CN114783594A - 推荐信息确定方法、装置、设备、存储介质以及程序产品 - Google Patents

推荐信息确定方法、装置、设备、存储介质以及程序产品 Download PDF

Info

Publication number
CN114783594A
CN114783594A CN202210531515.9A CN202210531515A CN114783594A CN 114783594 A CN114783594 A CN 114783594A CN 202210531515 A CN202210531515 A CN 202210531515A CN 114783594 A CN114783594 A CN 114783594A
Authority
CN
China
Prior art keywords
medical image
image data
information
detected
determining
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
Application number
CN202210531515.9A
Other languages
English (en)
Inventor
任怡
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210531515.9A priority Critical patent/CN114783594A/zh
Publication of CN114783594A publication Critical patent/CN114783594A/zh
Pending 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本公开提供了一种推荐信息确定方法、装置、设备、存储介质以及程序产品，涉及计算机技术领域，尤其涉及大数据、AI医疗、智能推荐技术领域。具体实现方案为：确定与待检测医学影像数据相对应的生理部位信息；根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息，其中，标准医学影像数据与待检测医学影像数据具有一致的生理部位信息；以及根据评估信息，确定待检测医学影像数据的医学资源推荐信息。

Description

推荐信息确定方法、装置、设备、存储介质以及程序产品
技术领域
本公开涉及计算机技术领域，尤其涉及大数据、AI医疗、智能推荐技术领域。具体涉及一种推荐信息确定方法、装置、设备、存储介质以及程序产品。
背景技术
随着互联网愈加深入生活，智能推荐成为一个热门的主题。由于医学领域的专业性，对推荐的医学资源提出了高准确性和高可靠性的要求，这使得推荐医学资源信息较为困难。
发明内容
本公开提供了一种推荐信息确定方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种推荐信息确定方法，包括：确定与待检测医学影像数据相对应的生理部位信息；根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息，其中，标准医学影像数据与待检测医学影像数据具有一致的生理部位信息；以及根据评估信息，确定待检测医学影像数据的医学资源推荐信息。
根据本公开的另一方面，提供了一种推荐信息确定装置，包括：生理部位信息确定模块、评估信息确定模块以及医学资源推荐信息确定模块。生理部位信息确定模块，用于确定与待检测医学影像数据相对应的生理部位信息；评估信息确定模块，用于根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息，其中，标准医学影像数据与待检测医学影像数据具有一致的生理部位信息；医学资源推荐信息确定模块，用于根据评估信息，确定待检测医学影像数据的医学资源推荐信息。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开实施例的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开实施例的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示意性示出了根据本公开实施例的推荐信息确定方法和装置的系统架构图；
图2示意性示出了根据本公开一实施例的推荐信息确定方法的流程图；
图3示意性示出了根据本公开一实施例的确定待检测医学影像数据相应的生理部位信息的示意图；
图4示意性示出了根据本公开一实施例的确定待检测医学影像数据的评估信息的示意图；
图5示意性示出了根据本公开一实施例的得到评估特征的示意图；
图6示意性示出了根据本公开又一实施例的推荐信息确定方法的示意图；
图7示意性示出了根据本公开实施例的推荐信息确定装置的框图；以及
图8示意性示出了可以实现本公开实施例的推荐信息确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
图1示意性示出了根据本公开一实施例的推荐信息确定方法和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括客户端101、102、103，网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互，以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
客户端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端101、102、103例如可以运行应用程序。
服务器105可以是提供各种服务的服务器，例如对用户利用客户端101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端。另外，服务器105还可以是云服务器，即服务器105具有云计算功能。
需要说明的是，本公开实施例所提供的推荐信息确定方法可以由服务器105执行。相应地，本公开实施例所提供的推荐信息确定装置可以设置于服务器105中。本公开实施例所提供的推荐信息确定方法也可以由不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的推荐信息确定装置也可以设置于不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中，服务器105可以通过网络104获取来自客户端101、102、103的待检测医学影像数据。
应该理解，图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端、网络和服务器。
应注意，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
本公开实施例提供了一种推荐信息确定方法，下面结合图1的系统架构，参考图2～图6来描述根据本公开示例性实施方式的推荐信息确定方法。本公开实施例的推荐信息确定方法例如可以由图1所示的服务器105来执行。
图2示意性示出了根据本公开一实施例的推荐信息确定方法的流程图。
如图2所示，本公开实施例的推荐信息确定方法200例如可以包括操作S210～操作S230。
在操作S210，确定与待检测医学影像数据相对应的生理部位信息。
医学影像可以理解为用于医疗目的，非侵入式的生理内部组织影像。示例性地，待检测医学影像数据可以包括以下中的至少一个：核磁共振影像数据、电子计算机断层扫描影像数据(电子计算机断层扫描影像数据即CT影像数据，CT为Computed Tomography的简称)以及超声影像数据。
在操作S220，根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息。
标准医学影像数据与待检测医学影像数据具有一致的生理部位信息。例如，待检测医学影像数据与标准医学影像数据中显示的生理部位均为颈椎。
示例性地，待检测医学影像数据与标准医学影像数据可以是图像形式。
标准医学影像数据可以理解为生理部位不存在病灶的医学影像数据。
可以理解，待检测医学影像数据可以显示相应的生理部位，标准医学影像数据可以显示相应的生理部位，两者的生理部位一致。
评估信息例如可以用于评估待检测医学影像显示的生理部位与标准医学影像数据显示的生理部位之间的差异，这种差异例如可以体现在待检测医学影像数据显示的生理部位相比于标准医学影像数据显示的生理部位是否存在病灶以及病灶程度等。
在操作S230，根据评估信息，确定待检测医学影像数据的医学资源推荐信息。
示例性地，医学资源推荐信息可以包括以下中的至少一个：医院信息、医生信息以及治疗方案信息。
根据本公开实施例的推荐信息确定方法，标准医学影像数据与待检测医学影像数据均为医学影像数据，医学影像数据具有医学领域的强专业性的特点，基于医学影像数据确定的医学资源推荐信息更加准确和可靠。另外，由于标准医学影像数据与待检测医学影像数据具有一致的生理部位信息，因此，根据本公开实施例的推荐信息确定方法确定的待检测医学影像数据的评估信息，可以准确地表征待检测医学影像数据相对于标准医学影像数据显示的生理部位的差异。基于准确的评估信息，确定的医学资源推荐信息也相应地更加准确和可靠。
本公开实施例的推荐信息确定方法，可以适应医学资源紧缺的场景，缓解针对线下医学资源的需求。
示例性地，本公开实施例的推荐信息确定方法可以适用于患者或者医生，患者可以根据待检测医学影像数据，利用本公开实施例的推荐信息确定方法确定的医学资源推荐信息进行辅助导医。在医学资源推荐信息包括治疗方案信息时，医生可以根据待检测医学影像数据，利用本公开实施例的推荐信息确定方法确定的医学资源推荐信息进行案例学习。
图3示意性示出了根据本公开另一实施例的推荐信息确定方法中确定与待检测医学影像数据相对应的生理部位信息的示意图。
如图3所示，可以利用以下实施例来实现确定与待检测医学影像数据相对应的生理部位信息的具体示例。
在操作S311，根据多个第一参考医学影像数据与待检测医学影像数据T-Im的相似度参数，确定待检测医学影像数据对应的实体信息E。
第一参考医学影像数据包括对应的实体信息标签。
示例性地，实体信息标签可以包括科室信息标签。
需要说明的是，每一个第一参考医学影像数据与待检测医学影像数据之间可以确定一个相似度参数，由此，多个第一参考医学影像数据与待检测医学影像数据之间可以确定多个相似度参数。
第一参考医学影像数据与待检测医学影像数据的相似度参数，可以用于表征第一参考医学影像数据对于待检测医学影像数据的参考可信度。示例性地，可以根据多个第一参考医学影像数据与待检测医学影像数据的多个相似度参数中选择相似度最高的第一参考医学影像数据作为目标第一参考医学影像数据，可以将目标第一参考医学影像数据的实体信息标签确定为待检测医学影像数据对应的实体信息。
在操作S312，根据多个第二参考医学影像数据与待检测医学影像数据T-Im的相似度参数，确定待检测医学影像数据相应的生理部位信息P。
第二参考医学影像数据与待检测医学影像数据具有相同的实体信息，第二参考医学影像数据还包括对应的生理部位信息标签。
与第一参考医学影像数据与待检测医学影像数据的相似度参数类似地，多个第二参考医学影像数据与待检测医学影像数据之间可以确定多个相似度参数。
第二参考医学影像数据与待检测医学影像数据的相似度参数可以用于表征第二参考医学影像数据与待检测医学影像数据的参考可信度。示例性地，可以根据多个第二参考医学影像数据与待检测医学影像数据的多个相似度参数中选择相似度最高的第二参考医学影像数据作为目标第二参考医学影像数据，可以将目标第二参考医学影像数据的生理部位信息标签确定为待检测医学影像数据对应的生理部位信息。
示例性地，相似度参数可以包括欧式距离。
在实际生活中，由医院的相应科室等实体出具医学影像数据，一个科室可以出具对应多个生理部位的医学影像数据。因此，例如可以根据医学影像数据和相应的诊断单据确定待检测医学影像数据的科室信息和生理部位信息。但是，实际生活中存在以下一种情况：各个医院的科室分类不一致，由此也会引起科室出具的医学影像数据对应的生理部位分类混乱。
根据本公开实施例的推荐信息确定方法，通过根据多个第一参考医学影像数据与待检测医学影像数据的相似度参数，确定的待检测医学影像数据对应的实体信息可以对待检测医学影像数据进行初步的实体信息分类，消除各个医院的实体信息分类差异，然后根据多个第二参考医学影像数据与待检测医学影像数据的相似度参数，可以准确、高效地确定待检测医学影像数据相应的生理部位信息，后续基于具有一致的生理部位信息的标准医学影像数据与待检测医学影像数据确定的医学资源推荐信息更加准确、可靠。
示例性地，可以利用两个K-means聚类算法(K-均值聚类算法)确定待检测医学影像数据相应的生理部位信息。其中一个K-means聚类算法用于确定待检测医学影像数据对应的实体信息，另一个K-means聚类算法用于确定待检测医学影像数据相应的生理部位信息。
图3示意性示出了x个第一参考医学影像数据，即第一参考医学影像数据R1-Le1-Im1至第一参考医学影像数据R1-Lex-Imx，第一参考医学影像数据包括实体信息标签Le，图3还示意性示出了x个第一参考医学影像数据与待检测医学影像数据与的x个相似度参数，即相似度参数RI-sp1至相似度参数RI-spx。图3示意性示出了y个第二参考医学影像数据，即第二参考医学影像数据R2-Lp1-Im1至第二参考医学影像数据R2-Lpy-Imy，第二参考医学影像数据包括生理部位信息标签Lp，图3还示意性示出了y个第二参考医学影像数据与待检测医学影像数据的y个相似度参数，即相似度参数R2-sp1至相似度参数R2-spy，x、y均为正整数。
图4示意性示出了根据本公开又一实施例的推荐信息确定方法中确定待检测医学影像数据的评估信息的示意图。
如图4所示，根据本公开又一实施例的推荐信息确定方法，可以利用以下实施例实现根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息的具体示例。
在操作S421，将待检测医学影像数据401与标准医学影像数据402进行数据融合，得到融合影像数据403。
示例性地，待检测医学影像数据与标准医学影像数据可以是图像形式，例如可以将待检测医学影像数据的图像与标准医学影像数据的图像进行叠加，得到融合影像数据。
在操作S422，对融合影像数据403进行特征提取，得到评估特征404。
示例性地，可以利用多个卷积层对图像形式的融合影像数据进行特征提取，得到评估特征。
评估特征可以理解为表征评估信息的特征向量。
在操作S423，根据评估特征404，确定评估信息405。
示例性地，评估信息可以包括病症信息以及病症程度信息中的至少一个。可以理解，病症信息、病症程度信息分别包括多个具体的类别。例如可以利用softmax函数进行多分类，实现根据评估特征，确定评估信息的具体示例。
根据本公开实施例的推荐信息确定方法，可以根据待检测医学影像数据与标准医学影像数据，利用自动化的方式自动、准确以及高效地确定待检测医学影像数据的评估信息。
示例性地，例如可以利用深度学习模型实现根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息的具体示例，上述操作S421～操作S423可以由深度学习模型执行。
示例性地，深度学习模型可以包括卷积神经网络模型、循环神经网络模型。卷积神经网络，即，Convolutional Neural Network，简称为CNN。循环神经网络，即，RecurrentNeural Network，简称为RNN。
图5示意性示出了根据本公开又一实施例的推荐信息确定方法中得到评估特征的示意图。
如图5所示，可以利用以下实施例实现对融合影像数据进行特征提取，得到评估特征的具体示例。
在操作S541，根据当前特征提取层L(t)对待检测医学影像数据501进行特征提取，得到初始评估特征502。
待检测医学影像数据还可以与标准医学影像数据进行数据融合，得到融合影像数据，操作S541还可以是：根据当前特征提取层L(t)对待检测医学融合影像数据进行特征提取，得到初始评估特征502。
在操作S542，根据历史评估特征503、特征控制数据504以及初始评估特征502，确定评估特征505。
历史评估特征根据当前特征提取层L(t)的上一特征提取层L(t-1)得到，特征控制数据包括特征输入控制数据、输出控制数据以及特征遗忘控制数据。
特征输入控制数据用于控制上一特征提取层L(t-1)的输出数据是否输入当前特征层L(t)，输出控制数据用于控制当前特征层L(t)的输出数据是否输入下一特征提取层L(t+1)，特征遗忘控制数据用于控制遗忘上一特征提取层L(t-1)的输出的哪些数据以及控制记忆上一特征提取层L(t-1)的输出的哪些数据。
根据本公开实施例的推荐信息确定方法，通过引入历史评估特征和特征控制数据，使得评估特征可以选择性“记忆”历史评估特征，评估特征可以结合历史评估特征，具有更优的表征性，后续根据评估特征确定的评估信息也会更加准确。
示例性地，例如可以利用深度学习模型实现对融合影像数据进行特征提取，得到评估特征的具体示例，上述操作S541～操作S542可以由深度学习模型执行。
示例性地，深度学习模型可以包括长短期记忆网络模型，长短期记忆网络即，LongShort-Term Memory，简称为LSTM。在评估信息包括病症信息和病症程度信息时，例如可以利用两个长短期记忆网络模型分别确定病症信息和病症程度信息。
示例性地，根据本公开又一实施例的推荐信息确定方法，可以利用以下实施例来实现根据评估信息，确定待检测医学影像数据的医学资源推荐信息的具体示例。
根据评估信息，确定索引信息，其中，索引信息用于映射医学资源推荐信息；根据索引信息，确定医学资源推荐信息；以及响应于信息推荐指令，发送医学资源推荐信息。
示例性地，信息推荐指令可以由信息期望对象触发，向信息期望对象发送医学资源推荐信息。
示例性地，医学资源推荐信息可以存储于知识库中。
示例性地，医学资源推荐信息可以在经过授权后调用医院、保险公司等相关机构的接口得到，或者，医学资源推荐信息还可以通过爬取医院、保险公司等相关机构的公开数据得到。
根据本公开实施例的推荐信息确定方法，通过索引信息可以体现评估信息与医学资源推荐信息的映射关系，由此可以根据评估信息，便捷、准确地确定医学资源推荐信息。
示例性地，根据本公开又一实施例的推荐信息确定方法还包括以下操作。
响应于三维展示指令，根据待检测医学影像数据和标准医学影像数据，生成待检测医学影像三维模型数据和标准医学影像三维模型数据；以及根据待检测医学影像三维模型数据和标准医学影像三维模型数据，生成待检测医学影像三维模型和标准医学影像三维模型。
可以理解，待检测医学影像三维模型数据和标准医学影像三维模型数据分别可以用于生成待检测医学影像三维模型和标准医学影像三维模型。
示例性地，三维展示指令可以由信息期望对象触发，例如可以向信息期望对象发送根据本公开实施例生成的待检测医学影像三维模型和标准医学影像三维模型。
示例性地，可以利用三维重建模型生成待检测医学影像三维模型和标准医学影像三维模型。
根据本公开实施例的推荐信息确定方法，可以将待检测医学影像数据和标准医学影像数据进行二维图像至三维模型的转换，生成三维模型形式的待检测医学影像三维模型和标准医学影像三维模型，便于患者或者医生等相关人员清晰、直观地观察医学影像数据，还可以直观地对待检测医学影像数据与标准医学影像数据进行对比，提高医学影像数据的可读性。
示例性地，根据本公开又一实施例的推荐信息确定方法还可以包括：响应于针对待检测医学影像三维模型的第一操作指令，对待检测医学影像三维模型进行相应指令的操作；以及响应于针对标准医学影像三维模型的第二操作指令，对标准医学影像三维模型进行相应指令的操作。第一操作指令和第二操作指令例如可以包括位置调整指令、方向调整指令等。
示例性地，根据本公开又一实施例的推荐信息确定方法，医学资源推荐信息包括用于表征推荐优先级的优先级标签，优先级标签是根据历史医学资源推荐信息确定的，本公开实施例的推荐信息确定方法还包括以下操作。
根据医学资源推荐信息的优先级标签对医学资源推荐信息进行排序，得到医学资源推荐信息序列；以及根据医学资源推荐信息序列，确定医学资源优先推荐信息。
可以理解，针对待检测医学影像数据，例如可以从知识库中确定多个医学资源推荐信息，医学影像数据由于具有医学领域的强专业性的特点，本公开实施例的推荐信息确定方法可以对医学资源推荐信息进行筛选排序，从医学资源推荐信息中确定可靠性更高的医学资源优先推荐信息。
示例性地，医学资源推荐信息包括医院信息时，优先级标签例如可以包括医院评级，医院评级例如可以包括三级甲等、三级乙等以及二级甲等等。
示例性地，医学资源推荐信息包括医生信息时，优先级标签例如可以包括医生评级，医生评级例如可以包括教授、副教授等。医学资源推荐信息包括医生信息时，优先级标签还可以根据医生所在医院的医院评级与医生评级综合确定，例如可以对医生所在医院的医院评级和医生评级分别设置权重，根据医生所在医院的医院评级与医生评级的加权和确定优先级标签。
示例性地，医学资源推荐信息包括治疗方案信息时，优先级标签例如可以包括治疗方案对应的医院评级、医生评级中的至少一个。优先级标签还可以根据治疗方案应用于其他人员的效果确定。例如，患者A根据待检测影像数据确定评估信息A-e，并根据评估信息A-e确定治疗方案T，可以根据治疗方案T确定治疗方案T应用于患者B的历史记录，患者B对应的评估信息B-e与患者A对应的评估信息A-e一致，可以根据治疗方案T应用于患者B的效果确定治疗方案的优先级。例如，效果良好可以设置治疗方案T的优先级为高优先级，效果一般可以设置治疗方案T的优先级为低优先级。
示例性地，医学资源推荐信息包括医院信息、医生信息以及治疗方案中的多个类别时，可以对每一类别的优先级标签设置权重，可以根据各个类别的优先级标签的加权和对医学资源推荐信息进行排序，得到医学资源推荐信息序列。
图6示意性示出了根据本公开又一实施例的推荐信息确定方法的示意图。
如图6所示，示意性示出了知识库KB，医学资源信息MR1至医学资源信息MRn存储于知识库KB中，知识库KB还存储有标准医学影像数据S-I、多个第一参考医学影像数据R11、多个第二参考医学影像数据R21以及各个医学影像数据对应的评估信息e。示例性地，评估信息例如可以由医院开具的诊断单据经过光学字符识别(光学字符识别，即，OpticalCharacter Recognition，简称为OCR)得到。
示例性地，根据本公开实施例的推荐信息确定方法还可以包括：对医学影像数据进行识别，得到标准的医学影像数据。
示例性地，可以通过图像识别的方式对医学影像数据中的异常数据进行筛除，异常数据例如可以包括：非生理部位的医学影像数据以及拍摄不合规的医学影像数据。
示例性地，根据本公开实施例的推荐信息确定方法，可以根据待检测医学影像数据T-I，从知识库KB中参考多个第一参考医学影像数据和多个第二参考医学影像数据，确定待检测医学影像数据T-I相应的生理部位信息p。
示例性地，根据本公开实施例的推荐信息确定方法，可以根据待检测医学影像数据T-I与标准医学影像数据S-I，确定待检测医学影像数据T-I的评估信息e-T。评估信息例如可以包括病症信息和病症程度信息。病症信息例如可以包括：脑萎缩、脑震荡等，病症程度信息例如可以包括：轻症、重症等。
示例性地，根据本公开实施例的推荐信息确定方法，可以根据评估信息e-T和索引信息，从知识库的医学资源信息中确定待检测医学影像数据T-I的医学资源推荐信息M。图6示意性示出了医学资源推荐信息M包括医院信息、医生信息以及治疗方案信息。
图7示意性示出了根据本公开一实施例的推荐信息确定装置的框图。
如图7所示，本公开实施例的推荐信息确定装置700例如包括生理部位信息确定模块710、评估信息确定模块720以及医学资源推荐信息确定模块730。
生理部位信息确定模块710，用于确定与待检测医学影像数据相对应的生理部位信息。
评估信息确定模块720，用于根据待检测医学影像数据与标准医学影像数据，确定待检测医学影像数据的评估信息。其中，标准医学影像数据与待检测医学影像数据具有一致的生理部位信息。
医学资源推荐信息确定模块730，用于根据评估信息，确定待检测医学影像数据的医学资源推荐信息。
根据本公开实施例，生理部位信息确定模块可以包括：实体信息确定子模块以及生理部位信息确定子模块。
实体信息确定子模块，用于根据多个第一参考医学影像数据与待检测医学影像数据的相似度参数，确定待检测医学影像数据对应的实体信息，其中，第一参考医学影像数据包括对应的实体信息标签。
生理部位信息确定子模块，用于根据多个第二参考医学影像数据与待检测医学影像数据的相似度参数，确定待检测医学影像数据相应的生理部位信息，其中，第二参考医学影像数据与待检测医学影像数据具有相同的实体信息，第二参考医学影像数据还包括对应的生理部位信息标签。
根据本公开实施例，评估信息确定模块包括：融合影像数据确定子模块、评估特征确定子模块以及评估信息确定子模块。
融合影像数据确定子模块，用于将待检测医学影像数据与标准医学影像数据进行数据融合，得到融合影像数据。
评估特征确定子模块，用于对融合影像数据进行特征提取，得到评估特征。
评估信息确定子模块，用于根据评估特征，确定评估信息。
根据本公开实施例，评估特征确定子模块包括：初始评估特征确定单元以及评估特征确定单元。
初始评估特征确定单元，用于根据当前特征提取层对待检测医学影像数据进行特征提取，得到初始评估特征。
评估特征确定单元，用于根据历史评估特征、特征控制数据以及初始评估特征，确定评估特征，其中，历史评估特征根据当前特征提取层的上一特征提取层得到，特征控制数据包括特征输入控制数据、输出控制数据以及特征遗忘控制数据。
根据本公开实施例，医学资源推荐信息确定模块包括：索引信息确定子模块、索引信息确定子模块以及医学资源推荐信息发送模块。
索引信息确定子模块，用于根据评估信息，确定索引信息，其中，索引信息用于映射医学资源推荐信息。
索引信息确定子模块，用于根据索引信息，确定医学资源推荐信息。
医学资源推荐信息发送模块，用于响应于信息推荐指令，发送医学资源推荐信息。
根据本公开实施例的推荐信息确定方法还包括：三维模型数据确定模块以及三维模型生成模块。
三维模型数据确定模块，用于响应于三维展示指令，根据待检测医学影像数据和标准医学影像数据，生成待检测医学影像三维模型数据和标准医学影像三维模型数据。
三维模型生成模块，用于根据待检测医学影像三维模型数据和标准医学影像三维模型数据，生成待检测医学影像三维模型和标准医学影像三维模型。
根据本公开实施例，医学资源推荐信息包括用于表征推荐优先级的优先级标签，优先级标签是根据历史医学资源推荐信息确定的，推荐信息确定装置还包括：医学资源推荐信息序列确定模块以及医学资源优先推荐信息确定模块。
医学资源推荐信息序列确定模块，用于根据医学资源推荐信息的优先级标签对医学资源推荐信息进行排序，得到医学资源推荐信息序列。
医学资源优先推荐信息确定模块，用于根据医学资源推荐信息序列，确定医学资源优先推荐信息。
应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或类似，本公开在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如推荐信息确定方法。例如，在一些实施例中，推荐信息确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的推荐信息确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行推荐信息确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种推荐信息确定方法，包括：
确定与待检测医学影像数据相对应的生理部位信息；
根据所述待检测医学影像数据与标准医学影像数据，确定所述待检测医学影像数据的评估信息，其中，所述标准医学影像数据与所述待检测医学影像数据具有一致的所述生理部位信息；以及
根据所述评估信息，确定所述待检测医学影像数据的医学资源推荐信息。
2.根据权利要求1所述的方法，其中，所述确定与待检测医学影像数据相对应的生理部位信息包括：
根据多个第一参考医学影像数据与所述待检测医学影像数据的相似度参数，确定所述待检测医学影像数据对应的实体信息，其中，所述第一参考医学影像数据包括对应的实体信息标签；以及
根据多个第二参考医学影像数据与所述待检测医学影像数据的相似度参数，确定所述待检测医学影像数据相应的所述生理部位信息，其中，所述第二参考医学影像数据与所述待检测医学影像数据具有相同的实体信息，所述第二参考医学影像数据还包括对应的生理部位信息标签。
3.根据权利要求1所述的方法，其中，所述根据所述待检测医学影像数据与标准医学影像数据，确定所述待检测医学影像数据的评估信息包括：
将所述待检测医学影像数据与所述标准医学影像数据进行数据融合，得到融合影像数据；
对所述融合影像数据进行特征提取，得到评估特征；以及
根据所述评估特征，确定所述评估信息。
4.根据权利要求3所述的方法，其中，所述对所述融合影像数据进行特征提取，得到评估特征包括：
根据当前特征提取层对所述待检测医学影像数据进行特征提取，得到初始评估特征；以及
根据历史评估特征、特征控制数据以及所述初始评估特征，确定所述评估特征，其中，所述历史评估特征根据所述当前特征提取层的上一特征提取层得到，所述特征控制数据包括特征输入控制数据、输出控制数据以及特征遗忘控制数据。
5.根据权利要求1-4中任一项所述的方法，其中，所述根据所述评估信息，确定所述待检测医学影像数据的医学资源推荐信息包括：
根据所述评估信息，确定索引信息，其中，所述索引信息用于映射所述医学资源推荐信息；
根据所述索引信息，确定所述医学资源推荐信息；以及
响应于信息推荐指令，发送所述医学资源推荐信息。
6.根据权利要求1-4中任一项所述的方法，还包括：
响应于三维展示指令，根据所述待检测医学影像数据和所述标准医学影像数据，生成待检测医学影像三维模型数据和标准医学影像三维模型数据；以及
根据所述待检测医学影像三维模型数据和所述标准医学影像三维模型数据，生成待检测医学影像三维模型和标准医学影像三维模型。
7.根据权利要求1-4中任一项所述的方法，其中，所述医学资源推荐信息包括用于表征推荐优先级的优先级标签，所述优先级标签是根据历史医学资源推荐信息确定的，所述推荐信息确定方法还包括：
根据医学资源推荐信息的所述优先级标签对所述医学资源推荐信息进行排序，得到医学资源推荐信息序列；以及
根据所述医学资源推荐信息序列，确定医学资源优先推荐信息。
8.一种推荐信息确定装置，包括：
生理部位信息确定模块，用于确定与待检测医学影像数据相对应的生理部位信息；
评估信息确定模块，用于根据所述待检测医学影像数据与标准医学影像数据，确定所述待检测医学影像数据的评估信息，其中，所述标准医学影像数据与所述待检测医学影像数据具有一致的所述生理部位信息；以及
医学资源推荐信息确定模块，用于根据所述评估信息，确定所述待检测医学影像数据的医学资源推荐信息。
9.根据权利要求8所述的装置，其中，所述生理部位信息确定模块包括：
实体信息确定子模块，用于根据多个第一参考医学影像数据与所述待检测医学影像数据的相似度参数，确定所述待检测医学影像数据对应的实体信息，其中，所述第一参考医学影像数据包括对应的实体信息标签；以及
生理部位信息确定子模块，用于根据多个第二参考医学影像数据与所述待检测医学影像数据的相似度参数，确定所述待检测医学影像数据相应的所述生理部位信息，其中，所述第二参考医学影像数据与所述待检测医学影像数据具有相同的实体信息，所述第二参考医学影像数据还包括对应的生理部位信息标签。
10.根据权利要求8所述的装置，其中，所述评估信息确定模块包括：
融合影像数据确定子模块，用于将所述待检测医学影像数据与所述标准医学影像数据进行数据融合，得到融合影像数据；
评估特征确定子模块，用于对所述融合影像数据进行特征提取，得到评估特征；以及
评估信息确定子模块，用于根据所述评估特征，确定所述评估信息。
11.根据权利要求10所述的装置，其中，所述评估特征确定子模块包括：
初始评估特征确定单元，用于根据当前特征提取层对所述待检测医学影像数据进行特征提取，得到初始评估特征；以及
评估特征确定单元，用于根据历史评估特征、特征控制数据以及所述初始评估特征，确定所述评估特征，其中，所述历史评估特征根据所述当前特征提取层的上一特征提取层得到，所述特征控制数据包括特征输入控制数据、输出控制数据以及特征遗忘控制数据。
12.根据权利要求8-11中任一项所述的装置，其中，所述医学资源推荐信息确定模块包括：
索引信息确定子模块，用于根据所述评估信息，确定索引信息，其中，所述索引信息用于映射所述医学资源推荐信息；以及
医学资源推荐信息确定子模块，用于根据所述索引信息，确定所述医学资源推荐信息；以及
医学资源推荐信息发送模块，用于响应于信息推荐指令，发送所述医学资源推荐信息。
13.根据权利要求8-11中任一项所述的装置，还包括：
三维模型数据确定模块，用于响应于三维展示指令，根据所述待检测医学影像数据和所述标准医学影像数据，生成待检测医学影像三维模型数据和标准医学影像三维模型数据；以及
三维模型生成模块，用于根据所述待检测医学影像三维模型数据和所述标准医学影像三维模型数据，生成待检测医学影像三维模型和标准医学影像三维模型。
14.根据权利要求8-11中任一项所述的装置，其中，所述医学资源推荐信息包括用于表征推荐优先级的优先级标签，所述优先级标签是根据历史医学资源推荐信息确定的，所述推荐信息确定装置还包括：
医学资源推荐信息序列确定模块，用于根据医学资源推荐信息的所述优先级标签对所述医学资源推荐信息进行排序，得到医学资源推荐信息序列；以及
医学资源优先推荐信息确定模块，用于根据所述医学资源推荐信息序列，确定医学资源优先推荐信息。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202210531515.9A 2022-05-13 2022-05-13 推荐信息确定方法、装置、设备、存储介质以及程序产品 Pending CN114783594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210531515.9A CN114783594A (zh) 2022-05-13 2022-05-13 推荐信息确定方法、装置、设备、存储介质以及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210531515.9A CN114783594A (zh) 2022-05-13 2022-05-13 推荐信息确定方法、装置、设备、存储介质以及程序产品

Publications (1)

Publication Number Publication Date
CN114783594A true CN114783594A (zh) 2022-07-22

Family

ID=82436243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210531515.9A Pending CN114783594A (zh) 2022-05-13 2022-05-13 推荐信息确定方法、装置、设备、存储介质以及程序产品

Country Status (1)

Country Link
CN (1) CN114783594A (zh)

Similar Documents

Publication Publication Date Title
US10937164B2 (en) Medical evaluation machine learning workflows and processes
US11328798B2 (en) Utilizing multiple sub-models via a multi-model medical scan analysis system
AU2018229500B2 (en) Three-dimensional (3D) convolution with 3D batch normalization
EP3905126A2 (en) Image clustering method and apparatus
CN113077913A (zh) 线上问诊派单方法、装置和系统
WO2015134530A1 (en) Personalized content-based patient retrieval system
WO2021135449A1 (zh) 基于深度强化学习的数据分类方法、装置、设备及介质
US10586615B2 (en) Electronic health record quality enhancement
CN113782195A (zh) 一种体检套餐定制方法和装置
CN113707304A (zh) 分诊数据处理方法、装置、设备及存储介质
US11551817B2 (en) Assessing unreliability of clinical risk prediction
EP4147247A1 (en) Systems and methods to process electronic images to determine salient information in digital pathology
CN113240531A (zh) 一种数据处理方法和装置
US11847599B1 (en) Computing system for automated evaluation of process workflows
CN115620886B (zh) 一种数据审核方法和装置
CN114783594A (zh) 推荐信息确定方法、装置、设备、存储介质以及程序产品
CN111275558B (zh) 用于确定保险数据的方法和装置
CN114661985A (zh) 患者健康管理平台的信息推送方法、平台、设备及介质
CN113990514A (zh) 医师诊疗行为的异常检测装置、计算机设备及存储介质
JP2021507392A (ja) エンティティ間のコンテキスト的類似性の学習および適用
JP2020190913A (ja) 読影支援装置および読影支援方法
US20230187039A1 (en) Automated report generation using artificial intelligence algorithms
CA3073272A1 (en) Processing data records and searching data structures that are stored in hardware memory and that are at least partly generated from the processed data records in generating an adaptive user interface
US20240071586A1 (en) Systems and methods of radiology report processing and display enhancements
WO2024036374A1 (en) Methods and systems for automated analysis of medical images

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