CN113066549B - 基于人工智能的医疗器械的临床有效性评估方法及系统 - Google Patents

基于人工智能的医疗器械的临床有效性评估方法及系统 Download PDF

Info

Publication number
CN113066549B
CN113066549B CN202110367055.6A CN202110367055A CN113066549B CN 113066549 B CN113066549 B CN 113066549B CN 202110367055 A CN202110367055 A CN 202110367055A CN 113066549 B CN113066549 B CN 113066549B
Authority
CN
China
Prior art keywords
data
prediction model
clinical
unit
result
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
CN202110367055.6A
Other languages
English (en)
Other versions
CN113066549A (zh
Inventor
李广仁
宁平
强茂
孙谧
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.)
Qingdao Ruisikeer Biotechnology Co ltd
Original Assignee
Qingdao Ruisikeer Biotechnology 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 Qingdao Ruisikeer Biotechnology Co ltd filed Critical Qingdao Ruisikeer Biotechnology Co ltd
Priority to CN202110367055.6A priority Critical patent/CN113066549B/zh
Publication of CN113066549A publication Critical patent/CN113066549A/zh
Application granted granted Critical
Publication of CN113066549B publication Critical patent/CN113066549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

基于人工智能的医疗器械的临床有效性评估方法及系统，涉及医疗器械的临床有效性评估技术领域，包括：样本收集模块、预测模型、准确度验证模块、修正模块和评估模块，本发明通过采集各个医疗中心病患的临床数据，得到足够多的样本，并输入到预测模型中进行训练，采用预测模型在临床实验中评估基于人工智能的医疗器械的有效性，得到评估结果，整个过程只需要训练好预测模型，在评估过程中不需要专业的医师进行评估，整个评估过程简单，解决了目前采用人工智能技术的医疗器械进行有效性评估存在的评估过程效率低，受到医师专业度等因素的影响，导致评估结果不准确，评估不同种类的采用人工智能技术的医疗器械需要不同专业的医师来进行评估的问题。

