CN112652398A - 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 - Google Patents
一种基于机器学习算法的新冠肺炎重症化预测方法及系统 Download PDFInfo
- Publication number
- CN112652398A CN112652398A CN202011526335.9A CN202011526335A CN112652398A CN 112652398 A CN112652398 A CN 112652398A CN 202011526335 A CN202011526335 A CN 202011526335A CN 112652398 A CN112652398 A CN 112652398A
- Authority
- CN
- China
- Prior art keywords
- patient
- clinical
- machine learning
- value
- model
- 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
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
- G16H50/30—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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于机器学习技术领域,具体涉及一种基于机器学习算法的新冠肺炎重症化预测方法,包括以下步骤:采集患者肺部CT影像,分割提取出肺部有效区域;构建RetinaNet卷积神经网络模型并对模型进行训练,将肺部有效区域输入到模型中,对重症程度进行回归,输出Pct值;采集患者临床结构化数据,对数据信进行降维处理,再输入到训练好的随机森林模型,进行预测,输出Pclinical值;将Pct值和Pclinical值通过Fβ计算进行融合,得出患者最终的重症程度。克服了现有技术的不足,利用机器学习算法进行预测,使用影像和结构化数据利用机器学习预测新冠肺炎的严重程度。
Description
技术领域
本发明属于机器学习技术领域,具体涉及一种基于机器学习算法的新冠肺炎重症化预测方法及系统。
背景技术
新冠肺炎在全球就行大传播,在全球造成了严重的生命财产损失,在新冠肺炎的检测与治疗中,为了降低死亡率,重症肺炎患者的预测具有重大意义。在对新冠肺炎进行治疗的过程中,CT影像在新冠肺炎的诊断中起着重要的作用,患者定时拍摄CT影像,观察病情的发展变化。
专利申请号为202010492779.9的中国发明公开了一种基于25(OH)D水平的新冠肺炎严重程度预测算法,其根据25(OH)D水平以及患者的基本信息和既往病史,得出阈值对其严重程度进行预测,该方法仅仅使用了部分临床医学指标,并没有综合所有的因素,最终的预测准确度并不一定可靠。
专利申请号为202010269407.X的中国发明公开了一种基于定量超声分析的评估方法,降低了医生进行超声的专业技术性要求,该方法仅使用了超声影像的B线变化对病情的严重程度进行评分,其实际辅助诊断效果有待验证。
因此,如何找到一种可以自动评估、预测新冠肺炎的严重程度的方法是目前亟待解决的问题。
发明内容
本发明的目的在于提供一种基于机器学习算法的新冠肺炎重症化预测方法,克服了现有技术的不足,使用影像和结构化数据利用机器学习预测新冠肺炎的严重程度。
为解决上述问题,本发明所采取的技术方案如下:
一种基于机器学习算法的新冠肺炎重症化预测方法,包括如下步骤:
(1)对患者的肺部CT影像进行采集,对CT图像的格式进行筛选,输出正确的图像格式;
(2)对步骤(1)肺部CT影像,利用图像处理技术进行预处理,分割出肺部有效区域;
(3)构建RetinaNet卷积神经网络模型,将步骤(2)肺部有效区域输入到模型中,并对模型进行训练,对重症程度进行回归,输出Pct值;
(4)采集患者临床结构化数据,采用主成分分析对临床结构化数据进行降维;
(5)采用随机森林模型对上述已降维的临床结构化数据进行训练,得到训练后的随机森林模型;
(6)用步骤(5)训练后的随机森林的模型对待预测的患者结构化数据进行预测,输出重症化程度Pclinical值;
(7)将Pct值和Pclinical值通过带权值的调和平均Fβ值计算进行融合,得出患者最终的重症程度。
进一步,所述步骤(3)中所述RetinaNet卷积神经网络模型是由Resnet分类网络作为主干网络、FPN算法和两个FCN子网络组成的统一目标检测网络;Resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像;分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归;Resnet分类网络的卷积过程用的是ResNet,上采样和侧边连接还是FPN结构;后面连接分类子网和回归子网,分别进行分类和回归;
分类子网为:分类子网对A个锚点,每个锚点中的K个类别,都预测一个存在概率;对于FPN的每一层输出,对分类子网来说,加上四层3x3x256卷积的FCN网络,最后一层的卷积用3x3xKA,最后一层维度变为KA表示;在RetinaNet中采用5层的卷积结构;
回归子网为:与分类子网并行,对每一层FPN输出接上一个位置回归子网,回归子网本质也是FCN网络;是4层256维卷积,最后一层是4A维度,即对每一个锚点,回归一个四维向量。
进一步,所述临床结构化数据包括患者的年龄、性别,感染时间,呼吸频率,指氧饱和度,动脉血氧分压与吸氧浓度的比值,是否嗜睡、惊厥,既往患病史,吸烟史,外周血淋巴细胞计数和凝血功能指标D-二聚体。
进一步,所述步骤(5)进一步包括:
A、将步骤(4)中降维后的数据按照8:2的比例分为训练集和测试集;
B、载入训练集的特征和真实的患者重症程度值,采用随机森林进行回归分析,得到最佳的随机森林模型;
C、采用测试集对训练后的随机森林模型进行测试,评估随机森林模型的表现精度。
进一步,所述步骤(7)中Fβ计算的具体公式为:
本发明还保护了一种基于机器学习算法的新冠肺炎重症化预测系统,包括:
