CN113724876A - 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 - Google Patents
基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 Download PDFInfo
- Publication number
- CN113724876A CN113724876A CN202111060331.0A CN202111060331A CN113724876A CN 113724876 A CN113724876 A CN 113724876A CN 202111060331 A CN202111060331 A CN 202111060331A CN 113724876 A CN113724876 A CN 113724876A
- Authority
- CN
- China
- Prior art keywords
- stroke
- data
- dfs
- complications
- features
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 208000006011 Stroke Diseases 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 208000032382 Ischaemic stroke Diseases 0.000 claims description 4
- 206010061216 Infarction Diseases 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 230000007574 infarction Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 208000027755 Blood autoimmune disease Diseases 0.000 claims description 2
- 208000032895 autoimmune disorder of blood Diseases 0.000 claims description 2
- 208000014951 hematologic disease Diseases 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 206010009192 Circulatory collapse Diseases 0.000 description 1
- 206010051055 Deep vein thrombosis Diseases 0.000 description 1
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010047249 Venous thrombosis Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000002558 medical inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 206010040560 shock Diseases 0.000 description 1
- 230000009861 stroke prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G16H50/30—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于多模态融合和DFS‑LLE算法的脑卒中院内并发症预测模型，该模型构建方法包括如下步骤：S1、采集脑卒中患者住院期间的截止并发症发生时的就诊数据，就诊数据包括临床结构化和医学图像2种模态的数据；S2、分别对2种模态的数据进行预处理；S3、提取医学图像中影像组学特征，与临床结构化数据进行多模态融合；S4、利用DFS技术对经步骤S3融合后的特征进行合成；S5、利用LLE对经步骤S4合成的特征进行降维；S6、根据上述数据构建基于深度神经网络的脑卒中并发症预测模型。本发明能有效的提升模型的预测性能，提高脑卒中并发症的预测能力，为临床提供强有力的辅助决策作用。
Description
技术领域
本发明属于医疗大数据挖掘及疾病智能预测技术领域，具体涉及基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型。
背景技术
脑卒中是全球第二大致死疾病和第三大致残疾病，根据《中国脑卒中防治报告2018》，我国每12秒就有一人发生脑卒中，每21秒就有一人死于脑卒中。其中脑卒中的死亡病例中，有很多不是死于疾病本身，而是死于各种并发症，如感染、循环衰竭及肾脏病、电解质紊乱、消化道出血等，目前对于脑卒中并发症以临床症状显露后的治疗为主要手段，缺乏预防及控制的决策信息支持。
目前有国内外学者针对脑卒中的各种并发症提出了一些评估预测模型，2018年，Hoffmann等制定了A2DS2评分表评估急性缺血性脑卒中并发肺部感染的风险；2019年JiaFu使用多因素logistic回归分析了急性缺血性脑卒中并发消化道出血的风险因素，2020年，SangHeeHa利用单因素分析得到急性缺血性脑卒中合并深静脉血栓形成的相关变量。上述模型对线性关系拟合较强，对于复杂的非线性医疗数据，难以挖掘其中的潜在信息。
目前脑卒中并发症的预测大多根据临床结构化数据进行预测，而临床结构化数据大多比较主观，预测的效果不够精准。临床上，医学影像一般用于疾病的初步筛查和诊断，为临床疗效评价提供客观依据。除此之外，医学影像包含着大量的信息，包括人眼难以识别或量化的复杂模式。因此本研究采用患者住院期间的就诊数据，通过灰度共生矩阵(GreyLevel Co-occurrence Matrix,GLCM)挖掘更深层次医学影像纹理特征，再与临床结构化数据相结合，同时采用深度特征合成(Deep Feature Synthesis,DFS)技术和局部线性嵌入(Locally linear embedding,LLE)对特征进行处理，建立脑卒中并发症预测模型，为脑卒中并发症精准预防和控制提供参考。
发明内容
