CN113362945A - 基于多步决策的全肺呼吸内科疾病医学辅助诊断系统 - Google Patents
基于多步决策的全肺呼吸内科疾病医学辅助诊断系统 Download PDFInfo
- Publication number
- CN113362945A CN113362945A CN202110620116.5A CN202110620116A CN113362945A CN 113362945 A CN113362945 A CN 113362945A CN 202110620116 A CN202110620116 A CN 202110620116A CN 113362945 A CN113362945 A CN 113362945A
- Authority
- CN
- China
- Prior art keywords
- disease
- diseases
- medical
- model
- separable
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 81
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 81
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 239000003814 drug Substances 0.000 title claims abstract description 14
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims description 5
- 230000000241 respiratory effect Effects 0.000 claims abstract description 24
- 210000003979 eosinophil Anatomy 0.000 claims abstract description 17
- 210000004369 blood Anatomy 0.000 claims abstract description 15
- 239000008280 blood Substances 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013136 deep learning model Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 9
- 208000019693 Lung disease Diseases 0.000 claims description 8
- 210000004072 lung Anatomy 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 208000006673 asthma Diseases 0.000 claims description 6
- 208000029523 Interstitial Lung disease Diseases 0.000 claims description 4
- 206010008479 Chest Pain Diseases 0.000 claims description 3
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims description 3
- 206010011224 Cough Diseases 0.000 claims description 3
- 208000000059 Dyspnea Diseases 0.000 claims description 3
- 206010013975 Dyspnoeas Diseases 0.000 claims description 3
- 208000000616 Hemoptysis Diseases 0.000 claims description 3
- 208000002151 Pleural effusion Diseases 0.000 claims description 3
- 206010036790 Productive cough Diseases 0.000 claims description 3
- 206010044302 Tracheitis Diseases 0.000 claims description 3
- 208000002352 blister Diseases 0.000 claims description 3
- 201000009267 bronchiectasis Diseases 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 claims description 3
- 208000020816 lung neoplasm Diseases 0.000 claims description 3
- 208000037841 lung tumor Diseases 0.000 claims description 3
- 201000003144 pneumothorax Diseases 0.000 claims description 3
- 230000002685 pulmonary effect Effects 0.000 claims description 3
- 208000002815 pulmonary hypertension Diseases 0.000 claims description 3
- 201000002859 sleep apnea Diseases 0.000 claims description 3
- 208000006601 tracheal stenosis Diseases 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 206010047924 Wheezing Diseases 0.000 description 2