影像数据预测模块,用于分割提取患者肺部CT影像中病灶区域影像,将病灶区域影像输入训练好的RetinaNet卷积神经网络模型,输出预测值Pct值;
临床结构化数据预测模块,用于将采集的患者临床结构化数据进行主成分分析进行降维后,输入训练好的随机森林模型中,输出预测值Pclinical值;
算法融合模块,用于通过Fβ计算将Pct值和Pclinical值进行融合计算;
结果输出模块,用于输出融合计算的结果,得到患者最终的重症程度。
本发明与现有技术相比较,具有以下有益效果:
本发明所述一种基于机器学习算法的新冠肺炎重症化预测方法,通过采集患者的CT影像数据,临床结构化数据例如呼吸频率(RR),指氧饱和度,动脉血氧分压与吸氧浓度的比值等,针对这些指标,利用机器学习算法进行预测,输出转化为重症肺炎的概率,并对结果进行输出展示,有效地辅助医生对新冠肺炎患者的治疗方案作出预期。
附图说明
图1为一种基于机器学习算法的新冠肺炎重症化预测方法的流程示意图。
图2为一种基于机器学习算法的新冠肺炎重症化预测系统的内部结构框图。
具体实施方式
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,所描述的实施例仅仅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做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。
如图1所示,本实施例公开了一种基于机器学习算法的新冠肺炎重症化预测方法,包括如下步骤:
(1)对患者的肺部CT影像进行采集,对CT图像的格式进行筛选,输出正确的图像格式;
(2)对步骤(1)肺部CT影像,利用图像处理技术进行预处理,分割出肺部有效区域;
(3)构建RetinaNet卷积神经网络模型,将步骤(2)肺部有效区域输入到模型中,并对模型进行训练,对重症程度进行回归,输出Pct值;;
RetinaNet卷积神经网络模型是由Resnet分类网络作为主干网络、FPN算法和两个FCN子网络组成的统一目标检测网络;Resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像;分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归;Resnet分类网络的卷积过程用的是ResNet,上采样和侧边连接还是FPN结构;后面连接分类子网和回归子网,分别进行分类和回归;
分类子网为:分类子网对A个锚点,每个锚点中的K个类别,都预测一个存在概率;对于FPN的每一层输出,对分类子网来说,加上四层3x3x256卷积的FCN网络,最后一层的卷积用3x3xKA,最后一层维度变为KA表示;在RetinaNet中采用5层的卷积结构;
回归子网为:与分类子网并行,对每一层FPN输出接上一个位置回归子网,回归子网本质也是FCN网络;是4层256维卷积,最后一层是4A维度,即对每一个锚点,回归一个四维向量。
(4)采集患者临床结构化数据,采用主成分分析对临床结构化数据进行降维;临床结构化数据包括患者的年龄、性别,感染时间,呼吸频率,指氧饱和度,动脉血氧分压与吸氧浓度的比值,是否嗜睡、惊厥,既往患病史,吸烟史,外周血淋巴细胞计数和凝血功能指标D-二聚体。
(5)采用随机森林模型对上述已降维的临床结构化数据进行训练,得到训练后的随机森林模型。
具体的训练方法为:
A、将步骤(4)中降维后的数据按照8:2的比例分为训练集和测试集;
B、载入训练集的特征和真实的患者重症程度值,采用随机森林进行回归分析,得到最佳的随机森林模型;
C、采用测试集对训练后的随机森林模型进行测试,评估随机森林模型的表现精度
(6)用步骤(5)训练后的随机森林的模型对待预测的患者结构化数据进行预测,输出Pclinical值;
(7)将Pct值和Pclinical值通过Fβ计算进行融合,得出患者最终的重症程度。
步骤(7)中F-score计算的具体公式为:
如图2所示,本实施例公开了一种基于机器学习算法的新冠肺炎重症化预测系统,包括:
影像数据预测模块,用于分割提取患者肺部CT影像中病灶区域影像,将病灶区域影像输入训练好的RetinaNet卷积神经网络模型,输出预测值Pct值;
临床结构化数据预测模块,用于将采集的患者临床结构化数据进行主成分分析进行降维后,输入训练好的随机森林模型中,输出预测值Pclinical值;
算法融合模块,用于通过Fβ计算将Pct值和Pclinical值进行融合计算;
结果输出模块,用于输出融合计算的结果,得到患者最终的重症程度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种基于机器学习算法的新冠肺炎重症化预测方法,其特征在于:包括如下步骤:
(1)对患者的肺部CT影像进行采集,对CT图像的格式进行筛选,输出正确的图像格式;
(2)对步骤(1)肺部CT影像,利用图像处理技术进行预处理,分割出肺部有效区域;
(3)构建RetinaNet卷积神经网络模型,将步骤(2)肺部有效区域输入到模型中,并对模型进行训练,对重症程度进行回归,输出Pct值;
(4)采集患者临床结构化数据,采用主成分分析对临床结构化数据进行降维;
(5)采用随机森林模型对上述已降维的临床结构化数据进行训练,得到训练后的随机森林模型;
(6)用步骤(5)训练后的随机森林的模型对待预测的患者结构化数据进行预测,输出重症化程度Pclinical值;
(7)将Pct值和Pclinical值通过带权值的调和平均Fβ值计算进行融合,得出患者最终的重症程度。
2.根据权利要求1所述的一种基于机器学习算法的新冠肺炎重症化预测方法,其特征在于:所述步骤(3)中所述RetinaNet卷积神经网络模型是由Resnet分类网络作为主干网络、FPN算法和两个FCN子网络组成的统一目标检测网络;Resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像;分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归;Resnet分类网络的卷积过程用的是ResNet,上采样和侧边连接还是FPN结构;后面连接分类子网和回归子网,分别进行分类和回归;