针对现有技术中的不足与难题，本发明旨在提供一种基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型。
本发明通过以下技术方案予以实现：
基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，该模型构建方法包括如下步骤：
S1、采集脑卒中患者住院期间的截止并发症发生时的就诊数据，就诊数据包括临床结构化和医学图像2种模态的数据，其中临床结构化数据包括人口统计学信息、医学检验、临床用药、护理记录；医学影像数据包括患者的头部CT、MRI检查图像；
S2、分别对2种模态的数据进行预处理；
S3、提取医学图像中影像组学特征，与临床结构化数据进行多模态融合；
S4、利用DFS技术对经步骤S3融合后的特征进行合成；
S5、利用LLE对经步骤S4合成的特征进行降维；
S6、构建基于深度神经网络、XGboost、logistics回归的脑卒中并发症预测模型。
进一步地，步骤S1中的脑卒中患者需要符合《中国急性缺血性脑卒中诊疗指南诊断标准2010》中的诊断标准：(1)年龄≥18岁；(2)通过颅脑CT或MRI检查确诊。排除标准：(1)院内死亡及转院患者；(2)既往有卒中史患者；(3)入院24h内发生并发症的患者；(4)共患肿瘤、血液病及自身免疫性疾病患者。
进一步地，所述步骤S2中的临床结构化数据的预处理为：剔除数据中的异常值，将数据中含有缺失值将缺失率超过20％的特征直接删除，缺失率小于20％的特征采用多重插补法进行填充完整；所述步骤S2中的医学图像数据的预处理步骤为：将所有图像归一化和标准化，并对梗死部位进行ROI标注。
进一步地，所述步骤S3中，采用灰度共生矩阵对医学图像的纹理特征进行提取，得到主要特征值，将这些特征值与临床结构化数据的特征进行融合。
进一步地，所述步骤S4通过以下公式对述步骤S3融合后的特征进行合成：
式中，i为递归的次数，n与m是前向关系和后向关系的个数，r是rfeat函数的个数，e是efeat函数的个数。
进一步地，所述步骤S5对特征进行降维的步骤如下：
S5-1、寻找每个样本点的k个近邻点；
S5-2、由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；
S5-3、由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。
进一步地，所述步骤S6中分别构建基于深度神经网络、XGboost、logistics回归的脑卒中并发症预测模型，其中模型训练运用十折交叉验证网格搜索最优参数，以AUC值作为评价指标，对比不同预测模型在训练集和测试集上效果。
与现有技术相比，本发明基于多模态数据，采用GLCM对图像进行纹理特征提取，挖掘其中的复杂隐藏信息，再采用DFS-LLE算法对所有特征数据进行处理，从高维空间中映射出可用与分类的特征，结合各种机器学习算法，相比于其他所有对照组，能有效的提升模型的预测性能，提高脑卒中并发症的预测能力，为临床提供强有力的辅助决策作用
附图说明
图1为本发明结构示意图。
具体实施方式
下面结合附图，对本发明作进一步地说明。
基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，该模型构建方法流程图如图1所示，包括如下步骤：
S1、数据采集
采集脑卒中患者住院期间的就诊数据(截止并发症发生时)，主要包括临床结构化数据和医学图像数据；
其中临床结构化数据主要包括人口统计学信息、医学检验、临床用药、护理记录等，医学影像数据主要包括患者的头部CT、MRI等检查图像；
脑卒中患者需要符合《中国急性缺血性脑卒中诊疗指南诊断标准2010》中的诊断标准：(1)年龄≥18岁，(2)通过颅脑CT或MRI检查确诊；排除标准：(1)院内死亡及转院患者，(2)既往有卒中史患者，(3)入院24h内发生并发症的患者，(4)共患肿瘤、血液病及自身免疫性疾病患者。
S2、分别对2种模态的数据进行预处理。
临床结构化数据的预处理为：剔除数据中的异常值，将数据中含有缺失值将缺失率超过20％的特征直接删除，缺失率小于20％的特征采用多重插补法进行填充完整；
医学图像数据的预处理为：将所有图像归一化和标准化，并对梗死部位进行ROI标注。
S3、提取图像中影像组学特征，与临床结构化数据进行多模态融合
采用GLCM对图像的纹理特征进行提取，得到主要特征值，将这些特征值与临床结构化数据的特征进行融合。其纹理特征进行提取的主要步骤为：
从数字图像中任意取一点，令其坐标为(x,y)，偏离该点的坐标为(x+a,x+b)，设定该偏离点的灰度值为(i,j)；令(x,y)在整幅图像中移动，那就会得到各种不同的(i,j)的值，用k来表示灰度级数，则共有k2种组合；在整幅图像中，统计出所有(i,j)值出现的次数排成一个矩阵，用概率Pij表示(i,j)出现的总次数的归一化值，我们把这样的矩阵称作为灰度联合概率矩阵；灰度联合概率矩阵的另外一个名称是二像点的联合直方图。如果矩阵主要倾向于对角分布，那么这幅图像纹理粗而有规则；因为距离差(a,b)可以进行不同的取值，主要是根据纹理的周期分布特性来选择，用下面数学表达式表示：
上式中的i为点(x,y)移动的方向，Dx,Dy分布代表偏移量，可以再4个方向上取值，一般取45°、90°、135°、0°，各点的频度值为：
上式中R是归一化常数。
S4、利用DFS技术对数据特征进行合成
假设E1,2,...,k表示所有就诊的实体，每次就诊有1...J个特征，
表示第k次就诊的第i个实例特征j的值；其中生成的特征有三种类型，分别是efeat、dfeat、rfeat，在生成的dfeat和rfeat类型的特征时通过联合分析两次不同就诊实体El和Ek得出来的，这个两次就诊存在前向关系或者后向关系。
三种类型特征的计算方法分别为：
(1)efeat:通过计算每个属性值来获取特征，这些特征可以通过对xi,j'逐元应用计算函数。这种计算可表示为：
xi,j'＝dfeat(x:,j,i)
(2)dfeat:应用于关系表中的前向关系，相关实体i∈Ek中的特征被直接转移为m∈Ek的特征。
(3)rfeat:应用于后向关系，通过将数学函数应用于
来导出实体Ek的实例i，它通过提取实体中特征j的所有值来组合Ek，提取条件是，这种转换可以表示为：
算法为给定实体合成的特征数量z由下式给出：
i为递归的次数，n与m是前向关系和后向关系的个数，r是rfeat函数的个数，e是efeat函数的个数。
S5、利用LLE对特征进行降维
具体步骤为：
步骤5-1：计算出每个样本点的k个近邻点。
步骤5-2：计算出样本点的局部重建权值矩阵W,首先定义重构误差：
以及局部协方差矩阵C:
其中，x表示一个特定的点，它的k个近邻点用η表示。
则其目标函数为：最小化：
其中∑jWj＝1得到
步骤5-3：将所有样本点映射到低维空间，映射条件满足下式：
上式可以转化成：
其中：M＝(I-W)T(I-W)，再加上限制条件：
(中心化)，
(单位协方差)可以得到最终解：MY＝λY；
标准的特征分解问题，取Y为M的最小m个非零特征值所对应的特征向量；
针对数据处理方面，分别设置2个对照组：1仅采用临床结构化数据建模；2仅采用影像学特征建模；
针对特征处理方面，分别设置2个对照组：1仅使用DFS算法进行处理；2仅使用LLE算法进行处理；
将上述数据处理方面和特征处理方面进行两两组合，可以得到4个对照组。
S6、根据上述数据构建基于深度神经网络、XGboost、logistics回归的脑卒中并发症预测模型，输出效果最优的模型。
模型训练运用十折交叉验证网格搜索最优参数，以AUC值作为评价指标，对比不同预测模型在训练集和测试集上效果。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于，所述模型构建方法包括如下步骤：
S1、采集脑卒中患者住院期间的截止并发症发生时的就诊数据，就诊数据包括临床结构化和医学图像2种模态的数据；
S2、分别对2种模态的数据进行预处理；
S3、提取医学图像中影像组学特征，与临床结构化数据进行多模态融合；
S4、利用DFS技术对经步骤S3融合后的特征进行合成；
S5、利用LLE对经步骤S4合成的特征进行降维；
S6、构建基于深度神经网络、XGboost、logistics回归的脑卒中并发症预测模型。
2.根据权利要求1所述的基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于，所述步骤S1中的临床结构化数据包括人口统计学信息、医学检验、临床用药、护理记录；医学影像数据包括患者的头部CT、MRI检查图像；
所述步骤S1中的脑卒中患者需要符合《中国急性缺血性脑卒中诊疗指南诊断标准2010》中的诊断标准：(1)年龄≥18岁，(2)通过颅脑CT或MRI检查确诊；排除标准：(1)院内死亡及转院患者，(2)既往有卒中史患者，(3)入院24h内发生并发症的患者，(4)共患肿瘤、血液病及自身免疫性疾病患者。
3.根据权利要求1或2所述的基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于，所述步骤S2中的临床结构化数据的预处理为：剔除数据中的异常值，将数据中含有缺失值将缺失率超过20％的特征直接删除，缺失率小于20％的特征采用多重插补法进行填充完整；
所述步骤S2中的医学图像数据的预处理步骤为：将所有图像归一化和标准化，并对梗死部位进行ROI标注。
4.根据权利要求3所述的基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于：所述步骤S3中，采用灰度共生矩阵对医学图像的纹理特征进行提取，得到主要特征值，将这些特征值与临床结构化数据的特征进行融合。
5.根据权利要求4所述的基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于，所述步骤S4通过以下公式对述步骤S3融合后的特征进行合成：
式中，i为递归的次数，n与m是前向关系和后向关系的个数，r是rfeat函数的个数，e是efeat函数的个数。
6.根据权利要求5所述的基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于，所述步骤S5对特征进行降维的步骤如下：
S5-1、寻找每个样本点的k个近邻点；
S5-2、由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；
S5-3、由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。
7.根据权利要求1所述的基于多模态融合和DFS-LLE算法的脑卒中院内并发症预测模型，其特征在于：所述步骤S6中分别构建基于深度神经网络、XGboost、logistics回归的脑卒中并发症预测模型，其中模型训练运用十折交叉验证网格搜索最优参数，以AUC值作为评价指标，对比不同预测模型在训练集和测试集上效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111060331.0A CN113724876A (zh) | 2021-09-10 | 2021-09-10 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111060331.0A CN113724876A (zh) | 2021-09-10 | 2021-09-10 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113724876A true CN113724876A (zh) | 2021-11-30 |
Family
ID=78683252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111060331.0A Pending CN113724876A (zh) | 2021-09-10 | 2021-09-10 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724876A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN115240854A (zh) * | 2022-07-29 | 2022-10-25 | 中国医学科学院北京协和医院 | 一种胰腺炎预后数据的处理方法及其系统 |
| CN115274119A (zh) * | 2022-09-30 | 2022-11-01 | 中国医学科学院北京协和医院 | 一种融合多影像组学特征的免疫治疗预测模型的构建方法 |
| CN116309515A (zh) * | 2023-03-31 | 2023-06-23 | 广东省人民医院 | 一种肺部亚厘米结节侵袭性预测模型的构建方法及该诊断模型与诊断器 |