- 230000003182 bronchodilatating effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000084 Abdominal pain lower Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000222 eosinocyte Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response 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
- G16H50/20—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
- 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
- G16H50/70—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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,包括如下步骤:S1:判断是否为呼吸内科疾病,当输入描述中出现任意一个关键词时,进入下一阶段;S2:检查血常规字段,当血常规中嗜酸粒细胞计数未升高,进入下一阶段;拒绝预测模块,当分类器分类结果为可分疾病,则进入下一阶段;S4:可分疾病诊断分类模块。本发明的有益效果如下:1)本发明在整体的泛化能力上有了明显的提升。2)本发明采用多步决策的方法,不同的决策步骤使用不同的字段信息,能最大限度的对数据进行合理利用。3)本发明中使用了self‑attention机制。4)本发明使用了大规模预训练语言模型ALBERT,在泛化性能上有明显提升,且整体准确率提升约10%。
Description
技术领域
本发明属于医学辅助诊断技术领域,具体涉及基于多步决策的全肺呼吸内科疾病医学辅助诊断系统。
背景技术
电子病历(EMR)中包含丰富的患者临床数据信息,如现病史,临床表现,影像学报告等。随着人工智能深度学习技术的发展,如何利用丰富的大规模电子病历数据信息构建医学辅助诊断系统,为医生提供人工智能技术支持,成为了一个亟待解决的问题。
然而,目前已知的使用深度学习和电子病历相结合的方式构建的人工智能系统仍存在许多的不足与缺陷。
其一,对电子病历数据未进行充分的数据清洗和特征工程。深度学习模型的最终表现性能严重依赖于数据规模和数据质量。而电子病历数据中一般包含有一定的噪声,如大量的重复描述,同义词描述等。若不对电子病历数据进行有效的数据清洗,而是直接使用原始的电子病历数据,将会对深度学习模型的最终性能产生严重影响。
其二,未充分利用电子病历中不同字段信息,仅对其进行机械化的组合与拼接。举例来说,不同疾病的诊断需要不同的数据字段支持,如哮喘疾病,根据主诉、现病史字段即可进行较为准确的预测,而如间质性肺病等疾病,须提供胸部影像学报告支持,才能最终确定患者是否患有该疾病。
其三,结果缺乏可解释性,仅根据深度学习模型的输出结果作为最终结果。一般的深度学习辅助诊断系统,仅利用大规模数据对深度学习模型进行训练,从而得到最终的可用模型。但该模型仍是一个black-box(黑盒状态),模型缺乏可解释性,从而很难被专业医生所接受。
其四,整体性能表现一般。电子病历(EMR)一般是非结构化数据,已有深度学习模型能对已有的数据进行很好的拟合,但是模型泛化能力差,过拟合严重,导致模型难以被真正落地使用。
发明内容
本发明的目的在于提供基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,以解决上述背景技术中所提出的问题。
为实现上述目的,本发明提供以下技术方案:基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,其结构要点在于:包括如下步骤:
S1:判断是否为呼吸内科疾病,根据呼吸内科疾病的六个关键词:咳、咳嗽、咳痰、咯血、呼吸困难、胸痛,进行规则算法设计,检查输入字段中的主诉和现病史信息,当输入描述中这六个关键词均未出现,则拒绝预测,不属于呼吸内科疾病,当输入描述中出现任意一个关键词时,进入下一阶段;
S2:检查血常规字段,利用基于规则的方案,对于嗜酸粒细胞相关性肺疾病这一特定疾病,其明显特征为血常规中嗜酸粒细胞计数升高,当血常规中嗜酸粒细胞计数升高,则考虑为嗜酸粒细胞相关性肺疾病,当血常规中嗜酸粒细胞计数未升高,进入下一阶段;
S3:拒绝预测模块,用于区分模型是否属于可分疾病还是不可分疾病,该模块使用深度学习算法构建分类器,模型为BiLSTM+self_attention结构,输入的字段信息为现病史,在该模块中,当分类器分类结果为可分疾病,则进入下一阶段,并给出可解释性的诊断依据;当分类器分类结果为不可分疾病,则拒绝预测,输出全部可能的不可分疾病,并给出可解释性的诊断依据;
S4:可分疾病诊断分类模块,使用深度学习分类算法,使用可分疾病的高质量病历,输入字段为主诉、现病史、体格检查和胸部影像学检查,模型采用预训练语言模型ALBERT,在高质量数据和大规模语言模型下充分训练深度学习模型,以保证模型最准确高效的区分出可分疾病,同时引入self-attention机制,为最终结果提供可解释性。
作为优选的,步骤S3中的可分疾病包括哮喘、气胸、支气管扩张、慢性阻塞性肺疾病、肺肿瘤和睡眠呼吸暂停综合征。
作为优选的,步骤S3中的不可分疾病包括肺大泡、肺动脉高压、气管炎、气管狭窄、胸腔积液、肺部感染和间质性肺病。
与现有技术相比,本发明的有益效果如下:
1)本发明相较于以往的医学辅助诊断系统,在整体的泛化能力上有了明显的提升。本发明中使用的电子病历数据,都是经过医学专业人员严格挑选,并去除了电子病历中大部分的噪声数据。相较于一般的的电子病历数据数据,本发明所使用电子病历数据具有很好的代表性,利用深度学习模型学习到更为准确的疾病特征表示。
2)本发明采用多步决策的方法,不同的决策步骤使用不同的字段信息,能最大限度的对数据进行合理利用。每一决策步骤中的模型使用针对性的字段信息作为输入,如第一阶段仅需输入主诉、现病史等字段,即可判断用户是否可能患有呼吸内科疾病。如是则进入下一阶段,否则结束。最后一个阶段需输入主诉、现病史、体格检查、胸部影像学报告等信息,从而判断出用户可能患有的呼吸内科疾病并给出诊断依据。每一决策步骤的模型均已经进行充分训练。相较于输入所有字段信息进行单步预测的辅助诊断模型,本发明具有更好的稳定性和可靠性。
3)本发明中使用了self-attention(自注意力)机制,self-attention可用于建模一段文本中不同词(字)对分类结果的权重。即模型在训练的过程中,不仅是学习分类任务,还会学习电子病历中不同文字描述对疾病诊断的影响权重。例如对于哮喘这一疾病,本发明中的深度学习模型利用self-attention(自注意力)机制能有效提取出现病史中的“发作喘息”,“支气管舒张试验阳性”(如果现病史中有提及)等字段,为辅助诊断提供诊断依据。从而进一步为医生提供合理的指引,减少误诊率。
4)本发明使用了大规模预训练语言模型ALBERT,相较于以往的词(字)向量表示模式,使用ALBERT语言模型具有更强的编码能力,能对输入的文字(病历)信息进行正确的编码,且ALBERT模型具有更强的学习能力,能充分的学习输入的文字(病历)信息的上下文关系。相对于词(字)向量编码方式,ALBERT语言模型编码方式是对整个句子信息进行嵌入操作(embedding),进一步提升深度学习模型的学习能力,使用ALBERT预训练语言模型训练的深度学习模型,在泛化性能上有明显提升,且整体准确率提升约10%。
附图说明
图1为本发明全肺呼吸内科疾病分类树的结构示意图;
图2为本发明辅助诊断系统决策树的结构示意图;
图3为本发明拒绝预测模型整体结构示意图;
图4为本发明ALBERT分类模型整体结构示意图;
图5为本发明医生端产品形态的结构示意图;
图6为本发明拒绝预测应用实例的结构示意图;
图7为本发明嗜酸粒细胞相关性肺疾病应用实例的结构示意图;
图8为本发明辅助诊断的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1-8,本发明提供一种技术方案,基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,包括如下步骤:
S1:判断是否为呼吸内科疾病,根据呼吸内科疾病的六个关键词:咳、咳嗽、咳痰、咯血、呼吸困难、胸痛,进行规则算法设计,检查输入字段中的主诉和现病史信息,当输入描述中这六个关键词均未出现,则拒绝预测,不属于呼吸内科疾病,当输入描述中出现任意一个关键词时,进入下一阶段;
S2:检查血常规字段,利用基于规则的方案,对于嗜酸粒细胞相关性肺疾病这一特定疾病,其明显特征为血常规中嗜酸粒细胞计数升高,当血常规中嗜酸粒细胞计数升高,则考虑为嗜酸粒细胞相关性肺疾病,当血常规中嗜酸粒细胞计数未升高,进入下一阶段;
S3:拒绝预测模块,用于区分模型是否属于可分疾病还是不可分疾病,该模块使用深度学习算法构建分类器,模型为BiLSTM+self_attention结构,如图3所示,输入的字段信息为现病史,在该模块中,当分类器分类结果为可分疾病,则进入下一阶段,并给出可解释性的诊断依据;当分类器分类结果为不可分疾病,则拒绝预测,输出全部可能的不可分疾病,并给出可解释性的诊断依据;
S4:可分疾病诊断分类模块,使用深度学习分类算法,使用可分疾病的高质量病历,输入字段为主诉、现病史、体格检查和胸部影像学检查,模型采用预训练语言模型ALBERT,如图4所示,在高质量数据和大规模语言模型下充分训练深度学习模型,以保证模型最准确高效的区分出可分疾病,同时引入self-attention机制,为最终结果提供可解释性。
其中,在本实施例中,所述的步骤S3中的可分疾病包括哮喘、气胸、支气管扩张、慢性阻塞性肺疾病、肺肿瘤和睡眠呼吸暂停综合征。
其中,在本实施例中,所述的步骤S3中的不可分疾病包括肺大泡、肺动脉高压、气管炎、气管狭窄、胸腔积液、肺部感染和间质性肺病。
本发明的整体架构如图2所示,其中图2中的每一个矩形框表示一个输出路径,从图中的决策树中可以看出,不同疾病的诊断所属诊断决策树的不同叶子节点。
根据本发明的设计模式,可将本发明作为医生端的辅助诊断产品,产品形态如图5所示。
在初始阶段,用户输入主诉、现病史、性别、年龄等字段信息。根据输入的字段信息,判断是否属于呼吸内科,以进行下一步辅助诊断决策。
如图6所示,给出了一个具体的应用实例,用户端输入“下腹部疼痛2天”等关键词,则可以判断出根据用户输入,无法确定其属于呼吸内科疾病,从而做出拒绝预测的行为。
如图7所示,通过之前的决策步骤判断出输入属于呼吸内科相关疾病,通过加入血常规字段信息,判断其属于是嗜酸粒细胞相关性肺疾病,并给出了做出诊断的关键依据,如图7左侧所示,从而在医生端为医生提供必要的诊断参考。
参考辅助诊断系统决策树,本发明所实现的辅助诊断产品的具体实施步骤如图8所示。
本发明的有益效果如下:
1)本发明相较于以往的医学辅助诊断系统,在整体的泛化能力上有了明显的提升。本发明中使用的电子病历数据,都是经过医学专业人员严格挑选,并去除了电子病历中大部分的噪声数据。相较于一般的的电子病历数据数据,本发明所使用电子病历数据具有很好的代表性,利用深度学习模型学习到更为准确的疾病特征表示。
2)本发明采用多步决策的方法,不同的决策步骤使用不同的字段信息,能最大限度的对数据进行合理利用。每一决策步骤中的模型使用针对性的字段信息作为输入,如第一阶段仅需输入主诉、现病史等字段,即可判断用户是否可能患有呼吸内科疾病。如是则进入下一阶段,否则结束。最后一个阶段需输入主诉、现病史、体格检查、胸部影像学报告等信息,从而判断出用户可能患有的呼吸内科疾病并给出诊断依据。每一决策步骤的模型均已经进行充分训练。相较于输入所有字段信息进行单步预测的辅助诊断模型,本发明具有更好的稳定性和可靠性。
3)本发明中使用了self-attention(自注意力)机制,self-attention可用于建模一段文本中不同词(字)对分类结果的权重。即模型在训练的过程中,不仅是学习分类任务,还会学习电子病历中不同文字描述对疾病诊断的影响权重。例如对于哮喘这一疾病,本发明中的深度学习模型利用self-attention(自注意力)机制能有效提取出现病史中的“发作喘息”,“支气管舒张试验阳性”(如果现病史中有提及)等字段,为辅助诊断提供诊断依据。从而进一步为医生提供合理的指引,减少误诊率。
4)本发明使用了大规模预训练语言模型ALBERT,相较于以往的词(字)向量表示模式,使用ALBERT语言模型具有更强的编码能力,能对输入的文字(病历)信息进行正确的编码,且ALBERT模型具有更强的学习能力,能充分的学习输入的文字(病历)信息的上下文关系。相对于词(字)向量编码方式,ALBERT语言模型编码方式是对整个句子信息进行嵌入操作(embedding),进一步提升深度学习模型的学习能力,使用ALBERT预训练语言模型训练的深度学习模型,在泛化性能上有明显提升,且整体准确率提升约10%。
本发明通过数据清洗、信息选择、模型融合、多步决策等技术,旨在有效的解决背景技术中前两个主要问题。针对背景技术中的第三个问题,本发现通过引入self-attention(自注意力)机制,为深度学习模型的分类结果提供可解释性。针对背景技术中的第四个问题,本发明使用ALBERT预训练语言模型算法,提升模型的学习能力和泛化能力。通过对上述四个问题的改进,从而构建出准确、高效的全肺呼吸内科疾病医学辅助诊断系统。
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。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,其特征在于:包括如下步骤:
S1:判断是否为呼吸内科疾病,根据呼吸内科疾病的六个关键词:咳、咳嗽、咳痰、咯血、呼吸困难、胸痛,进行规则算法设计,检查输入字段中的主诉和现病史信息,当输入描述中这六个关键词均未出现,则拒绝预测,不属于呼吸内科疾病,当输入描述中出现任意一个关键词时,进入下一阶段;
S2:检查血常规字段,利用基于规则的方案,对于嗜酸粒细胞相关性肺疾病这一特定疾病,其明显特征为血常规中嗜酸粒细胞计数升高,当血常规中嗜酸粒细胞计数升高,则考虑为嗜酸粒细胞相关性肺疾病,当血常规中嗜酸粒细胞计数未升高,进入下一阶段;
S3:拒绝预测模块,用于区分模型是否属于可分疾病还是不可分疾病,该模块使用深度学习算法构建分类器,模型为BiLSTM+self_attention结构,输入的字段信息为现病史,在该模块中,当分类器分类结果为可分疾病,则进入下一阶段,并给出可解释性的诊断依据;当分类器分类结果为不可分疾病,则拒绝预测,输出全部可能的不可分疾病,并给出可解释性的诊断依据;
S4:可分疾病诊断分类模块,使用深度学习分类算法,使用可分疾病的高质量病历,输入字段为主诉、现病史、体格检查和胸部影像学检查,模型采用预训练语言模型ALBERT,在高质量数据和大规模语言模型下充分训练深度学习模型,以保证模型最准确高效的区分出可分疾病,同时引入self-attention机制,为最终结果提供可解释性。
2.根据权利要求1所述的基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,其特征在于:所述的步骤S3中的可分疾病包括哮喘、气胸、支气管扩张、慢性阻塞性肺疾病、肺肿瘤和睡眠呼吸暂停综合征。
3.根据权利要求1所述的基于多步决策的全肺呼吸内科疾病医学辅助诊断系统,其特征在于:所述的步骤S3中的不可分疾病包括肺大泡、肺动脉高压、气管炎、气管狭窄、胸腔积液、肺部感染和间质性肺病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620116.5A CN113362945A (zh) | 2021-06-03 | 2021-06-03 | 基于多步决策的全肺呼吸内科疾病医学辅助诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620116.5A CN113362945A (zh) | 2021-06-03 | 2021-06-03 | 基于多步决策的全肺呼吸内科疾病医学辅助诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362945A true CN113362945A (zh) | 2021-09-07 |
Family
ID=77531756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110620116.5A Pending CN113362945A (zh) | 2021-06-03 | 2021-06-03 | 基于多步决策的全肺呼吸内科疾病医学辅助诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362945A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109788907A (zh) * | 2016-09-26 | 2019-05-21 | 昆士兰大学 | 一种用于自动疾病状态诊断的方法和装置 |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN111370084A (zh) * | 2020-02-07 | 2020-07-03 | 山东师范大学 | 基于BiLSTM的电子健康记录表示学习方法及系统 |
CN112331364A (zh) * | 2020-11-26 | 2021-02-05 | 微医云(杭州)控股有限公司 | 一种线上问诊系统、方法、装置、电子设备及存储介质 |
CN112420191A (zh) * | 2020-11-23 | 2021-02-26 | 北京麦岐科技有限责任公司 | 一种中医辅助决策系统及方法 |
CN112652391A (zh) * | 2020-12-16 | 2021-04-13 | 浙江大学温州研究院 | 一种用于识别慢性阻塞性肺疾病急性加重的系统 |
CN112802568A (zh) * | 2021-02-03 | 2021-05-14 | 紫东信息科技(苏州)有限公司 | 基于病历文本的多标签胃部疾病分类方法及装置 |
-
2021
- 2021-06-03 CN CN202110620116.5A patent/CN113362945A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109788907A (zh) * | 2016-09-26 | 2019-05-21 | 昆士兰大学 | 一种用于自动疾病状态诊断的方法和装置 |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN111370084A (zh) * | 2020-02-07 | 2020-07-03 | 山东师范大学 | 基于BiLSTM的电子健康记录表示学习方法及系统 |
CN112420191A (zh) * | 2020-11-23 | 2021-02-26 | 北京麦岐科技有限责任公司 | 一种中医辅助决策系统及方法 |
CN112331364A (zh) * | 2020-11-26 | 2021-02-05 | 微医云(杭州)控股有限公司 | 一种线上问诊系统、方法、装置、电子设备及存储介质 |
CN112652391A (zh) * | 2020-12-16 | 2021-04-13 | 浙江大学温州研究院 | 一种用于识别慢性阻塞性肺疾病急性加重的系统 |
CN112802568A (zh) * | 2021-02-03 | 2021-05-14 | 紫东信息科技(苏州)有限公司 | 基于病历文本的多标签胃部疾病分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109935336B (zh) | 一种儿童呼吸科疾病的智能辅助诊断系统 | |
CN110838368B (zh) | 一种基于中医临床知识图谱的主动问诊机器人 | |
US11610678B2 (en) | Medical diagnostic aid and method | |
US20210149936A1 (en) | System and method for generating improved search queries from natural language questions | |
JP7464800B2 (ja) | 小サンプル弱ラベル付け条件での医療イベント認識方法及びシステム | |
CN112241457A (zh) | 一种融合扩展特征的事理知识图谱事件检测方法 | |
CN116910172B (zh) | 基于人工智能的随访量表生成方法及系统 | |
CN112420151A (zh) | 一种超声报告后结构化解析方法、系统、设备和介质 | |
Liu et al. | Augmented LSTM framework to construct medical self-diagnosis android | |
WO2024008043A1 (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 | |
CN114188022A (zh) | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断系统 | |
CN112541066A (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
Ravuri et al. | Learning from the experts: From expert systems to machine-learned diagnosis models | |
CN112349370A (zh) | 一种基于对抗网络+众包的电子病历语料构建方法 | |
Liu et al. | Knowledge-aware deep dual networks for text-based mortality prediction | |
CN114492444A (zh) | 一种中文电子病例医疗实体词类标注方法 | |
Xu et al. | Hybrid reinforced medical report generation with m-linear attention and repetition penalty | |
CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
CN107085655B (zh) | 基于属性的约束概念格的中医数据处理方法及系统 | |
Zhang et al. | Graph-based structural knowledge-aware network for diagnosis assistant | |
CN113360643A (zh) | 一种基于短文本分类的电子病历数据质量评价方法 | |
Galitsky | Multi-case-based reasoning by syntactic-semantic alignment and discourse analysis | |
Chen et al. | Automatically structuring on Chinese ultrasound report of cerebrovascular diseases via natural language processing | |
Yin et al. | A hybrid intelligent diagnosis approach for quick screening of Alzheimer’s disease based on multiple neuropsychological rating scales | |
CN110060749A (zh) | 基于sev-sdg-cnn的电子病历智能诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |