CN112183723B - 一种针对临床检测数据缺失问题的数据处理方法 - Google Patents

一种针对临床检测数据缺失问题的数据处理方法 Download PDF

Info

Publication number
CN112183723B
CN112183723B CN202010982079.8A CN202010982079A CN112183723B CN 112183723 B CN112183723 B CN 112183723B CN 202010982079 A CN202010982079 A CN 202010982079A CN 112183723 B CN112183723 B CN 112183723B
Authority
CN
China
Prior art keywords
data
vector
dimension
detection
item
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
Application number
CN202010982079.8A
Other languages
English (en)
Other versions
CN112183723A (zh
Inventor
赵世杰
郭广宇
刘卓妍
韩军伟
郭雷
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010982079.8A priority Critical patent/CN112183723B/zh
Publication of CN112183723A publication Critical patent/CN112183723A/zh
Application granted granted Critical
Publication of CN112183723B publication Critical patent/CN112183723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Neurology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种针对临床检测数据缺失问题的数据处理方法，是基于有缺失数据的临床检测结果，使用自编码神经网络来实现智能化的临床数据处理。首先编码器将每个检测项目的数据结果进行编码，由于每个检测项目不同的患者数据，最终得到维度不确定的编码矩阵。然后通过矩阵运算将不定维度的编码矩阵转化为相同维度的向量，从而能够使用神经网络来进行解码，对缺失检测数据给与弥补。通过在编码器和解码器之间插入巧妙设计的矩阵运算，所提出的方法成功消除了临床检测数据维度不定问题，使得神经网络来可以被用来处理有大量缺失临床检测数据的处理。

Description

一种针对临床检测数据缺失问题的数据处理方法
技术领域
本发明属于计算机辅助诊断领域，涉及一种针对临床检测数据缺失问题的数据处理方法，具体涉及利用自编码神经网络处理存在大量缺失的临床检测数据的方法，可应用于基于简单临床检测的疾病的数据处理问题。
背景技术
相比于复杂的检测手段如X光、核磁共振等医学检测手段，常规的临床检测如血液检测、尿液检测等存在检测时间短、成本低等优点。在很多医疗设备欠缺的不发达的国家和地区，以及面对诸如新型冠状病毒(COVID-19)之类的流行病，由于检测设施的短缺或者突然增长的患者数量，血液检测、尿液检测等数据获取远比核磁共振、核酸检测容易。因此基于常规临床检测数据的计算机辅助诊断方法对于提高不发达地区的医疗水平，以及遏制流行病的快速发展具有重大意义。然而，不同患者所进行临床检测的项目往往存在很大的差异，导致数据缺失成为临床数据中常见的问题。
近年来，随着人工智能领域的快速发展，使用神经网络的方法进行人工智能辅助诊断具有重大的应用前景。但神经网络使用的前提要求输入数据的维度保持稳定。JanusChristian Jakobsen等人在2017年发表的When and how should multiple imputationbe used for handling missing data in randomised clinical trials–a practicalguide with flowcharts证明对于缺失大于40％的临床检测数据，利用统计学方法填充缺失项的方法会引入大量噪声导致性能下降。但是直接移除未检测的项目则会导致每个患者检测数据维度不定，导致难以直接使用神经网络进行诊断。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种针对临床检测数据缺失问题的数据处理方法，在经典的自编码神经网络结构中，通过矩阵运算将数据维度变化的矩阵转化为维度确定的向量，同时保留原始数据的有效信息且不引入额外噪声，以此成功将神经网络的方法应用到检测数据存在缺失的弥补之中。
技术方案
一种针对临床检测数据缺失问题的数据处理方法，其特征在于步骤如下：
步骤1、构建网络结构，参数进行随机初始化：采用包含一个编码器和一个解码器的自动编码器的结构，预先设定编码后的特征向量长度是一个固定数值L，编码器由两个全连接层实现，第一个全连接层后使用ReLu激活函数；解码器由两个全连接层实现，第一个全连接层后使用了ReLu激活函数，第二个全连接层后使用Dropout，以及Sigmoid激活函数；
步骤2、构建训练数据：所有数据共包含K个检测项目，1≤N≤K个项目来自于患者的检测，将该数据处理为一个1×(K+1)维的向量，其中前1×K维是项目编号，第i个项目则第i位置为1，其他位置为0；向量的最后一位是该项目的检测结果；对每一个患者数据，给定标签y，y＝1代表患病，y＝0代表没有患病；
步骤3、进行网络训练得到优化后的神经网络：
步骤3a：给定一个检测了N个项目的患者数据，编码器对每一个检测项目的数据进行编码，得到一系列的编码向量{d1,…,dj,…dN},1≤j≤N，每一个编码向量的维度是1×L；
步骤3b：利用公式
Figure BDA0002687906740000021
得到一个1×L维的向量v，其中
Figure BDA0002687906740000022
代表向量加法；
步骤3c：将所有编码向量连接，得到一个N×L维的编码矩阵E；
步骤3d：通过公式
Figure BDA0002687906740000023
得到一个维度固定为1×L的特征向量f，其中ET是编码矩阵E的转置矩阵，
Figure BDA0002687906740000024
表述矩阵乘法；
步骤3e：将固定维度特征向量f输入到解码器中，得到预测的诊断结果
Figure BDA0002687906740000031
步骤3f：将数据库给定的真实诊断结果y和预测结果
Figure BDA0002687906740000032
输入到损失函数
Figure BDA0002687906740000033
Figure BDA0002687906740000034
利用反向传播算法训练神经网络；
步骤3g：继续训练则返回步骤3a，停止训练则进入到步骤4；
步骤4、利用训练完成的自编码器，对基于有缺失的检测数据进行处理：
步骤4a：给定一个检测了1≤N≤K个项目的患者数据，处理成为一个1×(K+1)维的向量，其中前1×K维是项目编号，第i个项目则第i位置为1，其他位置为0；向量的最后一位是该项目的检测结果；
步骤4b：用步骤3中已经训练完毕的编码器对每一个检测项目的数据进行编码，得到一系列的编码向量{d1,…,dj,…dN},1≤j≤N，每一个编码向量的维度是1×L。由于每个患者数据检测项目不同，N是一个变化的数值，而L则是由网络结构预先设定的固定数值；
步骤4c：首先利用公式
Figure BDA0002687906740000035
得到一个1×L维的向量v，其中
Figure BDA0002687906740000036
代表向量加法；
步骤4d：然后将所有编码向量连接，得到一个N×L维的编码矩阵E；
步骤4e：通过公式
Figure BDA0002687906740000037
得到一个维度固定为1×L的特征向量f，其中ET是编码矩阵E的转置矩阵，
Figure BDA0002687906740000038
表述矩阵乘法；
步骤4f：将得到的固定维度特征向量f输入到步骤3训练完毕的解码器中，得到弥补缺失数据的患病数据结果
Figure BDA0002687906740000039
所述ReLu激活函数为：Xavier Glorot在2011年发表的Deep sparse rectifierneural networks中提出。
所述Dropout，以及Sigmoid激活函数为：Nitish Srivastava等人在2014年发表的Dropout:a simple way to prevent neural networks from overfitting中提出。
有益效果
本发明提出的一种针对临床检测数据缺失问题的数据处理方法，是基于有缺失数据的临床检测结果，使用自编码神经网络来实现智能化的临床数据处理。首先编码器将每个检测项目的数据结果进行编码，由于每个检测项目不同的患者数据，最终得到维度不确定的编码矩阵。然后通过矩阵运算将不定维度的编码矩阵转化为相同维度的向量，从而能够使用神经网络来进行解码，对缺失检测数据给与弥补。通过在编码器和解码器之间插入巧妙设计的矩阵运算，所提出的方法成功消除了临床检测数据维度不定问题，使得神经网络来可以被用来处理有大量缺失临床检测数据的处理。
本发明相比于传统处理缺失数据的利用统计学方法填充缺失项的方法，本发明提出的方法直接移除患者数据中未检测的项，不引入额外噪声信息，从而有更广泛的使用场景，特别是数据缺失过多的情况。同时提出的方法巧妙的将矩阵和向量运算嵌入到编码器和解码器中间，将不同维度的矩阵转化为相同维度的向量，从而成功将自编码神经网络应用在了存在大量缺失数据的处理中，解决了数据缺失导致的维度不定问题，并使的提出的自编码神经网络模型可以端到端训练，相比于传统的分类方法，本发明提出基于自编码神经网络的方法具有更高的精度。
附图说明
图1：本发明方法流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
如图1所示为本发明方法的流程图。本发明首先构建自编码神经网络(包含一个编码器和一个解码器)并初始化网络参数，然后开始训练自编码神经网络。在训练的过程中，对于一个患者的检测数据，首先利用编码器对每个检测项目的结果进行编码，得到数量不定的编码向量，之后通过矩阵运算生成一个维度确定的向量，然后利用解码器预测诊断结果，最后利用反向传播算法更新参数，训练达到设定的迭代次数之后停止迭代。诊断时将患者的临床检测数据输入到训练好的自编码神经网络中可直接得到弥补后的数据。
用于实施的计算机硬件环境是：因特尔Xeon E5-2600 v3@2.6GHz 8-核CPU处理器，64GB内存，配备GeForce GTX TITAN X GPU。运行的软件环境是：Linux 16.04 64位操作系统。我们用Python3.6.7以及Pytorch1.3.0软件实现发明中提出的方法。
步骤1：构建网络结构，参数进行随机初始化。预先设置编码后的特征向量长度为一个固定数值128，编码器由两个全连接层实现，第一个全连接层后使用Xavier Glorot在2011年发表的Deep sparse rectifier neural networks中提出的ReLu激活函数。解码器由两个全连接层实现，第一个全连接层使用了ReLu激活函数，第二个全连接层使用了Nitish Srivastava等人在2014年发表的Dropout:a simple way to prevent neuralnetworks from overfitting中提出的Dropout，以及Sigmoid激活函数。其中Dropout参数设置为0.5。
步骤2：构建训练数据。本实例使用了COVID-19Clinical Spectrum数据集，数据集中包含96个检测项目，对每一个患者的数据，检测项目数大于等于1，小于等于96。对一个患者的每一个检测项目的结果，我们把它处理成为一个1×97维的向量，其中前1×96维是项目编号，第i个项目则第i位置为1，其他位置为0；向量的第97位是该项目的检测结果。对每一个患者，给定标签y，y＝1代表患病，y＝0代表没有患病。
数据集来源于https://www.kaggle.com/einsteindata4u/covid19/。由于原始数据集存在样本不平衡、检测结果未进行数据化处理的问题，不能直接使用，本发明对原始数据集进行了修正，修正后的数据集下载地址https://github.com/gyguo/IE-Net/blob/ master/data/dataset/disposed_dataset.xlsx。
步骤3：训练神经网络。在Pytorch平台上对网络参数进行训练，本实施例中使用的优化器为Diederik P.Kingma等人在2014年Adam:A method for stochasticoptimization中提出的Adam优化器，设置各个参数的数值为：初始学习率0.001，迭代次数200×训练样本数量，正则化系数momentums＝[0.9,0.999]，权值衰减系数weight_decay＝0.0005。
步骤3a：给定一个检测了N个项目的患者，编码器对每一个检测项目的数据进行编码，得到一系列的编码向量{d1,…,dj,…dN},1≤j≤N，每一个编码向量的维度是1×128。由于每个患者检测项目不同，N是一个变化的数值，而128则是由网络结构预先设定的固定数值。
步骤3b：首先利用公式
Figure BDA0002687906740000061
得到一个1×128维的向量v，其中
Figure BDA0002687906740000062
代表向量加法。
步骤3c：然后将所有编码向量连接，得到一个N×128维的编码矩阵E。
步骤3d：之后通过公式
Figure BDA0002687906740000063
得到一个维度固定为1×128的特征向量f。其中ET是编码矩阵E的转置矩阵，
Figure BDA0002687906740000064
表述矩阵乘法。
步骤3e：将得到的固定维度特征向量f输入到解码器中，得到预测的诊断结果
Figure BDA0002687906740000065
步骤3f：使用损失函数“BCELoss”，将数据库给定的真实诊断结果y和预测结果
Figure BDA0002687906740000066
输入到损失函数。利用反向传播算法训练神经网络。
步骤3g：判断是否停止训练。继续训练则返回步骤3a，停止训练则进入到步骤4。
步骤4：训练完成的自编码器作为检测器，在测试集上预测患COVID-19的概率：
步骤4a：给定一个检测了N个项目的患者，对该患者的每一个检测项目的结果，我们把它处理成为一个1×97维的向量，其中前1×96维是项目编号，第i个项目则第i位置为1，其他位置为0；向量的第97位是该项目的检测结果。
步骤4b：用步骤3中已经训练完毕的编码器对每一个检测项目的数据进行编码，得到一系列的编码向量{d1,…,dj,…dN},1≤j≤N，每一个编码向量的维度是1×128。由于每个患者检测项目不同，N是一个变化的数值。
步骤4c：首先利用公式
Figure BDA0002687906740000071
得到一个1×128维的向量v，其中
Figure BDA0002687906740000072
代表向量加法。
步骤4d：然后将所有编码向量连接，得到一个N×128维的编码矩阵E。
步骤4e：之后通过公式
Figure BDA0002687906740000073
得到一个维度固定为1×128的特征向量f。其中ET是编码矩阵E的转置矩阵，
Figure BDA0002687906740000074
表述矩阵乘法。
步骤4f：将得到的固定维度特征向量f输入到步骤3中训练完毕的解码器中，得到表示患COVID-19概率的预测结果
Figure BDA0002687906740000075
步骤5：通过范永东等人在2013年发表的“模型选择中的交叉验证方法综述”中提到的10折交叉验证法进行10次训练和测试，本发明提出的方法可以得到94.80±1.98的精确度和92.79±3.07的召回率。

Claims (3)

1.一种针对临床检测数据缺失问题的数据处理方法，其特征在于步骤如下：
步骤1、构建网络结构，参数进行随机初始化：采用包含一个编码器和一个解码器的自动编码器的结构，预先设定编码后的特征向量长度是一个固定数值L，编码器由两个全连接层实现，第一个全连接层后使用ReLu激活函数；解码器由两个全连接层实现，第一个全连接层后使用了ReLu激活函数，第二个全连接层后使用Dropout以及Sigmoid激活函数；
步骤2、构建训练数据：所有数据共包含K个检测项目，1≤N≤K个项目来自于患者的检测，将该数据处理为一个1×(K+1)维的向量，其中前1×K维是项目编号，第i个项目则第i位置为1，其他位置为0；向量的最后一位是该项目的检测结果；对每一个患者数据，给定标签y，y＝1代表患病，y＝0代表没有患病；
步骤3、进行网络训练得到优化后的神经网络：
步骤3a：给定一个检测了N个项目的患者数据，编码器对每一个检测项目的数据进行编码，得到一系列的编码向量{d1,…,dj,…dN},1≤j≤N，每一个编码向量的维度是1×L；
步骤3b：利用公式
Figure FDA0003589932240000011
得到一个1×L维的向量v，其中
Figure FDA0003589932240000012
代表向量加法；
步骤3c：将所有编码向量连接，得到一个N×L维的编码矩阵E；
步骤3d：通过公式
Figure FDA0003589932240000013
得到一个维度固定为1×L的特征向量f，其中ET是编码矩阵E的转置矩阵，
Figure FDA0003589932240000014
表述矩阵乘法；
步骤3e：将固定维度特征向量f输入到解码器中，得到预测的诊断结果
Figure FDA0003589932240000015
步骤3f：使用损失函数“BCELoss”，将数据库给定的真实诊断结果y和预测结果
Figure FDA0003589932240000016
输入到损失函数，利用反向传播算法训练神经网络；
步骤3g：继续训练则返回步骤3a，停止训练则进入到步骤4；
步骤4、利用训练完成的自编码器，对基于有缺失的检测数据进行处理：
步骤4a：给定一个检测了1≤N≤K个项目的患者数据，处理成为一个1×(K+1)维的向量，其中前1×K维是项目编号，第i个项目则第i位置为1，其他位置为0；向量的最后一位是该项目的检测结果；
步骤4b：用步骤3中已经训练完毕的编码器对每一个检测项目的数据进行编码，得到一系列的编码向量{d1,…,dj,…dN},1≤j≤N，每一个编码向量的维度是1×L，由于每个患者数据检测项目不同，N是一个变化的数值，而L则是由网络结构预先设定的固定数值；
步骤4c：首先利用公式
Figure FDA0003589932240000021
得到一个1×L维的向量v，其中
Figure FDA0003589932240000022
代表向量加法；
步骤4d：然后将所有编码向量连接，得到一个N×L维的编码矩阵E；
步骤4e：通过公式
Figure FDA0003589932240000023
得到一个维度固定为1×L的特征向量f，其中ET是编码矩阵E的转置矩阵，
Figure FDA0003589932240000024
表述矩阵乘法；
步骤4f：将得到的固定维度特征向量f输入到步骤3训练完毕的解码器中，得到弥补缺失数据的患病数据结果
Figure FDA0003589932240000025
2.根据权利要求1所述针对临床检测数据缺失问题的数据处理方法，其特征在于：所述ReLu激活函数为：Xavier Glorot在2011年发表的Deep sparse rectifier neuralnetworks中提出。
3.根据权利要求1所述针对临床检测数据缺失问题的数据处理方法，其特征在于：所述Dropout以及Sigmoid激活函数为：Nitish Srivastava在2014年发表的Dropout:a simpleway to prevent neural networks from overfitting中提出。
CN202010982079.8A 2020-09-17 2020-09-17 一种针对临床检测数据缺失问题的数据处理方法 Active CN112183723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010982079.8A CN112183723B (zh) 2020-09-17 2020-09-17 一种针对临床检测数据缺失问题的数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010982079.8A CN112183723B (zh) 2020-09-17 2020-09-17 一种针对临床检测数据缺失问题的数据处理方法

Publications (2)

Publication Number Publication Date
CN112183723A CN112183723A (zh) 2021-01-05
CN112183723B true CN112183723B (zh) 2022-07-05

Family

ID=73921606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010982079.8A Active CN112183723B (zh) 2020-09-17 2020-09-17 一种针对临床检测数据缺失问题的数据处理方法

Country Status (1)

Country Link
CN (1) CN112183723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423467B (zh) * 2023-10-18 2024-04-19 广州中医药大学(广州中医药研究院) 面向医学临床诊断的缺失值感知和容忍深度网络方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428853A (zh) * 2020-01-16 2020-07-17 东华大学 一种带噪声学习的负样本对抗生成方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165664B (zh) * 2018-07-04 2020-09-22 华南理工大学 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN109242115B (zh) * 2018-09-17 2021-11-09 东北大学 一种基于gan的风机轮毂测风缺失数据的插补方法
CN109815223B (zh) * 2019-01-21 2020-09-25 北京科技大学 一种针对工业监测数据缺失的补全方法及补全装置
CN110111901B (zh) * 2019-05-16 2023-04-18 湖南大学 基于rnn神经网络的可迁移病人分类系统
CN110852366A (zh) * 2019-11-01 2020-02-28 湖南大学 一种含有缺失数据的数据保距性降维方法
CN110957009B (zh) * 2019-11-05 2023-05-12 中山大学中山眼科中心 一种基于深度混合网络的单细胞转录组缺失值填补方法
CN110852419B (zh) * 2019-11-08 2023-05-23 中山大学 一种基于深度学习的动作模型及其训练方法
CN111430025B (zh) * 2020-03-10 2023-07-25 清华大学 一种基于医疗影像数据扩增的疾病诊断模型训练方法
CN111401553B (zh) * 2020-03-12 2023-04-18 南京航空航天大学 一种基于神经网络的缺失数据填充方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428853A (zh) * 2020-01-16 2020-07-17 东华大学 一种带噪声学习的负样本对抗生成方法

Also Published As

Publication number Publication date
CN112183723A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN110189334B (zh) 基于注意力机制的残差型全卷积神经网络的医学图像分割方法
CN108231201B (zh) 一种疾病数据分析处理模型的构建方法、系统及应用方法
CN109657226B (zh) 多联结注意力的阅读理解模型、系统及方法
CN112232087B (zh) 一种基于Transformer的多粒度注意力模型的特定方面情感分析方法
CN112000809B (zh) 一种文本类别的增量学习方法及装置、可读存储介质
CN113539408A (zh) 一种医学报告生成方法、模型的训练方法、装置及设备
CN112183723B (zh) 一种针对临床检测数据缺失问题的数据处理方法
CN112347756A (zh) 一种基于序列化证据抽取的推理阅读理解方法及系统
CN117475038B (zh) 一种图像生成方法、装置、设备及计算机可读存储介质
CN115587597B (zh) 基于子句级关系图的方面词的情感分析方法以及装置
KR20220099409A (ko) 딥러닝 모델을 사용한 분류 방법
CN114925195A (zh) 一种融合词汇编码与结构编码的标准内容文本摘要生成方法
CN112948505A (zh) 一种实体关系分类的模型构建方法、设备及存储介质
CN112862922A (zh) 一种基于多特征生成网络先验信息引导的图像填充方法
CN116318834A (zh) 一种基于优化相关向量机的互联网入侵检测方法及装置
CN112085162A (zh) 基于神经网络的磁共振脑组织分割方法、装置、计算设备及存储介质
CN114638228A (zh) 一种基于词集自注意力的中文命名实体识别方法
CN113191150B (zh) 一种多特征融合的中文医疗文本命名实体识别方法
US11972604B2 (en) Image feature visualization method, image feature visualization apparatus, and electronic device
CN116932686A (zh) 主题挖掘方法、装置、电子设备及存储介质
CN112001865A (zh) 一种人脸识别方法、装置和设备
CN112712855A (zh) 一种基于联合训练的含缺失值基因微阵列的聚类方法
CN117171354A (zh) 用于回答医疗知识图谱复杂查询的递归路径查询编码方法
CN111603161A (zh) 一种脑电分类方法
CN115964475A (zh) 一种用于医疗问诊的对话摘要生成方法

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