| CN116612886A (zh) * | 2023-05-06 | 2023-08-18 | 广东省人民医院 | 一种脑卒中早期辅助诊断方法、系统、装置及存储介质 |
| CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
| CN116705306A (zh) * | 2023-08-03 | 2023-09-05 | 首都医科大学附属北京天坛医院 | 监测脑卒中的方法、监测脑卒中的装置和存储介质 |
| CN118430819A (zh) * | 2024-07-04 | 2024-08-02 | 南昌大学第二附属医院 | 一种脑卒中预测复发方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101857624B1 (ko) * | 2017-08-21 | 2018-05-14 | 동국대학교 산학협력단 | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 |
| CN110866819A (zh) * | 2019-10-18 | 2020-03-06 | 华融融通（北京）科技有限公司 | 一种基于元学习的自动化信贷评分卡生成方法 |
| CN110993106A (zh) * | 2019-12-11 | 2020-04-10 | 深圳市华嘉生物智能科技有限公司 | 一种结合病理图像和临床信息的肝癌术后复发风险预测方法 |
| CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
| CN111309770A (zh) * | 2020-02-24 | 2020-06-19 | 电子科技大学 | 一种基于无监督机器学习的自动生成规则系统及方法 |
| CN111755118A (zh) * | 2020-03-16 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
| CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
| CN112189238A (zh) * | 2018-05-22 | 2021-01-05 | 皇家飞利浦有限公司 | 执行预后评价 |
| CN112309576A (zh) * | 2020-09-22 | 2021-02-02 | 江南大学 | 基于深度学习ct影像组学的结直肠癌生存期预测方法 |
| CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估系统 |
| CN112991295A (zh) * | 2021-03-12 | 2021-06-18 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
| CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
-
2021
- 2021-09-10 CN CN202111060331.0A patent/CN113724876A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101857624B1 (ko) * | 2017-08-21 | 2018-05-14 | 동국대학교 산학협력단 | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 |
| CN112189238A (zh) * | 2018-05-22 | 2021-01-05 | 皇家飞利浦有限公司 | 执行预后评价 |
| CN110866819A (zh) * | 2019-10-18 | 2020-03-06 | 华融融通（北京）科技有限公司 | 一种基于元学习的自动化信贷评分卡生成方法 |
| CN110993106A (zh) * | 2019-12-11 | 2020-04-10 | 深圳市华嘉生物智能科技有限公司 | 一种结合病理图像和临床信息的肝癌术后复发风险预测方法 |
| CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
| CN111309770A (zh) * | 2020-02-24 | 2020-06-19 | 电子科技大学 | 一种基于无监督机器学习的自动生成规则系统及方法 |
| CN111755118A (zh) * | 2020-03-16 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
| CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
| CN112309576A (zh) * | 2020-09-22 | 2021-02-02 | 江南大学 | 基于深度学习ct影像组学的结直肠癌生存期预测方法 |
| CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估系统 |
| CN112991295A (zh) * | 2021-03-12 | 2021-06-18 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
| CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN115240854A (zh) * | 2022-07-29 | 2022-10-25 | 中国医学科学院北京协和医院 | 一种胰腺炎预后数据的处理方法及其系统 |
| CN115240854B (zh) * | 2022-07-29 | 2023-10-03 | 中国医学科学院北京协和医院 | 一种胰腺炎预后数据的处理方法及其系统 |
| CN115274119A (zh) * | 2022-09-30 | 2022-11-01 | 中国医学科学院北京协和医院 | 一种融合多影像组学特征的免疫治疗预测模型的构建方法 |
| CN116309515A (zh) * | 2023-03-31 | 2023-06-23 | 广东省人民医院 | 一种肺部亚厘米结节侵袭性预测模型的构建方法及该诊断模型与诊断器 |
| CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
| CN116612885B (zh) * | 2023-04-26 | 2024-03-22 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
| CN116612886A (zh) * | 2023-05-06 | 2023-08-18 | 广东省人民医院 | 一种脑卒中早期辅助诊断方法、系统、装置及存储介质 |
| CN116705306A (zh) * | 2023-08-03 | 2023-09-05 | 首都医科大学附属北京天坛医院 | 监测脑卒中的方法、监测脑卒中的装置和存储介质 |
| CN116705306B (zh) * | 2023-08-03 | 2023-10-31 | 首都医科大学附属北京天坛医院 | 监测脑卒中的方法、监测脑卒中的装置和存储介质 |
| CN118430819A (zh) * | 2024-07-04 | 2024-08-02 | 南昌大学第二附属医院 | 一种脑卒中预测复发方法及系统 |
| CN118430819B (zh) * | 2024-07-04 | 2024-09-24 | 南昌大学第二附属医院 | 一种脑卒中预测复发方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113724876A (zh) | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 | |
| Mall et al. | A comprehensive review of deep neural networks for medical image processing: Recent developments and future opportunities | |
| WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| He et al. | Image segmentation algorithm of lung cancer based on neural network model | |
| CN109166105A (zh) | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 | |
| CN112674720B (zh) | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 | |
| Zhang et al. | Multi-task learning with multi-view weighted fusion attention for artery-specific calcification analysis | |
| CN109935321B (zh) | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 | |
| JP2024035070A (ja) | マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム | |
| CN116386860A (zh) | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 | |
| Lv et al. | Development and validation of a clinically applicable deep learning strategy (HONORS) for pulmonary nodule classification at CT: a retrospective multicentre study | |
| CN116597214A (zh) | 基于多模态超图注意网络的阿尔茨海默症分类方法及系统 | |
| Jie et al. | Medical image fusion based on extended difference-of-Gaussians and edge-preserving | |
| CN115984555A (zh) | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 | |
| Lachinov et al. | Learning spatio-temporal model of disease progression with NeuralODEs from longitudinal volumetric data | |
| CN117853547A (zh) | 一种多模态的医学图像配准方法 | |
| CN117524460A (zh) | 基于混合多模态数据和图卷积神经网络的疾病预测系统 | |
| Li et al. | A novel interactive deep cascade spectral graph convolutional network with multi-relational graphs for disease prediction | |
| Huang et al. | Noise ECG generation method based on generative adversarial network | |
| Dhanagopal et al. | An Efficient Retinal Segmentation‐Based Deep Learning Framework for Disease Prediction | |
| CN116128890A (zh) | 一种基于自适应融合模块和跨阶段AU-Net网络的病理细胞图像分割方法及其系统 | |
| CN115512838A (zh) | 一种慢性鼻窦炎术后复发风险预测方法及系统 | |
| Sheng et al. | Modeling nodule growth via spatial transformation for follow-up prediction and diagnosis | |
| CN114693928A (zh) | Octa图像的血管分割方法及成像方法 |
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 |