CN112786190A - 一种多维数据融合的医疗健康诊疗模型 - Google Patents
一种多维数据融合的医疗健康诊疗模型 Download PDFInfo
- Publication number
- CN112786190A CN112786190A CN202110046333.8A CN202110046333A CN112786190A CN 112786190 A CN112786190 A CN 112786190A CN 202110046333 A CN202110046333 A CN 202110046333A CN 112786190 A CN112786190 A CN 112786190A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- medical
- convolutional layer
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 45
- 238000011282 treatment Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007477 logistic regression Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 6
- 239000011575 calcium Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- 238000008789 Direct Bilirubin Methods 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 108010023302 HDL Cholesterol Proteins 0.000 claims description 3
- 238000008214 LDL Cholesterol Methods 0.000 claims description 3
- 108010028554 LDL Cholesterol Proteins 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- GZCGUPFRVQAUEE-SLPGGIOYSA-N aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O GZCGUPFRVQAUEE-SLPGGIOYSA-N 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 230000003907 kidney function Effects 0.000 claims description 3
- 235000014655 lactic acid Nutrition 0.000 claims description 3
- 239000004310 lactic acid Substances 0.000 claims description 3
- 150000002632 lipids Chemical class 0.000 claims description 3
- 230000003908 liver function Effects 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 238000002601 radiography Methods 0.000 claims description 3
- 230000003860 sleep quality Effects 0.000 claims description 3
- 210000004243 sweat Anatomy 0.000 claims description 3
- 210000002700 urine Anatomy 0.000 claims description 3
- 108010064719 Oxyhemoglobins Proteins 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 150000003626 triacylglycerols Chemical class 0.000 claims 1
- IRGKJPHTQIWQTD-UHFFFAOYSA-N 2,7-dibromopyrene-1,3,6,8-tetrone Chemical compound O=C1C(Br)C(=O)C2=CC=C3C(=O)C(Br)C(=O)C4=CC=C1C2=C43 IRGKJPHTQIWQTD-UHFFFAOYSA-N 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research 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
- G16H50/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种多维数据融合的医疗健康诊疗模型。步骤1，利用拍摄的医学影像、体检数据和智能穿戴设备采集的数据制作每位患者的信息表并上传至区块链节点；步骤2，利用区块链技术对上传的患者信息表依据年龄、病例类型进行整合和存储；步骤3，从区块链中获取患者数据，利用卷积神经网络、模糊综合评价打分模型和深度神经网络对数据进行特征提取，而后利用DNN对多维融合特征数据进行进一步的特征提取；步骤4，利用逻辑回归、LSTM预测模型和多目标优化遗传算法对步骤3中的提取的特征进行分析而得出结果。本发明可以有效的对医疗大数据进行挖掘，提供准确的健康评价和合理有效的诊疗方案。
Description
技术领域
本发明涉及医疗大数据挖掘和诊疗领域，特别是涉及一种多维数据融合的医疗健康诊疗模型。
背景技术
信息化背景下，无论是自然科学、工程技术，还是医疗服务等领域，数据体量呈爆炸式增长，而在这些数据中，有许多的数据信息非常的关键且具有价值。在医疗行业，每天都会产生大量的数据信息，这些数据主要在医疗服务中所产生，其来源范围较为广泛，例如有些数据来自制药企业、有些数据信息则来自临床方面。面对海量的数据，如何从中挖掘数据之间的关联和其中蕴含的信息，从而为患者提供准确有效的服务具有很重要的现实意义。
从目前的研究来看，国内外在利用医疗大数据对患者进行诊疗方面有了很大的突破，例如深度学习在医学图像中的应用，即对医学图像进行分类、检测、分割和配准；数据挖掘技术在医疗数据特征挖掘方面的应用，通过挖掘的特征信息提供有效的诊疗方案。在利用医疗大数据进行诊疗领域内，有两大难点问题需要解决：1.各医疗结构每天都要产生大量的数据，如何将数据共享，并且有效的对海量的数据进行管理和存储；2.医疗数据涉及各方面，诸如体检数据、影像数据和其它监测数据，如何开发有效的算法模型对这些数据进行挖掘，如何综合考虑不同类型数据之间的关联度以更加全面的构建患者的描述模型。
国内涉及利用医疗数据进行诊疗的专利有“基于多自注意力机制深度学习的医疗行为识别方法”(202010363589.7)，该专利将序列中的单帧图像抽取出来作为卷积神经网络的输入，再堆叠为序列的特征；然后将序列的特征输入循环神经网络捕捉序列时间维度上的特征；再将时间特征输入到多头注意力模型，提取非局部的时间特征，并将整个序列的信息充分的融合；最终经过全连接层得到人体动作类别预测，但是该专利未考虑训练样本数量对模型准确性和泛化性的影响。国家发明专利“一种基于多维信息融合和深度学习的脑部医学影像分析方法”(201911231451.5)，该专利能分别训练不同的深度学习卷积神经网络，通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理，从而得到最后的分析诊断结果，诊断结果的准确性大大提局，同样的，该专利未考虑训练样本数量对模型准确性和泛化性的影响，并且，该专利中的多维信息并不完备，在构建患者模型时可能不够完备。
发明内容
为解决上述问题，本发明在区块链技术、卷积神经网络(CNN)、模糊综合评价打分模型(FCESM)、深度神经网络(DNN)、逻辑回归、LSTM预测模型和多目标优化遗传算法(MOGA-UP)的基础上，提出了一种多维数据融合的医疗健康诊疗模型。通过医学影像、体检数据和智能穿戴设备采集的多维度数据，可以更加完备和准确的构建患者的诊疗模型；另外采用了区块链技术，可以更加高效的对医疗大数据进行管理和利用。在模型的算法模块中，通过CNN、FCESM、DNN、逻辑回归、LSTM预测模型和MOGA-UP有效的对医疗数据的挖掘从而可以为患者提供身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。为达此目的，本发明提供一种多维数据融合的医疗健康诊疗模型，具体步骤如下，其特征在于：
步骤1，多维数据采集：利用拍摄的医学影像、体检数据和智能穿戴设备采集的数据制作每位患者的信息表并上传至区块链节点；
步骤2，数据整合和存储：利用区块链技术对上传的患者信息表依据年龄、病例类型进行整合和存储；
步骤3，大数据的特征挖掘：从区块链中获取患者数据，利用卷积神经网络(CNN)、模糊综合评价打分模型(FCESM)和深度神经网络(DNN)对数据进行特征提取，而后利用DNN对多维融合特征数据进行进一步的特征提取；
步骤4，确定诊疗结果：利用逻辑回归、LSTM预测模型和多目标优化遗传算法(MOGA-UP)对步骤3中的提取的特征进行分析而得出结果，其中包括：身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。
进一步，步骤1中患者信息表中所包含的参数有：医学影像有胸片、核磁共振成像和血管摄影等；体检参数包括血常规18项(WBC、LYN、GRAN、RBC、HGB、HCT、MCV、MCH、MCHC、RDW、PLT、MPV、PDW、PCT、MON、LRR％、RPR％和MPR％)、尿常规10项(SG、PH、LEU、NIT、PRO、GLU、KET、UBG、U-BiL和ERY)、肝功能11项(ALT、GOT、GGT、TPO、ALB、GLO、A/G、ALP、LDH、TBS和直接胆红素)、血脂4项(总胆固醇、甘油三脂、HDL-Cholesterol和LDL-Cholesterol)、肾功能3项(BUN、CR和Ua)、钙(Ca)含量、磷(P)含量、铁(Fe/SI)含量和肿瘤7项(CEA、a-FA/AFP、PSA、CA15-3、CA 19-9、CA 125、TSGF)；智能穿戴设备采集到的数据有心率、血氧饱和度、血糖、血压、汗液含量(葡糖糖浓度、乳酸浓度、PH值)、运动强度、睡眠质量。将以上采集数据制作相应的信息表，并添加患者姓名、年龄、性别、身份证号码。
进一步，步骤2中将整合后的医疗数据上传至区块链节点，其特征是：
为了充分有效的利用医疗大数据，支持各地医疗机构的医疗数据共享，选择搭建公有链；另外，对私有的信息或诊疗结果可选择私有链接入。
进一步，步骤3中对医疗大数据进行特征挖掘的具体步骤为：
步骤3.1，利用CNN网络对医学影像进行特征提取，本专利中选用的CNN模型的架构为：输入层—卷积层1—卷积层2—池化层1—卷积层3—卷积层4—池化层2—卷积层5—卷积层6—卷积层7—池化层3—卷积层8—卷积层9—卷积层10—池化层4—卷积层11—卷积层12—卷积层13—池化层5—全连接层；
步骤3.2，利用FCESM对每一类体检项目进行打分，其中分为六个健康等级I、Ⅱ、Ⅲ、Ⅳ、Ⅴ和Ⅵ，得分分别是1、2、3、4、5和6，然后将所有的得分组成一个Tensor张量；