分类子网为:分类子网对A个锚点,每个锚点中的K个类别,都预测一个存在概率;对于FPN的每一层输出,对分类子网来说,加上四层3x3x256卷积的FCN网络,最后一层的卷积用3x3xKA,最后一层维度变为KA表示;在RetinaNet中采用5层的卷积结构;
回归子网为:与分类子网并行,对每一层FPN输出接上一个位置回归子网,回归子网本质也是FCN网络;是4层256维卷积,最后一层是4A维度,即对每一个锚点,回归一个四维向量。
3.根据权利要求1所述的一种基于机器学习算法的新冠肺炎重症化预测方法,其特征在于:所述临床结构化数据包括患者的年龄、性别,感染时间,呼吸频率,指氧饱和度,动脉血氧分压与吸氧浓度的比值,是否嗜睡、惊厥,既往患病史,吸烟史,外周血淋巴细胞计数和凝血功能指标D-二聚体。
4.根据权利要求1所述的一种基于机器学习算法的新冠肺炎重症化预测方法,其特征在于:所述步骤(5)进一步包括:
A、将步骤(4)中降维后的数据按照8:2的比例分为训练集和测试集;
B、载入训练集的特征和真实的患者重症程度值,采用随机森林进行回归分析,得到最佳的随机森林模型;
C、采用测试集对训练后的随机森林模型进行测试,评估随机森林模型的表现精度。
6.一种基于机器学习算法的新冠肺炎重症化预测系统,其特征在于,包括:
影像数据预测模块,用于分割提取患者肺部CT影像中病灶区域影像,将肺部有效区域输入训练好的RetinaNet卷积神经网络模型,输出预测值Pct值;
临床结构化数据预测模块,用于将采集的患者临床结构化数据进行主成分分析进行降维后,输入训练好的随机森林模型中,输出预测值Pclinical值;
算法融合模块,用于通过Fβ计算将Pct值和Pclinical值进行融合计算;
结果输出模块,用于输出融合计算的结果,得到患者最终的重症程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526335.9A CN112652398A (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526335.9A CN112652398A (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112652398A true CN112652398A (zh) | 2021-04-13 |
Family
ID=75359097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526335.9A Pending CN112652398A (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112652398A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380413A (zh) * | 2021-06-24 | 2021-09-10 | 首都医科大学附属北京天坛医院 | 一种构建无效再通fr预测模型的方法和装置 |
CN113409947A (zh) * | 2021-07-29 | 2021-09-17 | 四川大学华西医院 | 新冠肺炎重症化预测模型、系统及其建立方法、预测方法 |
CN113782197A (zh) * | 2021-08-03 | 2021-12-10 | 中国人民解放军总医院第一医学中心 | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 |
CN113823413A (zh) * | 2021-10-22 | 2021-12-21 | 上海长征医院 | 肺部功能小气道疾病预测系统、方法、介质及电子设备 |
CN114093523A (zh) * | 2021-11-11 | 2022-02-25 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
CN117637154A (zh) * | 2024-01-27 | 2024-03-01 | 南通大学附属医院 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991535A (zh) * | 2019-12-04 | 2020-04-10 | 中山大学 | 一种基于多类型医学数据的pCR预测方法 |
CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
CN111524599A (zh) * | 2020-04-24 | 2020-08-11 | 中国地质大学(武汉) | 一种基于机器学习的新冠肺炎数据处理方法及预测系统 |
CN111626379A (zh) * | 2020-07-07 | 2020-09-04 | 中国计量大学 | 肺炎x光图像检测方法 |
CN112002410A (zh) * | 2020-08-20 | 2020-11-27 | 医渡云(北京)技术有限公司 | 传染病疾病状态预测方法及装置、存储介质、电子设备 |
-
2020
- 2020-12-22 CN CN202011526335.9A patent/CN112652398A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991535A (zh) * | 2019-12-04 | 2020-04-10 | 中山大学 | 一种基于多类型医学数据的pCR预测方法 |
CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
CN111524599A (zh) * | 2020-04-24 | 2020-08-11 | 中国地质大学(武汉) | 一种基于机器学习的新冠肺炎数据处理方法及预测系统 |
CN111626379A (zh) * | 2020-07-07 | 2020-09-04 | 中国计量大学 | 肺炎x光图像检测方法 |
CN112002410A (zh) * | 2020-08-20 | 2020-11-27 | 医渡云(北京)技术有限公司 | 传染病疾病状态预测方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
