该方法包括:分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立相应的特征信息认知模型,根据特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。可以提高百日咳筛查确认的效率,减少人力物力及时间的耗费,并实现准确可靠的筛查诊断。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种百日咳智能筛查方法及系统。
背景技术
百日咳是一种由百日咳杆菌引起的急性呼吸道传染病,临床特征为咳嗽逐渐加重,呈典型的阵发性、痉挛性咳嗽,咳嗽终末出现深长的鸡鸣样吸气性吼声,病程长达2~3个月,故有百日咳之称。易感者与百日咳患者近距离接触后会诱发该病。免疫力低下者奔跑、进食、受凉、惊吓后比较容易被感染。该疾病传染性强,接种百日破疫苗可有效预防该病。百日咳疾病一般需要根据流行病学资料及临床表现做出临床诊断,确诊需要百日咳杆菌培养阳性或者检测抗百日咳菌特异性抗体,比如要做细菌培养、血清学检查、胸片检查、白细胞计数检查等,一般筛查比较耗时耗力。
发明内容
有鉴于此,本发明实施例提供了一种百日咳智能筛查方法及系统,以解决现有百日咳筛查方法较为耗时耗力的问题。
在本发明实施例的第一方面,提供了一种百日咳智能筛查方法,包括:
分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型;
根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;
将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。
在本发明实施例的第二方面,提供了一种百日咳智能筛查系统,包括:
建立模块,用于分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型;
计算模块,用于根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;
推导模块,用于将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,获取百日咳相关的流行病学史特征信息、临床征兆特征信息以及病原学特征信息,分别建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息认知模型以及病原学特征信息认知模型,进而计算待测百日咳特征信息的后验概率,基于待测百日咳特征信息的后验概率计算得到认知筛查模型的参数值,并利用认知筛查模型计算得到待测百日咳特征信息的认知结果。从而实现准确可靠地预测筛查待诊断百日咳,为医护人员筛查百日咳疾病提供辅助,减少人力物力的耗费,缩短疾病筛查确认时间,提高疾病初步诊断筛查的效率,解决了现有百日咳筛查方法较为耗时耗力的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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介绍,显而易见地,下面描述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取其他附图。
图1为本发明的一个实施例提供的一种百日咳智能筛查方法的流程示意图;
图2为本发明的一个实施例提供的一种百日咳智能筛查系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明实施例提供的一种百日咳智能筛查方法的流程示意图,包括:
S101、分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型;
获取百日咳相关的流行病学史特征信息,对所述百日咳相关的流行病学史特征信息进行处理,建立百日咳相关的流行病学史特征信息之间的转移关系,也即百日咳相关的流行病学史特征信息系统认知模型M。比如,三周内接触过百日咳病人,或该地区有百日咳流行等特征信息。
获取百日咳相关的临床征兆特征信息,对所述百日咳相关的临床征兆特征信息进行处理,建立百日咳相关的临床征兆特征信息之间的转移关系,即百日咳相关的临床征兆特征信息系统认知模型L。比如,流行季节有阵发性痉挛性咳嗽者;咳嗽后伴有呕吐,严重者有结膜下出血或舌系带溃疡者;新生儿或婴幼儿有原因不明的阵发性青紫或窒息者,多无典型痉咳;持续咳嗽两周以上,能排除其他原因者等。
获取百日咳相关的病原学特征信息,对所述百日咳相关的病原学特征信息息进行处理,建立百日咳相关的病原学特征信息之间的转移关系,即百日咳相关的病原学特征信息系统认知模型O。比如,白细胞总数显著升高,淋巴细胞占50%以上;从病人的痰或咽喉部分泌物分离到百日咳杆菌;恢复期血清凝集抗体比急性期抗体呈四倍以上升高等。
S102、根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;
其中,对所述百日咳相关的流行病学史特征信息系统认知模型M、百日咳相关的临床征兆特征信息系统认知模型L和百日咳相关的临床病原学特征信息系统认知模型O中的获取数据进行处理,计算待测百日咳特征信息的后验概率P(M,L|O)。
优选的,通过变分贝叶斯算法计算待测百日咳特征信息的后验概率。
具体的,将变分贝叶斯算法中的变量Q(Z),Z表示为M和L的联合概率分布,利用变分贝叶斯算法进行迭代计算后的输出值即为所求待测百日咳特征信息的后验概率P(M,L|O)。
所述变分贝叶斯算法用于贝叶斯估计和机器学习领域近似计算复杂积分,可以求解近似的后验概率分布去逼近真实的后验概率分布。其具体包括:1、确定研究模型各个参数的的共轭先验分布;2、写出研究模型的联合分布P(Z,X);3、根据联合分布确定变分分布的形式Q(Z);4、对于每个变分因子Q(zj)求出P(Z,X)关于不包含变量zj的数学期望,规整化为概率分布。
假设真实的后验概率为P(Z|X),用一个近似后验概率分布Q(Z)去逼近P(Z|X),引入KL(Kullback-Leibler Divergence)散度描述近似的后验概率分布和真实后验概率分布的逼近程度。一般在概率论或信息论中KL散度又称相对熵,用于描述两个概率分布的逼近程度,其中,定义KL散度数学表达式为:
通过最小化KL散度值可以推导出变分贝叶斯推断中的ELOB(Evidence LowerBound)。具体过程如下:
令L(Q)=∫Q(Z)logP(Z,X)dZ-∫Q(Z)logQ(Z)dZ
可以得到logP(X)=KL(Q||P)+L(Q)
由于目标是最小化KL(Q||P),同时logP(X)是一个不依赖隐变量Z的常数,因此最小化KL(Q||P)等价于最大化L(Q)。由于KL散度值是大于等于0的(当且仅当Q分布和P分布相等时等于0),因此可以推得L(Q)是logP(X)的一个下界,可以对L(Q)再做一个转变:
即得到通常意义上的ELOB(Evidence Lower Bound)。因此,可以通过最大该下界达到最小化KL(Q||P)的目的,好处在于,如果直接优化KL(Q||P),由于真实后验分布往往事先不知道,而且如果用贝叶斯公式来计算P(Z|X)的复杂度特别高,因此不好直接优化KL(Q||P)。为了优化L(Q),需要引入一种叫做平均场的方法(mean field theory),即假设每个隐变量之间服从独立同分布:
因此,L(Q)等式后半部分(针对L(Q)的原始公式表达式)可以表示为:
L(Q)的前半部分可以表示为:
最终得到L(Q)的表达式为:
其中,H(Q(zi))=-∫Q(zi)log Q(zi)dzi为信息熵,由于H(Q(zi))≥0,并且KL散度值总大于等于0,因此需要最大化L(Q),令-KL(Q(zj)||Q·(zj))=0,即:
至此,得到了Q(Z)的分布形式。但是很多时候,不仅需要得到一个近似后验概率分布Q(Z),更需要是一个训练好的生成模型P(Z,X),尤其是在深度学习里面,因此通常优化的是:∫Q(Z)log P(X|Z)dZ-KL(Q(Z)||P(Z))。
S103、将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。
具体的,后验概率P(M,L|O)作为EMLearning算法的输入,继而得到对应输出的最大化观测变量的对数似然函数logP(O;θ),计算得到BKT(贝叶斯知识跟踪)认知模型的参数θ,进而推导出认知者对待测百日咳特征信息的认知表现数据。
示例性的,1、流行病学史。三周内接触过百日咳病人,或该地区有百日咳流行;2、临床表现。2.1流行季节有阵发性痉挛性咳嗽者;2.2咳嗽后伴有呕吐,严重者有结膜下出血或舌系带溃疡者;2.3新生儿或婴幼儿有原因不明的阵发性青紫或窒息者,多无典型痉咳;2.4持续咳嗽两周以上,能排除其他原因者;3、实验室诊断。3.1白细胞总数显著升高,淋巴细胞占50%以上;3.2从病人的痰或咽喉部分泌物分离到百日咳杆菌;3.3恢复期血清凝集抗体比急性期抗体呈四倍以上升高。4、病例分类。4.1疑似病例:具备2.1、2.2、2.3、2.4四项中任何一项,或同时伴有3.1项者;4.2临床诊断病例:疑似病例加3.1;4.3确诊病例:疑似病例加3.3.2或3.3.3。
在本发明实施例中,根据主要特征信息,结合认知过程中各种特征信息的语义解释、状态转移和映射关系的建模,通过融合认知计算的认知模型能够有效解决认知筛查过程中的认知要素表示问题,确定百日咳认知特征的内在关联,提升跟踪筛查百日咳结果在临床实践中的可用性,增强辅助诊断的效果。
需要注意的是,所述认知模型根据百日咳相关特征的输入,输出可能的疾病筛查结果,方便对百日咳作出初步筛选,并不作为最终的确诊结果,最终确诊需要根据医生的判断以及相应的诊断检测过程进行确定。所述疾病认知模型用于为医生提供参考,减少时间、人力的耗费。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种百日咳智能筛查系统的结构示意图,该系统包括:
建立模块210,用于分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型;
计算模块220,用于根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;
其中,通过变分贝叶斯算法计算待测百日咳特征信息的后验概率。推导认知模块230,用于将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S101至S103以实现待测百日咳的筛查。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101至S103,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种百日咳智能筛查方法,其特征在于,包括:
分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型;
根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;
将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。
2.根据权利要求1所述的方法,其特征在于,所述根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率包括:
通过变分贝叶斯算法计算待测百日咳特征信息的后验概率。
3.一种百日咳智能筛查系统,其特征在于,包括:
建立模块,用于分别获取百日咳相关的流行病学史特征信息、临床征兆特征信息和病原学特征信息,建立百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型;
计算模块,用于根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率;
推导模块,用于将后验概率作为EM算法的输入,计算得到BKT认知模型的参数值,通过BKT认知模型推导出待测百日咳特征的认知结果。
4.根据权利要求3所述的系统,其特征在于,所述根据百日咳相关的流行病学史特征信息认知模型、临床征兆特征信息系统认知模型和病原学特征信息系统认知模型中的数据信息,迭代计算百日咳特征信息的后验概率包括:
通过变分贝叶斯算法计算待测百日咳特征信息的后验概率。
5.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至2中任一项所述百日咳智能筛查方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述百日咳智能筛查方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058177.9A CN112071438B (zh) | 2020-09-29 | 2020-09-29 | 一种百日咳智能筛查方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058177.9A CN112071438B (zh) | 2020-09-29 | 2020-09-29 | 一种百日咳智能筛查方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112071438A true CN112071438A (zh) | 2020-12-11 |
CN112071438B CN112071438B (zh) | 2022-06-14 |
Family
ID=73683231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011058177.9A Active CN112071438B (zh) | 2020-09-29 | 2020-09-29 | 一种百日咳智能筛查方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112071438B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786192A (zh) * | 2021-01-18 | 2021-05-11 | 吾征智能技术(北京)有限公司 | 一种手足口病智能认知系统、设备、存储介质 |
