CN112967815A - 一种基于干眼诊断综合系统平台 - Google Patents
一种基于干眼诊断综合系统平台 Download PDFInfo
- Publication number
- CN112967815A CN112967815A CN202110377564.7A CN202110377564A CN112967815A CN 112967815 A CN112967815 A CN 112967815A CN 202110377564 A CN202110377564 A CN 202110377564A CN 112967815 A CN112967815 A CN 112967815A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- dry eye
- layers
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 208000003556 Dry Eye Syndromes Diseases 0.000 title claims abstract description 23
- 206010013774 Dry eye Diseases 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000007477 logistic regression Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 208000005494 xerophthalmia Diseases 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000001225 therapeutic effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002980 postoperative effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 208000017667 Chronic Disease Diseases 0.000 abstract description 2
- 238000012821 model calculation Methods 0.000 abstract description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000023715 Ocular surface disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H50/70—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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- 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
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Algebra (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于干眼诊断综合系统平台,步骤1:工作人员首先进行资料收集,资料收集的方式可以采用问卷调查的方式或者与医院眼科室合作来获得资料,并且将收集的资料录入数据库;步骤2:将资料录入数据库之后,开始对资料进行筛分数据,筛分数据的目的是将一些无用的数据进行排除,避免对测试结果造成影响。有益效果在于:本发明通过设置Logistic回归模型和人工神经网络模型,Logistic回归模型和人工神经网络模型可以对收集的资料进行模型演算,得出的结论更具权威性,便于医护人员对干眼这个多因素的慢性疾病能更好的管理,并且通过此研究模型,可对未来干眼的诊疗能提供较为便利的个性化诊疗建议。
Description
技术领域
本发明涉及干眼诊断平台技术领域,尤其涉及一种基于干眼诊断综合系统平台。
背景技术
干眼为多因素引起的慢性眼表疾病,是由泪液的质、量及动力学异常导致的泪膜不稳定或眼表微环境失衡,可伴有眼表炎性反应、组织损伤及神经异常,造成眼部多种不适症状和(或)视功能障碍,根据流行病学调查研究方法、地域、诊断标准不同,现有的干眼诊断综合系统平台主要存在如下问题。
1、均采用人工分析,由于没有设置模型以及数据库,得到的结论具有较大误差性,无法对后续的治疗提供建设性建议。
2、由于采集的数据量较大,不便于对其筛分,进而导致不同程度的病情无法得到统一分类,影响医护人员的后期查阅。
3、无法对患者的居住地进行筛分,进而导致存在区域爆发的风险,无法及时做出相应预防措施。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于干眼诊断综合系统平台。
本发明通过以下技术方案来实现上述目的:
一种基于干眼诊断综合系统平台,它包括以下构建步骤:
步骤1:工作人员首先进行资料收集,并且将收集的资料录入数据库;
步骤2:将资料录入数据库之后,开始对资料进行筛分数据,筛分数据的目的是将一些无用的数据进行排除,避免对测试结果造成影响,同时根据收集患者的病情程度分为重度资料、重度资料和轻度资料;
步骤3:当筛分数据完成后,开始建立模型,建立模型的方式有两种,一种是Logistic回归模型,一种是人工神经网络模型;
步骤4:采用Logistic回归模型时,将单因素分析后有统计学意义的变量,纳入多因素Logistic回归模型,采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程,并且依照组成logistics方程的影响因素,将后续搜集验证对象的相关变量代入其中以验证其准确率;
步骤5:采用人工神经网络模型可以对研究对象术后(3个月后)继发干眼症与玻璃体切割术各项潜在影响因素的关系进行预测,基于Neural Networks的Multilayerperceptron模块建立神经网络模型,同时人工神经网络模型采用多层感知器神经网络设置,网络自动优化决定隐含层的层数和网络神经元数;
步骤6:最后将根据Logistic回归模型以及人工神经网络模型的实验数据通过分析预测模块来对未来的诊断提供建设性建议。
进一步的,所述步骤1中的收集资料可以通过调查问卷的方式、辅助检查的病例以及临床特征的病例来收集资料,保证收集资料的完整性。
进一步的,所述步骤2中的筛分数据还可通过区域分析模块来对收集的资料患者的居住地进行分析筛分,避免出现区域性爆发,并且为避免混入易混因素,通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息,排除以下患者:纳入研究组后患方主动要求终止观察;患者及家属拒绝配合完善必要检查,导致重要临床资料缺失,以保证预测结果的准确性。
进一步的,所述步骤2中的重度资料、中度资料和轻度资料可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议。
进一步的,所述步骤3中的人工神经网络模型建立的方法为首先提取干眼的潜在影响因素和治疗方案作为输入层向量;其次建立神经网络模型,包括三个层次:两侧为输入及输出层,及其位于中间的隐藏层,隐藏层可以是多个层的组合结构;最后进行正反向传播网络训练,正向传播:输入特征信息自输入层进入神经网络,经过若干个隐藏层,最后到输出层输出预测结果;反向传播:使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整,通过比较输出信息和期望信息得到误差信息,利用链式求导法则将误差信息逐层向前传播得到各层误差信息,根据各层误差信息来调整各层权重和偏置。
本发明的有益效果在于:
1、本发明通过设置Logistic回归模型和人工神经网络模型,Logistic回归模型和人工神经网络模型可以对收集的资料进行模型演算,得出的结论更具权威性,便于医护人员对干眼这个多因素的慢性疾病能更好的管理,并且通过此研究模型,可对未来干眼的诊疗能提供较为便利的个性化诊疗建议;
2、本发明通过设置重度资料、重度资料和轻度资料,可对不同程度的资料以及得出的结论进行分类归置,可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议;
3、本发明通过设置区域分析模块,区域分析模块来对收集的资料患者的居住地进行分析筛分,避免出现区域性爆发,并且便于医护人员根据区域筛分的结果及时做出预防措施。
附图说明
图1为本发明所述的一种基于干眼诊断综合系统平台构建的流程图。
具体实施方式
一种基于干眼诊断综合系统平台,它包括以下构建步骤:
步骤1:工作人员首先进行资料收集,并且将收集的资料录入数据库;
步骤2:将资料录入数据库之后,开始对资料进行筛分数据,筛分数据的目的是将一些无用的数据进行排除,避免对测试结果造成影响,同时根据收集患者的病情程度分为重度资料、重度资料和轻度资料;
步骤3:当筛分数据完成后,开始建立模型,建立模型的方式有两种,一种是Logistic回归模型,一种是人工神经网络模型;
步骤4:采用Logistic回归模型时,将单因素分析后有统计学意义的变量,纳入多因素Logistic回归模型,采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程,并且依照组成logistics方程的影响因素,将后续搜集验证对象的相关变量代入其中以验证其准确率;
步骤5:采用人工神经网络模型可以对研究对象术后(3个月后)继发干眼症与玻璃体切割术各项潜在影响因素的关系进行预测,基于Neural Networks的Multilayerperceptron模块建立神经网络模型,同时人工神经网络模型采用多层感知器神经网络设置,网络自动优化决定隐含层的层数和网络神经元数;
步骤6:最后将根据Logistic回归模型以及人工神经网络模型的实验数据通过分析预测模块来对未来的诊断提供建设性建议。
本实例中,所述步骤1中的收集资料可以通过调查问卷的方式、辅助检查的病例以及临床特征的病例来收集资料,保证收集资料的完整性。
本实施例中,所述步骤2中的筛分数据还可通过区域分析模块来对收集的资料患者的居住地进行分析筛分,避免出现区域性爆发,并且为避免混入易混因素,通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息,排除以下患者:纳入研究组后患方主动要求终止观察;患者及家属拒绝配合完善必要检查,导致重要临床资料缺失,以保证预测结果的准确性。
本实施例中,所述步骤2中的重度资料、中度资料和轻度资料可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议。
本实施例中,所述步骤3中的人工神经网络模型建立的方法为首先提取干眼的潜在影响因素和治疗方案作为输入层向量;其次建立神经网络模型,包括三个层次:两侧为输入及输出层,及其位于中间的隐藏层,隐藏层可以是多个层的组合结构;最后进行正反向传播网络训练,正向传播:输入特征信息自输入层进入神经网络,经过若干个隐藏层,最后到输出层输出预测结果;反向传播:使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整,通过比较输出信息和期望信息得到误差信息,利用链式求导法则将误差信息逐层向前传播得到各层误差信息,根据各层误差信息来调整各层权重和偏置。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于干眼诊断综合系统平台,其特征在于:它包括以下构建步骤:
步骤1:工作人员首先进行资料收集,并且将收集的资料录入数据库;
步骤2:将资料录入数据库之后,开始对资料进行筛分数据,筛分数据的目的是将一些无用的数据进行排除,避免对测试结果造成影响,同时根据收集患者的病情程度分为重度资料、重度资料和轻度资料;
步骤3:当筛分数据完成后,开始建立模型,建立模型的方式有两种,一种是Logistic回归模型,一种是人工神经网络模型;
步骤4:采用Logistic回归模型时,将单因素分析后有统计学意义的变量,纳入多因素Logistic回归模型,采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程,并且依照组成logistics方程的影响因素,将后续搜集验证对象的相关变量代入其中以验证其准确率;
步骤5:采用人工神经网络模型可以对研究对象术后(3个月后)继发干眼症与玻璃体切割术各项潜在影响因素的关系进行预测,基于Neural Networks的Multilayer perceptron模块建立神经网络模型,同时人工神经网络模型采用多层感知器神经网络设置,网络自动优化决定隐含层的层数和网络神经元数;
步骤6:最后将根据Logistic回归模型以及人工神经网络模型的实验数据通过分析预测模块来对未来的诊断提供建设性建议。
2.根据权利要求1所述的一种基于干眼诊断综合系统平台,其特征在于:所述步骤1中的收集资料可以通过调查问卷的方式、辅助检查的病例以及临床特征的病例来收集资料,保证收集资料的完整性。
3.根据权利要求1所述的一种基于干眼诊断综合系统平台,其特征在于:所述步骤2中的筛分数据还可通过区域分析模块来对收集的资料患者的居住地进行分析筛分,避免出现区域性爆发,并且为避免混入易混因素,通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息,排除以下患者:纳入研究组后患方主动要求终止观察;患者及家属拒绝配合完善必要检查,导致重要临床资料缺失,以保证预测结果的准确性。
4.根据权利要求1所述的一种基于干眼诊断综合系统平台,其特征在于:所述步骤2中的重度资料、中度资料和轻度资料可便于医护人员后期根据患者的患病程度来对应搜索相应程度的治疗性建议。
5.根据权利要求1所述的一种基于干眼诊断综合系统平台,其特征在于:所述步骤3中的人工神经网络模型建立的方法为首先提取干眼的潜在影响因素和治疗方案作为输入层向量;其次建立神经网络模型,包括三个层次:两侧为输入及输出层,及其位于中间的隐藏层,隐藏层可以是多个层的组合结构;最后进行正反向传播网络训练,正向传播:输入特征信息自输入层进入神经网络,经过若干个隐藏层,最后到输出层输出预测结果;反向传播:使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整,通过比较输出信息和期望信息得到误差信息,利用链式求导法则将误差信息逐层向前传播得到各层误差信息,根据各层误差信息来调整各层权重和偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377564.7A CN112967815A (zh) | 2021-04-08 | 2021-04-08 | 一种基于干眼诊断综合系统平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377564.7A CN112967815A (zh) | 2021-04-08 | 2021-04-08 | 一种基于干眼诊断综合系统平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112967815A true CN112967815A (zh) | 2021-06-15 |
Family
ID=76281439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110377564.7A Pending CN112967815A (zh) | 2021-04-08 | 2021-04-08 | 一种基于干眼诊断综合系统平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967815A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013126602A1 (en) * | 2012-02-21 | 2013-08-29 | Massachusetts Eye & Ear Infirmary | Inflammatory eye disorders |
US20160259899A1 (en) * | 2015-03-04 | 2016-09-08 | Expeda ehf | Clinical decision support system for diagnosing and monitoring of a disease of a patient |
WO2016191277A1 (en) * | 2015-05-22 | 2016-12-01 | Indiana University Research & Technology Corporation | Methods and systems for patient specific identification and assessment of ocular disease risk factors and treatment efficacy |
CN208259833U (zh) * | 2017-11-28 | 2018-12-21 | 武汉爱尔眼科医院有限公司 | 一种便携式眼科滴液装置 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及系统 |
WO2020198444A1 (en) * | 2019-03-26 | 2020-10-01 | Verily Life Sciences Llc | Non-invasive periocular device for dry-eye treatment |
CN112289455A (zh) * | 2020-10-21 | 2021-01-29 | 王智 | 一种人工智能神经网络学习模型构建系统、构建方法 |
CN112402250A (zh) * | 2020-12-09 | 2021-02-26 | 襄阳爱尔眼科医院有限公司 | 一种眼科术后护理装置及其使用方法 |
CN112587183A (zh) * | 2020-12-09 | 2021-04-02 | 武汉爱尔眼科医院有限公司 | 一种具有安全防护功能的眼科治疗用眼睑支撑装置 |
-
2021
