CN113223723B - 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 - Google Patents

一种多模态肾肿瘤保肾手术难度和并发症的预测方法 Download PDF

Info

Publication number
CN113223723B
CN113223723B CN202110512133.7A CN202110512133A CN113223723B CN 113223723 B CN113223723 B CN 113223723B CN 202110512133 A CN202110512133 A CN 202110512133A CN 113223723 B CN113223723 B CN 113223723B
Authority
CN
China
Prior art keywords
kidney
scoring
deep learning
tumor
map
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
CN202110512133.7A
Other languages
English (en)
Other versions
CN113223723A (zh
Inventor
胡敏雄
吴凯
林生发
叶烈夫
朱庆国
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.)
FUJIAN PROVINCIAL HOSPITAL
Original Assignee
FUJIAN PROVINCIAL HOSPITAL
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 FUJIAN PROVINCIAL HOSPITAL filed Critical FUJIAN PROVINCIAL HOSPITAL
Priority to CN202110512133.7A priority Critical patent/CN113223723B/zh
Publication of CN113223723A publication Critical patent/CN113223723A/zh
Application granted granted Critical
Publication of CN113223723B publication Critical patent/CN113223723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种多模态肾肿瘤保肾手术难度和并发症的预测方法，属于医学技术领域；通过计算机人工智能深度学习获得R.E.N.A.L评分系统、MAP评分系统和CSA评分系统三个影像学综合评分能力；通过计算机人工智能深度学习将患者的基础疾病信息，是否使用抗凝药物、抗生素、激素，术前心、肺、肾功能数据与影像学综合评分能力进行加权计算；保留并融合现有方案依靠影像学评分部分，比现有方案所有各个不同评分系统考虑的影像学特征更多、更全面，并且克服人工计算的费力、耗时、不稳定等缺点，结果更为准确和稳定。

Description

一种多模态肾肿瘤保肾手术难度和并发症的预测方法
技术领域
本发明涉及医学技术领域，具体为一种多模态肾肿瘤保肾手术难度和并发症的预测方法。
背景技术
对于肾肿瘤保肾手术复杂程度和围手术期并发症的预测，现有仅依靠影像学特征数据 14 个不同的肾肿瘤保肾手术评分系统；现有评分系统受时代和科技的限制，严重依赖人工评分，参数多的评分系统使用复杂、费力、耗时，不符合临床工作需要的简洁、高效的特点；复杂的评分系统改良后参数变少或者新创立参数少的评分系统，因不同人次测量值可能存在误差，导致最后评分存在不稳定性，亦不符合临床工作中稳定可靠的特点。患者的多模态数据包括：高血压、糖尿病、冠心病、恶性肿瘤病史、肺部疾病等基础疾病，是否使用抗凝药物、抗生素、激素，术前心、肺、肾功能等都影响着手术复杂程度和围手术期并发症的发生，不能只考虑影像学特征；原有评分系统之所以未考虑患者的多模态临床数据，是因为无法给各个基础疾病等数据进行加权评分，此问题亟待解决。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种多模态肾肿瘤保肾手术复杂程度和围手术期并发症的预测方法，保留并融合现有方案依靠影像学评分部分，比现有方案所有各个不同评分系统考虑的影像学特征更多，也更为准确和稳定，并且克服人工计算的费力、耗时、不稳定等缺点；同时考虑患者多模态临床数据，通过人工智能深度学习方法克服人工计算无法将多模态临床数据进行加权评分的特点，使得结果更为准确和稳定。
为解决上述技术问题，本发明采用如下技术方案：
一种多模态肾肿瘤保肾手术难度和并发症的预测方法，其特征在于，包括：
S1、通过计算机人工智能深度学习获得 R.E.N.A.L 评分系统、MAP 评分系统和CSA 评分系统三个影像学综合评分能力；
所述计算机人工智能深度学习的方法包括：a、根据医学影像自动化分割模型的预测结果，将医学影像中肾、肾癌、肾周围脂肪层区域影像进行 3D 截取，计算肾与肾癌接触表面积；
b、根据图像建立基于深度学习分类网络建立 R.E.N.A.L与 MAP评分模型；
c、拟通过将深度学习分类模型最后输出层数目个数设置为 7 个神经元，依次存放用于 R.E.N.A.L 和 MAP 评分模型中 7 个指标：肿瘤最大直径，外凸情况，肿瘤与集合系统距离，肿瘤矢状轴位置，肿瘤相对极线距离，肾周脂肪厚度，纤维条索有无；
d、经过训练的模型能够自动化预测经典的 CSA，R.E.N.A.L 和 MAP 评分系统所用的重要指标，通过后期的指标加和，最终得到 CSA，R.E.N.A.L 和MAP 评分系统中用于手术复杂度的评分；
S2、通过计算机人工智能深度学习将基础疾病，是否使用抗凝药物、抗生素、激素，术前心、肺、肾功能数据与影像学综合评分能力进行加权计算，其中，基础疾病包括患者高血压、糖尿病、恶性肿瘤病史、冠心病、肺部疾病；
所述S2中的计算机人工智能深度学习的方法包括：将患者的各种检测特征作为节点，将不同属性的数据整合在一起，加入多模态语义信息，构建异质图数据；每个患者的检测信息建立一个数据图，以术后围手术期并发症发生概率为数据图的标签；使用异质图注意力分类网络，建立图层面分类任务进行数据训练，用于预测围手术期并发症；将多模态图数据进行深度学习训练以预测患者围手术期并发症发生概率。
本发明的有益效果在于：保留并融合现有方案依靠影像学评分部分，比现有方案所有各个不同评分系统考虑的影像学特征更多，也更为准确和稳定，并且克服人工计算的费力、耗时、不稳定等缺点；通过人工智能深度学习方法克服人工计算无法将多模态临床数据进行加权评分的特点，使得结果更为准确和稳定。
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，下面描述中的附图仅仅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为本发明实施例提供的一种多模态肾肿瘤保肾手术难度和并发症的预测方法的 R.E.N.A.L.评分系统的补充说明图；
图2为本发明实施例提供的一种多模态肾肿瘤保肾手术难度和并发症的预测方法的 CSA 评分系统的补充说明图；
图 3、图 4 为本发明实施例提供的一种多模态肾肿瘤保肾手术难度和并发症的预测方法的 MAP 评分系统的补充说明图。
实施方式
下面将结合本发明实施例，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。
一种多模态肾肿瘤保肾手术难度和并发症的预测方法，包括：
S1、通过计算机人工智能深度学习获得 R.E.N.A.L 评分系统、MAP 评分系统和CSA 评分系统三个影像学综合评分能力；
计算机人工智能深度学习的方法包括：根据医学影像自动化分割模型的预测结果，将医学影像中肾、肾癌、肾周围脂肪层区域影像进行 3D 截取，计算肾与肾癌接触表面积(Contact Surface Area，CSA)；根据图像建立基于深度学习分类网络建立 R.E.N.A.L与 MAP 评分模型；拟通过将深度学习分类模型最后输出层数目个数设置为 7 个神经元，依次存放用于 R.E.N.A.L 和 MAP 评分模型中 7 个重要指标：肿瘤最大直径，外凸情况，肿瘤与集合系统距离，肿瘤矢状轴位置，肿瘤相对极线距离，肾周脂肪厚度，纤维条索有无；经过训练的模型能够自动化预测经典的 CSA，R.E.N.A.L 和 MAP 评分系统所用的重要指标，
通过后期的指标加和，最终得到 CSA，R.E.N.A.L 和 MAP 系统中用于手术复杂度的评分；
S2、通过计算机人工智能深度学习将患者高血压、糖尿病、恶性肿瘤病史、冠心病、肺部疾病等基础疾病，是否使用抗凝药物、抗生素、激素，术前心、肺、肾功能数据与影像学综合评分能力进行加权计算；
计算机人工智能深度学习的方法包括：将各种检测特征作为节点，将不同属性的数据整合在一起，加入多模态语义信息，构建异质图数据(Heterogeneous Graphs，HetG)；每个患者的检测信息建立一个数据图，以术后围手术期并发症发生概率为数据图的标签；使用异质图注意力分类网络，建立图层面（Graph Level）分类任务进行数据训练，用于预测围手术期并发症；将多模态图数据进行深度学习训练以预测患者围手术期并发症发生概率；最终得到一种多模态肾肿瘤保肾手术复杂程度和围手术期并发症人工智能预测方法软件。
手术并发症分级如表 1 所示：
表 1
R.E.N.A.L.评分系统如图 1、表 2 所示：
表2
图 1 中，*实现表示极线，虚线表示肾中轴线。(a)，(b)，(c)如图所示。
CSA 评分系统如图 2 所示，CSA(Contact Surface Area) = 2*π*R*D；
R：tumor radius； D： tumor depth）；
MAP 评分系统如图 3、图 4、表 3 所示：
表3
图 3中，RV =肾静脉，在肾静脉水平测定肾周脂肪；
L =侧路，平行于肾静脉与侧腹壁的距离；
P =后路：肾包膜后方到后腹壁直线距离(Mayo 黏连概率评分方法)；
图 4 中，A 代表 0 分；
B 代表类型 I 2 分，肾脏周围脂肪呈密集的纤维状，没有粗的纤维条索；
C 代表类型 II 3 分，图像显示严重的肾周围粘连，有较粗的纤维条索。
输入端的输入信息包括：住院号(读取系统内基本信息包括：姓名、性别、年龄、影像)；基础疾病；心功能；肺功能；总肾功能 umol/l；患肾功能 ml/min；
肝功能；抗凝药；抗生素；激素；身体状态。
输出格式：
R.E.N.A.L 评分：示例：3+1+3+a+2h= 9ah，术中预计出血量 XXml、术后需要输血概率 XX%、术后漏尿概率 XX%；
CSA：示例：XXcm^2，预计术后患肾残留 GFR=xxml/min；
MAP 评分：示例：1+2=3；
并发症发生综合概率：术后某级并发症发生概率 XX%。
解释：
基础疾病：
高血压（无、控制良好、控制不佳）；
糖尿病（无、餐前低于 7mmol/l，餐前 7-10mmol/L,餐前大于 10mmol/l）；
冠心病（冠脉狭窄=<50%，冠脉狭窄 50-70%，冠脉狭窄>=70%）；
恶性肿瘤病史（有、无）；
心功能：（I、II、III、IV 级）；
肺功能：（FEV1/预计值，FEV1 绝对值，FEV1/FVC,MVV）(可自动读取或手工填写)；
总肾功能：具体数值(可自动读取或手工填写)；
患肾功能：具体数值(可自动读取或手工填写)；
肝功能：总胆红素、谷丙转氨酶、谷草转氨酶三个具体数值(可自动读取或手工填写)；
抗凝药：（无、停药>7 天，停药 5-7 天，停药<5 天）；
抗生素：（有、无）；
激素：（有、无）；
身体状态：（卧床、搀扶可行走、自主行走）；
并发症（见表 1）。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (1)