Description

基于人工智能的医疗器械的临床有效性评估方法及系统
技术领域
本发明涉及医疗器械的临床有效性评估技术领域，具体涉及基于人工智能的医疗器械的临床有效性评估方法及系统。
背景技术
人工智能医疗器械，是指采用人工智能技术的医疗器械，包括人工智能独立软件和人工智能软件组件等，其在辅助治疗、医学影像处理等领域的应用愈发广泛，已成为医疗器械行业的热点和焦点，在采用人工智能技术的医疗器械在上市使用前需要对其进行有效性测试，以避免出现检测结果错误，导致对病人误诊的问题，目前对于采用人工智能技术的医疗器械进行有效性评估采用的是通过进行临床试验后进行评价，得到临床数据后对临床数据进行分析评估得到评估结果，目前的评估过程需要多名医师进行判断评估，并统一评估意见后才能得到最终的评估结果，评估过程效率低，并且评估的过程受到医师专业度等因素的影响，导致对采用人工智能技术的医疗器械的评估不准确，并且评估不同种类的采用人工智能技术的医疗器械需要不同专业的医师来进行评估，导致评估过程麻烦。
发明内容
本发明实施例提供了基于人工智能的医疗器械的临床有效性评估方法及系统，通过采集各个医疗中心的病患的临床数据，并根据病患所患疾病的种类进行分类，得到样本集，将样本集输入到预测模型中进行训练，得到训练完成的预测模型，通过对训练完成的预测模型进行循环验证，避免预测模型输出错误的结果同时将每次预测错误的结果更正后当做样本输入预测模型中得到最终预测模型，采用预测模型在临床实验中评估基于人工智能的医疗器械的有效性，得到评估结果，整个过程只需要训练好预测模型，在评估过程中不需要专业的医师进行评估，整个评估过程简单，解决了目前采用人工智能技术的医疗器械进行有效性评估存在的评估过程效率低，受到医师专业度等因素的影响，导致评估结果不准确，评估不同种类的采用人工智能技术的医疗器械需要不同专业的医师来进行评估的问题。
基于人工智能的医疗器械的临床有效性评估方法，包括以下步骤：
S1，临床数据采集，分别采集不同医疗中心中病患的临床数据，将采集的临床数据根据不同的类型进行分类，分类完成后分别进行记录，形成数据样本集；
S2，预测模型训练，对步骤S1中得到的数据样本集进行预处理后输入神经网络进行训练，等待训练完成；
S3，预测模型验证，采集医疗中心病患的身体数据，对身体数据进行预处理后输入到训练完成的预测模型中，得到病患的诊断结果，同时医师对身体数据进行判断得到诊断结果并与预测模型得到诊断结果进行对比，得到比对结果；
S4，数据修正，根据步骤S3中得到的比对结果，在医师对身体数据进行判断得到诊断结果与预测模型得到诊断结果一致时，不进行修正，在医师对身体数据进行判断得到诊断结果与预测模型得到诊断结果不一致时，以医师对身体数据进行判断得到诊断结果为准，同时将比对结果不一致临床数据加入到样本集中输入到预测模型中继续进行训练；
S5，医疗器械评估，采用基于人工智能的医疗器械采集病患的身体数据后输出诊断结果，采集基于人工智能的医疗器械输出的诊断结果，同时将采集的病患身体数据输入到预测模型进行计算，得到诊断结果，通过对比预测模型得到诊断结果和基于人工智能的医疗器械输出的诊断结果，得到基于人工智能的医疗器械的有效性评估结果。
进一步的，所述步骤S1和步骤S4中，临床数据根据病患所患的病症种类进行分类，临床数据包括病患的年龄数据、性别数据、身体检验数据、所患的病症以及病症对应的严重程度。
进一步的，步骤S3-S5中，身体数据包括病患的年龄数据、性别数据和身体检验数据。
第二方面，本发明实施例提供基于人工智能的医疗器械的临床有效性评估系统，包括：样本收集模块、预测模型、准确度验证模块、修正模块和评估模块；
所述样本收集模块分布于不同医疗中心，分别采集不同医疗中心中病患的临床数据，并对临床数据进行处理，形成数据样本集，并输入到所述预测模型；
其中，所述样本收集模块包括第一临床数据采集单元、第一临床数据分类单元、记录单元和第一通信单元，所述第一临床数据采集单元用于采集不同医疗中心中病患的临床数据并将采集到的不同医疗中心中病患的临床数据输入到所述第一临床数据分类单元，所述第一临床数据分类单元用于接收病患的临床数据并根据不同的病症种类进行分类，得到临床分类数据，并将临床分类数据发送到所述记录单元进行记录保存，同时将临床分类数据发送到所述第一通信单元，所述第一通信单元接收到临床分类数据后将临床分类数据输入到所述预测模型中；
所述预测模型用于接收所述样本收集模块发送的临床数据，并根据临床数据作为样本进行训练，得到训练完成的预测模型；
其中，所述预测模型包括第二通信单元、第一数据预处理单元和神经网络单元，所述第二通信单元用于接收所述第一通信单元发送的临床分类数据，并将临床分类数据输入到所述第一数据预处理单元中，所述第一数据预处理单元对输入的临床分类数据进行预处理，并将经过预处理的临床分类数据作为学习样本输入到所述神经网络单元中，神经网络单元根据输入学习样本进行训练得到训练完成的预测模型；
所述准确度验证模块用于采集病患的身体数据后根据身体数据对病人的病情进行判断，同时将采集的身体数据输入到训练完成的预测模型进行验证，并根据预测模型输出的结果对预测模型的准确度进行判断，得到判断结果，并将判断结果发送到所述修正模块；
所述修正模块用于接收所述准确度验证模块得到的判断结果，在所述准确度验证模块发送的判断结果为一致时，所述修正模块不进行修正，在所述准确度验证模块发送的判断结果为不一致时，以所述准确度验证模块根据身体数据对病人的病情进行判断的结果为准，所述修正模块将病人的临床数据加入到所述预测模型的学习样本中进行训练的得到最终预测模型；
所述评估模块用于采集病患的身体数据并进行预处理后输入到得到最终预测模型中，最终预测模型根据输入的数据进行计算得到结果，所述评估模块获取基于人工智能的医疗器械采集同一病患的身体数据后得到检测结果，对两种结果进行比对得到评估结果。
进一步的，所述准确度验证模块包括第一数据采集单元、第二数据预处理单元和对比单元，所述第一数据采集单元用于采集病患的身体数据，并将采集的身体数据输入到所述第二数据预处理单元和所述对比单元，第二数据预处理单元对输入的身体数据进行预处理后输入到训练完成的预测模型中进行分析并得到分析结果，所述对比单元根据输入的病患的身体数据对病患进行判断得到分析结果，同时所述对比单元将分析得到的结果与训练完成的预测模型进行分析得的分析结果进行比对，得到比对结果。
所述对比单元包括专业医师，所述对比单元根据病人的身体数据得到的结果采取一致性最多的结果为最终结果。
所述修正模块包括临床数据提取单元、第二临床数据分类单元和第三通信单元，所述临床数据提取单元用于对所述对比单元得到的比对结果进行分析，当所述对比单元得到的比对结果为一致时，所述临床数据提取单元不进行临床数据提取，在所述对比单元得到的比对结果为不一致时，所述临床数据提取单元将对比单元分析得到的结果进行提取得到临床数据，并将临床数据输入到所述第二临床数据分类单元，所述第二临床数据分类单元根据临床数据的类型对临床数据进行分类，并将分类后的临床数据发送到所述第三通信单元，所述第三通信单元将分类后的临床数据输入到预测模型的学习样本中进行训练，得到最终预测模型。
所述评估模块包括第二数据采集单元、第三预数据预处理单元、医疗器械数据采集单元和判断单元，所述第二数据采集单元用于采集病患的身体数据并将采集的病患的身体数据输入到所述第三预数据预处理单元，第三预数据预处理单元用于对病患的身体数据进行预处理并将经过预处理的身体数据输入到最终预测模型中，最终预测模型根据输入的数据进行计算得到结果并输入到所述判断单元，所述医疗器械数据采集单元获取基于人工智能的医疗器械采集同一病患的身体数据后得到检测结果并输入到所述判断单元，所述判断单元根据输入两种结果进行比对得到评估结果。
所述判断单元的判断标准为，在最终预测模型计算得到的结果与基于人工智能的医疗器械得到的结果一致时，判定基于人工智能的医疗器械的结果准确，评估为有效，在最终预测模型计算得到的结果与基于人工智能的医疗器械得到的结果不一致时，判定基于人工智能的医疗器械的结果不准确，评估为无效。
所述准确度验证模块和所述修正模块还分别用于对所述预测模型得到的训练完成的预测模型进行循环验证和样本循环输入预测模型训练，当所述预测模型得到的训练完成的预测模型准确度为百分之百时，所述预测模型得到最终预测模型。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明通过采集各个医疗中心的病患的临床数据，并根据病患所患疾病的种类进行分类，得到样本集，将样本集输入到预测模型中进行训练，得到训练完成的预测模型，通过对训练完成的预测模型进行循环验证，避免预测模型输出错误的结果同时将每次预测错误的结果更正后当做样本输入预测模型中得到最终预测模型，采用预测模型在临床实验中评估基于人工智能的医疗器械的有效性，得到评估结果，整个过程只需要训练好预测模型，在评估过程中不需要专业的医师进行评估，整个评估过程简单，解决了目前采用人工智能技术的医疗器械进行有效性评估存在的评估过程效率低，受到医师专业度等因素的影响，导致评估结果不准确，评估不同种类的采用人工智能技术的医疗器械需要不同专业的医师来进行评估的问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例公开的基于人工智能的医疗器械的临床有效性评估方法流程示意图；
图2为本发明实施例公开的基于人工智能的医疗器械的临床有效性评估系统结构示意图。
附图标记：
100-样本收集模块；101-第一临床数据采集单元；102-第一临床数据分类单元；103-记录单元；104-第一通信单元；200-预测模型；201-第二通信单元；202-第一数据预处理单元；203-神经网络单元；300-准确度验证模块；301-第一数据采集单元；302-第二数据预处理单元；303-对比单元；400-修正模块；401-临床数据提取单元；402-第二临床数据分类单元；403-第三通信单元；500-评估模块；501-第二数据采集单元；502-第三预数据预处理单元；503-医疗器械数据采集单元；504-判断单元。
具体实施例
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
如图1所示，本发明实施例提供基于人工智能的医疗器械的临床有效性评估方法，包括以下步骤：
S1，临床数据采集，分别采集不同医疗中心中病患的临床数据，将采集的临床数据根据不同的类型进行分类，分类完成后分别进行记录，形成数据样本集，临床数据根据病患所患的病症种类进行分类，临床数据包括病患的年龄数据、性别数据、身体检验数据、所患的病症以及病症对应的严重程度；
具体的，从不同医疗中心中获取足够多的病患的临床数据，从而获取不同年龄段、不同性别患者所患的病症以及病症对应的严重程度和对应的身体检验数据，并根据所患病症进行分类记录，具体为，根据不同的病症从不同医疗中心中各个数据中心获取病患的年龄数据、性别数据、身体检验数据、所患的病症以及病症对应的严重程度数据，同时根据不同的病症依次建立分类临床数据集合，将分类临床数据作为训练样本对预测模型200进行训练。
S2，预测模型训练，对步骤S1中得到的数据样本集进行预处理后输入神经网络进行训练，等待训练完成；
具体的，将不同的病症的临床数据输入到预测模型中进行训练，等待训练完成得到训练完成的预测模型。
S3，预测模型验证，采集医疗中心病患的身体数据，对身体数据进行预处理后输入到训练完成的预测模型200中，得到病患的诊断结果，同时医师对身体数据进行判断得到诊断结果并与预测模型200得到诊断结果进行对比，得到比对结果；
具体的，采集医疗中心中患者的身体数据，对患者的身体数据采用归一化的预处理方式进行处理后输入到训练完成的预测模型200中，预测模型200根据输入的数据进行分析计算得到分析结果，同时，选用多名专业的医师现场进行评估得到最终的评估结果后与分析结果进行比对，在预测模型200根据输入的数据进行分析计算得到分析结果与多名专业的医师现场进行评估得到最终的评估结果一致时，判定预测模型200输出的结果为准确，例如，在一个医疗中心中，随机选取一名患者，该患者患有甲亢，采集患者的身体数据，分别为性别男、年龄29，身体检验数据分别为三碘甲状腺原氨酸1.33、甲状腺素49.5、促甲状腺激素0.4、游离三碘甲状腺原氨酸5.33、游离甲状腺素5.46，将患者的身体数据进行预处理后输入到预测模型200中，预测模型根据输入的性别、年龄和身体检验数据对患者的病情进行计算分析，得到患者为亚临床甲亢的结果，多名专业的医师对同一患者的性别、年龄和身体检验数据进行评估得到患者为亚临床甲亢的结果。
S4，数据修正，根据步骤S3中得到的比对结果，在医师对身体数据进行判断得到诊断结果与预测模型200得到诊断结果一致时，不进行修正，在医师对身体数据进行判断得到诊断结果与预测模型200得到诊断结果不一致时，以医师对身体数据进行判断得到诊断结果为准，同时将比对结果不一致临床数据加入到样本集中输入到预测模型200中继续进行训练，临床数据根据病患所患的病症种类进行分类，临床数据包括病患的年龄数据、性别数据、身体检验数据、所患的病症以及病症对应的严重程度；
具体的，在预测模型200根据输入的数据进行分析计算得到分析结果与多名专业的医师现场进行评估得到最终的评估结果一致时，不对预测模型200进行修正，在预测模型200根据输入的数据进行分析计算得到分析结果与多名专业的医师现场进行评估得到最终的评估结果不一致时，以多名专业的医师现场进行评估得到最终的评估结果为准，同时将病患的身体数据和诊断结果生成临床数据，根据病患所患的病症种类进行分类，并将临床数据加入到样本集中输入到预测模型200中继续进行训练，预测模型200在经过样本补充后进行训练得到最终预测模型200，例如，随机选取一名患者，该患者患有甲亢，采集患者的身体数据，分别为性别男、年龄29，身体检验数据分别为三碘甲状腺原氨酸1.33、甲状腺素49.5、促甲状腺激素0.4、游离三碘甲状腺原氨酸5.33、游离甲状腺素5.46，将患者的身体数据进行预处理后输入到预测模型200中，预测模型根据输入的性别、年龄和身体检验数据对患者的病情进行计算分析，得到患者为临床甲亢的结果，多名专业的医师对同一患者的性别、年龄和身体检验数据进行评估得到患者为亚临床甲亢的结果，评估结果不一致，以多名专业的医师现场进行评估得到最终的评估结果为准，将预测模型200输出结果错误的数据经过整理，得到患者的临床数据并进行分类后作为补充样本重新输入到预测模型200中进行训练。
在步骤S3预测模型200得到的分析结果与医师的结果一致时，判定预测模型200输出的结果准确，在预测模型200得到的分析结果与医师的结果不一致时，将输出结果错误的经过整理，得到患者的临床数据并进行分类后作为补充样本重新输入到预测模型200中进行训练，训练完成后继续进行测试，重复循环步骤S3-S4，直至预测模型200输出的结果为准确。
S5，医疗器械评估，采用基于人工智能的医疗器械采集病患的身体数据后输出诊断结果，采集基于人工智能的医疗器械输出的诊断结果，同时将采集的病患身体数据输入到预测模型200进行计算，得到诊断结果，通过对比预测模型200得到诊断结果和基于人工智能的医疗器械输出的诊断结果，得到基于人工智能的医疗器械的有效性评估结果；
具体的，采集医疗中心中患者的身体数据，对患者的身体数据采用归一化的预处理方式进行处理后输入到训练完成的预测模型200中，得到分析结果，同步的，使用基于人工智能的医疗器械对患者进行诊断，并采集基于人工智能的医疗器械的时候输出结果，与预测模型200得到的分析结果进行比对，比对结果一致，判定基于人工智能的医疗器械的结果准确，评估为有效，比对结果不一致，判定基于人工智能的医疗器械的结果不准确，评估为无效，例如，在对用于甲亢的人工智能的医疗器械进行有效性评估时，在医疗中心选取20名不同年龄段的患者，患者1-患者20，分别采集患者1-患者20的身体数据，例如，患者1的身体数据为性别女、年龄26，身体检验数据分别为三碘甲状腺原氨酸4.35、甲状腺素57.5、促甲状腺激素0.2、游离三碘甲状腺原氨酸4.9、游离甲状腺素7.36；患者2的身体数据为性别男、年龄35，身体检验数据分别为三碘甲状腺原氨酸5、甲状腺素57.5、促甲状腺激素0.05、游离三碘甲状腺原氨酸8.3、游离甲状腺素6.21……；将患者1-患者20的身体数据经过归一化预处理后分别输入到预测模型200中，分别得到患者1-患者20的诊断结果，同时，使用人工智能的医疗器械分别对患者1-患者20进行检查，得到诊断结果，分别将预测模型200输出的患者1-患者20的诊断结果与人工智能的医疗器械输出的患者1-患者20的诊断结果进行对比，在人工智能的医疗器械输出的患者1-患者20与预测模型200输出的患者1-患者20的诊断结果全部一致时，判定人工智能的医疗器械的结果准确，评估为有效，在人工智能的医疗器械输出的患者1-患者20与预测模型200输出的患者1-患者20的诊断结果有部分一致或全部不一致时，判定人工智能的医疗器械的结果不准确，评估为无效。
本基于人工智能的医疗器械的临床有效性评估方法，通过采集各个医疗中心的病患的临床数据，并根据病患所患疾病的种类进行分类，得到样本集，将样本集输入到预测模型200中进行训练，得到训练完成的预测模型200，通过对训练完成的预测模型200进行循环验证，避免预测模型200输出错误的结果同时将每次预测错误的结果更正后当做样本输入预测模型200中得到最终预测模型200，采用预测模型200在临床实验中评估基于人工智能的医疗器械的有效性，得到评估结果，整个过程只需要训练好预测模型200，在评估过程中不需要专业的医师进行评估，整个评估过程简单，解决了目前采用人工智能技术的医疗器械进行有效性评估存在的评估过程效率低，受到医师专业度等因素的影响，导致评估结果不准确，评估不同种类的采用人工智能技术的医疗器械需要不同专业的医师来进行评估的问题。
实施例二
本发明实施例还公开了基于人工智能的医疗器械的临床有效性评估系统，包括：样本收集模块100、预测模型200、准确度验证模块300、修正模块400和评估模块500；
所述样本收集模块100分布于不同医疗中心，分别采集不同医疗中心中病患的临床数据，并对临床数据进行处理，形成数据样本集，并输入到所述预测模型200，所述样本收集模块100包括第一临床数据采集单元101、第一临床数据分类单元102、记录单元103和第一通信单元104，所述第一临床数据采集单元101用于采集不同医疗中心中病患的临床数据并将采集到的不同医疗中心中病患的临床数据输入到所述第一临床数据分类单元102，所述第一临床数据分类单元102用于接收病患的临床数据并根据不同的病症种类进行分类，得到临床分类数据，并将临床分类数据发送到所述记录单元103进行记录保存，同时将临床分类数据发送到所述第一通信单元104，所述第一通信单元104接收到临床分类数据后将临床分类数据输入到所述预测模型200中；
具体的，样本收集模块100分布于不同医疗中心，第一临床数据采集单元101分别从不同医疗中心中获取不同年龄段、不同性别患者所患的病症以及病症对应的严重程度和对应的身体检验数据，从而获取足够多的病患的临床数据，第一临床数据分类单元102对采集的临床数据按照不同的病症种类进行分类，如表1所示，根据不同的病症对患者的数据进行分类得到不同病症的临床数据通过记录单元103进行记录，第一通信单元104将临床数据发送到预测模型200中；
表1：
病症 患者 性别 年龄 身体检验数据 标准值 程度
甲亢 患者A 男 29 三碘甲状腺原氨酸 1.33 1.01-2.48nmol/L
甲状腺素 49.5 69.97-152.52nmol/L
促甲状腺激素 0.4 0.49-4.91nIU/L 亚临床甲亢
游离三碘甲状腺原氨酸 5.33 3.28-6.47pmol/L
游离甲状腺素 5.46 7.64-16.03pmol/L
甲亢 患者B 女 26 三碘甲状腺原氨酸 4.35 1.01-2.48nmol/L
甲状腺素 57.5 69.97-152.52nmol/L
促甲状腺激素 0.2 0.49-4.91nIU/L 亚临床甲亢
游离三碘甲状腺原氨酸 4.9 3.28-6.47pmol/L
游离甲状腺素 7.36 7.64-16.03pmol/L
甲亢 患者C 男 35 三碘甲状腺原氨酸 5 1.01-2.48nmol/L
甲状腺素 57.5 69.97-152.52nmol/L
促甲状腺激素 0.05 0.49-4.91nIU/L 甲亢危象
游离三碘甲状腺原氨酸 8.3 3.28-6.47pmol/L
游离甲状腺素 6.21 7.64-16.03pmol/L
甲亢 患者D 女 40 三碘甲状腺原氨酸 3.2 1.01-2.48nmol/L
甲状腺素 160.2 69.97-152.52nmol/L
促甲状腺激素 0.11 0.49-4.91nIU/L 临床甲亢
游离三碘甲状腺原氨酸 4.9 3.28-6.47pmol/L
游离甲状腺素 5.22 7.64-16.03pmol/L
所述预测模型200用于接收所述样本收集模块100发送的临床数据，并根据临床数据作为样本进行训练，得到训练完成的预测模型200，所述预测模型200包括第二通信单元201、第一数据预处理单元202和神经网络单元203，所述第二通信单元201用于接收所述第一通信单元104发送的临床分类数据，并将临床分类数据输入到所述第一数据预处理单元202中，所述第一数据预处理单元202对输入的临床分类数据进行预处理，并将经过预处理的临床分类数据作为学习样本输入到所述神经网络单元203中，神经网络单元203类型为前馈神经网络，神经网络单元203根据输入学习样本进行训练得到训练完成的预测模型200；
所述准确度验证模块300用于采集病患的身体数据后根据身体数据对病人的病情进行判断，同时将采集的身体数据输入到训练完成的预测模型200进行验证，并根据预测模型200输出的结果对预测模型200的准确度进行判断，得到判断结果，并将判断结果发送到所述修正模块400，所述准确度验证模块300包括第一数据采集单元301、第二数据预处理单元302和对比单元303，所述对比单元303包括至少十名专业医师，所述对比单元303根据病人的身体数据得到的结果采取一致性最多的结果为最终结果，所述第一数据采集单元301用于采集病患的身体数据，并将采集的身体数据输入到所述第二数据预处理单元302和所述对比单元303，第二数据预处理单元302对输入的身体数据进行预处理后输入到训练完成的预测模型200中进行分析并得到分析结果，所述对比单元根据输入的病患的身体数据对病患进行判断得到分析结果，同时所述对比单元将分析得到的结果与训练完成的预测模型200进行分析得的分析结果进行比对，得到比对结果；
具体的，第一数据采集单元301采集医疗中心中患者的身体数据，第二数据预处理单元302对患者的身体数据采用归一化的预处理方式进行处理后输入到训练完成的预测模型200中，预测模型200根据输入的数据进行分析计算得到分析结果，同时，对比单元303根据患者的身体数据进行分析和判断，具体为，选用多名专业的医师现场进行评估得到最终的评估结果后与分析结果进行比对，在预测模型200根据输入的数据进行分析计算得到分析结果与多名专业的医师现场进行评估得到最终的评估结果一致时，对比单元303判定预测模型200输出的结果为准确。
所述修正模块400用于接收所述准确度验证模块300得到的判断结果，在所述准确度验证模块300发送的判断结果为一致时，所述修正模块400不进行修正，在所述准确度验证模块300发送的判断结果为不一致时，以所述准确度验证模块300根据身体数据对病人的病情进行判断的结果为准，所述修正模块400将病人的临床数据加入到所述预测模型200的学习样本中进行训练的得到最终预测模型200，所述修正模块400包括临床数据提取单元401、第二临床数据分类单元402和第三通信单元403，所述临床数据提取单元401用于对所述对比单元得到的比对结果进行分析，当所述对比单元得到的比对结果为一致时，所述临床数据提取单元401不进行临床数据提取，在所述对比单元得到的比对结果为不一致时，所述临床数据提取单元401将对比单元分析得到的结果进行提取得到临床数据，并将临床数据输入到所述第二临床数据分类单元402，所述第二临床数据分类单元402根据临床数据的类型对临床数据进行分类，并将分类后的临床数据发送到所述第三通信单元403，所述第三通信单元403将分类后的临床数据输入到预测模型200的学习样本中进行训练，得到最终预测模型200，所述准确度验证模块300和所述修正模块400还分别用于对所述预测模型200得到的训练完成的预测模型200进行循环验证和样本循环输入预测模型训练，当所述预测模型200得到的训练完成的预测模型200准确度为百分之百时，所述预测模型200得到最终预测模型200；
具体的，在预测模型200根据输入的数据进行分析计算得到分析结果与多名专业的医师现场进行评估得到最终的评估结果一致时，不对预测模型200进行修正，临床数据提取单元401不进行临床数据提取，在预测模型200根据输入的数据进行分析计算得到分析结果与多名专业的医师现场进行评估得到最终的评估结果不一致时，以多名专业的医师现场进行评估得到最终的评估结果为准，同时，临床数据提取单元401将病患的身体数据和诊断结果生成临床数据，第二临床数据分类单元402根据病患所患的病症种类进行分类，通过第三通信单元403将临床数据加入到样本集中输入到预测模型200中继续进行训练，预测模型200在经过样本补充后进行训练得到最终预测模型200。
所述评估模块500用于采集病患的身体数据并进行预处理后输入到得到最终预测模型200中，最终预测模型200根据输入的数据进行计算得到结果，所述评估模块500获取基于人工智能的医疗器械采集同一病患的身体数据后得到检测结果，对两种结果进行比对得到评估结果，所述评估模块500包括第二数据采集单元501、第三预数据预处理单元502、医疗器械数据采集单元503和判断单元504，所述第二数据采集单元501用于采集病患的身体数据并将采集的病患的身体数据输入到所述第三预数据预处理单元502，第三预数据预处理单元502用于对病患的身体数据进行预处理并将经过预处理的身体数据输入到最终预测模型200中，最终预测模型200根据输入的数据进行计算得到结果并输入到所述判断单元504，所述医疗器械数据采集单元503获取基于人工智能的医疗器械采集同一病患的身体数据后得到检测结果并输入到所述判断单元504，所述判断单元504根据输入两种结果进行比对得到评估结果，所述判断单元504的判断标准为，在最终预测模型200计算得到的结果与基于人工智能的医疗器械得到的结果一致时，判定基于人工智能的医疗器械的结果准确，评估为有效，在最终预测模型200计算得到的结果与基于人工智能的医疗器械得到的结果不一致时，判定基于人工智能的医疗器械的结果不准确，评估为无效；
具体的，第二数据采集单元501采集医疗中心中患者的身体数据，第三预数据预处理单元502对患者的身体数据采用归一化的预处理方式进行处理后输入到训练完成的预测模型200中，得到分析结果，输入到判断单元504，同步的，使用基于人工智能的医疗器械对患者进行诊断，医疗器械数据采集单元503采集基于人工智能的医疗器械的时候输出结果，输入到判断单元504与预测模型200得到的分析结果进行比对，比对结果一致，判定基于人工智能的医疗器械的结果准确，评估为有效，比对结果不一致，判定基于人工智能的医疗器械的结果不准确，评估为无效。
本实施例公开的基于人工智能的医疗器械的临床有效性评估系统，通过采集各个医疗中心的病患的临床数据，并根据病患所患疾病的种类进行分类，得到样本集，将样本集输入到预测模型200中进行训练，得到训练完成的预测模型200，通过对训练完成的预测模型200进行循环验证，避免预测模型200输出错误的结果同时将每次预测错误的结果更正后当做样本输入预测模型200中得到最终预测模型200，采用预测模型200在临床实验中评估基于人工智能的医疗器械的有效性，得到评估结果，整个过程只需要训练好预测模型200，在评估过程中不需要专业的医师进行评估，整个评估过程简单，解决了目前采用人工智能技术的医疗器械进行有效性评估存在的评估过程效率低，受到医师专业度等因素的影响，导致评估结果不准确，评估不同种类的采用人工智能技术的医疗器械需要不同专业的医师来进行评估的问题。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.基于人工智能的医疗器械的临床有效性评估方法，其特征在于，包括以下步骤：
S1，临床数据采集，分别采集不同医疗中心中病患的临床数据，将采集的临床数据根据不同的类型进行分类，分类完成后分别进行记录，形成数据样本集；
S2，预测模型训练，对步骤S1中得到的数据样本集进行预处理后输入神经网络进行训练，等待训练完成；
S3，预测模型验证，采集医疗中心病患的身体数据，对身体数据进行预处理后输入到训练完成的预测模型中，得到病患的诊断结果，同时医师对身体数据进行判断得到诊断结果并与预测模型得到计算结果进行对比，得到比对结果；
S4，数据修正，根据步骤S3中得到的比对结果，在医师对身体数据进行判断得到诊断结果与预测模型得到诊断结果一致时，不进行修正，在医师对身体数据进行判断得到诊断结果与预测模型得到诊断结果不一致时，以医师对身体数据进行判断得到诊断结果为准，同时将比对结果不一致临床数据加入到样本集中输入到预测模型中继续进行训练；
S5，医疗器械评估，采用基于人工智能的医疗器械采集病患的身体数据后输出诊断结果，采集基于人工智能的医疗器械输出的诊断结果，同时将采集的病患身体数据输入到预测模型进行计算，得到诊断结果，通过对比预测模型得到诊断结果和基于人工智能的医疗器械输出的诊断结果，得到基于人工智能的医疗器械的有效性评估结果。
2.如权利要求1所述的基于人工智能的医疗器械的临床有效性评估方法，其特征在于，所述步骤S1和步骤S4中，临床数据根据病患所患的病症种类进行分类，临床数据包括病患的年龄数据、性别数据、身体检验数据、所患的病症以及病症对应的严重程度。
3.如权利要求1所述的基于人工智能的医疗器械的临床有效性评估方法，其特征在于，步骤S3-S5中，身体数据包括病患的年龄数据、性别数据和身体检验数据。
4.基于人工智能的医疗器械的临床有效性评估系统，应用于如权利要求1-3所述的基于人工智能的医疗器械的临床有效性评估方法，其特征在于，包括样本收集模块、预测模型、准确度验证模块、修正模块和评估模块；
所述样本收集模块分布于不同医疗中心，分别采集不同医疗中心中病患的临床数据，并对临床数据进行处理，形成数据样本集，并输入到所述预测模型；
其中，所述样本收集模块包括第一临床数据采集单元、第一临床数据分类单元、记录单元和第一通信单元，所述第一临床数据采集单元用于采集不同医疗中心中病患的临床数据并将采集到的不同医疗中心中病患的临床数据输入到所述第一临床数据分类单元，所述第一临床数据分类单元用于接收病患的临床数据并根据不同的病症种类进行分类，得到临床分类数据，并将临床分类数据发送到所述记录单元进行记录保存，同时将临床分类数据发送到所述第一通信单元，所述第一通信单元接收到临床分类数据后将临床分类数据输入到所述预测模型中；
所述预测模型用于接收所述样本收集模块发送的临床数据，并根据临床数据作为样本进行训练，得到训练完成的预测模型；
其中，所述预测模型包括第二通信单元、第一数据预处理单元和神经网络单元，所述第二通信单元用于接收所述第一通信单元发送的临床分类数据，并将临床分类数据输入到所述第一数据预处理单元中，所述第一数据预处理单元对输入的临床分类数据进行预处理，并将经过预处理的临床分类数据作为学习样本输入到所述神经网络单元中，神经网络单元根据输入学习样本进行训练得到训练完成的预测模型；
所述准确度验证模块用于采集病患的身体数据后根据身体数据对病人的病情进行判断，同时将采集的身体数据输入到训练完成的预测模型进行验证，并根据预测模型输出的结果对预测模型的准确度进行判断，得到判断结果，并将判断结果发送到所述修正模块；
所述修正模块用于接收所述准确度验证模块得到的判断结果，在所述准确度验证模块发送的判断结果为一致时，所述修正模块不进行修正，在所述准确度验证模块发送的判断结果为不一致时，以所述准确度验证模块根据身体数据对病人的病情进行判断的结果为准，所述修正模块将病人的临床数据加入到所述预测模型的学习样本中进行训练的得到最终预测模型；
所述评估模块用于采集病患的身体数据并进行预处理后输入到得到最终预测模型中，最终预测模型根据输入的数据进行计算得到结果，所述评估模块获取基于人工智能的医疗器械采集同一病患的身体数据后得到检测结果，对两种结果进行比对得到评估结果。
5.如权利要求4所述的基于人工智能的医疗器械的临床有效性评估系统，其特征在于，所述准确度验证模块包括第一数据采集单元、第二数据预处理单元和对比单元，所述第一数据采集单元用于采集病患的身体数据，并将采集的身体数据输入到所述第二数据预处理单元和所述对比单元，第二数据预处理单元对输入的身体数据进行预处理后输入到训练完成的预测模型中进行分析并得到分析结果，所述对比单元根据输入的病患的身体数据对病患进行判断得到分析结果，同时所述对比单元将分析得到的结果与训练完成的预测模型进行分析得的分析结果进行比对，得到比对结果。
6.如权利要求5所述的基于人工智能的医疗器械的临床有效性评估系统，其特征在于，所述对比单元包括专业医师，所述对比单元根据病人的身体数据得到的结果采取一致性最多的结果为最终结果。
7.如权利要求5所述的基于人工智能的医疗器械的临床有效性评估系统，其特征在于，所述修正模块包括临床数据提取单元、第二临床数据分类单元和第三通信单元，所述临床数据提取单元用于对所述对比单元得到的比对结果进行分析，当所述对比单元得到的比对结果为一致时，所述临床数据提取单元不进行临床数据提取，在所述对比单元得到的比对结果为不一致时，所述临床数据提取单元将对比单元分析得到的结果进行提取得到临床数据，并将临床数据输入到所述第二临床数据分类单元，所述第二临床数据分类单元根据临床数据的类型对临床数据进行分类，并将分类后的临床数据发送到所述第三通信单元，所述第三通信单元将分类后的临床数据输入到预测模型的学习样本中进行训练，得到最终预测模型。
8.如权利要求4所述的基于人工智能的医疗器械的临床有效性评估系统，其特征在于，所述评估模块包括第二数据采集单元、第三预数据预处理单元、医疗器械数据采集单元和判断单元，所述第二数据采集单元用于采集病患的身体数据并将采集的病患的身体数据输入到所述第三预数据预处理单元，第三预数据预处理单元用于对病患的身体数据进行预处理并将经过预处理的身体数据输入到最终预测模型中，最终预测模型根据输入的数据进行计算得到结果并输入到所述判断单元，所述医疗器械数据采集单元获取基于人工智能的医疗器械采集同一病患的身体数据后得到检测结果并输入到所述判断单元，所述判断单元根据输入两种结果进行比对得到评估结果。
9.如权利要求8所述的基于人工智能的医疗器械的临床有效性评估系统，其特征在于，所述判断单元的判断标准为，在最终预测模型计算得到的结果与基于人工智能的医疗器械得到的结果一致时，判定基于人工智能的医疗器械的结果准确，评估为有效，在最终预测模型计算得到的结果与基于人工智能的医疗器械得到的结果不一致时，判定基于人工智能的医疗器械的结果不准确，评估为无效。
10.如权利要求4所述的基于人工智能的医疗器械的临床有效性评估系统，其特征在于，所述准确度验证模块和所述修正模块还分别用于对所述预测模型得到的训练完成的预测模型进行循环验证和样本循环输入预测模型训练，当所述预测模型得到的训练完成的预测模型准确度为百分之百时，所述预测模型得到最终预测模型。
CN202110367055.6A 2021-04-06 2021-04-06 基于人工智能的医疗器械的临床有效性评估方法及系统 Active CN113066549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110367055.6A CN113066549B (zh) 2021-04-06 2021-04-06 基于人工智能的医疗器械的临床有效性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110367055.6A CN113066549B (zh) 2021-04-06 2021-04-06 基于人工智能的医疗器械的临床有效性评估方法及系统

Publications (2)

Publication Number Publication Date
CN113066549A CN113066549A (zh) 2021-07-02
CN113066549B true CN113066549B (zh) 2022-07-26

Family

ID=76565944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110367055.6A Active CN113066549B (zh) 2021-04-06 2021-04-06 基于人工智能的医疗器械的临床有效性评估方法及系统

Country Status (1)

Country Link
CN (1) CN113066549B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116594B (zh) * 2022-06-06 2024-05-31 中国科学院自动化研究所 医疗装置有效性的检测方法及装置
CN116797889B (zh) * 2023-08-24 2023-12-08 青岛美迪康数字工程有限公司 医学影像识别模型的更新方法、装置和计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302848A (zh) * 2014-10-11 2016-02-03 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
CN106874693A (zh) * 2017-03-15 2017-06-20 国信优易数据有限公司 一种医疗大数据分析处理系统及方法
CN107320102A (zh) * 2017-08-01 2017-11-07 广州安德生物科技有限公司 一种基于预测模型的膀胱排尿时间提醒方法及评估装置
CN108968991A (zh) * 2018-05-08 2018-12-11 平安科技（深圳）有限公司 手骨x光片骨龄评估方法、装置、计算机设备和存储介质
CN110162779A (zh) * 2019-04-04 2019-08-23 北京百度网讯科技有限公司 病历质量的评估方法、装置及设备
CN110459290A (zh) * 2019-08-20 2019-11-15 曹庆恒 一种智能推荐医疗器械的方法、系统和设备
CN111540419A (zh) * 2020-04-28 2020-08-14 上海交通大学 基于深度学习的抗老年痴呆药物有效性预测系统
CN111598322A (zh) * 2020-05-09 2020-08-28 东软医疗系统股份有限公司 医疗设备故障预测方法、装置、介质及电子设备
CN112102947A (zh) * 2020-04-13 2020-12-18 国家体育总局体育科学研究所 用于身体姿态评估的装置和方法
CN112164448A (zh) * 2020-09-25 2021-01-01 上海市胸科医院 免疫治疗疗效预测模型训练方法、预测系统及方法和介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705624B (zh) * 2019-09-26 2021-03-16 广东工业大学 一种基于多信噪比模型的心肺音分离方法及系统
CN111242174B (zh) * 2019-12-31 2022-09-23 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法
CN111311546A (zh) * 2020-01-19 2020-06-19 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111599466A (zh) * 2020-05-13 2020-08-28 上海森亿医疗科技有限公司 儿童血液肿瘤患者脓毒性休克预测方法、装置、终端及介质
CN111667010A (zh) * 2020-06-08 2020-09-15 平安科技（深圳）有限公司 基于人工智能的样本评估方法、装置、设备及存储介质
CN111613335A (zh) * 2020-06-24 2020-09-01 广州文殊科技有限公司 一种健康预警系统及方法
CN112259221A (zh) * 2020-10-21 2021-01-22 北京大学第一医院 基于多种机器学习算法的肺癌诊断系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302848A (zh) * 2014-10-11 2016-02-03 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
CN106874693A (zh) * 2017-03-15 2017-06-20 国信优易数据有限公司 一种医疗大数据分析处理系统及方法
CN107320102A (zh) * 2017-08-01 2017-11-07 广州安德生物科技有限公司 一种基于预测模型的膀胱排尿时间提醒方法及评估装置
CN108968991A (zh) * 2018-05-08 2018-12-11 平安科技（深圳）有限公司 手骨x光片骨龄评估方法、装置、计算机设备和存储介质
CN110162779A (zh) * 2019-04-04 2019-08-23 北京百度网讯科技有限公司 病历质量的评估方法、装置及设备
CN110459290A (zh) * 2019-08-20 2019-11-15 曹庆恒 一种智能推荐医疗器械的方法、系统和设备
CN112102947A (zh) * 2020-04-13 2020-12-18 国家体育总局体育科学研究所 用于身体姿态评估的装置和方法
CN111540419A (zh) * 2020-04-28 2020-08-14 上海交通大学 基于深度学习的抗老年痴呆药物有效性预测系统
CN111598322A (zh) * 2020-05-09 2020-08-28 东软医疗系统股份有限公司 医疗设备故障预测方法、装置、介质及电子设备
CN112164448A (zh) * 2020-09-25 2021-01-01 上海市胸科医院 免疫治疗疗效预测模型训练方法、预测系统及方法和介质

Also Published As

Publication number Publication date
CN113066549A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
KR102243830B1 (ko) 통합 의료 진단 서비스 제공 시스템 및 그 방법
CN113066549B (zh) 基于人工智能的医疗器械的临床有效性评估方法及系统
CN111598867B (zh) 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN110991536B (zh) 原发性肝癌的早期预警模型的训练方法
CN109255354B (zh) 面向医用ct的计算机图像处理方法和装置
CN114999629A (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
CN112950614A (zh) 一种基于多尺度空洞卷积的乳腺癌检测方法
CN116630324B (zh) 一种基于深度学习的mri图像自动评估腺样体肥大的方法
CN107480419A (zh) 胎儿出生缺陷智能化诊断系统
CN113298758A (zh) 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端
CN114305387A (zh) 基于磁共振成像的脑小血管病变图像分类方法、设备及介质
CN116738352B (zh) 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置
CN111899848B (zh) 图像识别方法及设备
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
CN111081374B (zh) 基于共同注意力范式的孤独症辅助诊断装置
CN114464281A (zh) 电子病历文本事件抽取方法、装置、电子设备及存储介质
CN115132351B (zh) 基于真实世界研究的诊断数据反馈评价系统及方法
CN118262220B (zh) 放射影像报告的质量评估方法、装置和设备
WO2024051015A1 (zh) 一种基于肌肉超声的影像特征提取及分类方法
CN116172571A (zh) 评估心电检测结果可信度的方法、装置、设备及存储介质
Saiviroonporn et al. Improvement in detecting and localizing intracranial hemorrhage lesions using the active learning concept and probabilistic CAM heatmap
CN115565634A (zh) 尿路感染的预警方法、装置及电子设备
CN117562505A (zh) 一种基于融合信息的神经类疾病诊断装置
CN118711794A (zh) 基于大数据分析的早期认知障碍的估计方法及系统
CN117747067A (zh) 一种中医虚症辨证结果风险判断数据的生成方法及系统

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