CN112102950B - 一种数据处理系统、方法、装置及存储介质 - Google Patents
一种数据处理系统、方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112102950B CN112102950B CN202011213492.4A CN202011213492A CN112102950B CN 112102950 B CN112102950 B CN 112102950B CN 202011213492 A CN202011213492 A CN 202011213492A CN 112102950 B CN112102950 B CN 112102950B
- Authority
- CN
- China
- Prior art keywords
- target
- target disease
- tth
- feature
- patient
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 claims abstract description 184
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 184
- 230000015654 memory Effects 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 68
- 206010061819 Disease recurrence Diseases 0.000 claims description 64
- 230000007246 mechanism Effects 0.000 claims description 21
- 125000004122 cyclic group Chemical group 0.000 claims description 18
- 230000006835 compression Effects 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000003672 processing method Methods 0.000 claims description 11
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 102000007562 Serum Albumin Human genes 0.000 description 2
- 108010071390 Serum Albumin Proteins 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 206010040047 Sepsis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000011269 treatment regimen 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种数据处理系统、方法、装置及存储介质，应用于医疗技术领域，该数据处理系统系统包括存储设备和终端设备，存储设备，用于存储至少一个患者与目标疾病关联的各时序数据集；终端设备，用于从存储设备中获取目标患者的目标时序数据集，并通过目标疾病复发预测模型依照该目标时序数据集确定目标患者复发目标疾病的预测结果，有利于提高确定目标患者复发目标疾病的预测结果的准确性。本申请涉及区块链技术，如可将患者的时序数据集写入区块链中，以用于确定目标患者复发目标疾病的预测结果等场景下。
Description
技术领域
本申请涉及数据分析技术领域，具体应用于医疗技术领域，具体涉及一种数据处理系统、一种数据处理方法、一种数据处理装置、一种终端设备及一种计算机可读存储介质。
背景技术
在医疗技术领域，患有某种疾病（即目标疾病）的患者在治愈后仍然存在复发可能，若患者不提前预防，复发的概率会增大。准确地预测目标疾病的复发非常重要，可以为临床医生提供决策支持，提前预防和有针对性地给予治疗方案。
可见，如何准确地预测目标患者复发目标疾病的可能性，成为一个亟待解决的问题。
发明内容
本申请实施例提供了一种数据处理系统、方法、装置及存储介质，可以提高确定目标患者复发目标疾病的预测结果的准确性。
本申请实施例第一方面提供了一种数据处理系统，其特征在于，该系统包括存储设备和终端设备，其中：
所述存储设备，用于存储至少一个患者与目标疾病关联的各时序数据集，任一患者的时序数据集包括所述任一患者在各时间节点与所述目标疾病关联的疾病统计数据；
所述终端设备，用于从所述存储设备存储的所述各时序数据集中获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标患者在n个时间节点与所述目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]；
所述终端设备，还用于将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；
所述终端设备，还用于调用所述目标疾病复发预测模型中的第m特征处理模块对输入所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]；依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
本申请实施例第二方面提供了一种数据处理方法，包括：
获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标患者在n个时间节点与所述目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]；
将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；调用所述目标疾病复发预测模型中的第m特征处理模块对输入所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]；依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
本申请实施例第三方面提供了一种数据处理装置，包括：
获取模块，用于获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标患者在n个时间节点与所述目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]；
处理模块，用于将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；
所述处理模块，还用于调用所述目标疾病复发预测模型中的第m特征处理模块对输入所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]；
所述处理模块，还用于依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
本申请实施例第四方面提供了一种终端设备，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述程序，执行上述第一方面所述的方法。
本申请实施例第五方面提供了一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面所述的方法。
在本申请实施例中，可将目标时序数据集输入目标疾病复发预测模型，调用目标疾病复发预测模型中的第m特征处理模块对输入第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]。进一步地，可依照n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定目标患者复发目标疾病的预测结果。采用这样的方式，使得目标疾病复发预测模型关注目标时序数据集中各时间节点的疾病统计数据之间前后的联系，有利于提高确定目标患者复发目标疾病的预测结果的准确性。
附图说明
为了更清楚地说明本申请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，下面描述的附图仅仅是本申请的一些实施例，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是本申请实施例提供的一种数据处理系统的架构示意图；
图2是本申请实施例提供的一种数据处理方法的流程示意图；
图3是本申请实施例提供的一种目标疾病复发预测模型的结构示意图；
图4是本申请实施例提供的另一种目标疾病复发预测模型的结构示意图；
图5是本申请实施例提供的又一种目标疾病复发预测模型的结构示意图；
图6是本申请实施例提供的一种数据处理装置的结构示意图；
图7是本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，本申请实施提出了一种数据处理系统，该系统包括存储设备和终端设备，此处的终端设备可以为以下任一种：智能手机、平板电脑、膝上计算机等便携式设备，以及台式电脑，等等。其中：
存储设备，用于存储至少一个患者与目标疾病关联的各时序数据集，任一患者的时序数据集包括所述任一患者在各时间节点与所述目标疾病关联的疾病统计数据至少一个患者与目标疾病关联的目标历史医疗数据。其中，上述任一患者为曾患有或者正患有目标疾病的患者，该任一患者的疾病统计数据可以包括任一患者的实验室检查和人口统计学特征，也包括一些时序因子。目标疾病可以为疾病1、疾病2（例如心梗）和疾病3（例如心衰）等等，假设目标疾病为疾病1，通过实验结果发现：血液中血红蛋白含量和体检日期到疾病1缓解时间的间隔，IgG染色强度，血白蛋白，尿蛋白定量，疾病1缓解类型都是最比较重要的特征，对于预测疾病1复发至关重要。因此，与疾病1关联的疾病统计数据可以包括：患者的血液中血红蛋白含量和体检日期到疾病1缓解时间的间隔，IgG染色强度，血白蛋白，尿蛋白定量，疾病1缓解类型等等。
该存储设备可以指患者监护系统对应的服务器，或者，区块链网络中的节点设备。在一个实施例中，每个患者与目标疾病相关的每次就诊、诊疗、实验室检验、手术产生的历史医疗数据均可以上传至患者监护系统，患者监护系统可以将各个患者的在各时间节点与目标疾病关联的疾病统计数据构成一个时序数据集，并将各个患者的时序数据集存储至服务器中。
或者，患者监护系统在接收到各患者在各时间节点与目标疾病关联的疾病统计数据后，可以将各患者在各时间节点与目标疾病关联的疾病统计数据发送至区块链网络中的节点设备，节点设备可以将各患者在各时间节点与目标疾病关联的疾病统计数据构成一个时序数据集，并将各患者的时序数据集写入区块链。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。
终端设备，用于从存储设备存储的各时序数据集中获取目标患者的目标时序数据集，目标时序数据集包括目标患者在n个时间节点与目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，n个时间节点中的第t个时间节点对应n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]。
终端设备，还用于将目标时序数据集输入目标疾病复发预测模型，目标疾病复发预测模型中包括n个特征处理模块，n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht。
终端设备，还用于调用目标疾病复发预测模型中的第m特征处理模块对输入第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]；依照n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定目标患者复发目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
在一个实施例中，n个特征处理模块包括n个循环神经网络细胞掩组和n个隐含层，n个循环神经网络细胞掩组中的第t循环神经网络细胞掩组和n个隐含层中的第t隐含层一一对应，若t=m，终端设备，还具体用于：
通过第t循环神经网络细胞掩组对输入第t循环神经网络细胞掩组的目标疾病统计数据xt和第t-1隐含层输出的第t-1特征信息ht-1进行词嵌入，得到第t循环神经网络细胞掩组对应的第t记忆细胞
；更新第t记忆细胞
得到第t目标记忆细胞Ct，并将第t目标记忆细胞Ct输入第t循环神经网络细胞掩组对应的第t隐含层；
通过第t隐含层对第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
在一个实施例中，终端设备，具体用于调用第t循环神经网络细胞掩组根据遗忘门函数和输入门函数更新第t记忆细胞
，得到第t目标记忆细胞Ct。
在一个实施例中，终端设备，具体用于调用第t隐含层依照输出门函数对所述第t目标记忆细胞Ct输入的所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
在一个实施例中，目标疾病复发预测模型还包括注意力机制层，终端设备，还用于通过注意力机制层对输入所述注意力机制层的第t特征信息ht进行解析，基于解析结果为第t特征信息ht生成第t目标权重wt，将第t特征信息ht更新为ht*wt，并将ht*wt输入第t+1循环神经网络细胞掩组；调用第t+1循环神经网络细胞掩组对输入第t+1循环神经网络细胞掩组的目标疾病统计数据xt+1和第t特征信息ht*wt进行词嵌入，得到第t+1循环神经网络细胞掩组对应的第t+1记忆细胞
。
在一个实施例中，目标患者复发目标疾病的预测结果包括目标患者在各时间节点复发所述目标疾病的概率。
在本申请实施例中，上述终端设备的具体实现可参考下述图2所对应的实施例中相关内容的描述，在此不作具体赘述。
请参见图2，是本申请实施例提供的一种数据处理方法的流程示意图，该数据处理方法可由上述数据处理系统中的终端设备执行，该数据处理方法包括如下步骤：
S201、获取目标患者的目标时序数据集，目标时序数据集包括目标患者在n个时间节点与目标疾病关联的n个目标疾病统计数据，n为大于1的整数。其中， n个时间节点中的第t个时间节点对应n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]。
在一个实施例中，目标疾病可以为心衰、心梗、脓毒症等等，终端设备可以与存储设备进行数据交互，该存储设备可以指监护系统对应的服务器或者区块链网络中的节点设备，存储设备预先存储有至少一个患者与目标疾病关联的各时序数据集，任一患者的时序数据集包括所述任一患者在各时间节点与所述目标疾病关联的疾病统计数据。
在一个实施例中，终端设备运行有疾病复发预测平台对应的应用程序，或者可以开启疾病复发预测平台对应的网页。任一用户（可以指患者或者医生）均可以通过登录疾病复发预测平台，提交针对目标患者的疾病复发预测请求，该疾病复发预测请求包括目标患者的身份信息和目标疾病的标识信息，其中，该目标患者的身份信息可以指目标患者的证件号码，或者可以唯一标识目标患者的病历号等。
进一步地，当终端设备检测到用户提交的上述疾病复发预测请求之后，可以基于上述身份信息和目标疾病的标识信息，从存储设备存储的至少一个患者与目标疾病关联的各时序数据集中，获取目标患者的目标时序数据集。
或者，在另一个实施例中，至少一个患者与目标疾病关联的各时序数据集可以预先写入区块链，后续，终端设备可以通过区块链网络中的节点设备，从区块链获取目标患者的目标时序数据集。
S202、将目标时序数据集输入目标疾病复发预测模型，目标疾病复发预测模型中包括n个特征处理模块，n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht。
在一个实施例中，目标疾病复发预测模型的网络结构图可以如图3所示，目标疾病复发预测模型包括n个特征处理模块，n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息。目标疾病复发预测模型的输入为一个时序数据，输出的预测结果也可以为一个时序数据，该预测结果可以为一个时序序列[y1，y2，y3…yk]表征每一个时间节点下，患者目标疾病复发的预测结果，例如，时间单位为年，k=5，时序序列表征：未来的第一年不复发，未来的第二年不复发、未来第三年不复发、未来第四年不复发，以及未来五年复发。
在应用目标疾病复发预测模型对目标患者进行疾病复发预测之前，可以采集大量样本患者的时序样本数据集，任一样本患者的时序样本数据集包括任一样本患者在各时间节点与目标疾病关联的疾病统计样本数据（包括的数据类型与上述疾病统计数据相同，只是不同患者具体内容或者数值不同）。进一步地，可以将各样本患者的时序样本数据集作为训练样本，并对各训练样本添加标注标签。
具体地，本申请实施例对每一个个体（即患者）的预测目标，保留两个变量。其中一个变量time 代表随访删失的时间，另外一变量event代表事件是否发生（即目标疾病是否复发），复发的event为1，未复发的event为0。由于随访最大时间为26年，本申请实施例可将预测的时间序列设定为27个时间点，每个时间点代表1年，代表27年。这种情况下，在训练过程中，可以对每一个训练样本添加标注标签，标注标签可以为T（e），其中，T代表第几年，在复发的情况下e为1，未复发或者随访删失e为0。后续基于这样的训练样本对模型进行训练，模型的输出将为一个时序输出（即图3中的y1，y2…yk）。
其中，随访删失是指：患有目标疾病的患者在目标疾病治愈后，会定期随访，医生可以基于随访记录了解患者的健康情况，但一些可能随访几年（例如3年）后，且在这几年未复发目标疾病，后续几年便没有了数据记录。由于存在随访删失的样本患者，是否复发目标疾病其实是无法判断的，目前对于存在随访删失的样本患者是无法作为训练样本对目标疾病复发预测模型进行训练。但本方案，可以通过两个变量添加标注标签，即便是随访删失的样本患者也可以作为训练样本，有利于处理删失问题，降低样本的选取难度。
进一步地，可以大量添加有标注标签的训练样本对目标疾病复发预测模型进行训练，训练完成后，当有任一患者的目标时序数据集输入目标疾病复发预测模型，目标疾病复发预测模型均可以输出目标患者复发目标疾病的预测结果。该预测结果可以为一个时序序列，如图3中[y1，y2，y3…yk]，表征目标患者在各预设时间节点复发目标疾病的概率，例如，时间单位为年，k=5，预设时间节点为以当前时间为时间起点，未来的第一年、未来的第二年、未来的第三年、未来的第四年以及未来的第五年，例如当前时间为2020年，那么各预设时间节点分别为：2021年、2022年、2023年、2024年、2025年。上述时序序列表征：未来的第一年（即2021年）不复发（即概率为0），未来的第二年（即2022年）不复发（即概率为0）、未来第三年（即2023年）不复发（即概率为0）、未来第四年（即2024年）不复发（即概率为0），以及未来五年（即2025年）复发（即概率为1）。
或者，上述预测结果还可以为对时序序列[y1，y2，y3…yk]中每一个预设时间节点下的ya（a
[1，k]）求和，得到总的一个复发概率S（k）。
S203、调用目标疾病复发预测模型中的第m特征处理模块对输入第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]。
在一个实施例中，n个特征处理模块包括n个循环神经网络细胞掩组和n个隐含层，n个循环神经网络细胞掩组中的第t循环神经网络细胞掩组和所述n个隐含层中的第t隐含层一一对应，循环神经网络细胞掩组例如可以为LSTM（Long Short-Term Memory，长短期记忆网络）细胞掩组。
具体实现中，假设t=m，任一个第m特征处理模块（即n个特征处理模块中除了第一个特征处理模块以外的其它n-1个特征处理模块）进行词嵌入，确定并输出第m特征信息hm的方式为：通过第t循环神经网络细胞掩组对输入第t循环神经网络细胞掩组的目标疾病统计数据xt和第t-1隐含层输出的第t-1特征信息ht-1进行词嵌入，得到第t循环神经网络细胞掩组对应的第t记忆细胞
；更新第t记忆细胞
得到第t目标记忆细胞Ct，并将第t目标记忆细胞Ct输入第t循环神经网络细胞掩组对应的第t隐含层。进一步地，通过第t隐含层对第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
其中，上述对输入第t循环神经网络细胞掩组的目标疾病统计数据xt和第t-1隐含层输出的第t-1特征信息ht-1进行词嵌入，得到第t循环神经网络细胞掩组对应的第t记忆细胞
，可以是依据式1.1计算得到的。式1.1中wj和uj均为控制门函数，用于控制保留对应信息的比例，例如wj用于控制保留第t-1特征信息ht-1的比例，uj用于控制保留输入第t循环神经网络细胞掩组的目标疾病统计数据xt的比例。bj为一个偏置矩阵，模型训练完成后，该偏置矩阵是确定的。
在一个实施例中，更新第t记忆细胞
得到第t目标记忆细胞Ct的具体方式为：调用第t循环神经网络细胞掩组根据遗忘门函数和输入门函数更新第t记忆细胞
，得到第t目标记忆细胞Ct。
其中，调用第t循环神经网络细胞掩组根据遗忘门函数和输入门函数更新第t记忆细胞
，得到第t目标记忆细胞Ct，可以是依据式1.2计算得到的。
其中，ft为遗忘门函数，it为输入门函数，Ct-1为第t-1目标记忆细胞（即针对第t循环神经网络细胞掩组而言，第t循环神经网络细胞掩组的前一个循环神经网络细胞掩组（第t-1循环神经网络细胞掩组）得到的第t-1目标记忆细胞。
ft和it的计算方式参见式1.3和式1.4。式1.3和式1.4中，
表示sigmoid激活函数，所有的w和b代表相应的权重矩阵和偏置。
其中，在一个实施例中，终端设备可调用第t隐含层依照输出门函数对所述第t目标记忆细胞Ct输入的第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
示例性地，上述特征压缩的具体过程可以依据式1.5和式1.6进行，其中，fo为输出门，ht为第t隐含层的输出。
示例性地，目标疾病复发预测模型的网络结构图可以如图4所示。假设，n为3，目标时序数据集包括目标患者在3个时间节点与目标疾病关联的3个目标疾病统计数据，分别为：x1、x2和x3，那么，可以将x1输入第一LSTM细胞掩组，将x2输入第二LSTM细胞掩组、将x3输入第三LSTM细胞掩组，首先第一LSTM细胞掩组可以提取x1的特征信息，并将特征信息输入第一隐含层，第一隐含层可以对特征信息进行特征压缩得到第1特征信息h1，并将第1特征信息h1输入第二LSTM细胞掩组，第二LSTM细胞掩组可以对h1和输入自身的x2进行词嵌入，得到第二LSTM细胞掩组对应的第二记忆细胞
，并更新第二记忆细胞
得到第二目标记忆细胞C2，并将第二目标记忆细胞C2输入第二循环神经网络细胞掩组对应的第二隐含层。进一步地，第二隐含层对第二目标记忆细胞C2进行特征压缩，得到第二特征信息h2，并将特征信息h2输出至第三LSTM细胞掩组。依此类推，第三LSTM细胞掩组可以对输入自身的x3和第2特征信息h2进行词嵌入，得到第三记忆细胞
，并更新第三记忆细胞
得到第三目标记忆细胞C3，并将第三目标记忆细胞C3输入第三循环神经网络细胞掩组对应的第三隐含层，第三隐含层对第三目标记忆细胞C3进行特征压缩，得到第三特征信息h3。
S204、依照n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定目标患者复发目标疾病的预测结果。
具体实现中，目标疾病复发预测模型中还包括全连层，终端设备可以将n个特征处理模块中第n特征处理模块输出的第n特征信息hn输入全连层，通过全连层对第n特征信息hn进行数据分析，确定目标患者复发目标疾病的预测结果。
在一个实施例中，目标患者复发目标疾病的预测结果包括目标患者在各预设时间节点复发目标疾病的概率。也即，该预测结果为一个时间序列，例如，时间序列为[y1，y2，y3…yk]，时间单位为年，k=5，预设时间节点为以当前时间为时间起点，未来的第一年、未来的第二年、未来的第三年、未来的第四年以及未来的第五年，例如当前时间为2020年，那么各预设时间节点分别为：2021年、2022年、2023年、2024年、2025年。上述时序序列表征：未来的第一年（即2021年）不复发（即概率为0），未来的第二年（即2022年）不复发（即概率为0）、未来第三年（即2023年）不复发（即概率为0）、未来第四年（即2024年）不复发（即概率为0），以及未来五年（即2025年）复发（即概率为1）。
在另一个实施例中，目标疾病复发预测模型还包括注意力机制层，终端设备可以通过注意力机制层对输入注意力机制层的第t特征信息ht进行解析，基于解析结果确定第t特征信息ht对应的第t目标权重wt，将第t特征信息ht更新为ht*wt，并将ht*wt输入第t+1循环神经网络细胞掩组；调用第t+1循环神经网络细胞掩组对输入第t+1循环神经网络细胞掩组的目标疾病统计数据xt+1和第t特征信息ht*wt进行词嵌入，得到第t+1循环神经网络细胞掩组对应的第t+1记忆细胞
。示例性地，添加注意力机制层后的目标疾病复发预测模型可以如图5所示。
其中，针对不同时间节点的目标疾病统计数据，注意力机制层可以从时间维度对不同时间节点下的特征信息赋予不同的权重，例如，为第一个时间节点下的h1赋予一个权重w1、第二个时间节点下的h2赋予一个权重w2、依次类推，第N个时间节点下的hn赋予一个权重wn。可以理解是，在本申请实施例中，基于第t个时间节点的第t个目标疾病统计数据xt得到的特征信息ht，即可以理解为第t个时间节点下的特征信息ht。上述不同时间节点的权重，是模型训练完成后，预先确定的。
或者，在另一个实施例中，注意力机制层可以从变量维度对不同时间节点下的特征信息赋予不同的权重，也即注意力机制层在训练过程中，就已经学习对什么类型的变量赋予多少的权重，这种情况下，注意力机制层可以基于解析结果确定第t特征信息ht对应的第t目标权重wt。
这种情况下，当模型输出预测结果后，终端设备可从注意力机制层中获取为每一个时间节点的特征信息ht赋予的权重，从而可以确定每一个时间节点的疾病统计数据对于预测结果的影响，增加模型输出结果的可解释性。
本申请实施例中，可将目标时序数据集输入目标疾病复发预测模型，调用目标疾病复发预测模型中的第m特征处理模块对输入第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]。进一步地，可依照n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定目标患者复发目标疾病的预测结果。采用这样的方式，使得目标疾病复发预测模型关注目标时序数据集中各时间节点的疾病统计数据之间前后的联系，有利于提高确定目标患者复发目标疾病的预测结果的准确性。
请参见图6，为本申请实施例提供的一种数据处理装置的结构示意图。本实施例中所描述的数据处理装置，可配置于终端设备中，包括：
获取模块60，用于获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标患者在n个时间节点与所述目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]；
处理模块61，用于将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；
所述处理模块61，还用于调用所述目标疾病复发预测模型中的第m特征处理模块对输入所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]；
所述处理模块61，还用于依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
在一个实施例中，所述n个特征处理模块包括n个循环神经网络细胞掩组和n个隐含层，所述n个循环神经网络细胞掩组中的第t循环神经网络细胞掩组和所述n个隐含层中的第t隐含层一一对应，所述t=m，处理模块61，还具体用于：
通过所述第t循环神经网络细胞掩组对输入所述第t循环神经网络细胞掩组的目标疾病统计数据xt和第t-1隐含层输出的第t-1特征信息ht-1进行词嵌入，得到所述第t循环神经网络细胞掩组对应的第t记忆细胞
；更新所述第t记忆细胞
得到第t目标记忆细胞Ct，并将所述第t目标记忆细胞Ct输入所述第t循环神经网络细胞掩组对应的第t隐含层；
通过第t隐含层对所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
在一个实施例中，所述处理模块61，具体用于调用所述第t循环神经网络细胞掩组根据遗忘门函数和输入门函数更新所述第t记忆细胞
，得到第t目标记忆细胞Ct。
在一个实施例中，所述处理模块61，具体用于调用第t隐含层依照输出门函数对所述第t目标记忆细胞Ct输入的所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
在一个实施例中，所述目标疾病复发预测模型还包括注意力机制层，所述处理模块61，还用于通过注意力机制层对输入所述注意力机制层的第t特征信息ht进行解析，基于解析结果为第t特征信息ht生成第t目标权重wt，将第t特征信息ht更新为ht*wt，并将ht*wt输入第t+1循环神经网络细胞掩组；调用第t+1循环神经网络细胞掩组对输入第t+1循环神经网络细胞掩组的目标疾病统计数据xt+1和第t特征信息ht*wt进行词嵌入，得到第t+1循环神经网络细胞掩组对应的第t+1记忆细胞
。
在一个实施例中，所述目标患者复发所述目标疾病的预测结果包括所述目标患者在所述各预设时间节点复发所述目标疾病的概率。
可以理解的是，本实施例的数据处理装置的各功能模块可根据上述方法实施例图2中的方法具体实现，其具体实现过程可以参照上述方法实施例图2的相关描述，此处不再赘述。
本申请实施例中，数据处理装置可将目标时序数据集输入目标疾病复发预测模型，调用目标疾病复发预测模型中的第m特征处理模块对输入第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]。进一步地，可依照n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定目标患者复发目标疾病的预测结果。采用这样的方式，使得目标疾病复发预测模型关注目标时序数据集中各时间节点的疾病统计数据之间前后的联系，有利于提高确定目标患者复发目标疾病的预测结果的准确性。
请参阅图7，图7为本申请实施例提供的一种终端设备的结构示意图。该终端设备可以包括：一个或多个处理器701；一个或多个输出设备702和存储器703。上述处理器701、输出设备702和存储器703通过总线连接。存储器703用于存储计算机程序，所述计算机程序包括程序指令，处理器701用于执行存储器703存储的程序指令，执行以下操作：
获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标患者在n个时间节点与所述目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]；
将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；调用所述目标疾病复发预测模型中的第m特征处理模块对输入所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]；
依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
在一个实施例中，所述n个特征处理模块包括n个循环神经网络细胞掩组和n个隐含层，所述n个循环神经网络细胞掩组中的第t循环神经网络细胞掩组和所述n个隐含层中的第t隐含层一一对应，所述t=m，处理模块61，还具体用于：
通过所述第t循环神经网络细胞掩组对输入所述第t循环神经网络细胞掩组的目标疾病统计数据xt和第t-1隐含层输出的第t-1特征信息ht-1进行词嵌入，得到所述第t循环神经网络细胞掩组对应的第t记忆细胞
；更新所述第t记忆细胞
得到第t目标记忆细胞Ct，并将所述第t目标记忆细胞Ct输入所述第t循环神经网络细胞掩组对应的第t隐含层；
通过第t隐含层对所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
在一个实施例中，所述处理器701，具体用于调用所述第t循环神经网络细胞掩组根据遗忘门函数和输入门函数更新所述第t记忆细胞
，得到第t目标记忆细胞Ct。
在一个实施例中，所述处理器701，具体用于调用第t隐含层依照输出门函数对所述第t目标记忆细胞Ct输入的所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
在一个实施例中，所述目标疾病复发预测模型还包括注意力机制层，所述处理器701，还用于通过注意力机制层对输入所述注意力机制层的第t特征信息ht进行解析，基于解析结果为第t特征信息ht生成第t目标权重wt，将第t特征信息ht更新为ht*wt，并将ht*wt输入第t+1循环神经网络细胞掩组；调用第t+1循环神经网络细胞掩组对输入第t+1循环神经网络细胞掩组的目标疾病统计数据xt+1和第t特征信息ht*wt进行词嵌入，得到第t+1循环神经网络细胞掩组对应的第t+1记忆细胞
。
在一个实施例中，所述目标患者复发所述目标疾病的预测结果包括所述目标患者在所述各预设时间节点复发所述目标疾病的概率。
应当理解，在本申请实施例中，所称处理器701可以是中央处理单元（CentralProcessing Unit，CPU），该处理器701还可以是其他通用处理器、数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器703可以包括只读存储器和随机存取存储器，并向处理器701提供指令和数据。存储器703的一部分还可以包括非易失性随机存取存储器。
具体实现中，本申请实施例中所描述的处理器701、输出设备702和存储器703可执行本申请实施例提供的数据处理方法所描述的实现方式，也可执行本申请实施例所描述的数据处理装置的实现方式，在此不再赘述。
本申请实施例中还提供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，所述计算机程序包括程序指令，所述程序指令被处理器执行时，可执行上述数据处理方法实施例中所执行的步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述数据处理方法实施例中所执行的步骤。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请所指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等。
以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (10)
1.一种数据处理系统，其特征在于，该系统包括存储设备和终端设备，其中：
所述存储设备，用于存储至少一个患者与目标疾病关联的各时序数据集，任一患者的时序数据集包括所述任一患者在各时间节点与所述目标疾病关联的疾病统计数据；
所述终端设备，用于从所述存储设备存储的所述各时序数据集中获取目标患者的目标
时序数据集，所述目标时序数据集包括所述目标患者在n个时间节点与所述目标疾病关联
的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中的第t个时间节点对
应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，n]；
所述终端设备，还用于将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；
所述终端设备，还用于调用所述目标疾病复发预测模型中的第m特征处理模块对输入
所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息
hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n]，依照所述n个特
征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾
病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
2.根据权利要求1所述的系统，其特征在于，所述n个特征处理模块包括n个循环神经网络细胞掩组和n个隐含层，所述n个循环神经网络细胞掩组中的第t循环神经网络细胞掩组和所述n个隐含层中的第t隐含层一一对应，所述t=m，所述终端设备，还具体用于：
通过所述第t循环神经网络细胞掩组对输入所述第t循环神经网络细胞掩组的目标疾
病统计数据xt和第t-1隐含层输出的第t-1特征信息ht-1进行词嵌入，得到所述第t循环神经
网络细胞掩组对应的第t记忆细胞
；更新所述第t记忆细胞
得到第t目标记忆细胞
Ct，并将所述第t目标记忆细胞Ct输入所述第t循环神经网络细胞掩组对应的第t隐含层；
通过第t隐含层对所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
3.根据权利要求2所述的系统，其特征在于，所述终端设备，具体用于调用所述第t循环
神经网络细胞掩组根据遗忘门函数和输入门函数更新所述第t记忆细胞
，得到第t目标
记忆细胞Ct。
4.根据权利要求2所述的系统，其特征在于，所述终端设备，具体用于调用第t隐含层依照输出门函数对所述第t目标记忆细胞Ct输入的所述第t目标记忆细胞Ct进行特征压缩，得到并输出第t特征信息ht。
5.根据权利要求2所述的系统，其特征在于，所述目标疾病复发预测模型还包括注意力
机制层，所述终端设备，还用于通过注意力机制层对输入所述注意力机制层的第t特征信息
ht进行解析，基于解析结果确定所述第t特征信息ht对应的第t目标权重wt，将所述第t特征
信息ht更新为ht*wt，并将所述ht*wt输入第t+1循环神经网络细胞掩组；调用第t+1循环神经
网络细胞掩组对输入所述第t+1循环神经网络细胞掩组的目标疾病统计数据xt+1和所述第t
特征信息ht*wt进行词嵌入，得到所述第t+1循环神经网络细胞掩组对应的第t+1记忆细胞
。
6.根据权利要求1所述的系统，其特征在于，所述目标患者复发所述目标疾病的预测结果包括所述目标患者在各预设时间节点复发所述目标疾病的概率。
7.一种数据处理方法，其特征在于，所述方法由如权利要求1-权利要求6任一项所述的系统中的终端设备执行，包括：
获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标患者在n个时间
节点与目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述n个时间节点中
的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计数据xt，t
[1，
n]；
将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；
调用所述目标疾病复发预测模型中的第m特征处理模块对输入所述第m特征处理模块
的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息hm-1进行词嵌入，并基
于词嵌入结果确定并输出第m特征信息hm，m
[2，n];
依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
8.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标患者的目标时序数据集，所述目标时序数据集包括所述目标
患者在n个时间节点与目标疾病关联的n个目标疾病统计数据，n为大于1的整数；其中，所述
n个时间节点中的第t个时间节点对应所述n个目标疾病统计数据中的第t个目标疾病统计
数据xt，t
[1，n]；
处理模块，用于将所述目标时序数据集输入目标疾病复发预测模型，所述目标疾病复发预测模型中包括n个特征处理模块，所述n个特征处理模块中的第t特征处理模块用于对第t个目标疾病统计数据xt进行特征提取，得到第t特征信息ht；
所述处理模块，还用于调用所述目标疾病复发预测模型中的第m特征处理模块对输入
所述第m特征处理模块的目标疾病统计数据xm和第m-1特征处理模块输出的第m-1特征信息
hm-1进行词嵌入，并基于词嵌入结果确定并输出第m特征信息hm，m
[2，n];
所述处理模块，还用于依照所述n个特征处理模块中第n特征处理模块输出的第n特征信息hn确定所述目标患者复发所述目标疾病的预测结果；其中，第1特征信息h1是根据第1个目标疾病统计数据x1确定的。
9.一种终端设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求7所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述如权利要求7所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011213492.4A CN112102950B (zh) | 2020-11-04 | 2020-11-04 | 一种数据处理系统、方法、装置及存储介质 |
| PCT/CN2021/084227 WO2021190661A1 (zh) | 2020-11-04 | 2021-03-31 | 一种数据处理系统、方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011213492.4A CN112102950B (zh) | 2020-11-04 | 2020-11-04 | 一种数据处理系统、方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102950A CN112102950A (zh) | 2020-12-18 |
| CN112102950B true CN112102950B (zh) | 2021-02-12 |
Family
ID=73784527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011213492.4A Active CN112102950B (zh) | 2020-11-04 | 2020-11-04 | 一种数据处理系统、方法、装置及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112102950B (zh) |
| WO (1) | WO2021190661A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102950B (zh) * | 2020-11-04 | 2021-02-12 | 平安科技（深圳）有限公司 | 一种数据处理系统、方法、装置及存储介质 |
| CN112528009A (zh) * | 2020-12-07 | 2021-03-19 | 北京健康有益科技有限公司 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
| CN115495498B (zh) * | 2022-09-23 | 2023-06-16 | 共青科技职业学院 | 数据关联方法、系统、电子设备及存储介质 |
| CN117831789B (zh) * | 2024-03-05 | 2024-05-28 | 北京市肿瘤防治研究所 | 癌症治疗反应预测系统及其控制方法 |
| CN117995412A (zh) * | 2024-04-07 | 2024-05-07 | 粤港澳大湾区数字经济研究院(福田) | 一种未来发病概率的预测方法、装置、终端及存储介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6168426B2 (ja) * | 2013-09-19 | 2017-07-26 | 学校法人慶應義塾 | 疾患分析装置、制御方法、及びプログラム |
| US10770181B2 (en) * | 2015-12-16 | 2020-09-08 | Alegeus Technologies, Llc | Systems and methods for reducing resource consumption via information technology infrastructure |
| CN108417272B (zh) * | 2018-02-08 | 2020-10-09 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
| KR102225894B1 (ko) * | 2018-04-24 | 2021-03-11 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
| CN109326353B (zh) * | 2018-10-29 | 2020-11-27 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
| CN109585020A (zh) * | 2018-11-27 | 2019-04-05 | 华侨大学 | 一种运用卷积神经网络对疾病风险预测的模型 |
| CN109659033B (zh) * | 2018-12-18 | 2021-04-13 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN109493976A (zh) * | 2018-12-20 | 2019-03-19 | 广州天鹏计算机科技有限公司 | 基于卷积神经网络模型的慢性病复发预测方法和装置 |
| CN109493975B (zh) * | 2018-12-20 | 2021-10-01 | 广州医科大学附属第一医院 | 基于xgboost模型的慢性病复发预测方法、装置和计算机设备 |
| CN110119849B (zh) * | 2019-05-21 | 2020-08-04 | 山东大学 | 一种基于网络行为的人格特质预测方法及系统 |
| CN110459324B (zh) * | 2019-06-27 | 2023-05-23 | 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 |
| CN112102950B (zh) * | 2020-11-04 | 2021-02-12 | 平安科技（深圳）有限公司 | 一种数据处理系统、方法、装置及存储介质 |
-
2020
- 2020-11-04 CN CN202011213492.4A patent/CN112102950B/zh active Active
-
2021
- 2021-03-31 WO PCT/CN2021/084227 patent/WO2021190661A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021190661A1 (zh) | 2021-09-30 |
| CN112102950A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112102950B (zh) | 一种数据处理系统、方法、装置及存储介质 | |
| Bica et al. | Estimating counterfactual treatment outcomes over time through adversarially balanced representations | |
| Rahman et al. | A deep learning approach based on convolutional LSTM for detecting diabetes | |
| CN110459324B (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
| CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
| WO2021179630A1 (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
| Berens et al. | Dissociating memory accessibility and precision in forgetting | |
| CN112132624A (zh) | 医疗理赔数据预测系统 | |
| Vieira et al. | A machine-learning based objective measure for ALS disease severity | |
| CN112201346A (zh) | 癌症生存期预测方法、装置、计算设备及计算机可读存储介质 | |
| Rashidian et al. | Deep learning on electronic health records to improve disease coding accuracy | |
| Galvan-Tejada et al. | Depression episodes detection in unipolar and bipolar patients: a methodology with feature extraction and feature selection with genetic algorithms using activity motion signal as information source | |
| KR20190086345A (ko) | 시계열 데이터 처리 장치, 이를 포함하는 건강 예측 시스템, 및 시계열 데이터 처리 장치의 동작 방법 | |
| Wang et al. | A novel classification indicator of type 1 and type 2 diabetes in China | |
| CN114373550A (zh) | 基于分子结构及基因表达的药物ic50深度学习模型预测方法 | |
| Bing et al. | Conditional generation of medical time series for extrapolation to underrepresented populations | |
| Scharfstein et al. | Global sensitivity analysis of randomized trials with nonmonotone missing binary outcomes: Application to studies of substance use disorders | |
| Guo et al. | Application of a time-series deep learning model to predict cardiac dysrhythmias in electronic health records | |
| Hammed et al. | Unlocking the potential of autism detection: integrating traditional feature selection and machine learning techniques | |
| CN116486899A (zh) | 药物和靶点匹配的判断方法、系统、设备及介质 | |
| Parimala et al. | Diabetes Prediction using Machine Learning | |
| Chen et al. | Multiple-model-based robust estimation of causal treatment effect on a binary outcome with integrated information from secondary outcomes | |
| Bawa et al. | Investigating multiclass autism spectrum disorder classification using machine learning techniques | |
| US12080426B2 (en) | Functional deep neural network for high-dimensional data analysis | |
| Mann et al. | Medical concept embedding of real-valued electronic health records with application to inflammatory bowel disease |
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 |