1.一种多模态肾肿瘤保肾手术难度和并发症的预测方法，其特征在于，包括：
S1、通过计算机人工智能深度学习获得 R.E.N.A.L 评分系统、MAP 评分系统和 CSA评分系统三个影像学综合评分能力；
所述计算机人工智能深度学习的方法包括：a、根据医学影像自动化分割模型的预测结果，将医学影像中肾、肾癌、肾周围脂肪层区域影像进行 3D 截取，计算肾与肾癌接触表面积；
b、根据图像建立基于深度学习分类网络建立 R.E.N.A.L与 MAP评分模型；
c、拟通过将深度学习分类模型最后输出层数目个数设置为 7 个神经元，依次存放用于 R.E.N.A.L 和 MAP 评分模型中 7 个指标：肿瘤最大直径，外凸情况，肿瘤与集合系统距离，肿瘤矢状轴位置，肿瘤相对极线距离，肾周脂肪厚度，纤维条索有无；
d、经过训练的模型能够自动化预测经典的 CSA，R.E.N.A.L 和 MAP 评分系统所用的重要指标，通过后期的指标加和，最终得到 CSA，R.E.N.A.L 和MAP 评分系统中用于手术复杂度的评分；
S2、通过计算机人工智能深度学习将基础疾病，是否使用抗凝药物、抗生素、激素，术前心、肺、肾功能数据与影像学综合评分能力进行加权计算，其中，基础疾病包括患者高血压、糖尿病、恶性肿瘤病史、冠心病、肺部疾病；
所述S2中的计算机人工智能深度学习的方法包括：将患者的各种检测特征作为节点，将不同属性的数据整合在一起，加入多模态语义信息，构建异质图数据；每个患者的检测信息建立一个数据图，以术后围手术期并发症发生概率为数据图的标签；使用异质图注意力分类网络，建立图层面分类任务进行数据训练，用于预测围手术期并发症；将多模态图数据进行深度学习训练以预测患者围手术期并发症发生概率。
CN202110512133.7A 2021-05-11 2021-05-11 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 Active CN113223723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110512133.7A CN113223723B (zh) 2021-05-11 2021-05-11 一种多模态肾肿瘤保肾手术难度和并发症的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110512133.7A CN113223723B (zh) 2021-05-11 2021-05-11 一种多模态肾肿瘤保肾手术难度和并发症的预测方法

Publications (2)

Publication Number Publication Date
CN113223723A CN113223723A (zh) 2021-08-06
CN113223723B true CN113223723B (zh) 2023-08-25

Family

ID=77094721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110512133.7A Active CN113223723B (zh) 2021-05-11 2021-05-11 一种多模态肾肿瘤保肾手术难度和并发症的预测方法

Country Status (1)

Country Link
CN (1) CN113223723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113517071A (zh) * 2021-08-25 2021-10-19 复旦大学附属中山医院 肾肿瘤部分切除术风险及术后早期预后的指数评价方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785973A (zh) * 2019-01-25 2019-05-21 中国医学科学院阜外医院 一种手术患者在围手术期发生并发症的定量预测方法
CN109934415A (zh) * 2019-03-22 2019-06-25 中国科学院重庆绿色智能技术研究院 一种基于跨模态深度学习的围术期危重事件预测方法
CN111666477A (zh) * 2020-06-19 2020-09-15 腾讯科技（深圳）有限公司 一种数据处理方法、装置、智能设备及介质
CN112151179A (zh) * 2020-09-29 2020-12-29 上海联影医疗科技股份有限公司 影像数据评估方法、装置、设备及存储介质
AU2020103779A4 (en) * 2020-11-30 2021-02-11 Ningxia Medical University Covid-19 classification recognition method based on ct images of lungs
CN112434718A (zh) * 2020-09-02 2021-03-02 武汉大学 基于深度图的新冠肺炎多模态特征提取融合方法及系统
CN112750115A (zh) * 2021-01-15 2021-05-04 杭州电子科技大学 一种基于图神经网络的多模态宫颈癌前病变图像识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785973A (zh) * 2019-01-25 2019-05-21 中国医学科学院阜外医院 一种手术患者在围手术期发生并发症的定量预测方法
CN109934415A (zh) * 2019-03-22 2019-06-25 中国科学院重庆绿色智能技术研究院 一种基于跨模态深度学习的围术期危重事件预测方法
CN111666477A (zh) * 2020-06-19 2020-09-15 腾讯科技（深圳）有限公司 一种数据处理方法、装置、智能设备及介质
CN112434718A (zh) * 2020-09-02 2021-03-02 武汉大学 基于深度图的新冠肺炎多模态特征提取融合方法及系统
CN112151179A (zh) * 2020-09-29 2020-12-29 上海联影医疗科技股份有限公司 影像数据评估方法、装置、设备及存储介质
AU2020103779A4 (en) * 2020-11-30 2021-02-11 Ningxia Medical University Covid-19 classification recognition method based on ct images of lungs
CN112750115A (zh) * 2021-01-15 2021-05-04 杭州电子科技大学 一种基于图神经网络的多模态宫颈癌前病变图像识别方法

Also Published As

Publication number Publication date
CN113223723A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN111340819B (zh) 图像分割方法、装置和存储介质
US20190139642A1 (en) System and methods for medical image analysis and reporting
Wu et al. Chest imagenome dataset for clinical reasoning
CN109906449A (zh) 一种查找方法及装置
CN107403068A (zh) 融合临床思维的智能辅助问诊方法及系统
CN113223723B (zh) 一种多模态肾肿瘤保肾手术难度和并发症的预测方法
CN117056493A (zh) 基于病历知识图谱的大语言模型医疗问答系统
CN111428072A (zh) 眼科多模态影像的检索方法、装置、服务器及存储介质
US11977985B2 (en) Machine learning techniques for predictive prioritization
KR102281968B1 (ko) 안저영상 자동판독을 위한 딥러닝 아키텍처 시스템 및 딥러닝 아키텍쳐 시스템을 이용한 안저영상 자동판독 방법
CN114926700B (zh) 冠状动脉类别确定方法、装置、电子设备及存储介质
CN113987155B (zh) 一种融合知识图谱与大规模用户日志的会话式检索方法
Altikardes et al. A novel method for dipper/non-dipper pattern classification in hypertensive and non-diabetic patients
CN112869697A (zh) 同时识别糖尿病视网膜病变的分期和病变特征的判断方法
Xu et al. A few-shot learning-based retinal vessel segmentation method for assisting in the central serous chorioretinopathy laser surgery
CN112733953B (zh) 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法
CN111428737A (zh) 眼科影像的实例检索方法、装置、服务器及存储介质
Chao et al. Topological data analysis identified prognostically-distinct phenotypes in transcatheter edge-to-edge repair patients
CN116737945B (zh) 一种患者emr知识图谱映射方法
Weiss et al. Machine learning using institution-specific multi-modal electronic health records improves mortality risk prediction for cardiac surgery patients
CN111582366B (zh) 图像处理方法、装置及设备
CN113221541A (zh) 一种数据提取方法及装置
CN115938593A (zh) 病历信息的处理方法、装置、设备及计算机可读存储介质
CN116363311A (zh) 冠脉Leiden分数计算及风险分级的方法和系统
CN115331765A (zh) 一种出院诊断和诊疗过程一致性的质检方法、装置及设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230724

Address after: No. 134, East Street, Fuzhou City, Gulou District, Fuzhou City, Fujian Province 350001

Applicant after: FUJIAN PROVINCIAL Hospital

Address before: 350100 No. 1, Xueyuan Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province

Applicant before: Hu Minxiong

GR01 Patent grant
GR01 Patent grant