CN113488161A - 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 - Google Patents
颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 Download PDFInfo
- Publication number
- CN113488161A CN113488161A CN202110758572.6A CN202110758572A CN113488161A CN 113488161 A CN113488161 A CN 113488161A CN 202110758572 A CN202110758572 A CN 202110758572A CN 113488161 A CN113488161 A CN 113488161A
- Authority
- CN
- China
- Prior art keywords
- patient
- diagnosis result
- temporomandibular joint
- joint disorder
- obtaining
- 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
- 206010043220 Temporomandibular joint syndrome Diseases 0.000 title claims abstract description 128
- 208000028911 Temporomandibular Joint disease Diseases 0.000 title claims abstract description 127
- 238000011269 treatment regimen Methods 0.000 title description 7
- 238000003745 diagnosis Methods 0.000 claims abstract description 121
- 238000011282 treatment Methods 0.000 claims abstract description 95
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims description 39
- 201000010099 disease Diseases 0.000 claims description 35
- 210000001738 temporomandibular joint Anatomy 0.000 claims description 34
- 238000003759 clinical diagnosis Methods 0.000 claims description 30
- 238000003384 imaging method Methods 0.000 claims description 27
- 238000006073 displacement reaction Methods 0.000 claims description 21
- 230000003902 lesion Effects 0.000 claims description 16
- 238000007408 cone-beam computed tomography Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000001055 chewing effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 210000001503 joint Anatomy 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 115
- 238000002595 magnetic resonance imaging Methods 0.000 description 21
- 210000000214 mouth Anatomy 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000002560 therapeutic procedure Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 208000002193 Pain Diseases 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 208000006820 Arthralgia Diseases 0.000 description 4
- 208000012659 Joint disease Diseases 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000002219 manual therapy Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000000554 physical therapy Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000521257 Hydrops Species 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 208000025157 Oral disease Diseases 0.000 description 1
- 208000027520 Somatoform disease Diseases 0.000 description 1
- 208000004188 Tooth Wear Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 210000003784 masticatory muscle Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 208000013465 muscle pain Diseases 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 208000027753 pain disease Diseases 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001225 therapeutic 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
- G16H50/20—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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种颞下颌关节紊乱病治疗方案推荐设备、装置和计算机可读存储介质，设备包括：存储器和处理器；存储器，用于存储程序指令；处理器，用于调用程序指令，当程序指令被执行时，用于执行以下操作：接收患者的病历数据；根据病历数据，获得患者对应的诊断结果，其中诊断结果指示患者对应的颞下颌关节紊乱病类别；基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与患者的诊断结果对应的治疗方案。本发明可以基于患者的实际病历情况为患者推荐个性化的治疗方案。
Description
技术领域
本发明涉及智能医疗技术领域，更具体地，涉及一种颞下颌关节紊乱病治疗方案推荐设备、装置和计算机可读存储介质。
背景技术
颞下颌关节紊乱病(temporomandibular disorders，TMD)是具有相关临床症状如关节区及咀嚼肌疼痛、关节杂音、下颌运动异常的一组疾病的总称，是口腔疾病中发病率最高的四种疾病之一。TMD好发于青壮年，不同年龄人群发病率在15％-50％不等，表现为不能张口、咀嚼时关节疼痛等，极大地影响了患者的日常生活，防控形势严峻。目前只有部分医院开展TMD的诊治，TMD患者知晓率低、重视程度不够导致病情发展，有的患者最终只能通过手术治疗。
TMD是多病因的疾病，因此对不同患者实施类似的治疗方案可能产生较大的疗效差异，在临床决策中很难全面把握患者的病情进行对因治疗。个性化多学科的治疗方案一直是TMD治疗的研究热点与难点。因此，研发一种颞下颌关节紊乱病治疗方案推荐设备是亟待解决的技术问题。
发明内容
鉴于上述问题，本发明提出了一种颞下颌关节紊乱病治疗方案推荐设备、装置和计算机可读存储介质。
方面，本发明实施例提供了颞下颌关节紊乱病治疗方案推荐设备，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下操作：
接收患者的病历数据；
根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者的诊断结果对应的治疗方案。
进一步地，所述病历数据包括所述患者对应的主诉病症信息和颞下颌关节检查信息；所述根据所述病历数据，获得所述患者对应的诊断结果，具体包括：
基于所述主诉病症信息和所述颞下颌关节检查信息，获得患者对应的临床诊断结果，所述临床诊断结果指示所述患者对应颞下颌关节紊乱病的类别；和
基于所述临床诊断结果，获得所述诊断结果。
进一步地，所述基于所述主诉病症信息和所述颞下颌关节检查信息，获得患者对应的临床诊断结果，具体包括：
识别所述主诉病症信息和所述颞下颌关节检查信息中是否包含预设的疾病关键词；和
基于疾病关键词和颞下颌关节紊乱病类别之间的关联关系，确定识别到的预设的疾病关键词对应的颞下颌关节紊乱病类别，作为临床诊断结果。
进一步地，所述病历数据还包括所述患者对应的目标影像，所述目标影像为所述患者的颞下颌关节的相关医学影像；所述根据所述病历数据，获得所述患者对应的诊断结果，具体包括：
将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，所述影像学诊断结果指示所述患者对应的颞下颌关节的关节病变类型；
所述基于所述临床诊断结果，获得所述诊断结果，具体包括：
根据所述患者对应的临床诊断结果和影像学诊断结果的组合，获得所述患者对应的诊断结果。
进一步地，所述目标影像为CBCT图像；所述将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，具体包括：
基于模板匹配方法或已训练的深度学习检测模型，在所述目标影像中确定出髁突区域；和
将所述髁突区域对应的图像输入已训练的卷积神经网络，获得所述影像诊断结果，其中所述影像诊断结果指示所述患者是否患有髁突病变。
进一步地，所述目标影像为MRI图像；所述将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，具体包括：
基于已训练的深度学习检测模型，在所述目标影像中确定出关节盘和髁突的位置信息；和
基于所述关节盘和髁突的位置信息，获得所述影像诊断结果，其中所述影像诊断结果指示所述患者是否患有可复位性关节盘移位、不可复位性关节盘移位或关节腔积液。
进一步地，所述处理器还用于执行以下操作：接收所述患者的辅助诊断数据，所述辅助诊断数据包括体征、咬合情况、咀嚼习惯和心理评估测试结果中的至少一个；
所述基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者的诊断结果对应的治疗方案，具体包括：基于所述患者对应的颞下颌关节紊乱病类别、所述辅助诊断数据和预设的知识图谱，获得并输出所述患者对应的治疗方案，其中所述知识图谱包括不同类别的颞下颌关节紊乱病和不同辅助诊断数据组合所对应的治疗方案。
进一步地，所述处理器还用于执行以下操作：
将所述患者的病历数据与数据库中每个病例的相应病历数据进行匹配，获得所述数据库中每个病例对应的匹配度，其中所述数据库包括多个病例的病历数据和每个病例对应的治疗方案；
从匹配完成的病例中获取候选病例，所述候选病例的匹配度高于预设阈值；和
获得并输出所述候选病例对应的治疗方案。
第二方面，本发明实施例提供了一种颞下颌关节紊乱病治疗方案推荐装置，包括：
数据接收单元，用于接收患者的病历数据；
诊断结果获得单元，用于根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
治疗方案获得与输出单元，用于基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者对应的治疗方案。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
接收患者的病历数据；
根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者对应的治疗方案。
本发明实施例中的颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质，通过患者的病历数据获得患者对应的诊断结果，基于指示所述患者对应的颞下颌关节紊乱病类别获得与诊断结果对应的治疗方案；因此可以基于患者的实际病历情况为患者推荐个性化的治疗方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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取其他的附图。
图1示出了根据本发明一个实施例的颞下颌关节紊乱病治疗方案推荐设备所执行的颞下颌关节紊乱病治疗方案推荐方法的流程图。
图2示出了根据本发明一个实施例中的一种颞下颌关节紊乱病治疗方案推荐装置的结构框图。
图3示出了根据本发明另一个实施例中的一种计算机设备的内部结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，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，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种电子设备，该电子设备可以为计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种颞下颌关节紊乱病治疗方案推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种颞下颌关节紊乱病治疗方案推荐设备，包括存储器和处理器，存储器用于存储程序指令，该处理器用于调用所述程序指令，当所述程序指令被执行时，用于执行颞下颌关节紊乱病治疗方案推荐方法的步骤。
图1是本发明实施例提供的一种颞下颌关节紊乱病治疗方案推荐方法的流程示意图，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。在本实施例中该方法由颞下颌关节紊乱病治疗方案推荐设备执行。在本实施例中颞下颌关节紊乱病治疗方案推荐方法包括以下步骤。
步骤101，接收患者的病历数据。
在本发明实施例中，患者的病历数据主要指的是患者对应的与颞下颌关节紊乱病相关的数据。
步骤102，根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别。
在本发明实施例中，颞下颌关节紊乱病类别具体可以参见临床上现有颞下颌关节分类及诊断标准，例如可以参考2014年发布国际牙科研究协会发布地DC/TMD分类及诊断标准。其中颞下颌关节紊乱病类别从大的分类来说可以包括疼痛性疾病和关节疾病；可以对大的分类进行更为细分地类别划分，如疼痛性疾病可以包括：肌肉痛、关节痛、和TMD头痛；关节疾病可以包括：可复位性关节盘移位、可复位性关节盘移位伴绞索、不可复位性关节盘移位伴开口受限、不可复位性关节盘移位无开口受限、退行性关节病和关节半脱位。
步骤103，基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者的诊断结果对应的治疗方案。
在本发明实施例中，颞下颌关节紊乱病类别和治疗方案之间的关联关系，可以是基于自然语言处理技术和决策树模型进行数据文本挖掘的方式，从训练数据中挖掘出颞下颌关节紊乱病类别和治疗方案之间的关联关系。
在本发明实施例中，训练数据的来源是TMD专病数据库，TMD专病数据库的信息主要来源于临床数据中心(Clinical Data Repository，CDR)中的电子病历和电子数据采集系统(Electronic Data Capture，EDC)所收集的医疗数据。EDC系统主要用于补充医院外部的信息，其建立过程中最主要的就是电子病例报告表(electronic case report form，eCRF)的设计。eCRF是收集临床科研数据的载体和工具，如何实现其可复用性和合理性，是EDC构建过程中的关键性问题。本发明实施例中的TMD专病数据库根据TMD的发病特点及检查需要设计eCRF，eCRF主要包括：患者的基本信息、临床信息、照片信息、影像学信息、口腔检查信息、咬合测试信息、生化报告信息、颞下颌关节情况信息、心理测试情况、诊断信息、治疗内容等模块。具体模块的对应信息如表1所示。
表1
本发明实施例中的TMD专病数据库需导入的医疗数据主要以结构化数据与非结构化数据的形式存在于医院的HIS、PACS、LIS、RIS中。结构化数据包括：患者人口学信息、检验结果、诊断信息、评估得分等，将这些数据进行标准化、归一化后可直接与数据库关联。非结构化数据包括：诊疗记录、影像学报告、检查情况记录等。对于非结构化数据需要进行结构化处理主要包括以下方面：采用医学自然语言处理(natural language processing,NLP)工具对自由文本等需要后结构化的内容进行词性标注、指标识别、句子边界识别、句法分析、语义识别等结构化处理，自由文本进行结构化预处理后即可导入数据库中。根据疾病字典，对医疗数据中的常用的词进行结构化记录，例如病历中常出现的“疼痛”、“弹响”、“张口受限”等，通过专家挑选将部分常用词进行结构化，进而可以对病历中重要的内容进行结构化保存并进行二次利用。
本发明实施例中的TMD专病数据库还有一些其他形式数据，如图片形式的数据，数据库对图片形式的数据进行拷贝并分类集中管理。这样使得数据库使用者(如医生)在查阅患者病历的同时可以直观形象地看到患者口腔的具体情况，减少主观想象带来的偏离。数据库中还可以添加dicom格式的影像学信息，使用者(如医生)可多维度全方位的观看患者影像检查，具有较高的准确性和客观性。另外，医生在观看影像学检查时，数据库可以对医生选取几个关键截图进行标注及保存，从而完成TMD特征影像图的采集和保存。在后续智能诊断中，人工智能通过对TMD特征的学习并完成疾病的智能诊断。在数据库中对患者的历史影像学图片进行保存，如此使得医生可以快速查阅患者此前的影像学图片，根据影像图片进行前后对比，评估TMD的进展和/或治疗效果，也减轻患者携带大量检查资料的烦恼。
本发明实施例中的TMD专病数据库，还对获得的医疗数据进行了数据治理，包括：数据标准化、数据清洗和数据去隐私化。
在一个实施例中，采用国际疾病ICD-10分类代码、临床医学术语标准(SNOMEDCT)、颞下颌关节紊乱病的DC/TMD诊断分类标准以及为TMD设计的字典表等，对数据进行标准化。具体来说，对于电子病历报告表的标准化改造则遵循ISO/IEC11179的方法，为对表1中的患者相关的10个模块的数据元进行命名和编码。本发明实施例中的TMD专病数据库还设定了病历的入库规则，例如将临床检查、临床诊断结果和影像学诊断结果中包含“慢性颞下颌关节炎”、“颞颌关节功能紊乱症”、“颞下颌关节紊乱综合征”、“TMD”、“TMJD”等多种关键词的患者筛选入库进行标准化管理。
在一个实施例中，所述数据清洗包括采用人工核对配合统计软件分析进行数据质量校验。在一个实施例中，所述数据清洗包括通过人工智能的方法实现数据的自动清洗，减少临床工作量，提高数据收集整理的效率和质量。
在一个实施例中，数据去隐私化具体来说包括：采用脱敏规则对数据进行去隐私化处理。在一个具体实施例中，用3DES加密算法保护数据的隐私及安全。具体来说是对患者的姓名、电话、地址等敏感信息进行转换或做删除处理，防止患者隐私数据泄露。可选的，数据去隐私化还包括：进行了医师权限的划分和用户分级管理。数据库管理员可为每位医师建立独立的账号体系并进行授权和管理，可使用医师管理中编辑、权限禁用以及患者数据导出等界面上的功能。普通医师用户可以使用患者管理、搜索、查看等基本功能。可选的，数据去隐私化还包括：数据提取与导出需经过申请和审批，加强数据管理，实现数据的集中管理和对数据操作的全流程管控。
在本发明实施例中，颞下颌关节紊乱病治疗方案推荐方法，根据患者的病历数据将患者的颞下颌关节紊乱病进行分类，获得患者对应的颞下颌关节紊乱病类别，然后再根据颞下颌关节紊乱病类别和和治疗方案之间的关联关系，获得并输出患者对应的治疗方案；因此最终推荐给患者的治疗方案借助颞下颌关节紊乱病类别与患者的病历数据产生对应关系，从而实现为患者推荐个性化治疗方案，解决TMD治疗中的难点。
在一个实施例中，病历数据包括患者对应的主诉病症信息和颞下颌关节检查信息。其中主诉病症信息指的是患者主诉中的病症内容，例如可以是关节不适、关节区及周围疼痛、张闭口杂音、张闭口受限或张闭口偏斜等；其中颞下颌关节检查信息指的是医生对患者的颞下颌关节进行临床检查得到的信息，例如可以面部对称、下颌中线偏移、下颌中线偏移量、张口受限、下颌运动受限、颞下颌关节疼痛史、咀嚼或大开口时疼、触诊按压疼、颞下颌关节疼痛部位、颞下颌关节杂音、双侧牙齿磨损、覆
、覆盖或关节绞索等。
在一个实施例中，病历数据包括患者对应的主诉病症信息和颞下颌关节检查信息的情况下，步骤102，根据所述病历数据，获得所述患者对应的诊断结果，具体包括：基于所述主诉病症信息和所述颞下颌关节检查信息，获得患者对应的临床诊断结果，所述临床诊断结果指示所述患者对应颞下颌关节紊乱病的类别；基于所述临床诊断结果，获得所述诊断结果。在本实施例中，在患者的病历数据中只有主诉病症信息和颞下颌关节检查信息的情况下，临床诊断结果即为最终的诊断结果。
在本发明实施例中，限定了病历数据包括所述患者对应的主诉病症信息和颞下颌关节检查信息，得到的临床诊断结果是综合了患者对应的主诉病症信息和颞下颌关节检查信息，对于患者颞下颌关节紊乱病的类别判断的准确性较高。
在一个实施例中，步骤基于所述主诉病症信息和所述颞下颌关节检查信息，获得患者对应的临床诊断结果，具体包括：识别所述主诉病症信息和所述颞下颌关节检查信息中是否包含预设的疾病关键词；基于疾病关键词和颞下颌关节紊乱病类别之间的关联关系，确定识别到的预设的疾病关键词对应的颞下颌关节紊乱病类别，作为临床诊断结果。
在本发明实施例中，疾病关键词和颞下颌关节紊乱病类别之间的关联关系是基于自然语言处理技术和决策树模型进行数据文本挖掘的方式，从训练数据中挖掘出疾病关键词和颞下颌关节紊乱病类别之间的关联关系。其中训练数据的来源可以为前述的TMD专病数据库。
在本发明实施例中，通过识别所述主诉病症信息和所述颞下颌关节检查信息中是否包含预设的疾病关键词，基于疾病关键词和颞下颌关节紊乱病类别之间的关联关系，确定识别到的预设的疾病关键词对应的颞下颌关节紊乱病类别，作为临床诊断结果。其中的疾病关键词和颞下颌关节紊乱病类别之间的关联关系是通过对数据库中真实医生的诊断数据进行数据文本挖掘得到的，因此基于可以更好地实现对患者颞下颌关节紊乱病类别的确定。
在另外一个实施例中，所述病历数据还包括所述患者对应的目标影像，所述目标影像为所述患者的颞下颌关节的相关医学影像；所述根据所述病历数据，获得所述患者对应的诊断结果，具体包括：将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，所述影像学诊断结果指示所述患者对应的颞下颌关节的关节病变类型；所述基于所述临床诊断结果，获得所述诊断结果，具体包括：根据所述患者对应的临床诊断结果和影像学诊断结果的组合，获得所述患者对应的诊断结果。
在本发明实施例中，病历数据还包括所述患者对应的目标影像，所述目标影像为所述患者的颞下颌关节的相关医学影像，最终的诊断结果是综合考虑了临床诊断结构和影像诊断结果之后得到的。具体来说，临床诊断结果会给出颞下颌关节紊乱病类别，而影像学诊断结果则会指示所述患者对应的颞下颌关节的关节病变类型，当临床诊断结果显示患者对应的颞下颌关节紊乱病类别涉及到关节病变的时候，单纯依靠临床诊断结果可能会有一定的误判，而综合考虑影像学诊断结果之后，可以以影像学诊断结果所指示的关节病变类型来确定最终确定患者的颞下颌关节紊乱病类别。
在一个实施例中，所述目标影像为CBCT图像；步骤将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，具体包括：基于模板匹配方法或已训练的深度学习检测模型，在所述目标影像中确定出髁突区域；将所述髁突区域对应的图像输入已训练的卷积神经网络，获得所述影像诊断结果，其中所述影像诊断结果指示所述患者是否患有髁突病变。
在本发明实施例中，CBCT是Cone Beam Computer Tomagr-aphy的简称，即锥形束CT。CBCT对骨性结构的变化进行全面性的描述，具体来说是对患者的髁突病变进行描述。
在本发明实施例中，对于髁突区域的确定，可以采用现有的模板与患者的CBCT图像进行匹配，从而获得髁突区域；也可以是采用数据库中的病例对应的CBCT图像训练出可以确定出髁突区域的深度学习检测模型，利用深度学习检测模型对患者对应的CBCT图像进行髁突区域的划分。其中，深度学习检测模型可以为Faster R-CNN、R-FCN和SSD等中的一种。在采用TMD专病数据库中的CBCT图像进行模型训练之前，需要对CBCT图像进行标注，并且还可以采用自适应灰度值颜色归一化、位置大小归一化方法分别实现对垂直及平行于髁突长轴斜位的CBCT截图中髁突的位置、颜色标准化。
在本发明实施例中，在确定髁突区域之后，将所述髁突区域对应的图像输入已训练的卷积神经网络，获得所述影像诊断结果；具体来说可以采用已经训练好的卷积神经网络获取患者对应的影像诊断结果。卷积神经网络的训练数据可以来自TMD专病数据库，具体来说首先需要对TMD专病数据库中的CBCT图像进行标注，主要是对髁突区域进行髁突病态或者正常的标注，标注的标签可以为正常和髁突病变，其中髁突病变可以为髁突皮质轮廓不规则改变、骨缺损和髁突头部扁平等中的至少一种，基于标注后的CBCT图像进行卷积神经网络的训练，获得训练后的卷积神经网络。如果患者对应的影像学诊断结果显示患者患有髁突病变，则判断患者对应的颞下颌关节紊乱病类别为退行性病变。
在本发明实施例中，目标影像为CBCT图像的情况下，首先基于模板匹配方法或已训练的深度学习检测模型，在目标影像中确定出髁突区域，然后将髁突区域对应的图像输入已训练的卷积神经网络，获得所述患者是否患有髁突病变的影像诊断结果。通过该方法可以实现对患者是否患有髁突病变的自动化的智能诊断，使得髁突病变的诊断方便快捷。
在一个实施例中，所述目标影像为MRI图像；步骤将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，具体包括：基于已训练的深度学习检测模型，在所述目标影像中确定出关节盘和髁突的位置信息；基于所述关节盘和髁突的位置信息，获得所述影像诊断结果，其中所述影像诊断结果指示所述患者是否患有可复位性关节盘移位、不可复位性关节盘移位或关节腔积液。
在本发明实施例中，在患者对应的目标影像为MRI图像，MRI为MagneticResonance Imaging的缩写，即为磁共振成像。
在本发明实施例中，在所述目标影像中确定出关节盘和髁突的位置信息，其中位置信息可以是关节盘和髁突的轮廓信息。在深度学习模型的训练数据可以来自TMD专病数据库的MRI图像，在进行模型训练之前对MRI图像中的关节盘和髁突的轮廓进行勾画，获得表征关节盘轮廓和髁突轮廓的标注信息，采用勾画后的MRI图像训练深度学习模型，使得深度学习模型学习到MRI图像中关节盘和髁突的轮廓信息，这样可利用训练好的深度学习检测模型检测出患者对应的MRI图像中的关节盘轮廓和髁突轮廓。其中，深度学习检测模型可以为Faster R-CNN、R-FCN和SSD等中的一种。
在本发明实施例中，步骤基于所述关节盘和髁突的位置信息，获得所述影像诊断结果，具体来说包括基于所述关节盘和髁突的位置信息，通过Driace-Enazmann提出的方法分别确定患者张口时对应的MRI图像和闭口时对应的MRI图像是否为关节盘移位，并确定患者是否为可复性关节盘移位或不可复性关节盘移位；具体来说：若患者张口时对应的MRI图像中显示关节盘移位，且患者闭口时对应的MRI图像中显示关节盘正常，则判断患者为可复性关节盘移位；若患者张口时对应的MRI图像中显示关节盘移位，且患者闭口时对应MRI图像中也显示关节盘移位，则判断患者为不可复性关节盘移位；若患者张口时对应的MRI图像中显示关节盘正常，且患者闭口时对应MRI图像中显示关节盘正常，则判断患者未患有可复性关节盘移位或不可复性关节盘移位。根据关节盘和髁突的边界是否清晰判断患者是否患有关节腔积液，具体来说：若患者对应的MRI图像中关节盘和髁突的边界不清楚，则判断患者患有关节腔积液，若患者对应的MRI图像中关节盘和髁突的边界清楚则判断患者未患有关节腔积液，具体地，可采用现有的用于评价图像清晰度的梯度函数，获得MRI图像中关节盘和髁突边界处的清晰度，进而基于获得的清晰度判断患者是否患有关节腔积液。其中关节腔积液是DC/TMD分类及诊断标准中未收入的一种颞下颌关节紊乱病类别。
在本发明实施例中，目标影像为MRI图像的情况下，首先基于已训练的深度学习检测模型，在目标影像中确定出关节盘和髁突的位置信息；然后基于关节盘和髁突的位置信息，获得影像诊断结果，其中影像诊断结果指示患者是否患有可复位性关节盘移位、不可复位性关节盘移位或关节腔积液。通过该方法可以实现对患者是否患有可复位性关节盘移位、不可复位性关节盘移位或关节腔积液的自动化的智能诊断，使得与关节盘移位相关的关节病变和关节腔积液的诊断方便快捷。
在一个实施例中，颞下颌关节紊乱病治疗方案推荐还包括：接收所述患者的辅助诊断数据，所述辅助诊断数据包括体征、咬合情况、咀嚼习惯和心理评估测试结果中的至少一个；步骤103具体包括：基于所述患者对应的颞下颌关节紊乱病类别、所述辅助诊断数据和预设的知识图谱，获得并输出所述患者对应的治疗方案，其中所述知识图谱包括不同类别的颞下颌关节紊乱病和不同辅助诊断数据组合所对应的治疗方案。
在本发明实施例中，辅助诊断数据包括体征、咬合情况、咀嚼习惯和心理评估测试结果中的至少一个，即从上述多个方面为患者进行全面的分析。
在一个实施例中，知识图谱中每个颞下颌关节紊乱病类别对应一个实体，每种治疗方案对于一个实体，颞下颌关节紊乱病类别和治疗方案之间的实体关系可包括各种辅助诊断数据的取值，其中每种治疗方案至少包括一种子方案。
在另一个实施例中，知识图谱中包括颞下颌关节紊乱病类别和子方案的第一对应关系以及不同的辅助诊断数据和子方案的第二对应关系。为此，步骤103具体包括：根据患者对应的颞下颌关节紊乱病类别和第一对应关系，确定患者对应的第一子方案，根据患者的辅助诊断数据和第二对应关系，确定患者对应的第二子方案，将第一子方案和第二子方案组合获得该患者对应的治疗方案。
在一个实施例中，子方案为具体的治疗手段，在一个具体实施例中子方案包括：咬合板治疗、修复治疗、调牙合治疗、正畸治疗、咬合重建、物理治疗、手法治疗、药物治疗、注射治疗、关节冲洗、手术治疗和心理治疗。
在一个具体实施例中，若判断患者为可复性关节盘移位，则推荐物理治疗、手法治疗，若心理评估测试显示患者还同时患有抑郁，在物理治疗和手法治疗的同时还推荐心理治疗。
本发明实施例通过引入体征、咬合情况、心理评估测试和咀嚼习惯等，在临床诊断和影像学诊断的基础上从更多方面为患者进行全面分析，为临床医生提供与患者整体情况适应性最好的治疗方案，作为临床治疗方案决策的参考性依据，实现个性化的治疗。
在一个实施例中，颞下颌关节紊乱病治疗方案推荐方法还包括：将所述患者的病历数据与数据库中每个病例的相应病历数据进行匹配，获得所述数据库中每个病例对应的匹配度，其中所述数据库包括多个病例的病历数据和每个病例对应的治疗方案；从匹配完成的病例中获取候选病例，所述候选病例的匹配度高于预设阈值；获得并输出所述候选病例对应的治疗方案。在本发明实施例中，通过基于患者的病历数据匹配相似病历，临床医生可在多维度病历的视图下参考治疗内容，选择效果较好的治疗方案。
在一个实施例中，病历数据包括所述患者对应的主诉病症信息、颞下颌关节检查信息和目标影像，基于此，可通过如下步骤获得每个病例对应的匹配度：基于患者对应的主诉病症信息和颞下颌关节检查信息，获得患者对应的疾病症状向量；将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，所述影像学诊断结果指示所述患者对应的颞下颌关节的关节病变类型；基于所述影像学诊断结果获得所述患者对应的影像诊断向量；将所述疾病症状向量和所述影像诊断向量进行融合，获得所述患者对应的融合向量；和通过计算所述患者对应的融合向量与数据库中的每个病例对应的融合向量的欧式距离，获得所述数据库中每个病例与所述患者的相似性，所述相似性体现所述数据库中每个病例对应的匹配度。
在一个实施例中，如图2所示，提供了一种颞下颌关节紊乱病治疗方案推荐装置，包括：数据接收单元201、诊断结果获得单元202和治疗方案获得与输出单元203；其中：
数据接收单元201，用于接收患者的病历数据；
诊断结果获得单元202，用于根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；
治疗方案获得与输出单元203，用于基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者对应的治疗方案。
关于一种颞下颌关节紊乱病治疗方案推荐装置的具体限定可以参见上文中对于一种颞下颌关节紊乱病治疗方案推荐设备和方法的限定，在此不再赘述。上述颞下颌关节紊乱病治疗方案推荐装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收患者的病历数据；
根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者对应的治疗方案。实验例1
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下操作：
接收患者的病历数据；
根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者的诊断结果对应的治疗方案。
2.根据权利要求1所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述病历数据包括所述患者对应的主诉病症信息和颞下颌关节检查信息；所述根据所述病历数据，获得所述患者对应的诊断结果，具体包括：
基于所述主诉病症信息和所述颞下颌关节检查信息，获得患者对应的临床诊断结果，所述临床诊断结果指示所述患者对应颞下颌关节紊乱病的类别；和
基于所述临床诊断结果，获得所述诊断结果。
3.根据权利要求2所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述基于所述主诉病症信息和所述颞下颌关节检查信息，获得患者对应的临床诊断结果，具体包括：
识别所述主诉病症信息和所述颞下颌关节检查信息中是否包含预设的疾病关键词；和
基于疾病关键词和颞下颌关节紊乱病类别之间的关联关系，确定识别到的预设的疾病关键词对应的颞下颌关节紊乱病类别，作为临床诊断结果。
4.根据权利要求2所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述病历数据还包括所述患者对应的目标影像，所述目标影像为所述患者的颞下颌关节的相关医学影像；所述根据所述病历数据，获得所述患者对应的诊断结果，具体包括：
将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，所述影像学诊断结果指示所述患者对应的颞下颌关节的关节病变类型；
所述基于所述临床诊断结果，获得所述诊断结果，具体包括：
根据所述患者对应的临床诊断结果和影像学诊断结果的组合，获得所述患者对应的诊断结果。
5.根据权利要求4所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述目标影像为CBCT图像；所述将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，具体包括：
基于模板匹配方法或已训练的深度学习检测模型，在所述目标影像中确定出髁突区域；和
将所述髁突区域对应的图像输入已训练的卷积神经网络，获得所述影像诊断结果，其中所述影像诊断结果指示所述患者是否患有髁突病变。
6.根据权利要求4所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述目标影像为MRI图像；所述将所述目标影像输入到预设的影像诊断模型中，获得所述患者对应的影像学诊断结果，具体包括：
基于已训练的深度学习检测模型，在所述目标影像中确定出关节盘和髁突的位置信息；和
基于所述关节盘和髁突的位置信息，获得所述影像诊断结果，其中所述影像诊断结果指示所述患者是否患有可复位性关节盘移位、不可复位性关节盘移位或关节腔积液。
7.根据权利要求1所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述处理器还用于执行以下操作：接收所述患者的辅助诊断数据，所述辅助诊断数据包括体征、咬合情况、咀嚼习惯和心理评估测试结果中的至少一个；
所述基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者的诊断结果对应的治疗方案，具体包括：
基于所述患者对应的颞下颌关节紊乱病类别、所述辅助诊断数据和预设的知识图谱，获得并输出所述患者对应的治疗方案，其中所述知识图谱包括不同类别的颞下颌关节紊乱病和不同辅助诊断数据组合所对应的治疗方案。
8.根据权利要求1-7任一项所述的颞下颌关节紊乱病治疗方案推荐设备，其特征在于，所述处理器还用于执行以下操作：
将所述患者的病历数据与数据库中每个病例的相应病历数据进行匹配，获得所述数据库中每个病例对应的匹配度，其中所述数据库包括多个病例的病历数据和每个病例对应的治疗方案；
从匹配完成的病例中获取候选病例，所述候选病例的匹配度高于预设阈值；和
获得并输出所述候选病例对应的治疗方案。
9.一种颞下颌关节紊乱病治疗方案推荐装置，其特征在于，包括：
数据接收单元，用于接收患者的病历数据；
诊断结果获得单元，用于根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
治疗方案获得与输出单元，用于基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者对应的治疗方案。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：
接收患者的病历数据；
根据所述病历数据，获得所述患者对应的诊断结果，其中所述诊断结果指示所述患者对应的颞下颌关节紊乱病类别；和
基于预先构建的颞下颌关节紊乱病类别和治疗方案之间的关联关系，获得并输出与所述患者对应的治疗方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110758572.6A CN113488161A (zh) | 2021-07-05 | 2021-07-05 | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110758572.6A CN113488161A (zh) | 2021-07-05 | 2021-07-05 | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113488161A true CN113488161A (zh) | 2021-10-08 |
Family
ID=77940963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110758572.6A Pending CN113488161A (zh) | 2021-07-05 | 2021-07-05 | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113488161A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708952A (zh) * | 2022-06-02 | 2022-07-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种图像标注方法、装置、存储介质和电子设备 |
| CN117322865A (zh) * | 2023-09-26 | 2024-01-02 | 四川大学 | 基于深度学习的颞下颌关节盘移位mri检查诊断系统 |
| CN118039164A (zh) * | 2024-04-11 | 2024-05-14 | 四川大学 | 基于头颅侧位片的颞下颌关节骨数据处理方法及处理终端 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
| CN107665729A (zh) * | 2017-08-09 | 2018-02-06 | 四川大学 | 基于b/s架构的龋病防治难度评估及管理系统建立方法 |
| CN110534206A (zh) * | 2019-08-26 | 2019-12-03 | 北京好医生云医院管理技术有限公司 | 一种医疗诊断辅助系统的工作方法 |
| CN111709959A (zh) * | 2020-06-23 | 2020-09-25 | 杭州口腔医院集团有限公司 | 一种口腔正畸数字化智能诊断方法 |
| CN111967539A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
| CN112288735A (zh) * | 2020-11-06 | 2021-01-29 | 南京大学 | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 |
| CN112635011A (zh) * | 2020-12-31 | 2021-04-09 | 北大医疗信息技术有限公司 | 疾病诊断方法、疾病诊断系统和可读存储介质 |
| CN112800248A (zh) * | 2021-01-19 | 2021-05-14 | 天河超级计算淮海分中心 | 相似病例检索方法、装置、计算机设备及存储介质 |
-
2021
- 2021-07-05 CN CN202110758572.6A patent/CN113488161A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
| CN107665729A (zh) * | 2017-08-09 | 2018-02-06 | 四川大学 | 基于b/s架构的龋病防治难度评估及管理系统建立方法 |
| CN110534206A (zh) * | 2019-08-26 | 2019-12-03 | 北京好医生云医院管理技术有限公司 | 一种医疗诊断辅助系统的工作方法 |
| CN111709959A (zh) * | 2020-06-23 | 2020-09-25 | 杭州口腔医院集团有限公司 | 一种口腔正畸数字化智能诊断方法 |
| CN111967539A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
| CN112288735A (zh) * | 2020-11-06 | 2021-01-29 | 南京大学 | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 |
| CN112635011A (zh) * | 2020-12-31 | 2021-04-09 | 北大医疗信息技术有限公司 | 疾病诊断方法、疾病诊断系统和可读存储介质 |
| CN112800248A (zh) * | 2021-01-19 | 2021-05-14 | 天河超级计算淮海分中心 | 相似病例检索方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 郑浩 等: "《实用临床口腔学 下》", 31 March 2017 * |
| 陈龙意: "基于深度学习的口腔颌面外科疾病诊断", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708952A (zh) * | 2022-06-02 | 2022-07-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种图像标注方法、装置、存储介质和电子设备 |
| CN117322865A (zh) * | 2023-09-26 | 2024-01-02 | 四川大学 | 基于深度学习的颞下颌关节盘移位mri检查诊断系统 |
| CN117322865B (zh) * | 2023-09-26 | 2024-05-28 | 四川大学 | 基于深度学习的颞下颌关节盘移位mri检查诊断系统 |
| CN118039164A (zh) * | 2024-04-11 | 2024-05-14 | 四川大学 | 基于头颅侧位片的颞下颌关节骨数据处理方法及处理终端 |
| CN118039164B (zh) * | 2024-04-11 | 2024-06-07 | 四川大学 | 基于头颅侧位片的颞下颌关节骨数据处理方法及处理终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11810037B2 (en) | Automatic patient recruitment system and methods for use therewith | |
| Burlina et al. | Assessment of deep generative models for high-resolution synthetic retinal image generation of age-related macular degeneration | |
| CN113488161A (zh) | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 | |
| US20200285771A1 (en) | System and method for removing personally identifiable information from medical data | |
| US20160038092A1 (en) | Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis | |
| CN109285605A (zh) | 一种基于人工智能的医疗诊断系统及诊断方法 | |
| US20200100724A1 (en) | Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis | |
| US20220172809A9 (en) | Report generating system and methods for use therewith | |
| US20180060518A1 (en) | Electronic community medical marijuana network | |
| US11114208B1 (en) | Methods and systems for predicting a diagnosis of musculoskeletal pathologies | |
| US20180301211A1 (en) | Electronic community medical marijuana network | |
| Ghogawala et al. | Lumbar spondylolisthesis: modern registries and the development of artificial intelligence: JNSPG 75th Anniversary Invited Review Article | |
| CN105956412A (zh) | 基于智能图文识别实现冠心病临床数据收集的系统及方法 | |
| US20220280104A1 (en) | Applying non-real time and non-user attended algorithms to the stored non-imaging data and existing imaging data to obtain a dental diagnosis | |
| US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
| CN103370629A (zh) | 临床质量分析系统 | |
| Woźniacka et al. | Artificial intelligence in medicine and dermatology | |
| Casti et al. | Calibration of vision-based measurement of pain intensity with multiple expert observers | |
| US20240029901A1 (en) | Systems and Methods to generate a personalized medical summary (PMS) from a practitioner-patient conversation. | |
| US11189370B2 (en) | Exam prefetching based on subject anatomy | |
| Prasannam et al. | Artificial intelligence in dental practice: a review | |
| White et al. | How a managed service for colon capsule endoscopy works in an overstretched healthcare system | |
| US20220285026A1 (en) | Applying non-real time and non-user attended algorithms to the stored non-imaging data and existing imaging data to obtain a dental diagnosis | |
| Thakare et al. | Handbook of Research on Applied Intelligence for Health and Clinical Informatics | |
| Hammond et al. | Managing healthcare: a view of tomorrow |
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: 20211008 |