CN114582494B - 诊断结果分析方法、装置、存储介质及电子设备 - Google Patents
诊断结果分析方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114582494B CN114582494B CN202210201909.8A CN202210201909A CN114582494B CN 114582494 B CN114582494 B CN 114582494B CN 202210201909 A CN202210201909 A CN 202210201909A CN 114582494 B CN114582494 B CN 114582494B
- Authority
- CN
- China
- Prior art keywords
- diagnosis result
- medical
- preset
- feature
- target
- 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.)
- Active
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
- G16H50/20—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
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (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
本申请公开了一种诊断结果分析方法、装置、存储介质及电子设备,包括:获取诊断结果;从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数;基于量化参数,构建用于对所述诊断结果进行解释说明的文本信息。以此,可以解读基于人工智能技术得到的诊断结果,方便用户阅览。
Description
技术领域
本申请涉及医疗技术领域,具体涉及一种诊断结果分析方法、装置、存储介质及电子设备。
背景技术
随着人工智能(英文全称Artificial Intelligence,英文简称AI)的发展,AI在各领域得以广泛适用。比如,在医疗领域,可以进行AI辅助诊断。
传统诊断方式依赖于医生的理论知识和实践经验,但AI诊断基于AI诊断算法,相比较而言,基于AI诊断得到的AI诊断结果难以通过理论知识和实践经验进行解释,也即难以确定AI诊断结果的可靠性,进而影响AI辅助诊断在医疗上的推进。
发明内容
本申请实施例提供一种诊断结果分析方法、装置、存储介质及电子设备,能够对AI诊断结果进行解释说明。
第一方面,本申请实施例提供一种诊断结果分析方法,方法包括:
获取诊断结果;
从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数;
基于量化参数,构建用于对诊断结果进行解释说明的文本信息。
第二方面,本申请实施例还提供一种诊断结果分析装置,包括:
数据获取模块,用于获取诊断结果;
特征量化模块,用于从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数;
结果分析模块,用于基于量化参数,构建用于对诊断结果进行解释说明的文本信息。
第三方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行如本申请任一实施例提供的诊断结果分析方法。
第四方面,本申请实施例还提供一种电子设备,包括处理器和存储器,存储器有计算机程序,处理器通过调用计算机程序,用于执行如本申请任一实施例提供的诊断结果分析方法。
本申请实施例提供的技术方案,通过从诊断结果中识别医学特征,并对医学特征进行量化分析,得到量化参数,通过以量化参数表述每一医学特征,之后基于量化参数构建用于对诊断结果进行解释说明的文本信息,从而实现了对诊断结果的解读,便于根据解释说明数据确定诊断结果的可靠性。
附图说明
为了更清楚地说明本申请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是本申请的一些实施例,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得其他的附图。
图1为本申请实施例提供的诊断结果分析方法的流程示意图。
图2为本申请实施例提供的诊断结果分析装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种诊断结果分析方法,该诊断结果分析方法的执行主体可以是本申请实施例提供的诊断结果分析装置,或者集成了该诊断结果分析装置的电子设备。其中,该诊断结果分析装置可以采用硬件或者软件的方式实现,电子设备可以是电脑、治疗仪、扫描仪、分析仪、检查仪等医疗仪器,也可以是服务器。
请参阅图1,图1为本申请实施例提供的诊断结果分析方法的流程示意图。本申请实施例提供的诊断结果分析方法的具体流程可以如下:
101、获取诊断结果。
其中,诊断结果可为AI诊断结果,即AI诊断报告中对诊断结论部分的描述称为AI诊断结果。
而AI诊断报告包括两个部分,第一部分为病灶发现过程的描述部分,第二部分为诊断结论的描述部分。比如,第二部分的描述内容包括:癌细胞的良恶性;血管钙化严重;肺部结节范围较大等。
可以理解地,不同患者的AI诊断报告不同,且AI诊断报告中的AI诊断结果也存在差异。
102、从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数。
当获取到AI诊断报告中的AI诊断结果之后,从AI诊断结果中识别医学特征,其中,医学特征可指病灶的特征或征象,也可指用于描述病灶的特定指标,且该特定指标为本领域技术人员所熟知的,当然地,医学特征也可指病灶的组学特征等,由于医学特征可涵盖的方式有多种,此处不再列举,只要能够对病灶进行描述即可。另外,AI诊断结果中有关于医学特征的描述部分,从中识别对医学特征的描述内容,即可得到医学特征的量化参数。
比如,AI诊断结果中对良性肺结节的描述内容如下:
形状:管状、扁平,长短径>1.78;
分叶:无或极深度分叶,边界光滑或模糊;
