CN112101413A - 面向脑卒中风险预测的智能系统 - Google Patents

面向脑卒中风险预测的智能系统 Download PDF

Info

Publication number
CN112101413A
CN112101413A CN202010807770.2A CN202010807770A CN112101413A CN 112101413 A CN112101413 A CN 112101413A CN 202010807770 A CN202010807770 A CN 202010807770A CN 112101413 A CN112101413 A CN 112101413A
Authority
CN
China
Prior art keywords
data
model
risk
intelligent system
predicting
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
Application number
CN202010807770.2A
Other languages
English (en)
Inventor
谢小峰
景香香
刘丽莉
何珂
侯尧
刘伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Hainan General Hospital
Original Assignee
Hainan University
Hainan General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University, Hainan General Hospital filed Critical Hainan University
Priority to CN202010807770.2A priority Critical patent/CN112101413A/zh
Publication of CN112101413A publication Critical patent/CN112101413A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种面向脑卒中风险预测的智能系统，包括：数据输入单元，用于接收输入数据并对输入数据进行预处理；其中输入数据包括用于建立特征库的基础数据和多普勒数据；模型训练单元，用于采用随机森林模型作为分类器，将从特征库里挑选出来的特征子集和对应的标签信息作为训练样本，建立预测模型；预测单元，用于采集待测病人的基础数据和多普勒数据，并将采集的数据输入到之前已经训练好的模型中，以获取待测病人患脑卒中的风险概率。

