CN113626413A - 一种专病数据库构建方法及系统 - Google Patents
一种专病数据库构建方法及系统 Download PDFInfo
- Publication number
- CN113626413A CN113626413A CN202110934714.XA CN202110934714A CN113626413A CN 113626413 A CN113626413 A CN 113626413A CN 202110934714 A CN202110934714 A CN 202110934714A CN 113626413 A CN113626413 A CN 113626413A
- Authority
- CN
- China
- Prior art keywords
- data
- database
- special
- image data
- layer
- 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 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 31
- 238000010276 construction Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 23
- 239000000284 extract Substances 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种专病数据库构建方法及系统。本发明包括以下步骤：S1，获取专病病例数据，将所述专病病例数据转化为图像数据；S2，构建数据库，所述数据库包含多个存储表，所述存储表用于存储专病病例数据，多个所述存储表均以病例的唯一标识作为主键；S3，基于卷积神经网络，构建文字识别器；S4，将专病病例数据分类为医学影像数据和文字图像数据两类；S5，把医学影像直接存储到存储表中；S6，处理文字图像数据，并使用文字识别器识别文字图像数据，识别出文字图像中的文字，并将文字存储到存储表中；S7、将文字图像数据上传至云端数据库进行数据分析。具有便于输入数据且减少专病研究工作中干扰的效果。
Description
技术领域
本发明涉及一种数据存储方法，特别涉及一种专病数据库构建方法及系统。
背景技术
数据库是“按照数据结构来组织、存储和管理数据的仓库”，是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合。随着数据库的发展，将数据库应用到一些领域中，能够带来突破性的效果。在当代的医学研究中，一些复杂的病症需要更深入的研究，离不开大量的样本和更加全面的数据，将数据库技术应用到医疗方面能够促进医学研究的发展，提高医疗服务能力。在一些医院和医学研究机构中，已经在针对某些疾病建立专病数据库来支撑专病研究。
现有专利公开号为CN105956156A的中国发明专利公开了一种误诊疾病数据库，包括数据库登录模块、疾病查询模块、疾病分析模块、查询结果显示模块和云端平台；数据库登录模块用于进入误诊疾病数据库；疾病查询模块用于查询误诊疾病的信息；疾病分析模块用于分析所要查询的误诊疾病信息；查询结果显示模块用于显示误诊疾病的查询结果；云端平台用于存放误诊疾病的信息。
但是在一些疾病研究中，存在海量的数据需要输入到数据库中，但是现存的病例数据大多为纸质保存，造成数据库的维护人员需要花费大量的时间来处理输入数据，工作量巨大；且因为医生的个人书写习惯，有些字迹不易辨认，为研究工作带来极大的干扰。
发明内容
为了便于输入数据，减少专病研究工作中的干扰，本申请提供一种专病数据库构建方法及系统。
一方面，
本申请提供的一种专病数据库构建方法采用如下的技术方案：
一种专病数据库构建方法，包括以下步骤：
S1，获取专病病例数据，将所述专病病例数据转化为图像数据；
S2，构建数据库，所述数据库包含多个存储表，所述存储表用于存储专病病例数据，多个所述存储表均以病例的唯一标识作为主键；
S3，基于卷积神经网络，构建文字识别器；
S4，将专病病例数据分为医学影像数据和文字图像数据两类；
S5，把医学影像直接存储到存储表中；
S6，处理文字图像数据，并使用文字识别器识别文字图像数据，识别出文字图像中的文字，并将文字存储到存储表中。
通过设置文字识别器，文字识别器能够识别文字图像中所包含的文字，在将数据输入到数据库的过程中，不需要工作人员进行大量的打字劳动，就能够将图像中所包含的文字转换为能够直接存储到数据库中的文字，能够极大的降低工作人员的劳动强度。且将病人专病病例数据分类为医学影像数据和文字图像数据两类，研究人员在提取专病病例数据时，不需要研究别的医生的书写习惯，能够较为直接的得到所需的数据，减少研究中因医生书写习惯而带来的干扰。
优选地，在步骤S2中，还包括，S21，设置索引表，所述索引表用于存储病人的唯一标识。
优选地，所述文字识别器包括输入层、隐藏层和输出层，其中，
所述输入层，用于输入样本；
所述隐藏层，包含卷积层、线性整流层、池化层和全连接层；
所述输出层，用于输出分类结果。
优选地，在构建文字识别器的过程中，所述线性整流层中设置有激活函数，所述激活函数选用ReLU函数，所述全连接层中设置有损失函数，所述损失函数选用交叉熵函数，且设置有softmax。
优选地，构建文字识别器还包括，S31，获取文字训练样本和对抗样本，训练文字识别器。
优选地，所述文字训练样本为完全攻破的数据。
优选地，所述训练样本还包括对抗样本，所述对抗样本通过攻击算法攻击训练样本得到。
优选地，在步骤S1中，病例的唯一标识选择病人的就诊号。
优选的，还包括步骤，S7、将文字图像数据上传至云端数据库进行数据分析。
另一方面
提供一种专病数据库系统，包括数据库、采集单元、识别单元和索引单元；
数据库，包含多个存储表，用于存储数据；
数据采集单元，用于采集数据，将纸质的病例数据转换为图像类型的病例数据；
识别单元，用于处理文字图像，识别文字图像中所包含的文字，得到病例数据；
索引单元，设置在数据库中，用于存储专病病例的唯一标识，形成索引。
与现有技术相比，本发明的有益效果：本发明通过设置文字识别器，文字识别器能够识别文字图像中所包含的文字，在将数据输入到数据库的过程中，不需要工作人员进行大量的打字劳动，就能够将图像中所包含的文字转换为能够直接存储到数据库中的文字，能够极大的降低工作人员的劳动强度。且将病人专病病例数据分类为医学影像数据和文字图像数据两类，研究人员在提取专病病例数据时，不需要研究别的医生的书写习惯，能够较为直接的得到所需的数据，减少研究中因医生书写习惯而带来的干扰。
附图说明：
图1为本发明方法流程框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，一种专病数据库构建方法，包括，
S1，获取专病病例数据，将专病病例数据转化为图像数据。
转化的过程需要工作人员处理，医院在长期治疗专病的过程所积攒的专病病例数据中，用药历史、医嘱、诊断结果和通知书之类的数据大多为纸质化，在收录到数据库的过程中，负责收录的工作人员使用扫描仪器或高清相机，将纸质化的专病病例数据转化为图像数据，以便于将专病病例数据输入到数据库中进行存储。从而避免了大量的文字输入工作，能够极大的减少工作人员的工作量。
S2，构建数据库，数据库包含多个存储表，存储表用于存储专病病例数据，多个存储表均以病例的唯一标识作为主键。
每个存储表均保存了一个专病病例数据，通过存储表的主键，在使用数据库时，研究人员能够在第一时间定位到需要研究的专病病例。还设置有索引表，索引表用于存储病人的唯一标识。索引表在数据库中的作用相当于字典目录在字典中的作用，通过索引表，研究人员能够更方便的查询到所需的专病病例数据。
在本实施例中，病人的唯一标识选择就诊号，病人均通过就诊号来就诊，选择病人的就诊号作为病人的唯一标识；能够在一定程度上隐藏病人的信息。且在将病人的数据输入到数据库的过程中，对病人的隐私数据进行脱敏处理；例如，病人的身份证号脱敏处理后就为：xxxxxx198512xxxxxx；在数据库中仅保留研究人员在研究过程中所需的数据，研究人员在研究专病病例时，能够通过就诊号这个唯一标识查询到专病病例的所有数据，不易侵犯到病人的隐私数据。
S3，基于卷积神经网络，构建文字识别器。
其中，文字分类识别器均包括输入层、隐藏层和输出层；输入层用于输入样本；隐藏层中包含了卷积层、线性整流层、池化层和全连接层；输出层用于输出分类结果。且线性整流层中设置有激活函数，输出层后设置有损失函数。
卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
在本实施例中，设置有6个卷积层，每层卷积层后均设置有线性整流层，且线性整流层中设置有ReLU激活函数，ReLU激活函数的函数表达式如下式所示：
f(x)＝max(0,x)
在ReLU激活函数中，采用非饱和线性单元，使用ReLU激活函数代替了经常使用的tanh和sigmoid函数，能够加速网络训练的速度，且降低了计算的复杂度，对各种干扰更加具有鲁棒性，并且在一定程度上避免了梯度消失问题。
池化层设置有3层，卷积层后会得到维度很大的特征，池化层将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。
全连接层设置有1层，且位于卷积神经网络的最后，全连接层中设置有损失函数，损失函数选用交叉熵损失函数，且与softmax配合使用，则交叉熵损失函数和softmax能够将全连接层中的输入映射为0-1之间的实数，并且归一化的和保证为1。
构建文字识别器还包括以下步骤：S31，获取训练样本，训练文字识别器；训练样本包括文字训练样本和对抗样本。文字训练样本为完全攻破的数据，采用对抗样本通过攻击算法攻击训练样本得到；攻击算法采用Fast gradient sign method(FGSM)，其包括以下部分：
其中，x为原始图像，η为扰动，ε表示控制扰动大小的自定义参数，ι为损失函数，sgn为函数符号。该算法的思想是通过让扰动方向与梯度方向一致，使损失函数值变化最大，进而使分类器分类结果变化最大。sgn函数保证了扰动方向与梯度方向一致；对损失函数求偏导。FGSM具有只需一步迭代就能够生成对抗样本的优点，并且可以通过控制参数ε生成任意ι∞范数距离的对抗样本。
医生在日常的坐诊过程中，比较繁忙，所以开出的医嘱或药方之类的纸质文件上的文字带有大量的简写和拉丁文；这对文字识别器的识别能力和抗干扰能力具有较高的要求，生成对抗样本后，使用对抗样本和文字训练样本来训练文字识别器，则训练得到的文字识别器具有更高的抵抗力，能够提高文字识别器对对抗样本的抗干扰性，训练后的文字识别器具有更强的识别能力。
S4，将病人专病病例数据分为医学影像数据和文字图像数据两类。
因为医学影像具有较为明显的特征，主要为放射图像、扫描影像、造影影像和电脑断层扫描影像等，则在存入数据库之前，工作人员能够轻易的将两类数据分开。
S5，将医学影像直接存储到存储表中。
将医学影像存储到存储表中后，进行专病研究时，研究人员能够直接通过观察医学影像数据得到想要的数据，以支撑研究进行。
S6，处理文字图像数据，并使用文字识别器识别文字图像数据，识别出文字图像中的文字，并将文字存储到存储表中。
通过将这些专病病例数据转化为图像数据，再将其中的医学影像数据和文字图像数据分类，将医学影像数据输入到数据库中存储后，剩下的部分则都是文字图像数据。在将文字图像数据输入到数据库的过程中，使用训练好的文字识别器处理文字图像数据，能够识别文字图像数据中所包含的文字，输入过程不需要工作人员手动输入，能够极大的降低工作人员的工作量。
在使用文字识别器识别文字图像数据之前，需要对文字图像数据进行处理；包含以下步骤：
S61，选取灰度阈值；
S62，基于灰度阈值，二值化文字图像数据，得到二值图像。
二值化的过程中，基于灰度阈值对文字图像中的每个像素点进行判断，若是该点的灰度值大于灰度阈值，则将该像素点的灰度调整为255，若是该点的灰度值小于灰度阈值，则将该点像素点的灰度调整为0；则经过二值化处理后得到的二值图像中只有灰度值为255或灰度值为0的两种像素点，在人眼中就显示为黑白图像。
灰度阈值的选择需要基于文字图像数据的平均灰度值进行选取，对文字图像数据进行二值化处理后，得到的文字图像具有更鲜明的特征，能够缩短文字识别器识别文字的时间，从而加快识别效率。
S7、将文字图像数据上传至云端数据库进行数据分析。
在本步骤中，获取到文字图像数据后，同时将其上传到云端数据库，云端数据库中存储有相关的病例，通过识别和比对，能够将文字图像数据与现有的云端数据库中的文字进行比较，以进行对比分析，以得到更加准确的结果，提高数据库的准确性。
通过将病人专病病例数据分类为医学影像数据和文字图像数据两类，研究人员在提取专病病例数据时，能够直接通过索引表和病例的唯一标识在数据库中找到所需要的病例数据；且找到的数据是存储在计算机中的文字，不需要研究别的医生的书写习惯，能够较为直接的得到所需的数据，减少在研究中因病例提供医生的书写习惯而带来的干扰。
实施例2
提供一种专病数据库构建系统，包括数据库、采集单元、识别单元和索引单元。
其中，数据库包含多个存储表，存储表用于存储数据，且每一个存储表就能够存储一个专病病例的所有数据，研究人员需要查找数据时，能够较快的在数据库中得到需要的数据内容；在本实施例中，数据库选用mysql数据库，mysql数据库是一种关系型数据库管理系统，其将数据保存在不同的存储表中，具有更强的检索速度，且总体成本较低。
数据采集单元，用于采集数据，数据采集单元可使用扫描仪或者高清相机，使用数据采集单元能够将纸质的病例数据转换为图像类型的病例数据，以便于计算机对专病病例数据进行处理存储。且在采集过程中，工作人员还能够进行分类，将专病病例数据分成医学影像和文字图像两类，以便于后续的数据处理过程。
识别单元采用实施例1中的文字识别器，能够用于处理文字图像，识别文字图像数据中所包含的文字，得到病例数据，将图像数据转换为文字数据，以便于将专病病例数据中的文字图像数据转换为文字，存储到数据库中，
索引单元设置在数据库中，用于存储病人的唯一标识，也就是病人的就诊号。以形成索引，便于研究人员在研究过程中查阅专病病例。
还设置有自然语言处理装置，自然语言处理装置内预设有AI语音识别程序，在对专病数据库进行检索时，工作人员能够通过语音输入病例关键字，自然语言处理装置接收到病例关键字后，能够对其进行识别，并将识别到的内容与数据库中的数据进行比对，调用索引单元，来定位病例关键字在专病数据库中的位置，达到准确快速通过关键字识别查找，并输出病例信息的效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种专病数据库构建方法，其特征在于：包括以下步骤：
S1，获取专病病例数据，将所述专病病例数据转化为图像数据；
S2，构建数据库，所述数据库包含多个存储表，所述存储表用于存储专病病例数据，多个所述存储表均以病例的唯一标识作为主键；
S3，基于卷积神经网络，构建文字识别器；
S4，将专病病例数据分为医学影像数据和文字图像数据两类；
S5，把医学影像直接存储到存储表中；
S6，处理文字图像数据，并使用文字识别器识别文字图像数据，识别出文字图像中的文字，并将文字存储到存储表中。
2.根据权利要求1所述的一种专病数据库构建方法，其特征在于：在步骤S2中，还包括，S21，设置索引表，所述索引表用于存储病人的唯一标识。
3.根据权利要求2所述的一种专病数据库构建方法，其特征在于：所述文字识别器包括输入层、隐藏层和输出层，其中，
所述输入层，用于输入样本；
所述隐藏层，包含卷积层、线性整流层、池化层和全连接层；
所述输出层，用于输出分类结果。
4.根据权利要求3所述的一种专病数据库构建方法，其特征在于，在构建文字识别器的过程中，所述线性整流层中设置有激活函数，所述激活函数选用ReLU函数，所述全连接层中设置有损失函数，所述损失函数选用交叉熵函数，且设置有softmax。
5.根据权利要求3所述的一种专病数据库构建方法，其特征在于：构建文字识别器还包括，S31，获取文字训练样本和对抗样本，训练文字识别器。
6.根据权利要求5所述的一种专病数据库构建方法，其特征在于：所述文字训练样本为完全攻破的数据。
7.根据权利要求6所述的一种专病数据库构建方法，其特征在于：所述训练样本还包括对抗样本，所述对抗样本通过攻击算法攻击训练样本得到。
8.根据权利要求1所述的一种专病数据库构建方法，其特征在于：在步骤S1中，病例的唯一标识选择病人的就诊号。
9.根据权利要求1所述的一种专病数据库构建方法，其特征在于：还包括步骤，
S7、将文字图像数据上传至云端数据库进行数据分析。
10.一种专病数据库系统，其特征在于：包括数据库、采集单元、识别单元和索引单元；
数据库，包含多个存储表，用于存储数据；
数据采集单元，用于采集数据，将纸质的病例数据转换为图像类型的病例数据；
识别单元，用于处理文字图像，识别文字图像中所包含的文字，得到病例数据；
索引单元，设置在数据库中，用于存储专病病例的唯一标识，形成索引。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934714.XA CN113626413A (zh) | 2021-08-16 | 2021-08-16 | 一种专病数据库构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934714.XA CN113626413A (zh) | 2021-08-16 | 2021-08-16 | 一种专病数据库构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113626413A true CN113626413A (zh) | 2021-11-09 |
Family
ID=78385516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110934714.XA Pending CN113626413A (zh) | 2021-08-16 | 2021-08-16 | 一种专病数据库构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113626413A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542467A (zh) * | 2024-01-09 | 2024-02-09 | 四川互慧软件有限公司 | 基于患者数据的专病标准数据库自动构建方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968572A (zh) * | 2012-12-10 | 2013-03-13 | 吴志宏 | 一种骨科病例信息采集系统及其采集方法 |
| CN104268814A (zh) * | 2014-10-11 | 2015-01-07 | 北京网秦天下科技有限公司 | 生成电子病历的方法和装置 |
| CN109087707A (zh) * | 2018-07-18 | 2018-12-25 | 上海理工大学 | 一种用于建立肺部影像数据库的方法及设备 |
| CN110634545A (zh) * | 2019-09-22 | 2019-12-31 | 重庆百行智能数据科技研究院有限公司 | 一种个人病例在线保存方法及系统 |
| CN111291696A (zh) * | 2020-02-19 | 2020-06-16 | 南京大学 | 一种基于卷积神经网络的手写东巴文识别方法 |
| CN111415727A (zh) * | 2020-03-13 | 2020-07-14 | 广州医科大学附属肿瘤医院 | 一种多模态影像数据管理系统及分析方法 |
-
2021
- 2021-08-16 CN CN202110934714.XA patent/CN113626413A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968572A (zh) * | 2012-12-10 | 2013-03-13 | 吴志宏 | 一种骨科病例信息采集系统及其采集方法 |
| CN104268814A (zh) * | 2014-10-11 | 2015-01-07 | 北京网秦天下科技有限公司 | 生成电子病历的方法和装置 |
| CN109087707A (zh) * | 2018-07-18 | 2018-12-25 | 上海理工大学 | 一种用于建立肺部影像数据库的方法及设备 |
| CN110634545A (zh) * | 2019-09-22 | 2019-12-31 | 重庆百行智能数据科技研究院有限公司 | 一种个人病例在线保存方法及系统 |
| CN111291696A (zh) * | 2020-02-19 | 2020-06-16 | 南京大学 | 一种基于卷积神经网络的手写东巴文识别方法 |
| CN111415727A (zh) * | 2020-03-13 | 2020-07-14 | 广州医科大学附属肿瘤医院 | 一种多模态影像数据管理系统及分析方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542467A (zh) * | 2024-01-09 | 2024-02-09 | 四川互慧软件有限公司 | 基于患者数据的专病标准数据库自动构建方法 |
| CN117542467B (zh) * | 2024-01-09 | 2024-04-12 | 四川互慧软件有限公司 | 基于患者数据的专病标准数据库自动构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
| RU2703679C2 (ru) | Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов | |
| CN105404632B (zh) | 基于深度神经网络对生物医学文本序列化标注的系统和方法 | |
| CN112863630A (zh) | 基于数据和知识的个性化精准医疗问答系统 | |
| CN105139237A (zh) | 信息推送的方法和装置 | |
| CN111489800A (zh) | 一种病历和报告单图像识别与存储的分析方法及系统 | |
| CN106777996A (zh) | 一种基于Solr的体检数据搜索系统 | |
| US20170147753A1 (en) | Method for searching for similar case of multi-dimensional health data and apparatus for the same | |
| KR20130056207A (ko) | 관계 정보 확장 장치, 관계 정보 확장 방법, 및 프로그램 | |
| CN113764112A (zh) | 一种在线医疗问答方法 | |
| CN111078852A (zh) | 基于机器学习的高校前沿科研团队探测系统 | |
| JP2011243148A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| Bai et al. | Joint learning of representations of medical concepts and words from ehr data | |
| US9558400B2 (en) | Search by stroke | |
| Khan et al. | Development of national health data warehouse for data mining. | |
| RU2720363C2 (ru) | Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта | |
| CN113254601A (zh) | 面向知识产权的科技资源画像构建方法、装置和存储介质 | |
| CN114023414A (zh) | 一种体检报告多层次结构录入方法、系统以及存储介质 | |
| KR102128435B1 (ko) | 환자투병 관련기록을 자동으로 인식하여 분석하는 정신심리 분석 시스템 | |
| Shen et al. | Detecting adverse drug reactions from social media based on multi-channel convolutional neural networks | |
| CN113626413A (zh) | 一种专病数据库构建方法及系统 | |
| Liu et al. | Resume parsing based on multi-label classification using neural network models | |
| CN113972009A (zh) | 一种基于临床检验医学大数据的医学检验咨询系统 | |
| CA3024258A1 (en) | Explaining semantic search | |
| CN113343680A (zh) | 一种基于多类型病历文本的结构化信息提取方法 |
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 |
Application publication date: 20211109 |
|
| RJ01 | Rejection of invention patent application after publication |