密度:高、均匀或内部脂肪密集;
钙化:中心、层状或爆米花样;
增强:周围血管分布走向如常或绕行;
随访:病灶缩小(密度无增加)或消失、短期内变化、长期不变。
其中,形状、分叶、密度、钙化、增强、随访等可表示良性肺结节的医学特征,在对医学特征进行量化分析时,可将对形状的描述内容量化为S=1,将对分叶的描述内容量化为E=1,将对密度的描述内容量化为P=1,将对钙化的描述内容量化为C=1,将对增强的描述内容量化为EH=1,将对随访的描述内容量化为CH=1。
再比如,AI诊断结果中对恶性肺结节的描述内容如下:
形状:圆形或类圆形、分叶、棘状突起、胸膜凹陷;
分叶:分叶明显,边缘毛刺;
密度:空气支气管征、空泡征、血管集束,部分实性结节(简称PSN)成分比例高;
钙化:少见;
增强:周围血管向病灶聚集或病灶内出现异常增多血管,较大结节强化,对光的吸收率(简称CT值)增加大于20hu;
随访:病灶增大、稳定并密度增加、出现实性成分、缩小但实性成分增加。
在对医学特征进行量化分析时,可将对形状的描述内容量化为S=-1,将对分叶的描述内容量化为E=-1,将对密度的描述内容量化为P=-1,将对钙化的描述内容量化为C=-1,将对增强的描述内容量化为EH=-1,将对随访的描述内容量化为CH=-1。
可以理解地,不同的AI诊断结果中具有不同的医学特征,通过对不同的医学特征进行量化分析,即可得到不同的量化参数。其中,医学特征可为一个,也可为多个,具体视AI诊断结果而定。
基于此,可将AI诊断结果中对医学特征的复杂描述简化为量化参数,其中,量化参数能够表征医学特征,以及对该医学特征的描述文本,从而实现了对AI诊断结果中医学特征的解读,简化对医学特征的描述,便于用户直观了解医学特征的描述内容。
103、基于量化参数,构建用于对诊断结果进行解释说明的文本信息。
当得到量化参数之后,根据量化参数构建用于对诊断结果进行解释说明的文本信息,从而能够以更加专业的文本信息对诊断结果进行解释说明,且能够直观显示解释说明数据中记载的内容,提高了对AI诊断结果的可读性,也增强了对AI诊断结果的表达效果。
其中,文本信息可包括文字、数值、图表、图像等其中的一种或多种。文本信息可以文件、压缩包、链接等形式输出,并存储至电子设备中,或者呈现在电子设备的显示屏上,或者发送至服务器备份,或者发送至其它电子设备,由于输出文本信息之后可执行的操作有多种,此处不再列举,只要能够得到输出的文本信息的任意方式,均可用于本申请实施例中。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
通过本申请实施例中的诊断结果分析方法,能够从AI诊断结果中识别出医学特征,并对医学特征进行量化分析,得到医学特征的量化参数,进而以量化参数构建用于对AI诊断结果进行解释说明的文本信息,从而利于解读AI诊断结果,增强AI诊断结果的可读性,方便用户根据解释说明数据了解AI诊断结果的可靠性,并于推进AI辅助诊断在医疗上的应用。
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
在一些实施例中,量化参数包括量化指标;
从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数,包括:
按照多个预设特征维度,从诊断结果中识别出多个医学特征;
提取每一医学特征的描述文本,并对每一描述文本进行量化处理,得到每一医学特征的量化指标。
其中,从诊断结果中提取描述病灶部分的医学特征,比如,病灶为癌细胞、钙化、结节、血栓等,而不同的病灶对应的医学特征不同,比如,结节的医学特征包括:结节形状、分叶、密度、钙化、增强、随访等。其中,每一医学特征用一个特征维度表示,不同的病灶对应的医学特征不同,也即预设特征维度不同。
当获取到AI诊断结果后,从AI诊断结果中识别出医学特征,并将与每一医学特征关联的描述文本提取出来,以将每一段描述文本转换为对每一医学特征的量化指标。
比如,将描述文本:“钙化程度较为明显”或者“具有明显钙化区域”等转换为量化指标C=1,其中,C表示钙化程度,1表示量化指标。
其中,对每一医学特征的描述文本进行量化,可参照统一标准,以将描述文本存在差异的医学特征通过量化指标进行统一描述。其中,量化指标能够表征某一医学特征以及其对应的病灶情况。以下仍以上述实施例提及的肺结节进行举例:
S1(结节的形状):1(扁平)、-1(圆形)、0(无类别);
S2(结节的长短径比值):1(较高)、-1(较低);
E(分叶样式类型):1(边缘光滑)、-1(边缘毛刺)、0(无明显类别);
P(密度级别):1(高)、-1(低)、0(无特征密度);
C(钙化程度):1(明显)、-1(少见)、0(一般);
EH(增强程度):1(正常)、-1(明显);
CH(变化程度):1(不增)、-1(增大)。
其中,S1表示结节的形状,S2表示结节的长短径比值,E表示分叶样式类型,P表示密度级别,C表示钙化程度,EH表示增强程度,CH表示变化程度。S1、S2、E、P、C、EH、CH的量化指标的取值范围均为[-1,1]。
通过将描述文本转换为量化指标,使得对同一个医学特征的不同文本描述得到规范化处理,便于用户根据量化指标直观了解医学特征。
在一些实施例中,在对医学特征进行量化分析,还可通过预设翻译模型实现,即从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数,包括:
通过预设翻译模型对诊断结果进行处理,得到多个预设特征维度对应的医学特征的量化参数。
即将诊断结果输入预设翻译模型中,预设翻译模型能够从诊断结果中识别出医学特征,以及对医学特征的描述文本,进而将每一描述文本逐一翻译成量化参数,其中,量化参数可为量化指标,即将对医学特征的描述文本转换为一个数值表示。
在一些实施例中,量化参数还包括权重指标,其中,权重指标包括特征权重和专家经验权重中的至少一个;
按照多个预设特征维度,从诊断结果中识别出多个医学特征之后,还包括:
将每一预设特征维度的特征权重,赋予与每一预设维度对应的医学特征;以及,
从预设专家经验数据库中,为每一医学特征匹配专家经验权重。
将每一预设特征维度的预设特征权重,赋予与每一预设特征维度对应的医学特征,得到每一量化指标对应的预设特征权重。
在一实施例中,当量化参数包括预设特征权重时,即将预设特征维度的预设特征权重赋值给对应的医学特征。其中,量化指标用S1、S2、E、P、C、EH、CH表示,而量化指标S1对应的预设特征权重可用K1表示,量化指标S2对应的预设特征权重可用K2表示,量化指标E对应的预设特征权重可用K3表示,量化指标P对应的预设特征权重可用K4表示,量化指标C对应的预设特征权重可用K5表示,量化指标EH对应的预设特征权重可用K6表示,量化指标CH对应的预设特征权重可用K7表示。
而量化参数可表示为:K1*S1+K2*S2+K3*E+K4*P+K5*C+K6*EH+K7*CH
在另一实施例中,当量化参数包括专家经验权重时,每一医学特征的专家经验权重可根据需求从预设专家经验数据库中进行匹配。其中,量化指标用S1、S2、E、P、C、EH、CH表示,而量化指标S1对应的专家经验权重可用f1表示,量化指标S2对应的专家经验权重可用f2表示,量化指标E对应的专家经验权重可用f3表示,量化指标P对应的专家经验权重可用f4表示,量化指标C对应的专家经验权重可用f5表示,量化指标EH对应的专家经验权重可用f6表示,量化指标CH对应的专家经验权重可用f7表示。通过专家经验对不同类型病灶的医学特征设定不同的专家经验权重,能够利于提高对诊断结果分析的准确性。
而量化参数可表示为:f1*S1+f2*S2+f3*E+f4*P+f5*C+f6*EH+f7*CH
在又一实施例中,当量化参数包括预设特征权重和专家经验权重时,量化参数可表示为:
K1*S1*f1+K2*S2*f2+K3*E*f3+K4*P*f4+K5*C*f5+K6*EH*f6+K7*CH*f7
在一些实施例中,得到权重指标的方式也可通过预设翻译模型实现,即通过预设翻译模型对诊断结果进行处理,得到多个预设特征维度对应的医学特征的量化参数。其中,预设翻译模型用于从多个预设特征维度识别诊断结果得到多个医学特征,并对每一医学特征的描述文本进行量化分析,得到每一医学特征的量化指标,以及用于将每一预设特征维度的特征权重,赋予与每一预设特征维度对应的医学特征,以及用于为每一医学特征匹配专家经验权重。
在该实施例中,从预设翻译模型能够翻译出每一医学特征的量化指标和预设特征权重,或者翻译出每一医学特征的量化指标和专家经验参数,又或者,还可翻译出每一医学特征的量化指标、预设特征权重和专家经验参数。具体的实施方式可根据训练得到的预设翻译模型所起的作用而定。
可以理解地,每一医学特征的量化参数均可包含权重项,也可部分包含权重项,其中,部分包含权重项时,也可仅包含预设特征权重和专家经验权重中的至少一种。具体的设定方式可由本领域技术人员根据实际需求而定,此处不再进行限定。
在一些实施例中,基于量化参数,构建用于对诊断结果进行解释说明的文本信息之前,该方法还包括:
从多个权重指标中选取大于预设阈值的目标权重指标;
基于量化参数,构建用于对诊断结果进行解释说明的文本信息,包括:
基于包含有目标权重指标的目标量化参数,构建用于对诊断结果进行解释说明的文本信息。
在该实施例中,通过从多个权重指标中选取目标权重指标,实现对多个医学特征的重要程度进行筛选,仅保留部分重要的医学特征,从而提高了对量化参数进行转换的效率,也加强了文本信息的可读性,使得文本信息的内容简洁、可读性强。
其中,预设阈值可由用户根据实际需求设定,也可根据所有权重指标所处的范围而定,比如,权重指标的范围为[0,4],则可将预设阈值设定为1、2或1.5等数值,进而将多个权重指标中大于预设阈值的作为目标权重指标。
比如,某个量化参数表示为:K5*C,K5=3,C=-1,其中,K5=3表示预设特征权重为3,C=-1C=-1表示“钙化:少见”,而预设阈值为1,则可将该量化参数确定为目标量化参数,以使用在构建文本信息的步骤中。
在一些实施例中,基于包含有目标权重指标的目标量化参数,构建用于对诊断结果进行解释说明的文本信息,包括:
为每一目标量化参数的目标量化指标匹配解释说明文本;
为每一目标权重指标匹配程度词;
根据每一目标量化参数的解释说明文本和程度词,生成对诊断结果的解释说明的文本信息。
在该实施例中,通过将每一目标量化参数转换成统一的解释说明数据,能够便于用户直观了解病灶的类型、程度以及各种参数,实现了对AI诊断结果的解释说明,使得用户能够全方位了解到AI诊断结果的形成过程,从而增强对AI诊断结果可靠性的认知。
在进行转换时,是将目标量化指标转换为解释说明文本,将目标权重指标转换为程度词用于描述医学特征,使得医学特征的特征更加明确。其中,程度词与目标权重指标呈正比,即目标权重指标越大,则程度词指示的程度越高,目标权重指标越小,则程度词指示的程度越低。
比如,目标量化指标为C=1,则可将其转换成解释说明文本为“钙化不明显”,而目标权重指标为K5=4,则可匹配到的程度词可为高,以此,得到的文本信息表述为“钙化不明显程度高”。
通过根据目标量化指标和目标权重指标重新得到对诊断结果进行解释说明的文本信息,可使得对医学特征的描述更为简洁、准确。比如,AI诊断结果指示钙化时为“钙化:中心、层状或爆米花样”,此种方式并不能明确钙化的程度,且较难于理解其表述的意思,通过对其进行量化分析,得到的解释说明文本可为“钙化不明显程度高”。明显地能够准备对钙化这一病灶进行准确表述,且意思简单明了,对于用户而言可读性和可理解性更强。
如上,根据目标量化指标和目标权重指标即可得到用于对诊断结果的进行解释说明的文本信息,其中,文本信息中的解释说明文本可通过文本形式表示。如下:
比如,其中一个报告示例可为:
结节呈圆形程度中等;
钙化不明显程度较高。
再比如,另一个报告示例可为:
结节呈圆形程度中等,以此,可推断结节为恶性。
由于解释说明文本有多种表示方式,当需要对诊断报告进行解释说明时,可选择任意一种方式对目标量化参数进行转换,以方便用户使用。
在一实施例中,目标权重指标可包括预设特征权重。
示例性地,可将K1-K7中权重最高的一个或多个预设特征权重作为目标特征权重,进而根据目标特征权重,及其对应的目标量化指标构建文本信息。
比如,若K1、K4最大,K1=4,其对应的目标量化指标为“S1=-1”,构建的文本信息中关于该部分表述可为”呈圆形的程度较高”;又比如,K4=4,其对应的目标量化指标为“C=-1”,构建的文本信息中关于该部分表述可为“钙化不明显程度较高”。
当然地,也可从K1-K7中选择预设特征权重大于预设权重阈值的权重项,进而以该权重项对应的量化指标填充第二待填充区域。
在另一实施例中,目标权重指标可包括专家经验权重。
同理,也可将f1-f7中权重最高的一个或多个专家经验权重作为目标特征权重,进而根据目标特征权重,及其对应的目标量化指标构建文本信息。具体可参照上述实施例提及的内容,此处不再赘述。
在又一实施例中,目标权重指标可包括专家经验权重和预设特征权重,以从(K1+f1)至(K7+f7)中选择权重最高的一个或多个作为目标权重指标。
在一些实施例中,文本信息还包括可视化图表;
根据每一目标量化参数的解释说明文本和程度词,生成对诊断结果的解释说明的文本信息之前,还包括:
根据每一目标权重指标,生成对诊断结果进行解释说明的可视化图表;
根据每一目标量化参数的解释说明文本和程度词,生成对诊断结果的解释说明的文本信息,包括:
根据可视化图表,以及每一目标量化参数的解释说明文本和程度词,生成对诊断结果的解释说明的文本信息。
其中,可视化图表所能采用的形式包括并不限于表格、柱状图、折线图、饼状图等。在得到每一目标权重指标之后,即可将目标量化指标-目标权重指标以可视化图表方式呈现,使得目标量化参数以图表形式呈现,方便用户阅览。
当然地,可视化图表的数据是可根据目标量化参数的更新而不断调整的,且可视化图表所展示的数据一方面可根据目标量化指标进行调整,另一方面还可根据目标权重指标进行调整,其中,目标权重指标可指专家经验权重和预设特征权重中的至少一个。
在一些实施例中,基于包含有目标权重指标的目标量化参数,构建用于对诊断结果进行解释说明的文本信息之后,方法还包括:
根据预设算术公式对目标量化参数进行处理,得到诊断结果的量化值;
将量化值与预设数值范围进行比较;
当量化值处于预设数值范围内时,判定诊断结果准确,并输出诊断结果准确的提示信息;
当量化值不处于预设数值范围内时,判定诊断结果不准确,并输出诊断结果不准确的提示信息。
在该实施例中,通过预设算术公式对目标量化参数进行数学运算,即可得到对诊断结果的量化值,以通过量化值指示AI诊断结果的准确性,其中,预设算术公式可根据实际需要设定。
示例性地,可仅根据目标量化参数中的目标量化指标进行数学运算,比如,预设算术公式可为线性运算,可表示为:S1+S2+E+P+C+EH+CH=量化值,或者,可表示为:-1+1+0+1+1+(-1)+(-1)=量化值。
其中,预设算术公式还可为非线性运算,可表示为:(S1+S2)*E+P+C+EH*CH=量化值,或者,可表示为:(S1+S2)*E+P+C+EH-CH=量化值,具体的设定方式可视实际需求而定,此处并不进行限定。
示例性地,还可根据目标量化参数中的目标量化指标对应的预设特征权重进行数学运算,比如,当预设算术公式为线性运算时,可表示为K1*S1+K2*S2+K3*E+K4*P+K5*C+K6*EH+K7*CH=量化值,即将每一目标量化指标和其对应的目标预设特征权重求乘积,之后将每个求乘积项相加得到量化值。
当预设算术公式为非线性运算时,可表示为(K1*S1+K2*S2)*K3*E+K4*P+K5*C+K6*EH+K7*CH*CH=量化值,或者,还可表示为:(K1*S1+K2*S2)*K3*E+K4*P+K5*C+K6*EH-K7*CH=量化值等各种方式,具体的设定方式可视实际需求而定,此处并不进行限定。
示例性地,还可根据目标量化参数中的目标量化指标对应的专家经验权重进行数学运算,可表示为f1*S1+f2*S2+f3*E+f4*P+f5*C+f6*EH+f7*CH=量化值,或者,也可表示为:(f1*S1+f2*S2)*f3*E+f4*P+f5*C+f6*EH+f7*CH*CH=量化值,以及:(f1*S1+f2*S2)*f3*E+f4*P+f5*C+f6*EH-f7*CH=量化值等各种方式,具体的设定方式可视实际需求而定,此处并不进行限定。
示例性地,还可根据目标量化参数中的目标量化指标对应的专家经验权重和预设特征权重进行数学运算,可表示为:(K1+f1)*S1+(K2+f2)*S2+(K3+f3)*E+(K4+f4)*P+(K5+f5)*C+(K6+f6)*EH+(K7+f7)*CH=量化值,或者,还可表示为:(K1**S1+K2*S2)*f1+(K3+f3)*E+K4*P+K5*C+(K6+f6)*EH+K7*f7*CH=量化值等,可以理解地,预设特征权重和专家经验权重作为权重项,可进行任意的排列组合,由于实施方式有多种,此处不再列举,具体的设定方式可视实际需求而定。
当得到量化值之后,可根据预设算术公式、目标量化参数、量化值等其中的一项或多项生成解释说明文本,比如,该报告示例可如下:
报告内容为:
结节呈圆形程度高;
结节的长短径比值较低;
分叶不明显程度高;
密度较低;
钙化不明显程度高;
增强程度正常;
变化程度正常。
算术表示式为:(1+3)*(-1)+(1+1)*(-1)+(2+2)*0+(2+1)*(-1)+(2+3)*(-1)+(1+1)*1+(1+1)*0=-12
结论为:结节恶性。
在本实施例中,得到量化值之后,还将量化值与该诊断结果中病灶对应的预设数值范围进行比较,当量化值处于预设数值范围则说明诊断结果符合预期,诊断结果是正确的,输出诊断结果准确的提示信息,否则,说明诊断结果不准确,输出诊断结果不准确的提示信息。其中,输出提示信息可随着文本信息一起输出至电子设备、其它电子设备或服务器等。而提示信息的提示方式可以文字形式表述、语音形式表述等,当然地,也可载入文本信息中,作为文本信息的一部分。
比如,当诊断结果中是对恶性肺结节的相关描述,而通过计算得到量化值之后,量化值为-12,而恶性肺结节对应的数值范围为[-15,15],-12处于该数值范围,则说明诊断结果准确,则文本信息可表示的报告示例中关于结论的部分可为:结节为恶性。
在一些实施例中,上述得到文本信息中包括的解释说明文本、可视化图表以及量化值中的至少一种,可通过预设组学模型处理得到,具体可视训练得到的预设组学模型所能实现的功能而定。其中,基于包含有目标权重指标的目标量化参数,构建用于对诊断结果进行解释说明的文本信息,包括:
通过预设组学模型对每一目标量化参数进行处理,得到对诊断结果的解释说明的文本信息,其中,预设组学模型用于将每一目标量化参数转换为具有程度词的解释说明文本,
或者,预设组学模型用于根据每一目标量化参数的目标权重指标,生成可视化图表;