CN115019973A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统及其筛查方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4985353A (en) * | 1986-12-16 | 1991-01-15 | Trion Forskning-Och Utvecklings Aktiebolag | Method for the diagnosis of whooping-cough and a test kit for carrying the method into effect |
US20030065535A1 (en) * | 2001-05-01 | 2003-04-03 | Structural Bioinformatics, Inc. | Diagnosing inapparent diseases from common clinical tests using bayesian analysis |
EP2110745A1 (en) * | 2008-04-18 | 2009-10-21 | BAE Systems plc | Assisting failure diagnosis in a system |
US20170103182A1 (en) * | 2015-01-25 | 2017-04-13 | International Business Machines Corporation | Modelling Disease Progression and Intervention Effects Using Non-Clinical Information Proxies for Clinical Information |
WO2017079938A1 (en) * | 2015-11-12 | 2017-05-18 | Coyote Bioscience Co., Ltd. | Methods and systems for disease monitoring and assessment |
US20190318650A1 (en) * | 2018-04-11 | 2019-10-17 | Electronics And Telecommunications Research Institute | Method and apparatus for learner diagnosis using reliability of cognitive diagnostic model |
CN110806447A (zh) * | 2018-08-06 | 2020-02-18 | 岛津企业管理(中国)有限公司 | 百日咳杆菌气管细胞毒素的筛查方法和含量测定方法 |
CN111000569A (zh) * | 2019-11-29 | 2020-04-14 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
WO2020081504A1 (en) * | 2018-10-15 | 2020-04-23 | Upmc | Systems and methods for specimen interpretation |
WO2020098083A1 (zh) * | 2018-11-13 | 2020-05-22 | 平安科技(深圳)有限公司 | 通话分离方法、装置、计算机设备及存储介质 |
CN111326261A (zh) * | 2020-02-20 | 2020-06-23 | 武汉东湖大数据交易中心股份有限公司 | 一种基于气象数据的上呼吸道疾病的预测系统及其预测方法 |
-
2020
- 2020-09-29 CN CN202011058177.9A patent/CN112071438B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4985353A (en) * | 1986-12-16 | 1991-01-15 | Trion Forskning-Och Utvecklings Aktiebolag | Method for the diagnosis of whooping-cough and a test kit for carrying the method into effect |
US20030065535A1 (en) * | 2001-05-01 | 2003-04-03 | Structural Bioinformatics, Inc. | Diagnosing inapparent diseases from common clinical tests using bayesian analysis |
EP2110745A1 (en) * | 2008-04-18 | 2009-10-21 | BAE Systems plc | Assisting failure diagnosis in a system |
US20170103182A1 (en) * | 2015-01-25 | 2017-04-13 | International Business Machines Corporation | Modelling Disease Progression and Intervention Effects Using Non-Clinical Information Proxies for Clinical Information |
WO2017079938A1 (en) * | 2015-11-12 | 2017-05-18 | Coyote Bioscience Co., Ltd. | Methods and systems for disease monitoring and assessment |
CN108475544A (zh) * | 2015-11-12 | 2018-08-31 | 卡尤迪医学检验实验室(北京)有限公司 | 用于疾病监测和评估的方法和系统 |
US20190318650A1 (en) * | 2018-04-11 | 2019-10-17 | Electronics And Telecommunications Research Institute | Method and apparatus for learner diagnosis using reliability of cognitive diagnostic model |
CN110806447A (zh) * | 2018-08-06 | 2020-02-18 | 岛津企业管理(中国)有限公司 | 百日咳杆菌气管细胞毒素的筛查方法和含量测定方法 |
WO2020081504A1 (en) * | 2018-10-15 | 2020-04-23 | Upmc | Systems and methods for specimen interpretation |
WO2020098083A1 (zh) * | 2018-11-13 | 2020-05-22 | 平安科技(深圳)有限公司 | 通话分离方法、装置、计算机设备及存储介质 |
CN111000569A (zh) * | 2019-11-29 | 2020-04-14 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
CN111326261A (zh) * | 2020-02-20 | 2020-06-23 | 武汉东湖大数据交易中心股份有限公司 | 一种基于气象数据的上呼吸道疾病的预测系统及其预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786192A (zh) * | 2021-01-18 | 2021-05-11 | 吾征智能技术(北京)有限公司 | 一种手足口病智能认知系统、设备、存储介质 |
CN115019973A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统及其筛查方法 |
CN115019973B (zh) * | 2022-08-08 | 2022-10-25 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112071438B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200211706A1 (en) | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system | |
CN112071438B (zh) | 一种百日咳智能筛查方法及系统 | |
CN111681219B (zh) | 基于深度学习的新冠病毒感染ct图像分类方法、系统及设备 | |
US7991579B2 (en) | Statistical methods for multivariate ordinal data which are used for data base driven decision support | |
Chaddad et al. | Deep CNN models for predicting COVID-19 in CT and x-ray images | |
Estrada et al. | Exploratory Dijkstra forest based automatic vessel segmentation: applications in video indirect ophthalmoscopy (VIO) | |
Jilani et al. | PCA-ANN for classification of Hepatitis-C patients | |
Keltch et al. | Comparison of AI techniques for prediction of liver fibrosis in hepatitis patients | |
CN111862075A (zh) | 一种基于深度学习的肺部图像分析系统及其分析方法 | |
Sachdeva et al. | A systematic method for diagnosis of hepatitis disease using machine learning | |
Kumar et al. | COV-DLS: prediction of COVID-19 from X-rays using enhanced deep transfer learning techniques | |
Shapiro et al. | Identifying patients at lowest risk for streptococcal pharyngitis: a national validation study | |
Rawat et al. | A Study on Liver Disease Using Different Machine Learning Algorithms | |
Chilukoti et al. | Diabetic retinopathy detection using transfer learning from pre-trained convolutional neural network models | |
venkatesh Chilukoti et al. | Diabetic Retinopathy Detection using Transfer Learning from Pre-trained Convolutional Neural Network Models | |
CN115482927B (zh) | 一种基于小样本的儿童肺炎诊断系统 | |
Hong et al. | A novel hierarchical deep learning framework for diagnosing multiple visual impairment diseases in the clinical environment | |
Nnebe et al. | A neuro-fuzzy case based reasoning framework for detecting Lassa fever based on observed symptoms | |
Rao et al. | COVID-19 detection method based on SVRNet and SVDNet in lung x-rays | |
Yazdani et al. | Supervised machine learning approach to COVID-19 detection based on clinical data | |
Fitriasari et al. | Improvement of Xception-ResNet50V2 concatenation for COVID-19 detection on chest X-ray images | |
Parashar et al. | Computer-aided diagnosis of glaucoma at early-stage using retinal fundus images | |
CN113610118A (zh) | 一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质 | |
Singh et al. | Detection of COVID-19 using CNN from Chest X-ray Images | |
CN110335674A (zh) | 一种用于助老助残机器人的疾病初步诊断方法 |
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 |