CN112263220A - 一种内分泌疾病智能诊断系统 - Google Patents

一种内分泌疾病智能诊断系统 Download PDF

Info

Publication number
CN112263220A
CN112263220A CN202011148766.6A CN202011148766A CN112263220A CN 112263220 A CN112263220 A CN 112263220A CN 202011148766 A CN202011148766 A CN 202011148766A CN 112263220 A CN112263220 A CN 112263220A
Authority
CN
China
Prior art keywords
disease
diagnosis
output
disease diagnosis
label
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.)
Withdrawn
Application number
CN202011148766.6A
Other languages
English (en)
Inventor
王丽婷
孔燕国
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.)
Beijing Wentong Image Recognition Technology Res Ct Co ltd
Original Assignee
Beijing Wentong Image Recognition Technology Res Ct Co ltd
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 Beijing Wentong Image Recognition Technology Res Ct Co ltd filed Critical Beijing Wentong Image Recognition Technology Res Ct Co ltd
Priority to CN202011148766.6A priority Critical patent/CN112263220A/zh
Publication of CN112263220A publication Critical patent/CN112263220A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
    • A61B5/1176—Recognition of faces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Urology & Nephrology (AREA)
  • Endocrinology (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例提供一种内分泌疾病智能诊断系统，该系统包括：诊断模块，用于：根据输入的被测者的人脸图像提取预设的人脸特征，将所述人脸特征输入到第一疾病诊断模型，根据所述第一疾病诊断模型的输出得到第一疾病诊断结果，根据所述第一疾病诊断结果得到疾病诊断输出结果；其中，所述第一疾病诊断模型以由人脸图像构成的训练样本的所述人脸特征作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到。本发明实施例通过基于预设的人脸特征训练神经网络得到第一疾病诊断模型，进而通过第一疾病诊断模型得到疾病诊断输出结果，提高了疾病诊断的快速性和可靠性，并可实现内分泌疾病早期诊断。

Description

一种内分泌疾病智能诊断系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种内分泌疾病智能诊断系统。
背景技术
目前，对于一些罕见病尚没有一种快速、可靠、早发现的诊断方法。比如包括肢端肥大症、库欣症、甲状腺功能亢进/低下、唐氏综合征等疾病的内分泌罕见病，其检测手段复杂、成本高。以肢端肥大症为例，其主要采用激素检测的方式，诊断成本高，非常麻烦，很难通过常规检查的方式予以发现。因此，初期筛查主要依赖判断病人手足是否肥大。但是若判断出病人手足肥大，则往往病人的病程已进入晚期。因此，实现内分泌罕见病快速可靠的早期诊断具有重要意义。
发明内容
为解决现有技术中的问题，本发明实施例提供一种内分泌疾病智能诊断系统，该系统包括：诊断模块，所述诊断模块用于：根据输入的被测者的人脸图像提取预设的人脸特征，将所述人脸特征输入到第一疾病诊断模型，根据所述第一疾病诊断模型的输出得到第一疾病诊断结果，根据所述第一疾病诊断结果得到疾病诊断输出结果；其中，所述第一疾病诊断模型以由人脸图像构成的训练样本的所述人脸特征作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到；
所述内分泌疾病包括肢端肥大症、库欣症、甲状腺功能亢进/低下、唐氏综合征中的至少一种。
进一步地，所述诊断模块还用于：将所述被测者的人脸图像输入到第二疾病诊断模型，根据所述第二疾病诊断模型的输出得到第二疾病诊断结果；其中，所述第二疾病诊断模型以由人脸图像构成的训练样本作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到；根据所述第一疾病诊断结果和所述第二疾病诊断结果得到所述疾病诊断输出结果。
进一步地，所述人脸特征包括基于诊疗经验的人脸特征，所述基于诊疗经验的人脸特征包括在面部具有固定提取位置和/或具有明确表观意义的面部特征。
进一步地，所述人脸特征包括预先训练好的特征提取网络提取的人脸特征。
进一步地，所述输出标签包括：没有罹患疾病的标签和罹患疾病的标签；或，没有罹患疾病的标签和罹患疾病时预设数量的病程标签；或，没有罹患疾病的标签、罹患疾病的标签以及合并症标签；或，没有罹患疾病的标签、罹患疾病时预设数量的病程标签以及合并症标签；相应地，所述疾病诊断输出结果包括是否罹患疾病、病程及合并症情况中的至少一种。
进一步地，所述病程标签包括病程信息及诊疗次数信息；相应地，所述疾病诊断输出结果中还包括所述诊疗次数信息。
进一步地，所述系统还包括诊疗辅助模块，所述诊疗辅助模块用于：根据所述被测者不同时间的所述疾病诊断输出结果绘制病情发展图。
进一步地，所述诊疗辅助模块还用于：根据所述病情发展图调整所述被测者的诊疗方案；和/或，获取具有相同诊疗次数且最后一次诊疗前具有相同病程的其他被测者的所述疾病诊断输出结果，通过将所述被测者与所述其他被测者的所述疾病诊断输出结果进行比较调整所述被测者的诊疗方案。
进一步地，所述系统还包括训练模块，所述训练模块用于训练得到所述第一疾病诊断模型和所述第二疾病诊断模型。
进一步地，所述训练模块还用于：根据预设数量患者的所述人脸特征及病程情况绘制疾病演变图，所述疾病演变图包括所述人脸特征与病程的对应关系；根据所述疾病演变图获取所述训练样本的所述输出标签中的病程标签。
本发明实施例通过基于预设的人脸特征训练神经网络得到第一疾病诊断模型，进而通过第一疾病诊断模型得到疾病诊断输出结果，提高了疾病诊断的快速性和可靠性，并可实现早期诊断。
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是本发明一实施例提供的内分泌疾病智能诊断系统结构图；
图2是本发明一实施例提供的内分泌疾病智能诊断系统用于疾病诊断时的处理流程示意图；
图3是本发明一实施例提供的内分泌疾病智能诊断系统用于训练获取合并症的神经网络时的处理流程示意图；
图4是本发明一实施例提供的内分泌疾病智能诊断系统用于获取疾病演变图的过程示意图；
图5是本发明一实施例提供的内分泌疾病智能诊断系统用于智能辅助治疗的处理流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
诊断系统可以用于以肢端肥大症为代表的内分泌罕见病，但不限于肢端肥大症，比如还可用于库欣症、甲状腺功能亢进/低下、唐氏综合征等。
图1是本发明一实施例提供的内分泌疾病智能诊断系统结构图。如图1所示，所述内分泌疾病智能诊断系统1包括诊断模块10，所述诊断模块10用于：根据输入的被测者的人脸图像提取预设的人脸特征，将所述人脸特征输入到第一疾病诊断模型，根据所述第一疾病诊断模型的输出得到第一疾病诊断结果，根据所述第一疾病诊断结果得到疾病诊断输出结果；其中，所述第一疾病诊断模型以由人脸图像构成的训练样本的所述人脸特征作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到；所述内分泌疾病包括肢端肥大症、库欣症、甲状腺功能亢进/低下、唐氏综合征中的至少一种。
本发明实施例通过人工智能进行疾病诊断，具体通过将预设的人脸特征输入到训练得到的疾病诊断模型获取疾病诊断输出结果。所述疾病诊断模型包括第一疾病诊断模型。所述第一疾病诊断模型以由人脸图像构成的训练样本的所述人脸特征作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到。所述预设的人脸特征可以是预先获知的有利于相应疾病的诊断的人脸特征。
在训练和预测时，所述人脸特征需要基于人脸图像获取，因此，训练样本可以定义为各个人脸图像。各个训练样本对应的疾病罹患情况(人脸图像对应的疾病罹患情况)，即是人脸图像来源者的疾病罹患情况。疾病罹患情况可以为患病和未患病。
在对患者进行检测时，根据输入的被测者的人脸图像提取所述人脸特征，将所述人脸特征输入到预先训练好的第一疾病诊断模型，根据所述第一疾病诊断模型的输出得到第一疾病诊断结果，可以将第一疾病诊断结果直接作为疾病诊断输出结果。
本发明实施例通过基于预设的人脸特征训练神经网络得到第一疾病诊断模型，进而通过第一疾病诊断模型得到疾病诊断输出结果，提高了疾病诊断的快速性和可靠性，并可实现早期诊断。
进一步地，基于上述实施例，所述诊断模块10还用于：将所述被测者的人脸图像输入到第二疾病诊断模型，根据所述第二疾病诊断模型的输出得到第二疾病诊断结果；其中，所述第二疾病诊断模型以由人脸图像构成的训练样本作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到；根据所述第一疾病诊断结果和所述第二疾病诊断结果得到所述疾病诊断输出结果。
所述疾病诊断模块除了包括第一疾病诊断模型外，还包括第二疾病诊断模型。所述第二疾病诊断模型以由人脸图像构成的训练样本作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到。因此，第二疾病诊断模型预先是没有特征输入的，就是将人脸图片作为输入，以疾病罹患情况作为输出，利用神经网络进行端到端的自我学习，从而进行特征提取及分类，最后训练得到用于判断疾病罹患情况的第二疾病诊断模型。
所述诊断模块10还用于将所述被测者的人脸图像输入到第二疾病诊断模型，根据所述第二疾病诊断模型的输出得到第二疾病诊断结果。融合第一疾病诊断模型的第一疾病诊断结果和第二疾病诊断模型的第二疾病诊断结果，通过进行综合决策，得到所述疾病诊断输出结果。在综合决策时，可以利用加权求和的方式获取疾病诊断输出结果。
在上述实施例的基础上，本发明实施例通过综合第一疾病诊断结果和第二疾病诊断结果得到疾病诊断输出结果，进一步提高了疾病诊断的可靠性。
进一步地，基于上述实施例，所述人脸特征包括基于诊疗经验的人脸特征，所述基于诊疗经验的人脸特征包括在面部具有固定提取位置和/或具有明确表观意义的面部特征。
所述人脸特征包括基于诊疗经验的人脸特征，所述基于诊疗经验的人脸特征可以由算法获取。所述基于诊疗经验的人脸特征包括在面部具有固定提取位置和/或具有明确表观意义的面部特征，这些特征具有可解释性。这些特征比如嘴唇厚度、鼻子宽度占全脸的比例、舌像特征、皮肤厚薄、黑痣、皱纹等。像鼻子宽度占全脸的比例属于在面部具有固定提取位置的特征，像皱纹可以一定程度上反应年龄，属于具有明确表观意义的特征。
在上述实施例的基础上，本发明实施例通过设定人脸特征包括基于诊疗经验的人脸特征，基于诊疗经验的人脸特征包括在面部具有固定提取位置和/或具有明确表观意义的面部特征，提高了基于诊疗经验的人脸特征的全面性和针对性，进一步提高了疾病诊断的可靠性。
进一步地，基于上述实施例，所述人脸特征包括预先训练好的特征提取网络提取的人脸特征。
在用于训练第一疾病诊断模型的人脸特征中，除了可以利用基于诊疗经验的人脸特征外，还可以利用并非通过人脸图像及疾病罹患情况进行训练得到的人脸特征作为输入，这些特征可以是预先训练好的特征提取网络提取的人脸特征。所述预先训练好的特征提取网络提取的人脸特征可以为人工智能领域已经训练好的特征提取网络获取的具有人脸区分效果的一些人脸特征。比如，用于确定身份的身份特征、用于确定表情的表情特征、用于确定年龄的年龄特征、用于确定性别的性别特征等。这些特征当然需要是人脸特征。在利用这些特征时，可以直接利用相应的特征提取网络提取相应的特征作为第一疾病诊断模型的输入即可。比如，利用用于身份识别的神经网络的特征提取网络提取的人脸特征直接作为第一疾病诊断模型的输入。
上述身份特征、肤色特征、表情特征、年龄特征及性别特征等虽然不是根据疾病罹患情况作为标签获得的，但是这些人脸特征也会一定程度上反应相应疾病罹患的概率。因为，患病概率通常还和职业、种族、年龄及性别有关。并且，患病程度不同也会导致表情有所变化。
在上述实施例的基础上，本发明实施例通过使得人脸特征包括预先训练好的特征提取网络提取的人脸特征，提高了人脸特征的全面性，从而进一步提高了疾病诊断的可靠性。
进一步地，基于上述实施例，所述输出标签包括：没有罹患疾病的标签和罹患疾病的标签；或，没有罹患疾病的标签和罹患疾病时预设数量的病程标签；或，没有罹患疾病的标签、罹患疾病的标签以及合并症标签；或，没有罹患疾病的标签、罹患疾病时预设数量的病程标签以及合并症标签；相应地，所述疾病诊断输出结果包括是否罹患疾病、病程及合并症情况中的至少一种。
所述输出标签可以包括多种类别，通过多分类的模型实现多种类别的输出判断。此时，第一疾病诊断模型和第二疾病诊断模型内部具有多个不同的神经网络对应于不同的输出。在训练时，对于各个类别的输出设置不同的输出标签，在预测时，根据不同输出端的输出结果获得多个分类结果。
有几个输出就需要设置几个输出标签。比如，输出标签可以设置为没有罹患疾病的标签和罹患疾病的标签，可以设置为没有罹患疾病的标签和罹患疾病时预设数量的病程标签，可以设置为没有罹患疾病的标签、罹患疾病的标签以及合并症标签，可以设置为没有罹患疾病的标签、罹患疾病时预设数量的病程标签以及合并症标签等等。
只有两个取值的标签，如没有罹患疾病的标签和罹患疾病的标签可以用0、1表示。具有多个取值的标签，可以用不同的数字表示，如没有罹患疾病的标签和罹患疾病时预设数量的病程标签，可以用0表示没有罹患疾病的标签，用1～6分别表示罹患疾病时病程由轻到重的6个层次，当然具体包括几个层次可以根据实际情况设定。对于合并症标签可以用相应的数字表示具体的合并症的类型。当然，输出标签并不限定于用数字表示，还可以用字母、符号等。
输出标签与输出端口的设置一致，因此输出标签的情况也就表示了可以获得的输出结果的情况。所述疾病诊断输出结果包括是否罹患疾病、病程及合并症情况中的至少一种。比如，输出标签设置为没有罹患疾病的标签和罹患疾病的标签，输出结果为患病或未患病；输出标签为没有罹患疾病的标签和罹患疾病时预设数量的病程标签，输出结果为未患病或病程；输出标签为没有罹患疾病的标签、罹患疾病的标签以及合并症标签，输出结果为未患病或患病、无合并症或合并症的具体情况；输出标签为没有罹患疾病的标签、罹患疾病时预设数量的病程标签以及合并症标签，输出结果为未患病或病程、无合并症或合并症的具体情况。
在上述实施例的基础上，本发明实施例通过设置输出标签的不同类型，提高了疾病诊断输出结果的丰富性。
进一步地，基于上述实施例，所述病程标签包括病程信息及诊疗次数信息；相应地，所述疾病诊断输出结果中还包括所述诊疗次数信息。
对于某一个患者的来说，病程可以反映疾病的程度。接受诊疗前具有病程信息，接受诊疗后也具有病程信息。因此，为更加切实地反映患者情况，还需要知道患者的诊疗次数信息。诊疗次数为0时，表示未曾接受诊疗。
病程和诊疗次数结合可以反映患者治疗前的病程发展情况以及治疗后的病情发展情况。因此，所述病程标签可以包括病程信息及诊疗次数信息，这样根据病程标签即明确了患者的病程以及接受诊疗情况。其中，诊疗次数信息是个已知量，可以在训练时将这个已知量告知神经网络(输入给神经网络)，并在相应的输出标签(如病程标签)表示出即可。
相应地，所述疾病诊断输出结果中还包括所述诊疗次数信息。同样地，在预测时，可以将诊疗次数信息告知神经网络，并在病程标签对应的输出端口输出相应的表示数字即可。
在上述实施例的基础上，本发明实施例通过设置病程标签包括病程信息及诊疗次数信息，有利于获得全面的诊疗信息，便于指导诊疗决策。
进一步地，基于上述实施例，所述系统还包括诊疗辅助模块，所述诊疗辅助模块用于：根据所述被测者不同时间的所述疾病诊断输出结果绘制病情发展图。
疾病诊断输出结果可以反映患者患病情况。按时间顺序将不同时间的疾病诊断输出结果顺次连线可以绘制成病情发展图，从而反映疾病发展情况。所述系统还包括诊疗辅助模块，所述诊疗辅助模块用于根据所述被测者不同时间的所述疾病诊断输出结果绘制病情发展图，从而有助于了解患者的疾病发展情况。
在上述实施例的基础上，本发明实施例通过根据被测者不同时间的疾病诊断输出结果绘制病情发展图，有助于了解患者的疾病发展情况。
进一步地，基于上述实施例，所述诊疗辅助模块还用于：根据所述病情发展图调整所述被测者的诊疗方案；和/或，获取具有相同诊疗次数且最后一次诊疗前具有相同病程的其他被测者的所述疾病诊断输出结果，通过将所述被测者与所述其他被测者的所述疾病诊断输出结果进行比较调整所述被测者的诊疗方案。
病情发展图可以反映患者的疾病发展情况，所述诊疗辅助模块还用于根据所述病情发展图调整所述被测者的诊疗方案。除了基于患者自身的病情发展情况调整诊疗方案外，还可以通过与同样情况的其他患者进行比较调整诊疗方案。同样情况的其他患者即最后一次治疗前具有相同诊疗次数且具有相同病程的患者。那么，在最后一次治疗后，可以获取其他被测者的疾病诊断结果，并通过将所述被测者与所述其他被测者的所述疾病诊断输出结果进行比较调整所述被测者的诊疗方案。
其中，其他被测者的所述疾病诊断输出结果可以对应单个人，但是由于个体差异较大，可以将其他被测者的疾病诊断结果取平均再与被测者的疾病诊断结果进行比较。
在上述实施例的基础上，本发明实施例通过根据被测者的病情发展图调整诊疗方案或根据其他被测者的疾病诊断输出结果调整被测者的诊疗方案，有利于优化诊疗方案。
进一步地，基于上述实施例，所述系统还包括训练模块，所述训练模块用于训练得到所述第一疾病诊断模型和所述第二疾病诊断模型。
由于利用第一疾病诊断模型获得第一疾病诊断结果需要基于训练好的第一疾病诊断模型进行，利用第二疾病诊断模型获得第二疾病诊断结果需要基于训练好的第二疾病诊断模型进行。因此，所述内分泌疾病诊断系统还包括训练模块，所述训练模块用于训练得到所述第一疾病诊断模型和所述第二疾病诊断模型。
在上述实施例的基础上，本发明实施例通过训练模块训练得到第一疾病诊断模型和第二疾病诊断模型，为获取第一疾病诊断结果和第二疾病诊断结果奠定了基础。
进一步地，基于上述实施例，所述训练模块还用于：根据预设数量患者的所述人脸特征及病程情况绘制疾病演变图，所述疾病演变图包括所述人脸特征与病程的对应关系；根据所述疾病演变图获取所述训练样本的所述输出标签中的病程标签。
病程标签可以反映疾病发展的病程。在训练时需要对于训练样本标注病程标签。不同的病程表现为不同的人脸特征，因此，通过对大量患者的人脸特征进行统计，可以对病程进行分级，比如如上的1～6个病程。病程和人脸特征具有对应关系。所述训练模块还用于根据大量患者的所述人脸特征及病程情况绘制疾病演变图，所述疾病演变图包括所述人脸特征与病程的对应关系。
训练过程中对训练样本进行病程标签的标注时，可以根据所述疾病演变图获取所述训练样本的所述输出标签中的病程标签。具体地，可以获取所述训练样本的所述人脸特征，并通过所述疾病演变图中所述人脸特征与病程的对应关系，获取训练样本对应的病程，进而获得病程标签。
当然，所述预设数量越多，所述疾病演变图中所述人脸特征与病程的对应关系越准确。
在上述实施例的基础上，本发明实施例通过根据患者的所述人脸特征及病程情况绘制疾病演变图，所述疾病演变图包括所述人脸特征与病程的对应关系；根据所述疾病演变图获取所述训练样本的所述输出标签中的病程标签，提高了病程标签的可靠性，从而进一步提高了疾病诊断结果的可靠性。
图2是本发明一实施例提供的内分泌疾病智能诊断系统用于疾病诊断时的处理流程示意图。如图2所示，所述处理流程包括病程建模、基于人脸特征的疾病早筛以及智能辅助治疗三个阶段。其中，在病程建模阶段，通过人脸特征的动态演变构建疾病的疾病演变图。在基于人脸特征的疾病早筛阶段，包括用人脸特征判断疾病患病概率、用人脸特征对患者病程及严重程度分类、预测合并症的风险等。在智能辅助治疗阶段，可以根据疾病诊断输出结果指导治疗方案。
图3是本发明一实施例提供的内分泌疾病智能诊断系统用于训练获取合并症的神经网络时的处理流程示意图。如图3所示，通过提取不同年龄段的患者的生化检查结果、影像检查结果、心电图等设备的检查结果等获取患者合并症情况。以人脸特征作为输入或人脸图像作为输入，以合并症标签作为输出，从而得到合并症1～N的神经网络，分别用于合并症1～N的诊断。
图4是本发明一实施例提供的内分泌疾病智能诊断系统用于获取疾病演变图的过程示意图。如图4所示，疾病演变图(疾病动态演变图)的绘制包括人脸特征提取和疾病动态演变图绘制阶段。可以通过对不同年龄段的患者进行基于诊断经验的面部特征提取和基于数据学习的面部特征提取，从而获取人脸特征，将人脸特征与不同的病程对应得到疾病动态演变图。
图5是本发明一实施例提供的内分泌疾病智能诊断系统用于智能辅助治疗的处理流程示意图。如图5所示，通过将患者的疾病诊断输出结果与疾病动态演变图进行比较，进而调整患者的治疗方案。
本发明实施例通过基于预设的人脸特征训练神经网络得到第一疾病诊断模型，进而通过第一疾病诊断模型得到疾病诊断输出结果，提高了疾病诊断的快速性和可靠性，并可实现早期诊断。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (10)

1.一种内分泌疾病智能诊断系统，其特征在于，包括：
诊断模块，所述诊断模块用于：根据输入的被测者的人脸图像提取预设的人脸特征，将所述人脸特征输入到第一疾病诊断模型，根据所述第一疾病诊断模型的输出得到第一疾病诊断结果，根据所述第一疾病诊断结果得到疾病诊断输出结果；其中，所述第一疾病诊断模型以由人脸图像构成的训练样本的所述人脸特征作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到；
所述内分泌疾病包括肢端肥大症、库欣症、甲状腺功能亢进/低下、唐氏综合征中的至少一种。
2.根据权利要求1所述的内分泌疾病智能诊断系统，其特征在于，所述诊断模块还用于：
将所述被测者的人脸图像输入到第二疾病诊断模型，根据所述第二疾病诊断模型的输出得到第二疾病诊断结果；其中，所述第二疾病诊断模型以由人脸图像构成的训练样本作为输入、以各个训练样本对应的疾病罹患情况作为输出标签训练得到；
根据所述第一疾病诊断结果和所述第二疾病诊断结果得到所述疾病诊断输出结果。
3.根据权利要求1或2所述的内分泌疾病智能诊断系统，其特征在于，所述人脸特征包括基于诊疗经验的人脸特征，所述基于诊疗经验的人脸特征包括在面部具有固定提取位置和/或具有明确表观意义的面部特征。
4.根据权利要求1或2所述的内分泌疾病智能诊断系统，其特征在于，所述人脸特征包括预先训练好的特征提取网络提取的人脸特征。
5.根据权利要求1或2所述的内分泌疾病智能诊断系统，其特征在于，所述输出标签包括：没有罹患疾病的标签和罹患疾病的标签；或，没有罹患疾病的标签和罹患疾病时预设数量的病程标签；或，没有罹患疾病的标签、罹患疾病的标签以及合并症标签；或，没有罹患疾病的标签、罹患疾病时预设数量的病程标签以及合并症标签；
相应地，所述疾病诊断输出结果包括是否罹患疾病、病程及合并症情况中的至少一种。
6.根据权利要求5所述的内分泌疾病智能诊断系统，其特征在于，所述病程标签包括病程信息及诊疗次数信息；相应地，所述疾病诊断输出结果中还包括所述诊疗次数信息。
7.根据权利要求6所述的内分泌疾病智能诊断系统，其特征在于，所述系统还包括诊疗辅助模块，所述诊疗辅助模块用于：根据所述被测者不同时间的所述疾病诊断输出结果绘制病情发展图。
8.根据权利要求7所述的内分泌疾病智能诊断系统，其特征在于，所述诊疗辅助模块还用于：
根据所述病情发展图调整所述被测者的诊疗方案；和/或，
获取具有相同诊疗次数且最后一次诊疗前具有相同病程的其他被测者的所述疾病诊断输出结果，通过将所述被测者与所述其他被测者的所述疾病诊断输出结果进行比较调整所述被测者的诊疗方案。
9.根据权利要求2所述的内分泌疾病智能诊断系统，其特征在于，所述系统还包括训练模块，所述训练模块用于训练得到所述第一疾病诊断模型和所述第二疾病诊断模型。
10.根据权利要求9所述的内分泌疾病智能诊断系统，其特征在于，所述训练模块还用于：
根据预设数量患者的所述人脸特征及病程情况绘制疾病演变图，所述疾病演变图包括所述人脸特征与病程的对应关系；
根据所述疾病演变图获取所述训练样本的所述输出标签中的病程标签。
CN202011148766.6A 2020-10-23 2020-10-23 一种内分泌疾病智能诊断系统 Withdrawn CN112263220A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011148766.6A CN112263220A (zh) 2020-10-23 2020-10-23 一种内分泌疾病智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011148766.6A CN112263220A (zh) 2020-10-23 2020-10-23 一种内分泌疾病智能诊断系统

Publications (1)

Publication Number Publication Date
CN112263220A true CN112263220A (zh) 2021-01-26

Family

ID=74341864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011148766.6A Withdrawn CN112263220A (zh) 2020-10-23 2020-10-23 一种内分泌疾病智能诊断系统

Country Status (1)

Country Link
CN (1) CN112263220A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724859A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的疾病提示设备、方法、装置及存储介质
CN113990495A (zh) * 2021-12-27 2022-01-28 之江实验室 一种基于图神经网络的疾病诊断预测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724859A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的疾病提示设备、方法、装置及存储介质
CN113990495A (zh) * 2021-12-27 2022-01-28 之江实验室 一种基于图神经网络的疾病诊断预测系统
CN113990495B (zh) * 2021-12-27 2022-04-29 之江实验室 一种基于图神经网络的疾病诊断预测系统

Similar Documents

Publication Publication Date Title
Li et al. Automatic detection of diabetic retinopathy in retinal fundus photographs based on deep learning algorithm
Wang et al. Simultaneous diagnosis of severity and features of diabetic retinopathy in fundus photography using deep learning
Mishra et al. Diabetic retinopathy detection using deep learning
CN109543526B (zh) 基于深度差异性特征的真假面瘫识别系统
CN110689025B (zh) 图像识别方法、装置、系统及内窥镜图像识别方法、装置
Song et al. Simultaneous cell detection and classification in bone marrow histology images
CN110490242B (zh) 图像分类网络的训练方法、眼底图像分类方法及相关设备
CN112016626B (zh) 基于不确定度的糖尿病视网膜病变分类系统
CN111080643A (zh) 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN112263220A (zh) 一种内分泌疾病智能诊断系统
US11721023B1 (en) Distinguishing a disease state from a non-disease state in an image
Low et al. Automating vitiligo skin lesion segmentation using convolutional neural networks
Costa et al. Eyequal: Accurate, explainable, retinal image quality assessment
CN111028232A (zh) 基于眼底图像的糖尿病分类方法及设备
Rani et al. Automatic Evaluations of Human Blood Using Deep Learning Concepts
CN114842957B (zh) 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法
CN111047590A (zh) 基于眼底图像的高血压分类方法及设备
Herath et al. Autism spectrum disorder diagnosis support model using Inception V3
Soundrapandiyan et al. AI-based wavelet and stacked deep learning architecture for detecting coronavirus (COVID-19) from chest X-ray images
CN117010971B (zh) 一种基于人像识别的智能健康险提供方法及系统
Leopold et al. Segmentation and feature extraction of retinal vascular morphology
CN111341459A (zh) 分类深度神经网络模型的训练方法、遗传病检测方法
CN111222374A (zh) 测谎数据处理方法、装置、计算机设备和存储介质
Mankar et al. Automatic detection of diabetic retinopathy using morphological operation and machine learning
Sengar et al. An efficient artificial intelligence-based approach for diagnosis of media haze 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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210126

WW01 Invention patent application withdrawn after publication