CN114582496A - 一种常见妇科疾病预测模型构建方法和预测系统 - Google Patents

一种常见妇科疾病预测模型构建方法和预测系统 Download PDF

Info

Publication number
CN114582496A
CN114582496A CN202210207149.1A CN202210207149A CN114582496A CN 114582496 A CN114582496 A CN 114582496A CN 202210207149 A CN202210207149 A CN 202210207149A CN 114582496 A CN114582496 A CN 114582496A
Authority
CN
China
Prior art keywords
module
prediction
data
data set
model
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.)
Withdrawn
Application number
CN202210207149.1A
Other languages
English (en)
Inventor
杨帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
West China Second University Hospital of Sichuan University
Original Assignee
West China Second University Hospital of Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by West China Second University Hospital of Sichuan University filed Critical West China Second University Hospital of Sichuan University
Priority to CN202210207149.1A priority Critical patent/CN114582496A/zh
Publication of CN114582496A publication Critical patent/CN114582496A/zh
Withdrawn legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于疾病预测技术领域，公开了一种常见妇科疾病预测模型构建方法和预测系统，所述常见妇科疾病预测模型预测系统包括：数据获取模块、数据集构建模块、数据预处理模块、中央控制模块、疾病预测模型构建模块、预测模型训练模块、疾病预测模块、预测评估模块、云存储模块、更新显示模块。本发明通过通过填充算法、预测非线性关系以及对预测数据集进行数据提取，提高预测结果的精准度和可靠性；采用样本子集分别对支持向量机进行训练，提高支持向量机的预测精度；基于常见妇科疾病样本、检查项目的基础标准通过计算获取可能的概率，再结合临床症状特征进行选择和匹配，实现常见妇科疾病的快速筛查和智能诊断，解决妇女遇到的各种实际问题。