Description

面向脑卒中风险预测的智能系统
技术领域
本发明涉及医学影像学领域；具体地说，本发明涉及一种基于深度卷 积网络结合随机森林算法的面向脑卒中风险预测的智能系统，其利用人工 智能技术进行医学影像的精准分析。
背景技术
脑卒中是一种急性脑血管疾病，调查显示，城乡合计脑卒中已成为我 国第一位死亡原因，也是中国成年人残疾的首要原因。由于脑卒中具有发 病率高、死亡率高和致残率高的特点，目前医学界认为预防是最好的措施， 因此脑卒中的风险预测对普通病人具有重要意义。在现代临床诊断和治疗 手段中，医学影像技术发挥着重要的作用。通过对脑血管的医学影像数据 进行分析，对于脑中风患者的治疗和预后的判断具有重要的临床价值。
随着人工智能技术的发展，越来越多的智能诊断技术被应用到医学影 像领域。利用人工智能技术在处理大数据所特有的优越性，为传统影像诊 断中的难题提供新的解决办法，实现对医学影像精准分析，提升诊断效率。 然而目前传统的医学影像计算机辅助诊断系统，基于深度学习中的卷积神 经网络，进行病变识别模型的训练，然后再使用模型进行病变识别检测， 判断病灶的位置和类型，而对未发生疾病的风险预测没有过多的深入的研 究，并且多数针对算法本身进行完善，就算法结构上并未做过多创新。
发明内容
【发明目的】
本发明所要解决的技术问题是针对现有技术中存在上述缺陷，利用人 工智能技术在处理大数据所特有的优越性，实现对医学影像精准分析，提 供一种基于深度卷积网络结合随机森林算法的面向脑卒中风险预测的智 能系统。
【技术方案】
根据本发明，提供了一种面向脑卒中风险预测的智能系统包括：
数据输入单元，用于接收输入数据并对输入数据进行预处理；其中输 入数据包括用于建立特征库的基础数据和多普勒数据；
模型训练单元，用于采用随机森林模型作为分类器，将从特征库里挑 选出来的特征子集和对应的标签信息作为训练样本，建立预测模型；
预测单元，用于采集待测病人的基础数据和多普勒数据，并将采集的 数据输入到之前已经训练好的模型中，以获取待测病人患脑卒中的风险概 率。
优选地，基础数据包括个人情况以及常规检查指标，个人情况包括年 龄、身高、体重、性别等；常规检查指标包括对应脑卒中风险评估表的指 标。
优选地，多普勒数据包括常用指标和算法指标，常用指标是指医院所 运用的经颅多普勒指标，算法指标是采用深度网络从经颅多普勒图像中提 取的特征。
优选地，数据输入单元针对经颅多普勒影像，采用深度卷积神经网络 进行特征提取，将高维图像变成低维特征，得到经颅多普勒的算法指标， 结合基础数据、多普勒常用指标，并且基于线性判别分析进行特征提取以 建立特征库。
优选地，数据输入单元构建21层卷积神经网络，其中21层卷积神经 网络包括13个卷积层、5个池化层、3个全连接层，通过softmax激活函 数，得到经颅多普勒的算法指标。
优选地，模型训练单元将基础数据和多普勒数据构建成样本，每个病 人组成1个样本，再给每个病人赋予风险标签，形成1个数据集；数据集 被分为训练集、验证集和测试集；训练集用于模型训练，验证集用于模型 调整，测试集则是模型测试；训练集与测试集划分比例为3:1。
优选地，模型训练单元执行的随机森林实现过程包括：
针对每个训练集中的365*2*8个样本；
从365*2*8个样本中随机有放回的抽出m个样本，重复K次以构造K 个子样本集，其中m、K为正整数；
针对每个样本子集，再从特征总数N中随机抽取n个特征，组成(m， n)的新样本集，其中n为正整数；
对每个(m，n)集使用决策树模型进行分类，根据信息增益，从顶端 开始分裂，先从n个特征中选出最优的特征n_best，并按照其取值情况分 裂，得到下一级节点，然后又下一级又逐点选出最优特征，再分裂，直到 信息增益小于设定阈值为止；
学习到每个子样本集对应的决策树后，对于新的样本，可输入到各个 决策树中，得到样本对应的多个预测值，最后进行多结果投票，得出最终 的预测值。
优选地，模型训练单元利用ID3决策树学习算法以信息增益为准则划 分属性，其中信息熵的公式为：
Figure BDA0002629792120000031
信息增益的公式为：
Figure BDA0002629792120000032
其中样本集合D中第k类本所占的比例为pk(k＝1,2,...,|Y|)，a为属性。
优选地，模型训练单元利用随机森林算法对所有样本进行训练，为初 始训练模型设置不同的超参数，随机森林的决策树数量为500，决策树最 大深度分别为15。
优选地，模型训练单元根据模型在测试集上的预测精度作为模型的评 价指标，选取精度最大的随机森林模型作为系统的预测模型。
【有益效果】
本发明相较与现有技术所提出的算法，通过深度卷积神经网络提取经 颅多普勒影像数据的特征，将基础数据和多普勒数据结合建立特征库，使 实验数据更加充分具体，使实验数据包容性更大。而且，数据的增加并没 有增加算法的负担，通过特征选择，保留且仅保留体现原始数据特征的主 要部分进行建模。通过对多种算法的建模分析，排除噪声对数据集的影响。 最后确定基于深度卷积网络结合ID3决策树算法的面向脑卒中风险预测模型的最优建模方法。深度卷积网络结合ID3决策树算法的引入使得随机森 林模型的训练过程更具有科学性，同时由于随机森林采用了集成学习的思 路，将多个弱的决策树通过投票合成强的分类器，再结合特有的高质量数 据和标注信息，对脑卒中进行风险预测，从而提高对影像图像的诊断效率， 为医生提供更多可靠的诊断信息，达到诊断目的。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更 完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1示意性地示出了根据本发明优选实施例的面向脑卒中风险预测的 智能系统的系统框图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示 结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标 有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对 本发明的内容进行详细描述。
本发明针对大量历史影像数据构建机器学习模型，从影像图像中提取 具有高代表性的图像特征，并与病人基础数据及其他数据结合形成特征库， 构建脑卒中诊断和风险预测的影像学模型，提出一种面向脑卒中风险预测 的智能系统。而且本发明考虑将深度卷积网络和随机森林算法引入患者脑 卒中风险预测诊断模型的建立过程中，通过提供一种监督的高效机器学习 方法，建立具有鲁棒性的脑卒中风险预测模型。
图1示意性地示出了根据本发明优选实施例的面向脑卒中风险预测的 智能系统的系统框图。如图1所示，根据本发明优选实施例的面向脑卒中 风险预测的智能系统包括：数据输入单元10，用于接收输入数据并对输入 数据进行预处理；其中输入数据包括用于建立特征库的基础数据和多普勒 数据。
其中，例如，基础数据包括个人情况以及常规检查指标，个人情况包 括年龄、身高、体重、性别等；常规检查指标包括对应脑卒中风险评估表 的指标，例如包括高血压情况、高血糖情况、血脂情况等指标。
而且例如，多普勒数据包括常用指标和算法指标，常用指标是指医院 所运用的经颅多普勒指标(比如血流方向，最大血流速度，最小血流速度， 平均血流速度，搏动指数PI等)；算法指标是指采用深度网络从经颅多普 勒图像中提取的特征。
其中，数据输入单元10针对经颅多普勒影像，采用深度卷积神经网 络进行特征提取，将高维图像变成低维特征，得到经颅多普勒的算法指标， 结合基础数据、多普勒常用指标，并且基于线性判别分析进行特征提取以 建立特征库。
优选地，数据输入单元10构建21层卷积神经网络，其中21层卷积 神经网络包括13个卷积层、5个池化层、3个全连接层，通过softmax激 活函数，得到经颅多普勒的算法指标。例如，将整个图像的特征转换为1000 维的特征向量，利用softmax激活函数处理特征向量，得到经颅多普勒的 算法指标。
如图1所示，根据本发明优选实施例的面向脑卒中风险预测的智能系 统还包括：模型训练单元20，用于采用随机森林模型作为分类器，将从特 征库里挑选出来的特征子集和对应的标签信息作为训练样本，建立预测模 型。
例如，模型训练单元20将基础数据和多普勒数据构建成样本，每个 病人组成1个样本，再给每个病人赋予风险标签，形成1个数据集；数据 集被分为训练集、验证集和测试集；训练集用于模型训练，验证集用于模 型调整，测试集则是模型测试；训练集与测试集划分比例为3:1。例如， 训练集300个样本，测试集100个样本。其中随机森林模型的决策树数量 设置为500，每个决策树最大深度设置为15。
优选地，模型训练单元采用了集成学习的思路，将多个弱的决策树通 过投票合成强的分类器，再结合特有的高质量数据和标注信息，建立随机 森林模型。例如，模型训练单元20的随机森林实现过程包括：
针对每个训练集中的365*2*8个样本；
从365*2*8个样本中随机有放回的抽出m个样本，重复K次以构造K 个子样本集，其中m、K为正整数；
针对每个样本子集，再从特征总数N中随机抽取n个特征，组成(m， n)的新样本集，其中n为正整数；
对每个(m，n)集使用决策树模型进行分类，根据信息增益，从顶端 开始分裂，先从n个特征中选出最优的特征，并按照其取值情况分裂，得 到下一级节点，然后又下一级又逐点选出最优特征，再分裂，直到信息增 益小于某设定阈值为止；
学习到每个子样本集对应的决策树后，对于新的样本，可输入到各个 决策树中，得到样本对应的多个预测值，最后进行多结果投票，得出最终 的预测值。
优选地，模型训练单元20利用ID3决策树学习算法以信息增益为准 则划分属性，其中信息熵的公式为：
Figure BDA0002629792120000061
信息增益的公式为：
Figure BDA0002629792120000071
其中样本集合D中第k类本所占的比例为pk(k＝1,2,...,|Y|)，a为属性。
对于连续值的特征，选择区间[ai,ai+1)的中位点
Figure BDA0002629792120000072
作为候选划分点， 获得n-1个元素的候选划分点集合为：
Figure RE-GDA0002779959190000073
信息增益的公式为：
Figure BDA0002629792120000074
其中Gain(D,a,t)是样本集D基于划分点t二分后的信息增益，选择其 最大化的划分点。
优选地，模型训练单元20利用随机森林算法对所有样本进行训练， 为初始训练模型设置不同的超参数，随机森林的决策树数量分别为120、 200、300、500、800、1200共6种情况，决策树最大深度分别为5、8、 15、25、30共5种情况。具体地说，分别选取六个不同的决策树数量(120、 200、300、500、800、1200)来观察样本预测精度的影响。当决策树数目 上升时，预测精度呈上升趋势并在达到500时逐渐平稳。研究表明，决策 树的数量对模型预测精度有一定的影响，当决策树的数量过少时，会出现 欠拟合现象，导致模型精度降低，当决策树的数量过多时，会抵消随机性 的引入，出现过拟合现象，反而降低预测精度，泛化性能也会随之降低。 值得注意的是，当决策树数量达到500时，多数样本首次达到最大预测精 度，为了保证模型泛化性且不增加模型负担，将决策树数量设置为500。 分别选取五个不同的决策树最大深度(5、8、15、25、30)来观察样本预 测精度的影响。当决策树最大深度变大时，预测精度呈上升趋势并逐渐平 稳。决策树的剪枝策略对模型性能有重要的影响，当决策树深度限制过小 时，会出现欠拟合现象，而当决策树深度过大时，又会出现过拟合现象， 欠拟合与过拟合都会导致模型预测精度降低。值得注意的是，样本所表现 出的变化趋势，当决策树深度设置为超过15后，出现过拟合现象，影响 模型预测精度。为了模型泛化性，结合100个样本变化规律，将决策树深 度设置为15。
优选地，模型训练单元20根据模型在测试集上的预测精度作为模型 的评价指标，选取精度最大的随机森林模型作为系统的预测模型。
如图1所示，根据本发明优选实施例的面向脑卒中风险预测的智能系 统还包括：预测单元30，用于采集待测病人的基础数据和多普勒数据，并 将采集的数据输入到之前已经训练好的模型中，以获取待测病人患脑卒中 的风险概率。
【具体示例】
为了使本发明的技术手段、创作特征、达成目的与功效更加明了，下 面结合具体实施例的示例，进一步阐述本发明。整个实施过程说明如下：
(1)数据的获取。于海南省人民医院采集7786份病人的基础数据， 每份数据包括一个病人的个人情况、常规检查指标、多普勒常用指标和高 质量的经颅多普勒影像。
(2)多普勒算法指标的采集。采用深度卷积神经网络进行特征提取， 将高维图像变成低维特征，得到经颅多普勒的算法指标。
(3)特征提取。采用线性判别分析对每组数据进行特征提取，得到 特征库。
(4)样本集的划分。将病人的基础数据和多普勒算法指标构成样本。 按照浓度梯度法，以3：1的比例，将7786个实验样本划分为5840个样 本组成的建模集和1946个样本组成的测试集。
(5)模型的建立。通过ID3算法建立决策树，并且为初始训练模型 设置不同的超参数。随机森林的决策树数量分别为120、200、300、500、 800、1200共6种情况，决策树最大深度分别为5、8、15、25、30共5种 情况。建立30个超参数组合对应的30个模型，综合考虑模型在测试集上 的精度和均方根误差后，最终选定了决策树数量500，深度15的模型。
(6)对建模集和预测集进行预测，阈值超过0.7的记为正样本，病人 脑卒中预测精度到达93％，获得了满意的预测精度。
根据本发明，可以有效地预测病人脑卒中的风险概率，提高对影像图 像的诊断效率，为医生提供更多可靠的诊断信息，为临床提供更客观准确 的依据，从而为患者制定更合理的治疗方案。
此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第 二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而 不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施 例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离 本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术 方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此， 凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例 所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的 范围内。

Claims (10)

1.一种面向脑卒中风险预测的智能系统，其特征在于包括：
数据输入单元，用于接收输入数据并对输入数据进行预处理；其中输入数据包括用于建立特征库的基础数据和多普勒数据；
模型训练单元，用于采用随机森林模型作为分类器，将从特征库里挑选出来的特征子集和对应的标签信息作为训练样本，建立预测模型；
预测单元，用于采集待测病人的基础数据和多普勒数据，并将采集的数据输入到之前已经训练好的模型中，以获取待测病人患脑卒中的风险概率。
2.根据权利要求1所述的面向脑卒中风险预测的智能系统，其特征在于，基础数据包括个人情况以及常规检查指标，个人情况包括年龄、身高、体重、性别等；常规检查指标包括对应脑卒中风险评估表的指标。
3.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，多普勒数据包括常用指标和算法指标，常用指标是指医院所运用的经颅多普勒指标，算法指标是采用深度网络从经颅多普勒图像中提取的特征。
4.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，数据输入单元针对经颅多普勒影像，采用深度卷积神经网络进行特征提取，将高维图像变成低维特征，得到经颅多普勒的算法指标，结合基础数据、多普勒常用指标，并且基于线性判别分析进行特征提取以建立特征库。
5.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，数据输入单元构建21层卷积神经网络，其中21层卷积神经网络包括13个卷积层、5个池化层、3个全连接层，通过softmax激活函数，得到经颅多普勒的算法指标。
6.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，模型训练单元将基础数据和多普勒数据构建成样本，每个病人组成1个样本，再给每个病人赋予风险标签，形成1个数据集；数据集被分为训练集、验证集和测试集；训练集用于模型训练，验证集用于模型调整，测试集则是模型测试；训练集与测试集划分比例为3:1。
7.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，模型训练单元执行的随机森林实现过程包括：
针对每个训练集中的365*2*8个样本；
从365*2*8个样本中随机有放回的抽出m个样本，重复K次以构造K个子样本集，其中m、K为正整数；
针对每个样本子集，再从特征总数N中随机抽取n个特征，组成(m，n)的新样本集，其中n为正整数；
对每个(m，n)集使用决策树模型进行分类，根据信息增益，从顶端开始分裂，先从n个特征中选出最优的特征n_best，并按照其取值情况分裂，得到下一级节点，然后又下一级又逐点选出最优特征，再分裂，直到信息增益小于设定阈值为止；
学习到每个子样本集对应的决策树后，对于新的样本，可输入到各个决策树中，得到样本对应的多个预测值，最后进行多结果投票，得出最终的预测值。
8.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，模型训练单元利用ID3决策树学习算法以信息增益为准则划分属性，其中信息熵的公式为：
Figure FDA0002629792110000031
信息增益的公式为：
Figure FDA0002629792110000032
其中样本集合D中第k类本所占的比例为pk(k＝1,2,...,|Y|)，a为属性。
9.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，模型训练单元利用随机森林算法对所有样本进行训练，为初始训练模型设置不同的超参数，随机森林的决策树数量为500，决策树最大深度分别为15。
10.根据权利要求1或2所述的面向脑卒中风险预测的智能系统，其特征在于，模型训练单元根据模型在测试集上的预测精度作为模型的评价指标，选取精度最大的随机森林模型作为系统的预测模型。
CN202010807770.2A 2020-08-12 2020-08-12 面向脑卒中风险预测的智能系统 Pending CN112101413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010807770.2A CN112101413A (zh) 2020-08-12 2020-08-12 面向脑卒中风险预测的智能系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010807770.2A CN112101413A (zh) 2020-08-12 2020-08-12 面向脑卒中风险预测的智能系统

Publications (1)

Publication Number Publication Date
CN112101413A true CN112101413A (zh) 2020-12-18

Family

ID=73753586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010807770.2A Pending CN112101413A (zh) 2020-08-12 2020-08-12 面向脑卒中风险预测的智能系统

Country Status (1)

Country Link
CN (1) CN112101413A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669968A (zh) * 2020-12-31 2021-04-16 上海电气集团股份有限公司 一种疾病风险预测方法和设备
CN113040711A (zh) * 2021-03-03 2021-06-29 吾征智能技术(北京)有限公司 一种脑卒中发病风险预测系统、设备、存储介质
CN113539485A (zh) * 2021-09-02 2021-10-22 河南省尚德尚行网络技术有限公司 医疗数据处理方法及装置
CN113796877A (zh) * 2021-08-17 2021-12-17 昆明同心医联科技有限公司 脑卒中预测值获取方法、装置及存储介质
CN114566284A (zh) * 2021-06-07 2022-05-31 医渡云（北京）技术有限公司 疾病预后风险预测模型训练方法、装置及电子设备
CN114743619A (zh) * 2022-04-20 2022-07-12 山东大学齐鲁医院 一种用于疾病风险预测的调查问卷质量评价方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558896A (zh) * 2018-11-06 2019-04-02 中山大学附属第医院 基于超声组学和深度学习的疾病智能化分析方法及系统
CN109559761A (zh) * 2018-12-21 2019-04-02 广东工业大学 一种基于深度语音特征的脑卒中风险预测方法
CN111493935A (zh) * 2020-04-29 2020-08-07 中国人民解放军总医院 基于人工智能的超声心动图自动预测识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558896A (zh) * 2018-11-06 2019-04-02 中山大学附属第医院 基于超声组学和深度学习的疾病智能化分析方法及系统
CN109559761A (zh) * 2018-12-21 2019-04-02 广东工业大学 一种基于深度语音特征的脑卒中风险预测方法
CN111493935A (zh) * 2020-04-29 2020-08-07 中国人民解放军总医院 基于人工智能的超声心动图自动预测识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MD. MAHABUR ALAM: "A Decision Support System for Early Prediction of Brain Stroke Disease in Bangladesh", 《网页在线公开：DSPACE.DAFFODILVARSITY.EDU.BD:8080/HANDLE/123456789/3669》 *
李广智: "《名医与您谈疾病丛书 脑卒中 第2版》", 31 July 2013, 中国医药科技出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669968A (zh) * 2020-12-31 2021-04-16 上海电气集团股份有限公司 一种疾病风险预测方法和设备
CN113040711A (zh) * 2021-03-03 2021-06-29 吾征智能技术(北京)有限公司 一种脑卒中发病风险预测系统、设备、存储介质
CN113040711B (zh) * 2021-03-03 2023-08-18 吾征智能技术(北京)有限公司 一种脑卒中发病风险预测系统、设备、存储介质
CN114566284A (zh) * 2021-06-07 2022-05-31 医渡云（北京）技术有限公司 疾病预后风险预测模型训练方法、装置及电子设备
CN113796877A (zh) * 2021-08-17 2021-12-17 昆明同心医联科技有限公司 脑卒中预测值获取方法、装置及存储介质
CN113539485A (zh) * 2021-09-02 2021-10-22 河南省尚德尚行网络技术有限公司 医疗数据处理方法及装置
CN113539485B (zh) * 2021-09-02 2024-03-26 河南省尚德尚行网络技术有限公司 医疗数据处理方法及装置
CN114743619A (zh) * 2022-04-20 2022-07-12 山东大学齐鲁医院 一种用于疾病风险预测的调查问卷质量评价方法及系统
CN114743619B (zh) * 2022-04-20 2024-03-29 山东大学齐鲁医院 一种用于疾病风险预测的调查问卷质量评价方法及系统

Similar Documents

Publication Publication Date Title
CN112101413A (zh) 面向脑卒中风险预测的智能系统
CN109998525B (zh) 一种基于判别式深度置信网络的心律失常自动分类方法
CN108877949B (zh) 基于孤立森林算法和投票机制的唐氏综合症筛查方法
CN110246577B (zh) 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN108492877B (zh) 一种基于ds证据理论的心血管病辅助预测方法
CN114926477A (zh) 一种基于深度学习的脑肿瘤多模态mri影像分割方法
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
CN108511056A (zh) 基于脑卒中患者相似性分析的治疗方案推荐方法及系统
CN113113130A (zh) 一种肿瘤个体化诊疗方案推荐方法
CN112784856A (zh) 胸部x射线图像的通道注意力特征提取方法和识别方法
CN114038564B (zh) 一种糖尿病无创风险预测方法
CN117116477A (zh) 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统
CN111462082A (zh) 一种病灶图片识别装置、方法、设备及可读存储介质
CN115005768A (zh) 皮肤病图片分类方法、装置、产品及存储介质
CN111986814A (zh) 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
CN111755129B (zh) 多模态骨质疏松分层预警方法及系统
CN111261283B (zh) 基于金字塔型卷积层的心电信号深度神经网络建模方法
Lu et al. Data enhancement and deep learning for bone age assessment using the standards of skeletal maturity of hand and wrist for chinese
CN112842342B (zh) 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
WO2023221068A1 (zh) 一种基于人体序参量模型的脉搏波智能辨析方法及系统
CN112686091B (zh) 基于深度神经网络的两步骤心律失常分类方法
Kaya et al. A diagnostic fuzzy rule-based system for congenital heart disease
CN109192315B (zh) 基于加权核回归和封装式偏差搜索的综合年龄检测系统
Liu et al. A Lightweight Hybrid Model Using Multiscale Markov Transition Field for Real-Time Quality Assessment of Photoplethysmography Signals
He et al. Automatic classification of arrhythmias by residual network and BiGRU with attention mechanism

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201218