郝兵: ""基于深度学习的肺炎检测方法研究"", 《中国优秀硕士学位论文全文数据库》, no. 3, pages 1 - 3 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380413A (zh) * | 2021-06-24 | 2021-09-10 | 首都医科大学附属北京天坛医院 | 一种构建无效再通fr预测模型的方法和装置 |
CN113409947A (zh) * | 2021-07-29 | 2021-09-17 | 四川大学华西医院 | 新冠肺炎重症化预测模型、系统及其建立方法、预测方法 |
CN113782197A (zh) * | 2021-08-03 | 2021-12-10 | 中国人民解放军总医院第一医学中心 | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 |
CN113823413A (zh) * | 2021-10-22 | 2021-12-21 | 上海长征医院 | 肺部功能小气道疾病预测系统、方法、介质及电子设备 |
CN114093523A (zh) * | 2021-11-11 | 2022-02-25 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
CN117637154A (zh) * | 2024-01-27 | 2024-03-01 | 南通大学附属医院 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
CN117637154B (zh) * | 2024-01-27 | 2024-03-29 | 南通大学附属医院 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112652398A (zh) | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
AU2021103976A4 (en) | Asthma diagnosis system based on decision tree and improved SMOTE algorithm | |
CN111933281B (zh) | 一种疾病分型的确定系统、方法、装置及存储介质 | |
Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
Kang et al. | Quantitative assessment of chest CT patterns in COVID-19 and bacterial pneumonia patients: a deep learning perspective | |
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 | |
CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
KR20210112041A (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
Kavuran et al. | COVID-19 and human development: An approach for classification of HDI with deep CNN | |
Chien et al. | Yolov8-am: Yolov8 with attention mechanisms for pediatric wrist fracture detection | |
CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
Lu et al. | Few-shot pulse wave contour classification based on multi-scale feature extraction | |
CN116798604A (zh) | 基于多源数据的发热呼吸道症候群监测预警方法及系统 | |
CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
Perng et al. | Analysis of the 72-h mortality of emergency room septic patients based on a deep belief network | |
Shaikh et al. | Automated classification of pneumonia from chest x-ray images using deep transfer learning efficientnet-b0 model | |
Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
Berdaly et al. | Comparative machine-learning approach: study for heart diseases | |
Vijaya et al. | Classification of Pneumonia using InceptionNet, ResNet and CNN | |
Kassylkassova et al. | Automated Pneumonia Diagnosis using a 2D Deep Convolutional Neural Network with Chest X-Ray Images | |
Shi et al. | AM-DenseNet: A novel DenseNet framework using attention mechanisms for COVID-19 CT image classification |
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 |