Description

一种常见妇科疾病预测模型构建方法和预测系统
技术领域
本发明属于疾病预测技术领域，尤其涉及一种常见妇科疾病预测模型构建方法和预测系统。
背景技术
目前，根据世界卫生组织(WHO)的调查显示，我国有96％以上的已婚妇女患有不同程度的妇科疾病，常见的妇科病发病率在87.6％以上。其中妇女宫颈癌的发病率占世界的1/3左右。现实生活中，很多女性对自身身体以及妇科疾病缺乏足够的了解和认识。
目前超声、磁共振、计算机断层扫描、阴道镜、宫腔镜等影像技术以及液基细胞学、基因检测、白带分析、宫颈切片等技术是妇科病特别是妇科疾病恶性肿瘤筛查、诊断、分期、疗效评估、治疗以及随访的重要手段。这些检查基本都依赖于各种设备和条件以及医生个人临床经验，易造成误诊和漏诊不说，而且筛查、诊断、定性的时间比较长。随着不断增加的工作量和迫在眉睫的医生短缺，常见妇科疾病自查、评估与预测需要一种更简单、快捷、智能，同时不受各种主、客观条件限制的替代品，从而改变上述技术和方法因受主客观条件限制、诊断定性时间较长、而且不准确导致处置工作陷于被动局面的系统。
通过上述分析，现有技术存在的问题及缺陷为：目前的检查基本都依赖于各种设备和条件以及医生个人临床经验，易造成误诊和漏诊不说，而且筛查、诊断、定性的时间比较长。
发明内容
针对现有技术存在的问题，本发明提供了一种常见妇科疾病预测模型构建方法和预测系统。
本发明是这样实现的，一种常见妇科疾病预测模型预测系统，所述常见妇科疾病预测模型预测系统包括：
数据获取模块、数据集构建模块、数据预处理模块、中央控制模块、疾病预测模型构建模块、预测模型训练模块、疾病预测模块、预测评估模块、云存储模块、更新显示模块。
数据获取模块，与中央控制模块连接，用于通过数据获取设备获取妇科疾病患者的医疗特征数据，所述医疗特征数据包括患者的检查项目、检查指标、电子病历数据以及生理参数样本数据；
数据集构建模块，与中央控制模块连接，用于通过数据集构建程序根据获取的医疗特征数据进行病理数据集和模型数据集的构建；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集；
中央控制模块，与数据获取模块、数据集构建模块、数据预处理模块、疾病预测模型构建模块、预测模型训练模块、疾病预测模块、预测评估模块、云存储模块、更新显示模块连接，用于通过中央处理器协调控制所述常见妇科疾病预测模型预测系统各个模块的正常运行；
疾病预测模型构建模块，与中央控制模块连接，用于通过模型构建程序进行妇科疾病预测模型的构建；
预测模型训练模块，与中央控制模块连接，用于通过模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型；
疾病预测模块，与中央控制模块连接，用于通过构建得到的最终的妇科疾病预测模型对妇科疾病进行预测；
预测评估模块，与中央控制模块连接，用于通过评估程序对妇科疾病预测结果进行评估，获得最佳的妇科疾病的治疗方案；
云存储模块，与中央控制模块连接，用于通过云数据库服务器存储采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案；
更新显示模块，与中央控制模块连接，用于通过显示器对采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案的实时数据进行更新显示。
本发明的另一目的在于提供一种应用所述的常见妇科疾病预测模型预测系统的常见妇科疾病预测模型构建方法，所述常见妇科疾病预测模型构建方法包括以下步骤：
步骤一，通过数据获取模块利用数据获取设备获取妇科疾病患者的医疗特征数据，所述医疗特征数据包括患者的检查项目、检查指标、电子病历数据以及生理参数样本数据；
步骤二，通过数据集构建模块利用数据集构建程序根据获取的医疗特征数据进行病理数据集和模型数据集的构建；通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集；
步骤三，通过中央控制模块利用中央处理器协调控制所述常见妇科疾病预测模型预测系统各个模块的正常运行；通过疾病预测模型构建模块利用模型构建程序进行妇科疾病预测模型的构建；
步骤四，通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型；
步骤五，通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测；通过预测评估模块利用评估程序对妇科疾病预测结果进行评估，获得最佳的妇科疾病的治疗方案；
步骤六，通过云存储模块利用云数据库服务器存储采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案；
步骤七，通过更新显示模块利用显示器对采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案的实时数据进行更新显示。
进一步，步骤一中，所述患者的检查项目包括B超检查指标、白带分析指标、宫腔镜检查指标、临床症状指标和具体妇科病概念、知识和名称。
进一步，步骤二中，所述通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集，包括：
(1)通过数据预处理模块建立病理数据集和模型数据集的非线性关系，并将所述病理数据集与所述模型数据集建立映射关系；
(2)基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配，得到过滤数据集；
(3)利用数据预处理程序对所述过滤数据集进行填充，得到标准数据集；利用所述非线性关系对所述标准数据集进行泛化，得到预测数据集。
进一步，步骤(1)中，通过网格搜索方法对所述病理数据集和模型数据集分别进行超参数调整，得到所述病理数据集和模型数据集的非线性关系。
进一步，步骤四中，所述通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型，包括：
(1)通过预测模型训练模块根据分组规则对预测数据集进行分组；
(2)根据分组数据对预测模型的贡献值进行筛选；
(3)利用模型训练程序对筛选后的每组分组数据进行支持向量机的迭代训练，直至获得最终的妇科疾病预测模型。
进一步，步骤(2)中，所述根据分组数据对预测模型的贡献值进行筛选，包括：
|m_p(xi)-y(xi)|≥ET；
其中，m_p(xi)表示使用所有预测数据集得到的稀疏模型对预测数据集xi的预测值，y(xi)是预测数据集xi对应的标签值，ET为贡献值阈值；其中，所述标签值为事先根据预测数据集获得的正确值。
进一步，步骤五中，所述通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测，包括：
(1)根据患者医疗特征数据推断每个检查项目发病的概率，建立检查项目指标数据的概率和临床症状概率的数据库；
(2)通过疾病预测模块对所述数据库进行特征提取，利用归一化后的疾病相关性矩阵计算患者疾病相似度；
(3)利用构建得到的最终的妇科疾病预测模型对目标患者的临床症状进行选择和匹配，预测目标患者的患病概率。
进一步，步骤(2)中，所述对数据库进行特征提取包括提取数值的正常参考区间值和异常范参考区间值。
进一步，步骤(2)中，所述利用归一化后的疾病相关性矩阵计算患者疾病相似度，包括：
1)利用满足置信度要求并选取关联规则构建疾病对计数矩阵；
2)利用疾病相关性矩阵按照元素除以疾病对计数矩阵进行归一化处理，获得归一化后的疾病相关性矩阵；
3)利用归一化后的疾病相关性矩阵计算患者特征与数据库相关病症特征数据的相似度。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的常见妇科疾病预测模型构建方法，通过通过填充算法、预测非线性关系以及对预测数据集进行的数据提取，能够进一步提高预测结果的精准度和可靠性；采用样本子集分别对支持向量机进行训练，避免了由于人体生理参数样本数据的复杂性，提高了支持向量机的预测精度；基于常见妇科疾病样本、检查项目的基础标准通过计算获取可能的概率，再结合临床症状特征进行选择和匹配，可以实现常见妇科疾病的快速筛查和智能诊断，解决妇女实际生活、工作中遇到的各种实际问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的常见妇科疾病预测模型预测系统结构框图；
图中：1、数据获取模块；2、数据集构建模块；3、数据预处理模块；4、中央控制模块；5、疾病预测模型构建模块；6、预测模型训练模块；7、疾病预测模块；8、预测评估模块；9、云存储模块；10、更新显示模块。
图2是本发明实施例提供的常见妇科疾病预测模型构建方法流程图。
图3是本发明实施例提供的通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集的方法流程图。
图4是本发明实施例提供的通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型的方法流程图。
图5是本发明实施例提供的通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种常见妇科疾病预测模型构建方法及预测系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的常见妇科疾病预测模型预测系统包括：数据获取模块1、数据集构建模块2、数据预处理模块3、中央控制模块4、疾病预测模型构建模块5、预测模型训练模块6、疾病预测模块7、预测评估模块8、云存储模块9、更新显示模块10。
数据获取模块1，与中央控制模块4连接，用于通过数据获取设备获取妇科疾病患者的医疗特征数据，所述医疗特征数据包括患者的检查项目、检查指标、电子病历数据以及生理参数样本数据；
数据集构建模块2，与中央控制模块4连接，用于通过数据集构建程序根据获取的医疗特征数据进行病理数据集和模型数据集的构建；
数据预处理模块3，与中央控制模块4连接，用于通过数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集；
中央控制模块4，与数据获取模块1、数据集构建模块2、数据预处理模块3、疾病预测模型构建模块5、预测模型训练模块6、疾病预测模块7、预测评估模块8、云存储模块9、更新显示模块10连接，用于通过中央处理器协调控制所述常见妇科疾病预测模型预测系统各个模块的正常运行；
疾病预测模型构建模块5，与中央控制模块4连接，用于通过模型构建程序进行妇科疾病预测模型的构建；
预测模型训练模块6，与中央控制模块4连接，用于通过模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型；
疾病预测模块7，与中央控制模块4连接，用于通过构建得到的最终的妇科疾病预测模型对妇科疾病进行预测；
预测评估模块8，与中央控制模块4连接，用于通过评估程序对妇科疾病预测结果进行评估，获得最佳的妇科疾病的治疗方案；
云存储模块9，与中央控制模块4连接，用于通过云数据库服务器存储采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案；
更新显示模块10，与中央控制模块4连接，用于通过显示器对采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案的实时数据进行更新显示。
如图2所示，本发明实施例提供的常见妇科疾病预测模型构建方法包括以下步骤：
S101，通过数据获取模块利用数据获取设备获取妇科疾病患者的医疗特征数据，所述医疗特征数据包括患者的检查项目、检查指标、电子病历数据以及生理参数样本数据；