或者,预设组学模型用于根据预设算术公式对目标量化参数进行处理,得到量化值,并将量化值与预设数值范围进行比较,当量化值处于预设数值范围内时,判定诊断结果准确,并输出诊断结果准确的提示信息;当量化值不处于预设数值范围内时,判定诊断结果不准确,并输出诊断结果不准确的提示信息。
在一些实施例中,该方法还包括:
获取训练集,训练集包括多个样本诊断结果;
将多个样本诊断结果输入预设翻译模型中,得到样本诊断结果的样本参数;
将样本参数输入预设组学模型中,得到对样本诊断结果的预测值;
根据样本诊断结果的实际值与预测值,确定损失值;
根据损失值调整预设翻译模型的模型参数,直至模型收敛。
如上,可通过预设翻译模型得到每一医学特征的量化参数,其中,量化参数包括量化指标,或者包括量化指标和权重指标,而权重指标包括预设特征权重和专家经验权重中的至少一个。
在通过预设翻译模型得到如上量化指标及其对应的权重指标之前,还包括对预设翻译模型进行训练的过程,通过训练得到翻译模型,即可实现对诊断结果中的医学特征进行翻译,其中,训练过程如下:
通过将训练集中的样本诊断结果输入预设翻译模型中,即可得到每一样本诊断结果的样本参数,其中,样本参数指的是量化参数,之后通过预设组学模型对每一样本参数进行处理,即可得到对每一样本参数的预测值。其中,每一样本诊断结果具有一个实际值,通过对预测值和实际值求差值,以将差值作为损失值调节预设翻译模型的模型参数,使得损失值最小,进而得到训练好的预设翻译模型。
由上可知,本发明实施例提出的诊断结果分析方法,能够通过翻译模型从诊断结果中识别出对医学特征的描述文本,进而对描述文本进行量化分析得到量化指标,还可以通过翻译模型翻译得到每一医学特征的权重指标,进而通过预设组学模型对每一量化参数中的量化指标和权重指标进行处理,以构建用于对诊断结果进行解释说明的文本信息,且文本信息可以文本、图表或算术表达式等多种方式构建,从而以图文结合的方式对AI诊断报告中的诊断结果进行简洁化表述,方便用户直观了解AI诊断的原理及过程,使得AI诊断具有可靠性的表述,再者,还可根据解释说明数据判定AI诊断结果是否准确,以便于用户使用。
在一实施例中还提供一种诊断结果分析装置200。请参阅图2,图2为本申请实施例提供的诊断结果分析装置200的结构示意图。其中该诊断结果分析装置200应用于电子设备,该诊断结果分析装置200:
数据获取模块201,用于获取诊断结果;
特征量化模块202,用于从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数;
结果分析模块203,用于基于量化参数,构建用于对诊断结果进行解释说明的文本信息。
在一些实施例中,特征量化模块202还用于:
按照多个预设特征维度,从诊断结果中识别出多个医学特征;
提取每一医学特征的描述文本,并对每一描述文本进行量化处理,得到每一医学特征的量化指标。
在一些实施例中,量化参数还包括权重指标,权重指标包括特征权重和专家经验权重中的至少一个;
按照多个预设特征维度,从诊断结果中识别出多个医学特征之后,特征量化模块202还用于:
将每一预设特征维度的特征权重,赋予与每一预设维度对应的医学特征;以及,
从预设专家经验数据库中,为每一医学特征匹配专家经验权重。
在一些实施例中,量化参数包括量化指标及权重指标,权重指标包括特征权重和专家经验权重中的至少一个;特征量化模块202还用于:
通过预设翻译模型对诊断结果进行处理,得到多个预设特征维度对应的医学特征的量化参数,其中,预设翻译模型用于从多个预设特征维度识别诊断结果得到多个医学特征,并对每一医学特征的描述文本进行量化分析,得到每一医学特征的量化指标,以及用于将每一预设特征维度的特征权重,赋予与每一预设特征维度对应的医学特征,以及用于为每一医学特征匹配专家经验权重。
在一些实施例中,基于量化参数,构建用于对诊断结果进行解释说明的文本信息之前,结果分析模块203还用于:
从多个权重指标中选取大于预设阈值的目标权重指标;
基于包含有目标权重指标的目标量化参数,构建用于对诊断结果进行解释说明的文本信息。
在一些实施例中,结果分析模块203还用于:
为每一目标量化参数的目标量化指标匹配解释说明文本;
为每一目标权重指标匹配程度词;
根据每一目标量化参数的解释说明文本和程度词,生成对诊断结果的解释说明的文本信息。
在一些实施例中,文本信息还包括可视化图表;结果分析模块203还用于:
根据每一目标权重指标,生成对诊断结果进行解释说明的可视化图表;
根据可视化图表,以及每一目标量化参数的解释说明文本和程度词,生成对诊断结果的解释说明的文本信息。
在一些实施例中,结果分析模块203还用于:
通过预设组学模型对每一目标量化参数进行处理,得到对诊断结果的解释说明的文本信息,其中,预设组学模型用于将每一目标量化参数转换为具有程度词的解释说明文本,以及用于根据每一目标量化参数的目标权重指标,生成可视化图表。
在一些实施例中,基于包含有目标权重指标的目标量化参数,构建用于对诊断结果进行解释说明的文本信息之后,结果分析模块203还用于:
根据预设算术公式对目标量化参数进行处理,得到诊断结果的量化值;
将量化值与预设数值范围进行比较;
当量化值处于预设数值范围内时,判定诊断结果准确,并输出诊断结果准确的提示信息;
当量化值不处于预设数值范围内时,判定诊断结果不准确,并输出诊断结果不准确的提示信息。
在一些实施例中,特征量化模块202还用于:
获取训练集,训练集包括多个样本诊断结果;
将多个样本诊断结果输入预设翻译模型中,得到样本诊断结果的样本参数;
将样本参数输入预设组学模型中,得到对样本诊断结果的预测值;
根据样本诊断结果的实际值与预测值,确定损失值;
根据损失值调整预设翻译模型的模型参数,直至模型收敛。
应当说明的是,本申请实施例提供的诊断结果分析装置200与上文实施例中的诊断结果分析方法属于同一构思,通过该诊断结果分析装置200可以实现诊断结果分析方法实施例中提供的任一方法,其具体实现过程详见诊断结果分析方法实施例,此处不再赘述。
由上可知,本申请实施例提出的诊断结果分析装置200,能够通过翻译模型从诊断结果中识别出对医学特征的描述文本,进而对描述文本进行量化分析得到量化指标,还可以通过翻译模型翻译得到每一医学特征的权重指标,进而通过预设组学模型对每一量化参数中的量化指标和权重指标进行处理,以构建用于对诊断结果进行解释说明的文本信息,且文本信息可以文本、图表或算术表达式等多种方式构建,从而以图文结合的方式对AI诊断报告中的诊断结果进行简洁化表述,方便用户直观了解AI诊断的原理及过程,使得AI诊断具有可靠性的表述,再者,还可根据解释说明数据判定AI诊断结果是否准确,以便于用户使用。
本申请实施例还提供一种电子设备300,该电子设备300可以是电脑、治疗仪、扫描仪、分析仪、检查仪等医疗仪器,也可以是服务器。如图3所示,图3为本申请实施例提供的电子设备300的结构示意图。该电子设备300包括有一个或者一个以上处理核心的处理器301、有一个或一个以上计算机可读存储介质的存储器302及存储在存储器302上并可在处理器上运行的计算机程序。其中,处理器301与存储器302电性连接。本领域技术人员可以理解,图中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备300的各个部分,通过运行或加载存储在存储器302内的软件程序和/或模块,以及调用存储在存储器302内的数据,执行电子设备300的各种功能和处理数据,从而对电子设备300进行整体监控。
在本申请实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的应用程序,从而实现各种功能:
获取诊断结果;
从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数;
基于量化参数,构建用于对诊断结果进行解释说明的文本信息。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
由上可知,本实施例提供的电子设备,能够通过翻译模型从诊断结果中识别出对医学特征的描述文本,进而对描述文本进行量化分析得到量化指标,还可以通过翻译模型翻译得到每一医学特征的权重指标,进而通过预设组学模型对每一量化参数中的量化指标和权重指标进行处理,以构建用于对诊断结果进行解释说明的文本信息,且文本信息可以文本、图表或算术表达式等多种方式构建,从而以图文结合的方式对AI诊断报告中的诊断结果进行简洁化表述,方便用户直观了解AI诊断的原理及过程,使得AI诊断具有可靠性的表述,再者,还可根据解释说明数据判定AI诊断结果是否准确,以便于用户使用。
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可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,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,的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括如下步骤:
获取诊断结果;
从诊断结果中提取医学特征,并对医学特征进行量化分析,得到医学特征的量化参数;
基于量化参数,构建用于对诊断结果进行解释说明的文本信息。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
上述的存储介质可以为ROM/RAM、磁碟、光盘等。由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种诊断结果分析方法中的步骤,因此,可以实现本申请实施例所提供的任一种诊断结果分析方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种诊断结果分析方法、装置、介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (13)
1.一种诊断结果分析方法,其特征在于,所述方法包括:
获取诊断结果;
从所述诊断结果中提取属于病灶的医学特征的描述文本,并对所述描述文本进行量化分析,得到所述医学特征的量化参数,所述量化参数包括量化指标和权重指标,所述描述文本与所述量化参数用于在不同维度根据所述医学特征描述所述病灶;
确定所述权重指标对应的程度词以及所述量化指标对应的解释说明文本,并根据所述解释说明文本以及所述程度词,构建用于对所述诊断结果进行解释说明的文本信息。
2.根据权利要求1所述的方法,其特征在于,所述从所述诊断结果中提取属于病灶的医学特征的描述文本,并对所述描述文本进行量化分析,得到所述医学特征的量化参数,包括:
按照多个预设特征维度,从所述诊断结果中识别出属于病灶的多个医学特征;
从所述诊断结果中提取每一所述医学特征的描述文本;
对每一所述医学特征的描述文本进行量化分析,得到每一所述医学特征的量化参数。
3.根据权利要求2所述的方法,其特征在于,所述权重指标包括特征权重和专家经验权重;
所述对每一所述医学特征的描述文本进行量化分析,得到每一所述医学特征的量化指标参数,包括:
对每一所述医学特征的描述文本进行量化处理,得到每一所述医学特征的量化指标;
将每一所述预设特征维度的特征权重,赋予与每一所述预设维度对应的医学特征;以及,
从预设专家经验数据库中,为每一所述医学特征匹配专家经验权重。
4.根据权利要求1所述的方法,其特征在于,所述从所述诊断结果中提取属于病灶的医学特征的描述文本,并对所述描述文本进行量化分析,得到所述医学特征的量化参数,包括:
通过预设翻译模型对所述诊断结果进行处理,得到多个预设特征维度对应的医学特征的量化参数,其中,所述预设翻译模型用于根据多个预设特征维度从所述诊断结果中出识别属于病灶的多个医学特征,并对每一所述医学特征的描述文本进行量化分析,得到每一所述医学特征的量化指标,以及将每一所述预设特征维度的特征权重,赋予与每一所述预设特征维度对应的医学特征,以及为每一所述医学特征匹配专家经验权重。
5.根据权利要求3所述的方法,其特征在于,所述确定所述权重指标对应的程度词以及所述量化指标对应的解释说明文本,包括:
从多个权重指标中选取大于预设阈值的目标权重指标;
确定每一所述目标权重指标对应的目标量化指标;
确定每一所述目标权重指标对应的目标程度词,以及每一所述目标量化指标对应的目标解释说明文本。
6.根据权利要求5所述的方法,其特征在于,所述根据所述解释说明文本以及所述程度词,构建用于对所述诊断结果进行解释说明的文本信息,包括:
根据每一所述目标程度词及其对应的目标解释说明文本,构建用于对所述诊断结果进行解释说明的文本信息。
7.根据权利要求6所述的方法,其特征在于,所述文本信息还包括可视化图表;
所述根据每一所述目标程度词及其对应的目标解释说明文本,构建用于对所述诊断结果进行解释说明的文本信息,包括:
根据每一所述目标权重指标,生成对所述诊断结果进行解释说明的可视化图表;
根据所述可视化图表,以及每一所述目标程度词及其对应的目标解释说明文本,构建用于对所述诊断结果进行解释说明的文本信息。
8.根据权利要求5所述的方法,其特征在于,所述确定每一所述目标权重指标对应的目标量化指标之后,还包括:
通过预设组学模型对每一所述目标权重指标及其对应的目标量化指标进行处理,得到对所述诊断结果进行解释说明的文本信息,其中,所述预设组学模型用于将每一所述目标权重指标及其对应的目标量化指标转换为具有程度词的解释说明文本,以及用于根据每一所述目标权重指标,生成可视化图表。
9.根据权利要求6至8任一项所述的方法,其特征在于,所述根据所述解释说明文本以及所述程度词,构建用于对所述诊断结果进行解释说明的文本信息之后,所述方法还包括:
根据预设算术公式对每一所述目标权重指标及其对应的目标量化指标进行处理,得到所述诊断结果的量化值;
将所述量化值与预设数值范围进行比较;
当所述量化值处于所述预设数值范围内时,判定所述诊断结果准确,并输出所述诊断结果准确的提示信息;
当所述量化值不处于所述预设数值范围内时,判定所述诊断结果不准确,并输出所述诊断结果不准确的提示信息。
10.根据权利要求1所述的方法,其特征在于, 所述方法还包括:
获取训练集,所述训练集包括多个样本诊断结果;
将所述多个样本诊断结果输入预设翻译模型中,得到所述样本诊断结果的样本参数;
将所述样本参数输入预设组学模型中,得到对所述样本诊断结果的预测值;
根据所述样本诊断结果的实际值与所述预测值,确定损失值;
根据所述损失值调整所述预设翻译模型的模型参数,直至模型收敛。
11.一种诊断结果分析装置,其特征在于,包括:
数据获取模块,用于获取诊断结果;
特征量化模块,用于从所述诊断结果中提取属于病灶的医学特征的描述文本,并对所述描述文本进行量化分析,得到所述医学特征的量化参数,所述量化参数包括量化指标和权重指标,所述描述文本与所述量化参数用于在不同维度根据所述医学特征描述所述病灶;
结果分析模块,用于确定所述权重指标对应的程度词以及所述量化指标对应的解释说明文本,并根据所述解释说明文本以及所述程度词,构建用于对所述诊断结果进行解释说明的文本信息。
12.一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,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至10任一项所述的诊断结果分析方法。
13.一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至10任一项所述的诊断结果分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201909.8A CN114582494B (zh) | 2022-03-03 | 2022-03-03 | 诊断结果分析方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201909.8A CN114582494B (zh) | 2022-03-03 | 2022-03-03 | 诊断结果分析方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114582494A CN114582494A (zh) | 2022-06-03 |
CN114582494B true CN114582494B (zh) | 2022-11-15 |
Family
ID=81771562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201909.8A Active CN114582494B (zh) | 2022-03-03 | 2022-03-03 | 诊断结果分析方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114582494B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796405B (zh) * | 2023-02-03 | 2023-05-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 针对优化模型的求解报告生成方法及计算设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN110021439A (zh) * | 2019-03-07 | 2019-07-16 | 平安科技(深圳)有限公司 | 基于机器学习的医疗数据分类方法、装置和计算机设备 |
CN111950303A (zh) * | 2020-10-19 | 2020-11-17 | 平安科技(深圳)有限公司 | 医疗文本翻译方法、装置及存储介质 |
CN112712868A (zh) * | 2020-12-30 | 2021-04-27 | 杭州依图医疗技术有限公司 | 医学数据的分析方法、装置及存储介质 |
CN113590396A (zh) * | 2021-07-23 | 2021-11-02 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷诊断方法、系统、电子设备及存储介质 |
CN113705228A (zh) * | 2020-05-22 | 2021-11-26 | 中金慈云健康科技有限公司 | 基于自然语言处理的医学诊断文本分析标注方法 |
CN113780006A (zh) * | 2021-09-27 | 2021-12-10 | 广州金域医学检验中心有限公司 | 医学语义匹配模型的训练方法、医学知识匹配方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2750347C (en) * | 2009-02-06 | 2017-07-18 | Universite Laval | Methods and apparatuses for quantitatively determining the likelihood of a disease |
TWI614624B (zh) * | 2017-04-24 | 2018-02-11 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
CN112242185A (zh) * | 2020-09-09 | 2021-01-19 | 山东大学 | 基于深度学习的医学图像报告自动生成方法及系统 |
-
2022
- 2022-03-03 CN CN202210201909.8A patent/CN114582494B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN110021439A (zh) * | 2019-03-07 | 2019-07-16 | 平安科技(深圳)有限公司 | 基于机器学习的医疗数据分类方法、装置和计算机设备 |
CN113705228A (zh) * | 2020-05-22 | 2021-11-26 | 中金慈云健康科技有限公司 | 基于自然语言处理的医学诊断文本分析标注方法 |
CN111950303A (zh) * | 2020-10-19 | 2020-11-17 | 平安科技(深圳)有限公司 | 医疗文本翻译方法、装置及存储介质 |
CN112712868A (zh) * | 2020-12-30 | 2021-04-27 | 杭州依图医疗技术有限公司 | 医学数据的分析方法、装置及存储介质 |
CN113590396A (zh) * | 2021-07-23 | 2021-11-02 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷诊断方法、系统、电子设备及存储介质 |
CN113780006A (zh) * | 2021-09-27 | 2021-12-10 | 广州金域医学检验中心有限公司 | 医学语义匹配模型的训练方法、医学知识匹配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114582494A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Automatic detection of atrial fibrillation based on continuous wavelet transform and 2D convolutional neural networks | |
CN107247881B (zh) | 一种多模态智能分析方法及系统 | |
CN110097951B (zh) | 根据医学文本报告的图像生成 | |
CN110910982A (zh) | 自编码模型训练方法、装置、设备及存储介质 | |
US11341333B2 (en) | Natural language sentence generation for radiology | |
CN116756579B (zh) | 大语言模型的训练方法及基于大语言模型的文本处理方法 | |
CN110427486B (zh) | 身体病况文本的分类方法、装置及设备 | |
CN103189858A (zh) | 在文本输入期间建议相关术语 | |
CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
CN114582494B (zh) | 诊断结果分析方法、装置、存储介质及电子设备 | |
Nugroho et al. | Effective predictive modelling for coronary artery diseases using support vector machine | |
CN113539253B (zh) | 一种基于认知评估的音频数据处理方法和装置 | |
Gillies et al. | Theme and topic: How qualitative research and topic modeling can be brought together | |
JP2021149935A (ja) | 情報処理装置および方法 | |
CN113069115B (zh) | 一种情绪识别方法、电子设备及存储介质 | |
Liu et al. | YOLO-Angio: An Algorithm for Coronary Anatomy Segmentation | |
CN111724873A (zh) | 一种数据处理方法及装置 | |
Brelstaff et al. | Bag of peaks: interpretation of nmr spectrometry | |
Penteado et al. | Cardiopulmonary Exercise Testing Data Processing and Storage Tools | |
CN116759079B (zh) | 基于多特征融合的出血转化判定方法、装置、介质及终端 | |
Wang et al. | Feature Impact Assessment: A New Score to Identify Relevant Metabolomics Features in Artificial Neural Networks | |
CN113476058B (zh) | 对抑郁症患者的干预处理方法、装置、终端及介质 | |
CN116487038B (zh) | 轻度认知障碍向阿尔茨海默发展的预测系统和存储介质 | |
CN112925876B (zh) | 跨场地迁移的结构化病历的处理方法、装置、介质及设备 | |
CN118053590A (zh) | 一种医学检验指标解读方法、装置、设备及介质 |
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 |