CN114758782A - 一种肺移植急性排斥反应的预测系统和方法 - Google Patents

一种肺移植急性排斥反应的预测系统和方法 Download PDF

Info

Publication number
CN114758782A
CN114758782A CN202210319717.7A CN202210319717A CN114758782A CN 114758782 A CN114758782 A CN 114758782A CN 202210319717 A CN202210319717 A CN 202210319717A CN 114758782 A CN114758782 A CN 114758782A
Authority
CN
China
Prior art keywords
acute rejection
features
neural network
network model
image
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Withdrawn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
CN202210319717.7A
Other languages
English (en)
Inventor
佘云浪
陈昶
陈乾坤
何文新
朱余明
赵德平
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.)
Shanghai Pulmonary Hospital
Original Assignee
Shanghai Pulmonary Hospital
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 Shanghai Pulmonary Hospital filed Critical Shanghai Pulmonary Hospital
Priority to CN202210319717.7A priority Critical patent/CN114758782A/zh
Publication of CN114758782A publication Critical patent/CN114758782A/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Withdrawn legal-status Critical Current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
    • G16H50/50—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • 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)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种肺移植急性排斥反应的预测系统和方法，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后是否发生急性排斥反应的数据，获得影像组学特征数据构建测试样本，使用训练集训练神经网络模型，以测试集作为训练后的神经网络模型的输入，输出测试集中每个测试样本是否出现急性排斥反应的预测结果；基于测试集中每个测试样本的预测结果以及相应的真实术后临床数据，绘制受试者工作曲线以及曲线下面积以获得神经网络模型用于肺移植急性排斥反应的预测的准确率。建立一种无创的预测系统及方法来准确预测肺移植急性排斥反应进而制定个体化免疫抑制方案具有极高的临床价值，避免损伤性检查，满足临床价值。

Description

一种肺移植急性排斥反应的预测系统和方法
技术领域
本发明涉及人工智能以及智慧医疗技术领域，尤其涉及一种肺移植急性排斥反应的预测系统和方法。
背景技术
近年来我国肺病患者不断增多，而肺癌已经成为我国乃至世界发病率和死亡率最高的癌症，对于末期肺癌患者来说，肺移植是目前可选的唯一有效延长预期寿命和生活质量的方法。影响移植术后生存时间及质量的原因主要有原发性移植肺功能丧失(PrimaryGraft Dysfunction，PGD)、感染、排斥、以及梗阻性细支气管炎综合征(BronchiolitisObliterans Syndrome，BOS)等。其中，急性排斥是肺移植术后较为常见的反应，而且大多是在术后的第一年内发生的，大部分的肺移植患者都会有不同程度的急性排斥，肺移植后尽早确诊是否存在排斥反应，对改善治疗特别重要。
目前诊断肺移植急性排斥反应主要是靠移植后的纤维支气管镜的穿刺活检，为诊断免疫排斥的“金标准”的穿刺活检是侵入式且有创的，其主要局限性包括有：(1)损伤性检查方法，不适合反复采取样本；(2)活检组织病理学检查是非定量性指标，结果易受观察者的主观因素及技术水平的影响；(3)不利于排斥反应的早期诊断。无法满足临床需求。
影像组学近年来受到越来越多的关注，它通过从影像中高通量提取定量特征，将医学图像转换为高维、可提取的数据，并进行后续大数据分析，对多种疾病尤其是恶性肿瘤提供了预后和诊断价值，为疾病诊疗提供了决策支持。
发明内容
基于上述问题，本申请提出了一种肺移植急性排斥反应的预测系统和方法，旨在解决现有技术中肺移植急性排斥反应无法预测等技术问题。
一种肺移植急性排斥反应的预测系统，包括：
训练模块，用于预先建立用于肺移植急性排斥反应预测的神经网络模型，包括：
数据收集单元，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后的临床数据，临床数据包括是否发生急性排斥反应的数据；
预处理单元，连接数据收集单元，对CT图像进行预处理以获得影像组学特征数据；
划分单元，连接预处理单元，使用影像组学特征数据构建测试样本，将测试样本随机划分成训练集、验证集和测试集；
训练单元，连接划分单元，使用训练集作为输入训练构建的神经网络模型，神经网络模型输出肺移植可行性的概率，并使用验证集对神经网络模型进行超参数调节；
测试单元，连接训练单元，用于以测试集作为训练后的神经网络模型的输入，输出测试集中每个测试样本是否出现急性排斥反应的预测结果；
判断单元，连接测试单元，用于基于测试集中每个测试样本的预测结果以及相应的真实术后临床数据，绘制受试者工作曲线以及曲线下面积以获得神经网络模型用于肺移植急性排斥反应的预测的准确率；
评估模块，使用训练好的神经网络模型对待移植患者进行急性排斥反应的预测，包括：
数据采集单元，用于获取待移植患者移植前的CT图像；
结果获取单元，连接数据采集单元，用于将CT图像输入已训练好的神经网络模型，以获取待移植患者的肺移植术后是否出现急性排斥反应的预测结果。
进一步的，预处理单元用于对CT图像进行预处理包括对CT图像的三维重建。
进一步的，预处理单元用于对CT图像进行预处理还包括对三维重建后的CT图像进行量化处理以获得影像组学特征数据。
进一步的，影像组学特征数据包括基础特征，基础特征包括强度特征、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度级区域大小矩阵特征。
进一步的，影像组学特征数据包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
一种肺移植急性排斥反应的预测方法，使用前述的一种肺移植急性排斥反应的预测系统，包括预先建立用于肺移植急性排斥反应预测的神经网络模型的步骤以及使用训练好的神经网络模型对待移植患者进行急性排斥反应预测的步骤；
预先建立用于肺移植急性排斥反应预测的神经网络模型的步骤包括：
步骤A1，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后的临床数据，临床数据包括是否发生急性排斥反应的数据；
步骤A2，对CT图像进行预处理以获得影像组学特征数据；
步骤A3，使用影像组学特征数据构建测试样本，将测试样本随机划分成训练集、验证集和测试集；
步骤A4，构建神经网络模型，使用训练集作为输入训练神经网络模型，输出肺移植术后是否出现急性排斥反应的预测结果，并使用验证集对神经网络模型进行超参数调节；
步骤A5，以测试集作为训练后的神经网络模型的输入，输出测试集中每个测试样本是否出现急性排斥反应的预测结果；
步骤A6，基于测试集中每个测试样本的预测结果以及相应的真实术后临床数据，绘制受试者工作曲线以及曲线下面积以获得神经网络模型用于肺移植急性排斥反应的预测的准确率。
使用训练好的神经网络模型对待移植患者进行急性排斥反应预测的步骤；
步骤B1，获取待移植患者移植前的CT图像；
步骤B2，将CT图像输入已训练好的神经网络模型，以获取待移植患者的肺移植术后是否出现急性排斥反应的预测结果。
进一步的，在步骤A2中，对CT图像进行预处理包括对CT图像的三维重建。
进一步的，在步骤A2中，对CT图像进行预处理还包括对三维重建后的CT图像进行量化处理以获得影像组学特征数据。
进一步的，影像组学特征数据包括基础特征，基础特征包括强度特征、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度级区域大小矩阵特征。
进一步的，影像组学特征数据包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
本发明的有益技术效果在于：建立一种无创的预测系统及方法来准确预测肺移植急性排斥反应进而制定个体化免疫抑制方案具有极高的临床价值，避免损伤性检查，满足临床价值。
附图说明
图1-2为本发明一种肺移植急性排斥反应的预测系统的模块示意图；
图3-4为本发明一种肺移植急性排斥反应的预测方法的步骤流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
参见图1-2，一种肺移植急性排斥反应的预测系统，包括：
训练模块，用于预先建立用于肺移植急性排斥反应预测的神经网络模型，包括：
数据收集单元101，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后的临床数据，临床数据包括是否发生急性排斥反应的数据；
预处理单元102，连接数据收集单元101，对CT图像进行预处理以获得影像组学特征数据；
划分单元103，连接预处理单元102，使用影像组学特征数据构建测试样本，将测试样本随机划分成训练集、验证集和测试集；
训练单元104，连接划分单元103，使用训练集作为输入训练构建的神经网络模型，神经网络模型输出肺移植可行性的概率，并使用验证集对神经网络模型进行超参数调节；
测试单元105，连接训练单元104，用于以测试集作为训练后的神经网络模型的输入，输出测试集中每个测试样本是否出现急性排斥反应的预测结果；
判断单元106，连接测试单元105，用于基于测试集中每个测试样本的预测结果以及相应的真实术后临床数据，绘制受试者工作曲线(ROC即receiver operatingcharacteristic curve)以及曲线下面积(AUC即Area Under Curve)以获得神经网络模型用于肺移植急性排斥反应的预测的准确率；
评估模块，使用训练好的神经网络模型对待移植患者进行急性排斥反应的预测，包括：
数据采集单元201，用于获取待移植患者移植前的CT图像；
结果获取单元202，连接数据采集单元201，用于将CT图像输入已训练好的神经网络模型，以获取待移植患者的肺移植术后是否出现急性排斥反应的预测结果。
具体的，本发明获取若干测试样本，随机划分成训练集、验证集和测试集，训练集中的测试样本数量、验证集中的测试样本数量和测试集中的测试样本数量比例为8:1:1。
具体的，通过输入测试集中患者的CT影像以得到相应的肺移植是否出现急性排斥反应的预测结果，与该患者移植后的急性排斥反应数据进行比较来判断评估系统准确率，如果准确率过低需要对神经网络模型的参数进行相应调整。
进一步的，预处理单元用于对CT图像进行预处理包括对CT图像的三维重建。
进一步的，预处理单元用于对CT图像进行预处理还包括对三维重建后的CT图像进行量化处理以获得影像组学特征数据。
进一步的，影像组学特征数据包括基础特征，基础特征包括强度特征、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度级区域大小矩阵特征。
进一步的，影像组学特征数据包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
具体的，基础特征包括12个强度特征、15个形状特征、25个灰度共生矩阵(GLCM)特征、14个灰度行程矩阵(GLRLM)特征和13个灰度级区域大小矩阵(GLSZM)特征，高级特征由基础特征发展而来，包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
参见图3-4，本发明提供一种肺移植急性排斥反应的预测方法，使用前述的一种肺移植急性排斥反应的预测系统，包括预先建立用于肺移植急性排斥反应预测的神经网络模型的步骤以及使用训练好的神经网络模型对待移植患者进行急性排斥反应预测的步骤；
预先建立用于肺移植急性排斥反应预测的神经网络模型的步骤包括：
步骤A1，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后的临床数据，临床数据包括是否发生急性排斥反应的数据；
步骤A2，对CT图像进行预处理以获得影像组学特征数据；
步骤A3，使用影像组学特征数据构建测试样本，将测试样本随机划分成训练集、验证集和测试集；
步骤A4，构建神经网络模型，使用训练集作为输入训练神经网络模型，输出肺移植术后是否出现急性排斥反应的预测结果，并使用验证集对神经网络模型进行超参数调节；
步骤A5，以测试集作为训练后的神经网络模型的输入，输出测试集中每个测试样本是否出现急性排斥反应的预测结果；
步骤A6，基于测试集中每个测试样本的预测结果以及相应的真实术后临床数据，绘制受试者工作曲线以及曲线下面积以获得神经网络模型用于肺移植急性排斥反应的预测的准确率。
使用训练好的神经网络模型对待移植患者进行急性排斥反应预测的步骤；
步骤B1，获取待移植患者移植前的CT图像；
步骤B2，将CT图像输入已训练好的神经网络模型，以获取待移植患者的肺移植术后是否出现急性排斥反应的预测结果。
具体的，本发明获取若干测试样本，随机划分成训练集、验证集和测试集，训练集中的测试样本数量、验证集中的测试样本数量和测试集中的测试样本数量比例为8:1:1。
具体的，通过输入测试集中患者的CT影像以得到相应的肺移植是否出现急性排斥反应的预测结果，与该患者移植后的急性排斥反应数据进行比较来判断评估系统准确率，如果准确率过低需要对神经网络模型的参数进行相应调整。
进一步的，在步骤A2中，对CT图像进行预处理包括对CT图像的三维重建。
进一步的，在步骤A2中，对CT图像进行预处理还包括对三维重建后的CT图像进行量化处理以获得影像组学特征数据。
进一步的，影像组学特征数据包括基础特征，基础特征包括强度特征、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度级区域大小矩阵特征。
进一步的，影像组学特征数据包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
具体的，基础特征包括12个强度特征、15个形状特征、25个灰度共生矩阵(GLCM)特征、14个灰度行程矩阵(GLRLM)特征和13个灰度级区域大小矩阵(GLSZM)特征，高级特征由基础特征发展而来，包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种肺移植急性排斥反应的预测系统，其特征在于，包括：
训练模块，用于预先建立用于肺移植急性排斥反应预测的神经网络模型，包括：
数据收集单元，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后的临床数据，所述临床数据包括是否发生急性排斥反应的数据；
预处理单元，连接所述数据收集单元，对所述CT图像进行预处理以获得影像组学特征数据；
划分单元，连接所述预处理单元，使用所述影像组学特征数据构建测试样本，将所述测试样本随机划分成训练集、验证集和测试集；
训练单元，连接所述划分单元，使用所述训练集作为输入训练构建的所述神经网络模型，所述神经网络模型输出肺移植可行性的概率，并使用所述验证集对所述神经网络模型进行超参数调节；
测试单元，连接所述训练单元，用于以所述测试集作为训练后的所述神经网络模型的输入，输出所述测试集中每个所述测试样本是否出现急性排斥反应的预测结果；
判断单元，连接所述测试单元，用于基于所述测试集中每个所述测试样本的所述预测结果以及相应的真实术后临床数据，绘制受试者工作曲线以及曲线下面积以获得所述神经网络模型用于肺移植急性排斥反应的预测的准确率；
评估模块，使用训练好的所述神经网络模型对待移植患者进行急性排斥反应的预测，包括：
数据采集单元，用于获取所述待移植患者移植前的CT图像；
结果获取单元，连接数据采集单元，用于将所述CT图像输入已训练好的所述神经网络模型，以获取所述待移植患者的肺移植术后是否出现急性排斥反应的预测结果。
2.如权利要求1所述的一种肺移植急性排斥反应的预测系统，其特征在于，所述预处理单元用于对所述CT图像进行预处理包括对CT图像的三维重建。
3.如权利要求2所述的一种肺移植急性排斥反应的预测系统，其特征在于，所述预处理单元用于对所述CT图像进行预处理还包括对三维重建后的CT图像进行量化处理以获得影像组学特征数据。
4.如权利要求1所述的一种肺移植急性排斥反应的预测系统，其特征在于，所述影像组学特征数据包括基础特征，所述基础特征包括强度特征、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度级区域大小矩阵特征。
5.如权利要求4所述的一种肺移植急性排斥反应的预测系统，其特征在于，所述影像组学特征数据包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
6.一种肺移植急性排斥反应的预测方法，其特征在于，使用如权利要求1-5任意一项的一种肺移植急性排斥反应的预测系统，包括预先建立用于肺移植急性排斥反应预测的神经网络模型的步骤以及使用训练好的所述神经网络模型对待移植患者进行急性排斥反应预测的步骤；
所述预先建立用于肺移植急性排斥反应预测的神经网络模型的步骤包括：
步骤A1，收集若干已经进行肺移植的历史患者的移植前的CT图像以及移植后的临床数据，所述临床数据包括是否发生急性排斥反应的数据；
步骤A2，对所述CT图像进行预处理以获得影像组学特征数据；
步骤A3，使用所述影像组学特征数据构建测试样本，将所述测试样本随机划分成训练集、验证集和测试集；
步骤A4，构建神经网络模型，使用所述训练集作为输入训练所述神经网络模型，输出肺移植术后是否出现急性排斥反应的预测结果，并使用所述验证集对所述神经网络模型进行超参数调节；
步骤A5，以所述测试集作为训练后的所述神经网络模型的输入，输出所述测试集中每个所述测试样本是否出现急性排斥反应的预测结果；
步骤A6，基于所述测试集中每个所述测试样本的所述预测结果以及相应的真实术后临床数据，绘制受试者工作曲线以及曲线下面积以获得所述神经网络模型用于肺移植急性排斥反应的预测的准确率。
使用训练好的所述神经网络模型对待移植患者进行急性排斥反应预测的步骤；
步骤B1，获取所述待移植患者移植前的CT图像；
步骤B2，将所述CT图像输入已训练好的所述神经网络模型，以获取所述待移植患者的肺移植术后是否出现急性排斥反应的预测结果。
7.如权利要求6所述的一种肺移植急性排斥反应的预测方法，其特征在于，在所述步骤A2中，对所述CT图像进行预处理包括对CT图像的三维重建。
8.如权利要求7所述的一种肺移植急性排斥反应的预测方法，其特征在于，在所述步骤A2中，对所述CT图像进行预处理还包括对三维重建后的CT图像进行量化处理以获得影像组学特征数据。
9.如权利要求6所述的一种肺移植急性排斥反应的预测方法，其特征在于，所述影像组学特征数据包括基础特征，所述基础特征包括强度特征、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度级区域大小矩阵特征。
10.如权利要求9所述的一种肺移植急性排斥反应的预测方法，其特征在于，所述影像组学特征数据包括指数特征、平方特征、平方根特征、对数特征和小波变换特征。
CN202210319717.7A 2022-03-29 2022-03-29 一种肺移植急性排斥反应的预测系统和方法 Withdrawn CN114758782A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210319717.7A CN114758782A (zh) 2022-03-29 2022-03-29 一种肺移植急性排斥反应的预测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210319717.7A CN114758782A (zh) 2022-03-29 2022-03-29 一种肺移植急性排斥反应的预测系统和方法

Publications (1)

Publication Number Publication Date
CN114758782A true CN114758782A (zh) 2022-07-15

Family

ID=82328084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210319717.7A Withdrawn CN114758782A (zh) 2022-03-29 2022-03-29 一种肺移植急性排斥反应的预测系统和方法

Country Status (1)

Country Link
CN (1) CN114758782A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486922A (zh) * 2023-04-18 2023-07-25 中日友好医院(中日友好临床医学研究所) 一种基于基因多态性及血浆细胞因子的肺移植排斥预测模型及其应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486922A (zh) * 2023-04-18 2023-07-25 中日友好医院(中日友好临床医学研究所) 一种基于基因多态性及血浆细胞因子的肺移植排斥预测模型及其应用
CN116486922B (zh) * 2023-04-18 2024-01-23 中日友好医院(中日友好临床医学研究所) 一种基于基因多态性及血浆细胞因子的肺移植排斥预测方法及应用

Similar Documents

Publication Publication Date Title
CN109670510B (zh) 一种基于深度学习的胃镜活检病理数据筛查系统
CN113257413B (zh) 基于深度学习的癌症预后生存预测方法、设备及存储介质
CN113786204B (zh) 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
CA3053368A1 (en) Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy
CN109615633A (zh) 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN109411084A (zh) 一种基于深度学习的肠结核辅助诊断系统及方法
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
CN110827250A (zh) 基于轻量级卷积神经网络的智能医学图像质量评估方法
Guo et al. Deep learning for assessing image focus for automated cervical cancer screening
CN110991254B (zh) 超声图像视频分类预测方法及系统
Mandache et al. Basal cell carcinoma detection in full field OCT images using convolutional neural networks
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN112802000A (zh) 多模态医学影像智能辅助诊疗系统
CN111370124A (zh) 一种基于面手部识别和大数据的健康分析系统及方法
CN114758782A (zh) 一种肺移植急性排斥反应的预测系统和方法
CN114038564A (zh) 一种糖尿病无创风险预测方法
CN115810004A (zh) 一种光学相干断层扫描脉络膜血管分层造影方法
CN116705326A (zh) 一种终末期肾病疗效评估与并发症风险预测系统
CN111523617A (zh) 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN109493340A (zh) 一种胃镜下食管胃底静脉曲张辅助诊断系统及方法
CN114241187A (zh) 基于超声双模态影像的肌肉疾病诊断系统、设备及介质
CN116597950A (zh) 一种医学图像分层方法
CN110827275B (zh) 基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法
CN113420793A (zh) 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法
CN113080966A (zh) 一种基于睡眠分期的抑郁症自动检测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220715

WW01 Invention patent application withdrawn after publication