S102，通过数据集构建模块利用数据集构建程序根据获取的医疗特征数据进行病理数据集和模型数据集的构建；通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集；
S103，通过中央控制模块利用中央处理器协调控制所述常见妇科疾病预测模型预测系统各个模块的正常运行；通过疾病预测模型构建模块利用模型构建程序进行妇科疾病预测模型的构建；
S104，通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型；
S105，通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测；通过预测评估模块利用评估程序对妇科疾病预测结果进行评估，获得最佳的妇科疾病的治疗方案；
S106，通过云存储模块利用云数据库服务器存储采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案；
S107，通过更新显示模块利用显示器对采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案的实时数据进行更新显示。
本发明实施例提供的步骤S101中，所述患者的检查项目包括B超检查指标、白带分析指标、宫腔镜检查指标、临床症状指标和具体妇科病概念、知识和名称。
如图3所示，本发明实施例提供的步骤S102中，所述通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集，包括：
S201，通过数据预处理模块建立病理数据集和模型数据集的非线性关系，并将所述病理数据集与所述模型数据集建立映射关系；
S202，基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配，得到过滤数据集；
S203，利用数据预处理程序对所述过滤数据集进行填充，得到标准数据集；利用所述非线性关系对所述标准数据集进行泛化，得到预测数据集。
本发明实施例提供的步骤S201中，通过网格搜索方法对所述病理数据集和模型数据集分别进行超参数调整，得到所述病理数据集和模型数据集的非线性关系。
如图4所示，本发明实施例提供的步骤S104中，所述通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型，包括：
S301，通过预测模型训练模块根据分组规则对预测数据集进行分组；
S302，根据分组数据对预测模型的贡献值进行筛选；
S303，利用模型训练程序对筛选后的每组分组数据进行支持向量机的迭代训练，直至获得最终的妇科疾病预测模型。
本发明实施例提供的步骤S302中，所述根据分组数据对预测模型的贡献值进行筛选，包括：
|m_p(xi)-y(xi)|≥ET；
其中，m_p(xi)表示使用所有预测数据集得到的稀疏模型对预测数据集xi的预测值，y(xi)是预测数据集xi对应的标签值，ET为贡献值阈值；其中，所述标签值为事先根据预测数据集获得的正确值。
如图5所示，本发明实施例提供的步骤S105中，所述通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测，包括：
S401，根据患者医疗特征数据推断每个检查项目发病的概率，建立检查项目指标数据的概率和临床症状概率的数据库；
S402，通过疾病预测模块对所述数据库进行特征提取，利用归一化后的疾病相关性矩阵计算患者疾病相似度；
S403，利用构建得到的最终的妇科疾病预测模型对目标患者的临床症状进行选择和匹配，预测目标患者的患病概率。
本发明实施例提供的步骤S402中，所述对数据库进行特征提取包括提取数值的正常参考区间值和异常范参考区间值。
本发明实施例提供的步骤S402中，所述利用归一化后的疾病相关性矩阵计算患者疾病相似度，包括：
1)利用满足置信度要求并选取关联规则构建疾病对计数矩阵；
2)利用疾病相关性矩阵按照元素除以疾病对计数矩阵进行归一化处理，获得归一化后的疾病相关性矩阵；
3)利用归一化后的疾病相关性矩阵计算患者特征与数据库相关病症特征数据的相似度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种常见妇科疾病预测模型预测系统，其特征在于，所述常见妇科疾病预测模型预测系统包括：
数据获取模块、数据集构建模块、数据预处理模块、中央控制模块、疾病预测模型构建模块、预测模型训练模块、疾病预测模块、预测评估模块、云存储模块、更新显示模块；
数据获取模块，与中央控制模块连接，用于通过数据获取设备获取妇科疾病患者的医疗特征数据，所述医疗特征数据包括患者的检查项目、检查指标、电子病历数据以及生理参数样本数据；
数据集构建模块，与中央控制模块连接，用于通过数据集构建程序根据获取的医疗特征数据进行病理数据集和模型数据集的构建；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集；
中央控制模块，与数据获取模块、数据集构建模块、数据预处理模块、疾病预测模型构建模块、预测模型训练模块、疾病预测模块、预测评估模块、云存储模块、更新显示模块连接，用于通过中央处理器协调控制所述常见妇科疾病预测模型预测系统各个模块的正常运行；
疾病预测模型构建模块，与中央控制模块连接，用于通过模型构建程序进行妇科疾病预测模型的构建；
预测模型训练模块，与中央控制模块连接，用于通过模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型；
疾病预测模块，与中央控制模块连接，用于通过构建得到的最终的妇科疾病预测模型对妇科疾病进行预测；
预测评估模块，与中央控制模块连接，用于通过评估程序对妇科疾病预测结果进行评估，获得最佳的妇科疾病的治疗方案；
云存储模块，与中央控制模块连接，用于通过云数据库服务器存储采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案；
更新显示模块，与中央控制模块连接，用于通过显示器对采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案的实时数据进行更新显示。
2.一种应用如权利要求1所述的常见妇科疾病预测模型预测系统的常见妇科疾病预测模型构建方法，其特征在于，所述常见妇科疾病预测模型构建方法包括以下步骤：
步骤一，通过数据获取模块利用数据获取设备获取妇科疾病患者的医疗特征数据，所述医疗特征数据包括患者的检查项目、检查指标、电子病历数据以及生理参数样本数据；
步骤二，通过数据集构建模块利用数据集构建程序根据获取的医疗特征数据进行病理数据集和模型数据集的构建；通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集；
步骤三，通过中央控制模块利用中央处理器协调控制所述常见妇科疾病预测模型预测系统各个模块的正常运行；通过疾病预测模型构建模块利用模型构建程序进行妇科疾病预测模型的构建；
步骤四，通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型；
步骤五，通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测；通过预测评估模块利用评估程序对妇科疾病预测结果进行评估，获得最佳的妇科疾病的治疗方案；
步骤六，通过云存储模块利用云数据库服务器存储采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案；
步骤七，通过更新显示模块利用显示器对采集的妇科疾病患者的医疗特征数据、病理数据集和模型数据集、预测数据集、妇科疾病预测模型、疾病预测结果以及最佳妇科疾病的治疗方案的实时数据进行更新显示。
3.如权利要求2所述的常见妇科疾病预测模型构建方法，其特征在于，步骤一中，所述患者的检查项目包括B超检查指标、白带分析指标、宫腔镜检查指标、临床症状指标和具体妇科病概念、知识和名称。
4.如权利要求2所述的常见妇科疾病预测模型构建方法，其特征在于，步骤二中，所述通过数据预处理模块利用数据预处理程序对构建的病理数据集和模型数据集进行处理，得到预测数据集，包括：
(1)通过数据预处理模块建立病理数据集和模型数据集的非线性关系，并将所述病理数据集与所述模型数据集建立映射关系；
(2)基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配，得到过滤数据集；
(3)利用数据预处理程序对所述过滤数据集进行填充，得到标准数据集；利用所述非线性关系对所述标准数据集进行泛化，得到预测数据集。
5.如权利要求4所述的常见妇科疾病预测模型构建方法，其特征在于，步骤(1)中，通过网格搜索方法对所述病理数据集和模型数据集分别进行超参数调整，得到所述病理数据集和模型数据集的非线性关系。
6.如权利要求2所述的常见妇科疾病预测模型构建方法，其特征在于，步骤四中，所述通过预测模型训练模块利用模型训练程序利用预测数据集对妇科疾病预测模型进行支持向量机训练，得到最终的妇科疾病预测模型，包括：
(1)通过预测模型训练模块根据分组规则对预测数据集进行分组；
(2)根据分组数据对预测模型的贡献值进行筛选；
(3)利用模型训练程序对筛选后的每组分组数据进行支持向量机的迭代训练，直至获得最终的妇科疾病预测模型。
7.如权利要求6所述的常见妇科疾病预测模型构建方法，其特征在于，步骤(2)中，所述根据分组数据对预测模型的贡献值进行筛选，包括：
|m_p(xi)-y(xi)|≥ET；
其中，m_p(xi)表示使用所有预测数据集得到的稀疏模型对预测数据集xi的预测值，y(xi)是预测数据集xi对应的标签值，ET为贡献值阈值；其中，所述标签值为事先根据预测数据集获得的正确值。
8.如权利要求2所述的常见妇科疾病预测模型构建方法，其特征在于，步骤五中，所述通过疾病预测模块利用构建得到的最终的妇科疾病预测模型对妇科疾病进行预测，包括：
(1)根据患者医疗特征数据推断每个检查项目发病的概率，建立检查项目指标数据的概率和临床症状概率的数据库；
(2)通过疾病预测模块对所述数据库进行特征提取，利用归一化后的疾病相关性矩阵计算患者疾病相似度；
(3)利用构建得到的最终的妇科疾病预测模型对目标患者的临床症状进行选择和匹配，预测目标患者的患病概率。
9.如如权利要求8所述常见妇科疾病预测模型构建方法，其特征在于，步骤(2)中，所述对数据库进行特征提取包括提取数值的正常参考区间值和异常范参考区间值。
10.如权利要求8所述的常见妇科疾病预测模型构建方法，其特征在于，步骤(2)中，所述利用归一化后的疾病相关性矩阵计算患者疾病相似度，包括：
1)利用满足置信度要求并选取关联规则构建疾病对计数矩阵；
2)利用疾病相关性矩阵按照元素除以疾病对计数矩阵进行归一化处理，获得归一化后的疾病相关性矩阵；
3)利用归一化后的疾病相关性矩阵计算患者特征与数据库相关病症特征数据的相似度。
CN202210207149.1A 2022-03-03 2022-03-03 一种常见妇科疾病预测模型构建方法和预测系统 Withdrawn CN114582496A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210207149.1A CN114582496A (zh) 2022-03-03 2022-03-03 一种常见妇科疾病预测模型构建方法和预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210207149.1A CN114582496A (zh) 2022-03-03 2022-03-03 一种常见妇科疾病预测模型构建方法和预测系统

Publications (1)

Publication Number Publication Date
CN114582496A true CN114582496A (zh) 2022-06-03

Family

ID=81776749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210207149.1A Withdrawn CN114582496A (zh) 2022-03-03 2022-03-03 一种常见妇科疾病预测模型构建方法和预测系统

Country Status (1)

Country Link
CN (1) CN114582496A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189912A (zh) * 2023-04-25 2023-05-30 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种具有学习功能的妇科患者生理信息反馈系统
CN117116497A (zh) * 2023-10-16 2023-11-24 长春中医药大学 一种用于妇科疾病的临床护理管理系统
CN117524405A (zh) * 2024-01-05 2024-02-06 长春中医药大学 一种基于云计算的妇科护理方法智能选择系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189912A (zh) * 2023-04-25 2023-05-30 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种具有学习功能的妇科患者生理信息反馈系统
CN117116497A (zh) * 2023-10-16 2023-11-24 长春中医药大学 一种用于妇科疾病的临床护理管理系统
CN117116497B (zh) * 2023-10-16 2024-01-12 长春中医药大学 一种用于妇科疾病的临床护理管理系统
CN117524405A (zh) * 2024-01-05 2024-02-06 长春中医药大学 一种基于云计算的妇科护理方法智能选择系统
CN117524405B (zh) * 2024-01-05 2024-03-26 长春中医药大学 一种基于云计算的妇科护理方法智能选择系统

Similar Documents

Publication Publication Date Title
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
WO2022063200A1 (zh) 用于非小细胞肺癌预后生存预测的方法、介质及电子设备
CN114582496A (zh) 一种常见妇科疾病预测模型构建方法和预测系统
Kasinathan et al. Cloud-based lung tumor detection and stage classification using deep learning techniques
WO2019103908A1 (en) Automated information collection and processing of clinical data
CN112309576A (zh) 基于深度学习ct影像组学的结直肠癌生存期预测方法
CN108510495A (zh) 一种基于人工智能的肺部影像数据处理方法、装置及系统
CN117253614B (zh) 基于大数据分析的糖尿病风险预警方法
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN116070096A (zh) 通过大数据分析帮助医院搭建患者画像的方法及系统
Shamrat et al. Analysing most efficient deep learning model to detect COVID-19 from computer tomography images
Mahadi et al. Machine learning assisted decision support system for prediction of prostrate cancer
CN116959715B (zh) 一种基于时序演进过程解释的疾病预后预测系统
Kakani et al. Post-covid chest disease monitoring using self adaptive convolutional neural network
JP6174490B2 (ja) 特別な特性を実証する事例を用いて、患者データベースの動的成長を行うシステム及び方法
CN116864104A (zh) 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统
Gopalakrishnan et al. A Novel Deep Learning-Based Heart Disease Prediction System Using Convolutional Neural Networks (CNN) Algorithm
CN114998203A (zh) 一种基于人工智能的职业性尘肺病精准诊断系统及方法
WO2021103623A1 (zh) 一种脓毒血症的预警装置、设备及存储介质
Patil et al. Hybrid Optimization Enabled Segmentation with Deep Learning For Histopathological Images of Uterine Tissue
CN112837324A (zh) 基于改进的水平集的自动肿瘤影像区域分割系统及方法
CN111599427A (zh) 一种一元化诊断的推荐方法、装置、电子设备及存储介质
AU2021102832A4 (en) System & method for automatic health prediction using fuzzy based machine learning
CN110911011A (zh) 一种脓毒血症的预警装置、设备及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220603