步骤3.3，将智能穿戴设备监测的参数拼接在一起，作为训练样本输入到DNN网络中进行特征的挖掘，其中DNN选用的三层架构，也即输入层-隐藏层-输出层。
步骤3.4，将步骤3.1-步骤3.3得到的特征数据进行首尾拼接，组成一个多参数特征融合的Tensor张量；
步骤3.5，利用DNN网络对步骤3.4得到的Tensor张量进行深度特征提取，并将DNN中的输出层结果作为深度特征提取的结果，此处DNN采用的是四层网络架构，即：输入层-隐藏层1-隐藏层2-输出层；
进一步，步骤4中所用的分析算法的具体描述为：
利用逻辑回归得出身体健康指数分析结果、利用LSTM预测模型得出未来健康预测分析结果、利用MOGA-UP算法确定医疗健康指导意见和疾病治疗方案。
本发明一种多维数据融合的医疗健康诊疗模型，有益效果：本发明的技术效果在于：
1.本发明通过医学影像、体检数据和智能穿戴设备采集的多维度数据，可以更加完备和准确的构建患者的诊疗模型；
2.本发明采用了区块链技术，可以更加高效的对医疗大数据进行管理和利用，从而帮助算法模型提高其泛化能力；
3.本发明通过CNN、FCESM、DNN、逻辑回归、LSTM预测模型和MOGA-UP有效的对医疗数据的挖掘从而可以为患者提供身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。
附图说明
图1为本发明的诊疗流程图；
图2为本发明的模型架构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种多维数据融合的医疗健康诊疗模型，旨在智能化的对患者数据进行分析，并给出准确的健康评价和合理有效的治疗方案。
图1为本发明的诊疗流程图。下面结合诊疗流程图对本发明的步骤作详细介绍。
步骤1，多维数据采集：利用拍摄的医学影像、体检数据和智能穿戴设备采集的数据制作每位患者的信息表并上传至区块链节点；
进一步，步骤1中患者信息表中所包含的参数有：医学影像有胸片、核磁共振成像和血管摄影等；体检参数包括血常规18项(WBC、LYN、GRAN、RBC、HGB、HCT、MCV、MCH、MCHC、RDW、PLT、MPV、PDW、PCT、MON、LRR％、RPR％和MPR％)、尿常规10项(SG、PH、LEU、NIT、PRO、GLU、KET、UBG、U-BiL和ERY)、肝功能11项(ALT、GOT、GGT、TPO、ALB、GLO、A/G、ALP、LDH、TBS和直接胆红素)、血脂4项(总胆固醇、甘油三脂、HDL-Cholesterol和LDL-Cholesterol)、肾功能3项(BUN、CR和Ua)、钙(Ca)含量、磷(P)含量、铁(Fe/SI)含量和肿瘤7项(CEA、a-FA/AFP、PSA、CA15-3、CA 19-9、CA 125、TSGF)；智能穿戴设备采集到的数据有心率、血氧饱和度、血糖、血压、汗液含量(葡糖糖浓度、乳酸浓度、PH值)、运动强度、睡眠质量。将以上采集数据制作相应的信息表，并添加患者姓名、年龄、性别、身份证号码。
步骤2，数据整合和存储：利用区块链技术对上传的患者信息表依据年龄、病例类型进行整合和存储；
进一步，步骤2中将整合后的医疗数据上传至区块链节点，其特征是：
为了充分有效的利用医疗大数据，支持各地医疗机构的医疗数据共享，选择搭建公有链；另外，对私有的信息或诊疗结果可选择私有链接入。
步骤3，大数据的特征挖掘：从区块链中获取患者数据，利用卷积神经网络(CNN)、模糊综合评价打分模型(FCESM)和深度神经网络(DNN)对数据进行特征提取，而后利用DNN对多维融合特征数据进行进一步的特征提取；
进一步，步骤3中对医疗大数据进行特征挖掘的具体步骤为：
步骤3.1，利用CNN网络对医学影像进行特征提取，本专利中选用的CNN模型的架构为：输入层—卷积层1—卷积层2—池化层1—卷积层3—卷积层4—池化层2—卷积层5—卷积层6—卷积层7—池化层3—卷积层8—卷积层9—卷积层10—池化层4—卷积层11—卷积层12—卷积层13—池化层5—全连接层；
步骤3.2，利用FCESM对每一类体检项目进行打分，其中分为六个健康等级I、Ⅱ、Ⅲ、Ⅳ、Ⅴ和Ⅵ，得分分别是1、2、3、4、5和6，然后将所有的得分组成一个Tensor张量；
步骤3.3，将智能穿戴设备监测的参数拼接在一起，作为训练样本输入到DNN网络中进行特征的挖掘，其中DNN选用的三层架构，也即输入层-隐藏层-输出层。
步骤3.4，将步骤3.1-步骤3.3得到的特征数据进行首尾拼接，组成一个多参数特征融合的Tensor张量；
步骤3.5，利用DNN网络对步骤3.4得到的Tensor张量进行深度特征提取，并将DNN中的输出层结果作为深度特征提取的结果，此处DNN采用的是四层网络架构，即：输入层-隐藏层1-隐藏层2-输出层；
步骤4，确定诊疗结果：利用逻辑回归、LSTM预测模型和多目标优化遗传算法(MOGA-UP)对步骤3中的提取的特征进行分析而得出结果，其中包括：身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。
进一步，步骤4中所用的分析算法的具体描述为：
利用逻辑回归得出身体健康指数分析结果、利用LSTM预测模型得出未来健康预测分析结果、利用MOGA-UP算法确定医疗健康指导意见和疾病治疗方案。
图2为本发明的模型架构图，可以看出，模型包含四大模块：数据采集及特征提取模块、多维数据融合模块、深度特征提取模块和结果分析模块。在数据采集及特征提取模块中包含了医学影像、体检参数和智能穿戴参数，从而可以更加全面的构建患者的描述模型，而后对采集到的多维数据分别用CNN、FCESM和DNN进行特征提取，接着将得到的特征分量进行首尾拼接，再利用DNN进行深度特征的提取以得到最终的特征向量。最后，利用逻辑回归得出身体健康指数分析结果、利用LSTM预测模型得出未来健康预测分析结果、利用多目标优化遗传算法(MOGA-UP)确定医疗健康指导意见和疾病治疗方案。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (5)
1.一种多维数据融合的医疗健康诊疗模型，具体步骤如下，其特征在于：
步骤1，多维数据采集：利用拍摄的医学影像、体检数据和智能穿戴设备采集的数据制作每位患者的信息表并上传至区块链节点；
步骤2，数据整合和存储：利用区块链技术对上传的患者信息表依据年龄、病例类型进行整合和存储；
步骤3，大数据的特征挖掘：从区块链中获取患者数据，利用卷积神经网络CNN、模糊综合评价打分模型FCESM和深度神经网络DNN对数据进行特征提取，而后利用DNN对多维融合特征数据进行进一步的特征提取；
步骤4，确定诊疗结果：利用逻辑回归、LSTM预测模型和多目标优化遗传算法MOGA-UP对步骤3中的提取的特征进行分析而得出结果，其中包括：身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。
2.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤1中患者信息表中所包含的参数有：医学影像有胸片、核磁共振成像和血管摄影等；体检参数包括血常规18项，包括WBC、LYN、GRAN、RBC、HGB、HCT、MCV、MCH、MCHC、RDW、PLT、MPV、PDW、PCT、MON、LRR％、RPR％和MPR％，尿常规10项包括SG、PH、LEU、NIT、PRO、GLU、KET、UBG、U-BiL和ERY、肝功能11项包括ALT、GOT、GGT、TPO、ALB、GLO、A/G、ALP、LDH、TBS和直接胆红素、血脂4项包括总胆固醇、甘油三脂、HDL-Cholesterol和LDL-Cholesterol、肾功能3项包括BUN、CR和Ua、钙Ca含量、磷P含量、铁Fe/SI含量和肿瘤7项包括CEA、a-FA/AFP、PSA、CA 15-3、CA 19-9、CA 125和TSGF；智能穿戴设备采集到的数据有心率、血氧饱和度、血糖、血压、汗液含量包括葡糖糖浓度、乳酸浓度和PH值、运动强度、睡眠质量，将以上采集数据制作相应的信息表，并添加患者姓名、年龄、性别、身份证号码。
3.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤2中将整合后的医疗数据上传至区块链节点，其特征是：
为了充分有效的利用医疗大数据，支持各地医疗机构的医疗数据共享，选择搭建公有链；另外，对私有的信息或诊疗结果可选择私有链接入。
4.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤3中对医疗大数据进行特征挖掘的具体步骤为：
步骤3.1，利用CNN网络对医学影像进行特征提取，选用的CNN模型的架构为：输入层—卷积层1—卷积层2—池化层1—卷积层3—卷积层4—池化层2—卷积层5—卷积层6—卷积层7—池化层3—卷积层8—卷积层9—卷积层10—池化层4—卷积层11—卷积层12 —卷积层13—池化层5—全连接层；
步骤3.2，利用FCESM对每一类体检项目进行打分，其中分为六个健康等级I、Ⅱ、Ⅲ、Ⅳ、Ⅴ和Ⅵ，得分分别是1、2、3、4、5和6，然后将所有的得分组成一个Tensor张量；
步骤3.3，将智能穿戴设备监测的参数拼接在一起，作为训练样本输入到DNN网络中进行特征的挖掘，其中DNN选用的三层架构，也即输入层-隐藏层-输出层；
步骤3.4，将步骤3.1-步骤3.3得到的特征数据进行首尾拼接，组成一个多参数特征融合的Tensor张量；
步骤3.5，利用DNN网络对步骤3.4得到的Tensor张量进行深度特征提取，并将DNN中的输出层结果作为深度特征提取的结果，此处DNN采用的是四层网络架构，即：输入层-隐藏层1-隐藏层2-输出层。
5.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤4中所用的分析算法的具体描述为：
利用逻辑回归得出身体健康指数分析结果、利用LSTM预测模型得出未来健康预测分析结果、利用MOGA-UP算法确定医疗健康指导意见和疾病治疗方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110046333.8A CN112786190B (zh) | 2021-01-14 | 2021-01-14 | 一种多维数据融合的医疗健康诊疗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110046333.8A CN112786190B (zh) | 2021-01-14 | 2021-01-14 | 一种多维数据融合的医疗健康诊疗方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112786190A true CN112786190A (zh) | 2021-05-11 |
| CN112786190B CN112786190B (zh) | 2024-02-13 |
Family
ID=75755972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110046333.8A Active CN112786190B (zh) | 2021-01-14 | 2021-01-14 | 一种多维数据融合的医疗健康诊疗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112786190B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034770A (zh) * | 2021-11-15 | 2022-02-11 | 金陵科技学院 | 基于施工大坝力学大数据的数据检测方法及系统 |
| CN116936102A (zh) * | 2023-08-24 | 2023-10-24 | 南方医科大学南方医院 | 一种基于大数据的中老年患者诊疗预警系统和方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354994A (zh) * | 2016-08-22 | 2017-01-25 | 布比（北京）网络技术有限公司 | 处理医疗数据的方法及系统 |
| US20170308671A1 (en) * | 2016-04-20 | 2017-10-26 | Bionous, LLC | Personal health awareness system and methods |
| US20180137941A1 (en) * | 2015-06-02 | 2018-05-17 | Infervision Co., Ltd. | Method For Analysing Medical Treatment Data Based On Deep Learning and Intelligence Analyser Thereof |
| CN109686441A (zh) * | 2018-12-21 | 2019-04-26 | 质直(上海)教育科技有限公司 | 一种大数据医疗数据特征提取和智能分析预测方法 |
| CN109949909A (zh) * | 2018-10-16 | 2019-06-28 | 陕西医链区块链集团有限公司 | 一种基于区块链的医疗健康系统 |
| CN109949936A (zh) * | 2019-03-13 | 2019-06-28 | 成都数联易康科技有限公司 | 一种基于深度学习混合模型的再住院风险预测方法 |
| WO2020111534A2 (ko) * | 2018-11-27 | 2020-06-04 | 가톨릭대학교 산학협력단 | 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 |
| CN112069484A (zh) * | 2020-11-10 | 2020-12-11 | 中国科学院自动化研究所 | 基于多模态交互式的信息采集方法及系统 |
-
2021
- 2021-01-14 CN CN202110046333.8A patent/CN112786190B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137941A1 (en) * | 2015-06-02 | 2018-05-17 | Infervision Co., Ltd. | Method For Analysing Medical Treatment Data Based On Deep Learning and Intelligence Analyser Thereof |
| US20170308671A1 (en) * | 2016-04-20 | 2017-10-26 | Bionous, LLC | Personal health awareness system and methods |
| CN106354994A (zh) * | 2016-08-22 | 2017-01-25 | 布比（北京）网络技术有限公司 | 处理医疗数据的方法及系统 |
| CN109949909A (zh) * | 2018-10-16 | 2019-06-28 | 陕西医链区块链集团有限公司 | 一种基于区块链的医疗健康系统 |
| WO2020111534A2 (ko) * | 2018-11-27 | 2020-06-04 | 가톨릭대학교 산학협력단 | 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 |
| CN109686441A (zh) * | 2018-12-21 | 2019-04-26 | 质直(上海)教育科技有限公司 | 一种大数据医疗数据特征提取和智能分析预测方法 |
| CN109949936A (zh) * | 2019-03-13 | 2019-06-28 | 成都数联易康科技有限公司 | 一种基于深度学习混合模型的再住院风险预测方法 |
| CN112069484A (zh) * | 2020-11-10 | 2020-12-11 | 中国科学院自动化研究所 | 基于多模态交互式的信息采集方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| SI, HAIFEI 等: "Research on Video-Based Human Action Behavior Recognition Algorithms", 5TH INTERNATIONAL CONFERENCE ON ENVIRONMENTAL SCIENCE AND MATERIAL APPLICATION (ESMA) * |
| 任珊珊;: "基于CNN处理疾病数据的技术对疾病预测研究", 价值工程, no. 02, pages 248 - 249 * |
| 田启川;孟颖;: "卷积神经网络图像语义分割技术", 小型微型计算机系统, no. 06, pages 1302 - 1313 * |
| 许煜;邓亚玲;周端;杨忠: "半导体聚合物纳米诊疗剂生物成像应用的研究进展", 金陵科技学院学报, vol. 38, no. 2, pages 65 - 73 * |
| 陈丹敏;周福娜;王清贤: "基于多源异构信息迁移学习的融合故障诊断方法", 信息工程大学学报, no. 02, pages 153 - 158 * |
| 陈维娜;杨忠;顾姗姗;唐玉娟;王逸之: "基于NB-IoT技术的智能农业环境监测系统设计", 中国农机化学报, vol. 44, no. 6, pages 168 - 175 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034770A (zh) * | 2021-11-15 | 2022-02-11 | 金陵科技学院 | 基于施工大坝力学大数据的数据检测方法及系统 |
| CN116936102A (zh) * | 2023-08-24 | 2023-10-24 | 南方医科大学南方医院 | 一种基于大数据的中老年患者诊疗预警系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112786190B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ko et al. | 28n19 Ijaet0319396 V7 Iss1 242 254 | |
| Kusiak et al. | Predicting survival time for kidney dialysis patients: a data mining approach | |
| Yeh et al. | Using data mining techniques to predict hospitalization of hemodialysis patients | |
| CN107247881A (zh) | 一种多模态智能分析方法及系统 | |
| Chang et al. | A new hybrid XGBSVM model: application for hypertensive heart disease | |
| CN111724910B (zh) | 一种适用于围手术期患者血液管理的检测评估方法 | |
| CN107799165A (zh) | 一种基于虚拟现实技术的心理评估方法 | |
| CN105528526A (zh) | 一种基于中医药传承与大数据挖掘的生命周期动态健康管理系统 | |
| CN110459328A (zh) | 一种评估心脏骤停的临床决策支持系统 | |
| 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 | |
| CN112786190B (zh) | 一种多维数据融合的医疗健康诊疗方法 | |
| CN110097975A (zh) | 一种基于多模型融合的医院感染智能诊断方法及系统 | |
| Xiong et al. | Prediction of hemodialysis timing based on LVW feature selection and ensemble learning | |
| Carson et al. | Dealing with medical knowledge: computers in clinical decision making | |
| Du et al. | The effects of deep network topology on mortality prediction | |
| CN109360658A (zh) | 一种基于词向量模型的疾病模式挖掘方法及装置 | |
| Göğebakan et al. | A review of recent advances for preventing, diagnosis and treatment of diabetes mellitus using semantic web | |
| CN109192312A (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
| Andry et al. | Electronic health record to predict a heart attack used data mining with Naïve Bayes method | |
| CN115547502B (zh) | 基于时序数据的血透病人风险预测装置 | |
| Park et al. | Learning dynamic connectivity with residual-attention network for autism classification in 4D fMRI brain images | |
| Shi et al. | Gpmb-yolo: a lightweight model for efficient blood cell detection in medical imaging | |
| Sravani et al. | 5G-smart diabetes: toward personalized diabetes diagnosis with healthcare big data clouds | |
| Xing et al. | An Enhanced Vision Transformer Model in Digital Twins Powered Internet of Medical Things for Pneumonia Diagnosis | |
| Shaheen et al. | Hi-Le and HiTCLe: Ensemble Learning Approaches for Early Diabetes Detection using Deep Learning and eXplainable Artificial Intelligence |
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 |