- 2021-04-08 CN CN202110377564.7A patent/CN112967815A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013126602A1 (en) * | 2012-02-21 | 2013-08-29 | Massachusetts Eye & Ear Infirmary | Inflammatory eye disorders |
US20160259899A1 (en) * | 2015-03-04 | 2016-09-08 | Expeda ehf | Clinical decision support system for diagnosing and monitoring of a disease of a patient |
WO2016191277A1 (en) * | 2015-05-22 | 2016-12-01 | Indiana University Research & Technology Corporation | Methods and systems for patient specific identification and assessment of ocular disease risk factors and treatment efficacy |
CN208259833U (zh) * | 2017-11-28 | 2018-12-21 | 武汉爱尔眼科医院有限公司 | 一种便携式眼科滴液装置 |
CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及系统 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
WO2020198444A1 (en) * | 2019-03-26 | 2020-10-01 | Verily Life Sciences Llc | Non-invasive periocular device for dry-eye treatment |
CN112289455A (zh) * | 2020-10-21 | 2021-01-29 | 王智 | 一种人工智能神经网络学习模型构建系统、构建方法 |
CN112402250A (zh) * | 2020-12-09 | 2021-02-26 | 襄阳爱尔眼科医院有限公司 | 一种眼科术后护理装置及其使用方法 |
CN112587183A (zh) * | 2020-12-09 | 2021-04-02 | 武汉爱尔眼科医院有限公司 | 一种具有安全防护功能的眼科治疗用眼睑支撑装置 |
Non-Patent Citations (1)
Title |
---|
潘发明等: "医用统计方法及其SPSS软件实现", 中国科学技术大学出版社, pages: 333 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524602B (zh) | 一种老年人记忆及认知功能评估筛查预警系统 | |
JP7170145B2 (ja) | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 | |
CN106951719A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
CN107038343A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
CN111312401B (zh) | 一种基于多标签学习的体检后慢性疾病预后系统 | |
US20100185573A1 (en) | Method and Apparatus for Diagnosing an Allergy of the Upper Respiratory Tract Using a Neural Network | |
CN109065171A (zh) | 基于集成学习的川崎病风险评估模型的构建方法及系统 | |
CN111951975A (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
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 | |
Boreham | Error analysis and expert-novice differences in medical diagnosis | |
JP2024015063A (ja) | 人体の健康状態を推定するシステム | |
CN116246773A (zh) | 一种知识和数据结合的辅助诊疗模型 | |
CN108595432A (zh) | 医疗文书纠错方法 | |
Schlosser et al. | Visual acuity prediction on real-life patient data using a machine learning based multistage system | |
JP7365747B1 (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
CN114242259A (zh) | 高龄流感病情预测系统、程序产品及其建立与使用方法 | |
CN112967815A (zh) | 一种基于干眼诊断综合系统平台 | |
CN115954102A (zh) | 一种人工关节假体周围感染诊断模型及诊断系统 | |
CN116052882A (zh) | 基于机器学习的嗜铬细胞瘤术后高血压并发症预测系统 | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
Hong et al. | Inquiring diagnosis system of traditional Chinese medicine | |
CN112420190A (zh) | 一种人工智能辅助诊疗系统及其构建方法 | |
TW202143248A (zh) | 生醫資料預測風險系統與方法 | |
KR102587830B1 (ko) | 딥러닝을 이용한 백내장 진단방법 및 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |