CN113539491A - 基于深度学习的良性前列腺增生评估决策辅助系统 - Google Patents
基于深度学习的良性前列腺增生评估决策辅助系统 Download PDFInfo
- Publication number
- CN113539491A CN113539491A CN202110667210.6A CN202110667210A CN113539491A CN 113539491 A CN113539491 A CN 113539491A CN 202110667210 A CN202110667210 A CN 202110667210A CN 113539491 A CN113539491 A CN 113539491A
- Authority
- CN
- China
- Prior art keywords
- neural network
- initial
- benign prostatic
- prostatic hyperplasia
- user
- 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.)
- Granted
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—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
- G16H50/50—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于深度学习的良性前列腺增生评估决策辅助系统。其包括:建模模块,用于构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络;决策模块,用于将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。本发明的技术方案可以基于用户的非图像输入信息确定其属于良性前列腺增生的概率,进而辅助医生进行最终判断。
Description
技术领域
本发明涉及计算机应用技术领域,具体而言,涉及一种基于深度学习的良性前列腺增生评估决策辅助系统。
背景技术
目前,在对良性前列腺增生及前列腺癌的鉴别中,需要经过B超、CT或核磁等高精度仪器扫描,然后通过图像处理技术以进行识别。在未获得高精度图像之前,主要依据先前经验或临床表现,进行人为评估。人为评估不仅工作量大,效率低下,结果受人为影响较大,容易出错。而且老年科、体检科等非泌尿专科医师及基层医师对良性前列腺增生的评估存在一定滞后性,常导致遗漏或错误的发生。
发明内容
针对现有技术的不足,本发明提出一种基于深度学习的良性前列腺增生评估决策辅助系统。
第一方面,本发明提供了一种基于深度学习的良性前列腺增生评估决策辅助系统,该系统包括:
建模模块,用于构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络;
决策模块,用于将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。
进一步,所述建模模块具体用于:
分别构建初始的深度神经网络、初始的循环神经网络和初始的嵌入矩阵;
将训练数据分别输入所述初始的深度神经网络和所述初始的嵌入矩阵,其中,所述训练数据包括训练用户的所述用户信息以及与所述训练用户对应的标签信息,所述标签信息包括指示为良性前列腺增生的标签和指示为前列腺癌的标签;
通过所述初始的深度神经网络和所述初始的循环神经网络的目标损失函数对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵进行优化,以获得所述评估模型。
进一步,所述初始的深度神经网络包括全连接层和第一分类器;所述建模模块具体用于:
将所述训练用户的所述用户信息输入所述初始的深度神经网络,经所述全连接层获得特征向量,且所述特征向量经所述第一分类器获得预测结果,并计算第一目标损失函数;
将与所述训练用户对应的所述标签信息输入所述初始的嵌入矩阵,获得标签向量;
将所述特征向量和所述标签向量进行融合以获得融合向量,将所述融合向量输入所述初始的循环神经网络,并计算第二目标损失函数。
进一步,所述初始的循环神经网络包括LSTM网络层和第二分类器;所述建模模块具体用于:
将所述融合向量输入所述LSTM网络层,获得隐藏状态特征;
将所述隐藏状态特征输入所述第二分类器获得预测结果,并计算所述第二目标损失函数。
进一步,所述建模模块具体用于:
联合所述第一目标损失函数和所述第二目标损失函数,以获得最终目标损失函数;
基于所述最终目标损失函数,采用随机梯度下降法对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵的参数进行优化更新,以获得所述评估模型。
进一步,所述融合向量表示为:
F=[f,l];
其中,f表示所述特征向量,l表示所述标签向量。
进一步,所述隐藏状态特征表示为:
h=LSTM[F,h0,c];
其中,F表示所述融合向量,h0表示初始的隐藏状态特征,c表示模型单元参数,所述初始的隐藏状态特征和所述模型单元参数使用所述特征向量。
进一步,所述最终目标损失函数表示为:
L=aL1+L2;
其中,L1表示所述第一目标损失函数,L2表示所述第二目标损失函数,a表示超参数。
进一步,所述决策模块具体用于:
将所述标定用户的所述用户信息输入所述评估模型的所述深度神经网络,将所述深度神经网络的分类器输出作为与所述标定用户对应的良性前列腺增生评估决策辅助信息。
第二方面,本发明提供了一种基于深度学习的良性前列腺增生评估决策辅助系统,该系统包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如下步骤:
构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络;
将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。
本发明提供的基于深度学习的良性前列腺增生评估决策辅助系统的有益效果是,在未获得高精度前列腺图像的前提下,利用深度学习技术进行良性前列腺增生评估,有效区分良性前列腺增生和前列腺癌,通过融合深度神经网络和循环神经网络,以深度融合症状表现和最后结果,确保症状与结果具有深度一致性,提高对良性前列腺增生的评估准确率,并可以概率形式表示良性前列腺增生的可能性,辅助医生进行正确决策,特别是可以辅助非专科医师及基层医师提高对于良性前列腺增生的评估能力,减少遗漏及错误。
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一简单的介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于深度学习的良性前列腺增生评估决策辅助系统的结构示意图;
图2为本发明实施例的评估模型的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例的一种基于深度学习的良性前列腺增生评估决策辅助系统包括:
建模模块,用于构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络。
具体地,可通过建模模块构建基于深度学习的评估模型,初始的模型包括深度神经网络和循环神经网络等,通过训练数据对初始的模型不断进行参数优化,以获得最终的评估模型。
决策模块,用于将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。
具体地,在获得评估模型后,可通过决策模块将标定用户的信息输入评估模型,由于评估模型具有分类功能,可将其分类结果,例如分别属于良性前列腺增生和前列腺癌的概率作为评估决策辅助信息,以辅助获得最终的评判信息。
在本实施例中,在未获得高精度前列腺图像的前提下,利用深度学习技术进行良性前列腺增生评估,有效区分良性前列腺增生和前列腺癌,通过融合深度神经网络和循环神经网络,以深度融合症状表现和最后结果,确保症状与结果具有深度一致性,提高对良性前列腺增生的评估准确率,并可以概率形式表示良性前列腺增生的可能性,辅助医生进行正确决策,特别是可以辅助非专科医师及基层医师提高对于良性前列腺增生的评估能力,减少遗漏及错误。
可选地,所述建模模块具体用于,也就是所述构建基于深度学习的评估模型具体包括:
分别构建初始的深度神经网络、初始的循环神经网络和初始的嵌入矩阵。
具体地,初始的模型主要包括深度神经网络、循环神经网络和嵌入矩阵三部分,其参数均为初始值,需要通过训练不断优化。
将训练数据分别输入所述初始的深度神经网络和所述初始的嵌入矩阵,其中,所述训练数据包括训练用户的所述用户信息以及与所述训练用户对应的标签信息,所述标签信息包括指示为良性前列腺增生的标签和指示为前列腺癌的标签。
具体地,训练数据包括两部分,即,用户信息以及对应的标签信息,其中,用户信息可包括用户基本信息(如年龄、身高等)、体格检查指标(如体重、体温、呼吸频率、脉搏等)及基本检查数据(如症状评分、尿常规、B超检查等),标签信息可包括该用户属于良性前列腺增生还是前列腺癌。可选地,可首先对用户信息进行归一化处理,然后将归一化之后的数据输入深度神经网络。具体而言,数据归一化的方式为:计算每一类数据的均值和方差,之后所有数据减去对应均值并除以方差完成归一化处理。
通过所述初始的深度神经网络和所述初始的循环神经网络的目标损失函数对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵进行优化,以获得所述评估模型。
具体地,用户信息经深度神经网络会计算生成相应的目标损失函数,标签信息经嵌入矩阵与深度神经网络输出的特征向量融合后,输入循环神经网络,同样会计算生成相应的目标损失函数,通过两个目标损失函数对初始的模型进行不断优化,最终获得经训练的评估模型。
可选地,所述初始的深度神经网络包括全连接层和第一分类器;所述建模模块具体用于,也就是所述将训练数据分别输入所述初始的深度神经网络和所述初始的嵌入矩阵包括:
将所述训练用户的所述用户信息输入所述初始的深度神经网络,经所述全连接层获得特征向量,且所述特征向量经所述第一分类器获得预测结果,并计算第一目标损失函数。
具体地,如图2所示,深度神经网络可包括多个全连接层,用户信息输入全连接层,通过计算这些数据的性质或数据之间的关系,获得对应的特征向量f,将特征向量f输入深度神经网络的分类器进行预测,判断输入的用户信息对应的是前列腺癌还是良性前列腺增生,同时计算深度神经网络的目标损失函数,也就是第一目标损失函数。
可选地,深度神经网络的分类器,也就是第一分类器将特征向量f预测为第i类的概率yi为:
其中,ai表示分类器中第i个神经元的激活值,n表示评估种类总数,也就是i可取的最大值。本实施例中,n取2,因为分类结果包括两类,即良性前列腺增生和前列腺癌,每一类的概率均为[0,1]范围。
可选地,第一目标损失函数L1表示为:
其中,λ是平衡正负样本重要性的超参数,在本实施例中,超参数λ取为1.5。
将与所述训练用户对应的所述标签信息输入所述初始的嵌入矩阵,获得标签向量。
具体地,如图2所示,嵌入矩阵的大小根据输入数据的维度和类别数来确定,将标签输入嵌入矩阵,可以获取对应类别的标签向量l。在训练过程中,该嵌入矩阵也将不断被优化。更具体而言,标签向量l为:l=E·L,其中,E表示嵌入矩阵,L表示用户的标签,即,是属于前列腺癌,还是属于良性前列腺增生。
将所述特征向量和所述标签向量进行融合以获得融合向量,将所述融合向量输入所述初始的循环神经网络,并计算第二目标损失函数。
具体地,如图2所示,将特征向量f与标签向量l融合为融合向量F,再将融合向量F输入循环神经网络,并计算循环神经网络目标损失函数。
可选地,所述融合向量表示为:
F=[f,l];
其中,f表示所述特征向量,l表示所述标签向量。
可选地,所述初始的循环神经网络包括LSTM网络层和第二分类器;所述建模模块具体用于:
将所述融合向量输入所述LSTM网络层,获得隐藏状态特征。
可选地,所述隐藏状态特征表示为:
h=LSTM[F,h0,c];
其中,F表示所述融合向量,h0表示初始的隐藏状态特征,c表示模型单元参数,所述初始的隐藏状态特征和所述模型单元参数使用所述特征向量。
将所述隐藏状态特征输入所述第二分类器获得预测结果,并计算所述第二目标损失函数。
具体地,如图2所示,循环神经网络选用LSTM,即长短期记忆人工神经网络,将融合向量F输入循环神经网络,也就是其网络层,提取隐藏状态特征h,作为循环神经网络的分类器的输入进行预测,判断输入的用户信息对应的是前列腺癌还是良性前列腺增生,同时计算循环深度神经网络的目标损失函数,也就是第二目标损失函数。
可选地,循环神经网络的分类器,也就是第二分类器将融合向量F预测为第i类的概率yi为:
其中,ai表示分类器中第i个神经元的激活值,n表示评估种类总数,也就是i可取的最大值。本实施例中,n取2,因为分类结果包括两类,即良性前列腺增生和前列腺癌,每一类的概率均为[0,1]范围。换言之,第一分类器和第二分类器的结构可以相同。
可选地,第二目标损失函数L2表示为:
其中,λ是平衡正负样本重要性的超参数。在本实施例中,超参数λ取1.5。换言之,第一目标损失函数和第二目标损失函数的结构可以相同。
可选地,所述建模模块具体用于,也就是所述通过所述初始的深度神经网络和所述初始的循环神经网络的目标损失函数对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵进行优化包括:
联合所述第一目标损失函数和所述第二目标损失函数,以获得最终目标损失函数。
可选地,可对第一目标损失函数和第二目标损失函数进行串联,也就是,最终目标损失函数表示为:
L=aL1+L2;
其中,L1表示所述第一目标损失函数,L2表示所述第二目标损失函数,a表示超参数,a可取1.5。
基于所述最终目标损失函数,采用随机梯度下降法对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵的参数进行优化更新,以获得所述评估模型。
可选地,所述决策模块具体用于:
将所述标定用户的所述用户信息输入所述评估模型的所述深度神经网络,将所述深度神经网络的分类器输出作为与所述标定用户对应的良性前列腺增生评估决策辅助信息。
具体地,通过建模模块构建的评估模型主要包括经训练的深度神经网络、循环神经网络和嵌入矩阵三个部分,在对标定用户进行评估时,仅需将用户信息输入评估模型的深度神经网络,经过融合训练的深度神经网络可较为准确地根据标定用户的用户信息预测其属于良性前列腺增生还是前列腺癌,也就是,深度神经网络的分类器将输出例如分别属于良性前列腺增生的概率和属于前列腺癌的概率,以辅助医生进行决策,进而给出最终结论。
可选地,标定用户的用户信息可经归一化处理后,再输入深度神经网络进行预测。
在本发明另一实施例中,一种基于深度学习的良性前列腺增生评估决策辅助系统包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如下步骤:
构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络。
将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。
所述处理器还可以实现与上述建模模块和决策模块功能对应的其他步骤。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,包括:
建模模块,用于构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络;
决策模块,用于将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。
2.根据权利要求1所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述建模模块具体用于:
分别构建初始的深度神经网络、初始的循环神经网络和初始的嵌入矩阵;
将训练数据分别输入所述初始的深度神经网络和所述初始的嵌入矩阵,其中,所述训练数据包括训练用户的所述用户信息以及与所述训练用户对应的标签信息,所述标签信息包括指示为良性前列腺增生的标签和指示为前列腺癌的标签;
通过所述初始的深度神经网络和所述初始的循环神经网络的目标损失函数对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵进行优化,以获得所述评估模型。
3.根据权利要求2所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述初始的深度神经网络包括全连接层和第一分类器;所述建模模块具体用于:
将所述训练用户的所述用户信息输入所述初始的深度神经网络,经所述全连接层获得特征向量,且所述特征向量经所述第一分类器获得预测结果,并计算第一目标损失函数;
将与所述训练用户对应的所述标签信息输入所述初始的嵌入矩阵,获得标签向量;
将所述特征向量和所述标签向量进行融合以获得融合向量,将所述融合向量输入所述初始的循环神经网络,并计算第二目标损失函数。
4.根据权利要求3所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述初始的循环神经网络包括LSTM网络层和第二分类器;所述建模模块具体用于:
将所述融合向量输入所述LSTM网络层,获得隐藏状态特征;
将所述隐藏状态特征输入所述第二分类器获得预测结果,并计算所述第二目标损失函数。
5.根据权利要求3所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述建模模块具体用于:
联合所述第一目标损失函数和所述第二目标损失函数,以获得最终目标损失函数;
基于所述最终目标损失函数,采用随机梯度下降法对所述初始的深度神经网络、所述初始的循环神经网络和所述初始的嵌入矩阵的参数进行优化更新,以获得所述评估模型。
6.根据权利要求3所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述融合向量表示为:
F=[f,l];
其中,f表示所述特征向量,l表示所述标签向量。
7.根据权利要求4所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述隐藏状态特征表示为:
h=LSTM[F,h0,c];
其中,F表示所述融合向量,h0表示初始的隐藏状态特征,c表示模型单元参数,所述初始的隐藏状态特征和所述模型单元参数使用所述特征向量。
8.根据权利要求5所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述最终目标损失函数表示为:
L=aL1+L2;
其中,L1表示所述第一目标损失函数,L2表示所述第二目标损失函数,a表示超参数。
9.根据权利要求1所述的基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,所述决策模块具体用于:
将所述标定用户的所述用户信息输入所述评估模型的所述深度神经网络,将所述深度神经网络的分类器输出作为与所述标定用户对应的良性前列腺增生评估决策辅助信息。
10.一种基于深度学习的良性前列腺增生评估决策辅助系统,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如下步骤:
构建基于深度学习的评估模型,其中,所述评估模型包括深度神经网络、循环神经网络和嵌入矩阵,所述深度神经网络的输出向量和所述嵌入矩阵的输出向量适于融合后输入所述循环神经网络;
将获取的标定用户的用户信息输入所述评估模型,以获得与所述标定用户对应的良性前列腺增生评估决策辅助信息,其中,所述用户信息包括用户基本信息、体格检查指标和基础检查数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667210.6A CN113539491B (zh) | 2021-06-16 | 2021-06-16 | 基于深度学习的良性前列腺增生评估决策辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667210.6A CN113539491B (zh) | 2021-06-16 | 2021-06-16 | 基于深度学习的良性前列腺增生评估决策辅助系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113539491A true CN113539491A (zh) | 2021-10-22 |
CN113539491B CN113539491B (zh) | 2022-05-13 |
Family
ID=78124986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667210.6A Active CN113539491B (zh) | 2021-06-16 | 2021-06-16 | 基于深度学习的良性前列腺增生评估决策辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113539491B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710932A (zh) * | 2018-12-22 | 2019-05-03 | 北京工业大学 | 一种基于特征融合的医疗实体关系抽取方法 |
CN109994201A (zh) * | 2019-03-18 | 2019-07-09 | 浙江大学 | 一种基于深度学习的糖尿病与高血压概率计算方法 |
CN111081379A (zh) * | 2019-12-02 | 2020-04-28 | 中南大学 | 一种疾病概率决策方法及其系统 |
CN111209961A (zh) * | 2020-01-03 | 2020-05-29 | 广州海洋地质调查局 | 一种冷泉区海底生物识别方法及处理终端 |
-
2021
- 2021-06-16 CN CN202110667210.6A patent/CN113539491B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710932A (zh) * | 2018-12-22 | 2019-05-03 | 北京工业大学 | 一种基于特征融合的医疗实体关系抽取方法 |
CN109994201A (zh) * | 2019-03-18 | 2019-07-09 | 浙江大学 | 一种基于深度学习的糖尿病与高血压概率计算方法 |
CN111081379A (zh) * | 2019-12-02 | 2020-04-28 | 中南大学 | 一种疾病概率决策方法及其系统 |
CN111209961A (zh) * | 2020-01-03 | 2020-05-29 | 广州海洋地质调查局 | 一种冷泉区海底生物识别方法及处理终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113539491B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109659033B (zh) | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 | |
Kogilavani et al. | COVID-19 detection based on lung CT scan using deep learning techniques | |
Pathan et al. | Automated Detection of Covid-19 from Chest X-ray scans using an optimized CNN architecture | |
KR101908680B1 (ko) | 약한 지도 학습 기반의 기계 학습 방법 및 그 장치 | |
CN106897568A (zh) | 病历结构化的处理方法和装置 | |
CN111709485A (zh) | 医学影像处理方法、装置和计算机设备 | |
Muhammed | Using data mining technique to diagnosis heart disease | |
CN114661933A (zh) | 基于胎儿先心病超声图像—诊断报告的跨模态检索方法 | |
Qiao et al. | Identification of fuzzy neural networks by forward recursive input-output clustering and accurate similarity analysis | |
US20230057653A1 (en) | Method and system and apparatus for quantifying uncertainty for medical image assessment | |
CN112819045A (zh) | 用于用户生理状态分类的方法、装置、电子设备及介质 | |
Zhang et al. | Triplet attention and dual-pool contrastive learning for clinic-driven multi-label medical image classification | |
CN115579141A (zh) | 一种可解释疾病风险预测模型构建方法以及疾病风险预测装置 | |
Chen et al. | A new optimal diagnosis system for coronavirus (COVID-19) diagnosis based on Archimedes optimization algorithm on chest X-ray images | |
CN113539491B (zh) | 基于深度学习的良性前列腺增生评估决策辅助系统 | |
KR101955526B1 (ko) | 혈액종합검사 소견 생성 방법 및 시스템 | |
CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
Walia et al. | A survey on applications of adaptive neuro fuzzy inference system | |
Bharati et al. | Disease Detection from Lung X-ray Images Based on Hybrid Deep Learning | |
WO2023184598A1 (zh) | 基于人工智能的心脏模拟器数据矫正系统和方法 | |
Tabarisaadi et al. | An optimized uncertainty-aware training framework for neural networks | |
Hosseini et al. | A fuzzy logic system for classification of the lung nodule in digital images in computer aided detection | |
Song-Men | Intelligent diagnosis method for new diseases based on fuzzy SVM incremental learning | |
JP2024500470A (ja) | 医療画像における病変分析方法 | |
JP2022186568A (ja) | 加齢による黄斑変性症用の分類モデルを学習させる電子機器及び方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |