CN114898888B - 医学数据处理方法、装置、计算机设备及可读存储介质 - Google Patents
医学数据处理方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN114898888B CN114898888B CN202210830558.7A CN202210830558A CN114898888B CN 114898888 B CN114898888 B CN 114898888B CN 202210830558 A CN202210830558 A CN 202210830558A CN 114898888 B CN114898888 B CN 114898888B
- Authority
- CN
- China
- Prior art keywords
- medical
- abnormal
- abnormal object
- medical feature
- library
- 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种医学数据处理方法、装置、计算机设备及可读存储介质,该方法包括对多个医学特征进行分类,得到多个目标类别的医学特征集合;从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。本申请实施例中提高了人工智能的医学数据处理效率和判断的准确率。
Description
技术领域
本申请涉及辅助医疗技术领域,具体涉及一种医学数据处理方法、装置、计算机设备及可读存储介质。
背景技术
近年来,人工智能技术发展迅速,在基于医学信息的异常风险预测方面也取得了较大进展。然而,由于异常对象的种类数不胜数,不同目标对象的异常类型及异常表现各异,导致现有人工智能的医学处理效率和判断的准确度仍然很低。
因此,如何提高人工智能的医学数据处理效率和判断的准确率,是当前辅助医疗技术领域亟需解决的技术问题。
发明内容
本申请提供一种医学数据处理方法、装置、计算机设备及可读存储介质,旨在解决如何提高人工智能的医学数据处理效率和判断的准确率的技术问题。
一方面,本申请提供一种医学数据处理方法,所述方法包括:
获取目标对象的历史医学信息;
获取所述历史医学信息中的医学特征信息,所述医学特征信息包括多个已被标注的医学特征;
对所述多个医学特征进行分类,得到多个目标类别的医学特征集合,所述多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;
从预设的异常对象库中剔除所述第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;
基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数;
基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
在本申请一种可能的实现方式中,所述基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数,包括:
确定所述第二医学特征集合中各医学特征的特异度;
基于所述第二医学特征集合中各医学特征的特异度,确定所述第二医学特征集合中各医学特征的权重;
基于所述第二医学特征集合中各医学特征的权重,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数。
在本申请一种可能的实现方式中,所述确定所述第二医学特征集合中各医学特征的特异度,包括:
构建医学特征库;
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,确定所述医学特征库中各医学特征的特异度;
将所述第二医学特征集合中各医学特征与所述医学特征库中对应医学特征进行匹配,得到匹配结果;
基于所述匹配结果,确定所述第二医学特征集合中各医学特征的特异度。
在本申请一种可能的实现方式中,所述基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,确定所述医学特征库中各医学特征的特异度,包括:
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,统计所述医学特征库中各医学特征与所述异常对象库中所有异常对象的对应次数参数;
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应次数参数,确定所述医学特征库中所有医学特征的特异度。
在本申请一种可能的实现方式中,在基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,所述方法还包括:
基于所述优先异常对象判断列表,生成针对目标检查项目的检查推荐策略;
获取针对检查推荐策略进行检查后的检查结果;
基于所述检查结果,更新所述优先异常对象判断列表。
在本申请一种可能的实现方式中,在基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,所述方法还包括:
剔除所述优先异常对象判断列表中异常风险参数小于预设的异常风险阈值的目标异常对象,得到处理后的优先异常对象判断列表。
在本申请一种可能的实现方式中,所述基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表,包括:
基于所述初步异常对象判断列表中各异常对象的异常风险参数对应的数值大小,将所述初步异常对象判断列表中所有异常对象进行排序,得到优先异常对象判断列表。
另一方面,本申请提供一种医学数据处理装置,所述装置包括:
第一获取单元,用于获取目标对象的历史医学信息;
第二获取单元,用于获取所述历史医学信息中的医学特征信息,所述医学特征信息包括多个已被标注的医学特征;
第一分类单元,用于对所述多个医学特征进行分类,得到多个目标类别的医学特征集合,所述多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;
第一剔除单元,用于从预设的异常对象库中剔除所述第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;
第一确定单元,用于基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数;
第二确定单元,用于基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
在本申请一种可能的实现方式中,所述第一确定单元,具体包括:
第三确定单元,用于确定所述第二医学特征集合中各医学特征的特异度;
第四确定单元,用于基于所述第二医学特征集合中各医学特征的特异度,确定所述第二医学特征集合中各医学特征的权重;
第五确定单元,用于基于所述第二医学特征集合中各医学特征的权重,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数。
在本申请一种可能的实现方式中,所述第三确定单元,具体包括:
第一构建单元,用于构建医学特征库;
第六确定单元,用于基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,确定所述医学特征库中各医学特征的特异度;
第一匹配单元,用于将所述第二医学特征集合中各医学特征与所述医学特征库中对应医学特征进行匹配,得到匹配结果;
第七确定单元,用于基于所述匹配结果,确定所述第二医学特征集合中各医学特征的特异度。
在本申请一种可能的实现方式中,所述第六确定单元,具体用于:
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,统计所述医学特征库中各医学特征与所述异常对象库中所有异常对象的对应次数参数;
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应次数参数,确定所述医学特征库中所有医学特征的特异度。
在本申请一种可能的实现方式中,在基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,所述装置还用于:
基于所述优先异常对象判断列表,生成针对目标检查项目的检查推荐策略;
获取针对检查推荐策略进行检查后的检查结果;
基于所述检查结果,更新所述优先异常对象判断列表。
在本申请一种可能的实现方式中,在基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,所述装置还用于:
剔除所述优先异常对象判断列表中异常风险参数小于预设的异常风险阈值的目标异常对象,得到处理后的优先异常对象判断列表。
在本申请一种可能的实现方式中,所述第二确定单元,具体用于:
基于所述初步异常对象判断列表中各异常对象的异常风险参数对应的数值大小,将所述初步异常对象判断列表中所有异常对象进行排序,得到优先异常对象判断列表。
另一方面,本申请还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的医学数据处理方法。
另一方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的医学数据处理方法中的步骤。
本申请通过获取目标对象的历史医学信息;获取所述历史医学信息中的医学特征信息,所述医学特征信息包括多个已被标注的医学特征;对所述多个医学特征进行分类,得到多个目标类别的医学特征集合,所述多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;从预设的异常对象库中剔除所述第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数;基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。本申请实施例中通过排除性类别的第一医学特征集合,可以快速并准确地对预设的异常对象库进行初步筛选,然后可根据所述第二医学特征集合中各医学特征的特异度以及其对应关系,快速并准确地确定初步异常对象判断列表中各异常对象的异常风险参数,增加了对异常对象的异常风险判断的准确性,即提高了人工智能的医学数据处理效率和判断的准确率。
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是本申请实施例提供的医学数据处理系统的场景示意图;
图2是本申请实施例中提供的医学数据处理方法的一个实施例流程示意图;
图3是本申请实施例中提供的确定初步异常对象判断列表中各异常对象的异常风险参数的一个实施例流程示意图;
图4是本申请实施例中提供的更新优先异常对象判断列表的一个实施例流程示意图;
图5是本申请实施例中提供的医学数据处理装置的一个实施例结构示意图;
图6是本申请实施例中提供的计算机设备的一个实施例结构示意图。
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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种医学数据处理方法、装置、计算机设备及可读存储介质,以下分别进行详细说明。
如图1所示,图1是本申请实施例提供的医学数据处理系统的场景示意图,该医学数据处理系统可以包括计算机设备100,计算机设备100中集成有医学数据处理装置,如图1中的计算机设备100。
本申请实施例中计算机设备100主要用于获取目标对象的历史医学信息;获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
本申请实施例中,该计算机设备100可以为终端或者服务器,当计算机设备100为服务器时,可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的计算机设备100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器以构建的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器以构建。
可以理解的是,本申请实施例中计算机设备100为终端时,所使用的终端可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备100具体可以是台式终端或移动终端,计算机设备100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不以构建对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算机设备,例如图1中仅示出1个计算机设备,可以理解的,该医学数据处理系统还可以包括一个或多个其他计算机设备,具体此处不作限定。
另外,如图1所示,该医学数据处理系统还可以包括存储器200,用于存储数据,如存储目标对象的历史医学信息和医学数据处理数据,例如医学数据处理系统运行时的医学数据处理数据。
需要说明的是,图1所示的医学数据处理系统的场景示意图仅仅是一个示例,本申请实施例描述的医学数据处理系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着医学数据处理系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
接下来,介绍本申请实施例提供的医学数据处理方法。
本申实施例医学数据处理方法的实施例中以医学数据处理装置作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该医学数据处理装置应用于计算机设备,该方法包括:获取目标对象的历史医学信息;获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
请参阅图2至图6,图2为本申请实施例中提供的医学数据处理方法的一个实施例流程示意图,该医学数据处理方法包括:
201、获取目标对象的历史医学信息;
目标对象为需要进行医疗检查和疾病治疗的患者,历史医学信息是目标对象以往的病历信息,病历信息中可以包括现病史、体格检查、既往史、辅助检查等,通常情况下,目标对象的历史医学信息会通过医师记录在纸质档的病历文本中,随着信息技术的发展,目标对象的历史医学信息也会同步存储在相应的病历数据库中。
具体的,可以从授权的病历数据库中调用目标对象的历史医学信息,或者将纸质档的病历文转换为可被后续采用格式的历史医学信息,如文本格式、图片格式。
202、获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;
在本申请的一些实施例中,获取历史医学信息中的医学特征信息,可以基于预设的自然语言处理与深度学习网络的医学特征提取模型和与预设的医学特征库,提取述历史医学信息中的医学特征信息。具体的,通过预设的自然语言处理与深度学习网络的医学特征提取模型对目标对象的历史医学信息中临床表现、体格检查、病史、实验室检查、影像学检查的医学特征进行自动提取。例如,对于某一临床表现特征的提取,收集患者入院后病历。病历所示:“患者一天前无明显诱因突然出现脐周疼痛,后转移至右下腹,伴恶心,无呕吐,无发热,无腹泻”,则对于“转移性右下腹疼痛”这一临床表现特征S4,将该条病历词段标注为“S4-1”,即该患者存在这一特征;对于“腹泻”这一临床表现特征S5,将病历词段标注为“S5-0”,即该患者无这一特征;对于“停止排气排便”这一临床表现特征S6,将病历词段标注为“S6-2”,即未提及该患者是否存在这一特征。需要说明的是,如标注内容为“ab-c”,其中a标识不同类型的特征数据库。b表示a类型特征数据库中的某种具体医学特征,而c表示“存在、不存在、未提及”中的一种,当c为0时,则表示“不存在”,当c为1时,表示“存在”,而当c为2时,则表示“未提及”。
其中,预设的医学特征库是基于疾病诊断指南中提及的临床表现、体格检查、病史、实验室检查、影像学检查5大特征板块进行医学特征建库。
具体的,临床表现特征库(S):对于疾病诊断指南中提及的患者可能存在的临床表现,将其定义为一个临床表现特征Sn。例如常见的腹痛疾病“急性阑尾炎”,其指南提到患者多有“厌食”、“恶心呕吐”、“右下腹疼痛”、“转移性右下腹疼痛”的表现,故将这4个临床表现纳入临床表现特征库中,标记为S1、S2、S3、S4。以此类推,对于纳入的全部疾病,临床表现特征库中共可纳入S1、S2、S3……Sn个特征。
体格检查特征库(P):对于疾病诊断指南中提及对患者进行体格检查可能出现的异常表现,将其定义为一个体格检查特征Pm。如死亡率极高的急性腹痛疾病“主动脉夹层”,其指南中提及患者可能会出现“血压升高”、“一侧脉搏减弱或消失”、“搏动性肿块”,故将这3个异常体格检查表现纳入体格检查特征库中,标记为P1、P2、P3。以此类推,对于纳入的全部疾病,体格检查特征库中共可纳入P1、P2、P3……Pm个特征。
病史特征库(H):对于疾病诊断指南中提及的有助于疾病诊断的病史信息,将其定义为一个病史特征Ha。如“肠梗阻”,其指南中提及该病多发生于既往有“腹部肿瘤史”、“疝气或疝气修复史”、“炎症性肠病史”、“短期内腹部手术史”的患者中,故将这4个病史纳入病史特征库中。标记为H1、H2、H3、H4。以此类推,对于纳入的全部疾病,体格检查特征库中共可纳入H1、H2、H3……Ha个特征。
实验室检查特征库(L):对于疾病诊断指南中提及的异常实验室检查,将其定义为一个实验室检查特征Lb。如“宫外孕”,对患者急查血清HCG与血清孕酮往往发现“HCG增高程度较低”且“孕酮值较低”,故将这2个异常实验室检查纳入实验室检查特征库中,标记为L1、L2。以此类推,对于纳入的全部疾病,体格检查特征库中共可纳入L1、L2、L3……Lb个特征。
影像学检查特征库(I):对于疾病诊断指南中提及的异常影像学检查,将其定义为一个影像学检查Ic。如“肠梗阻”患者“立位腹部平片”或“腹部CT”往往存在异常,故将这2个异常影像学检查表现纳入影像学检查特征库中,标记为I1、I2。以此类推,对于纳入的全部疾病,体格检查特征库中共可纳入I1、I2、I3……Ic个特征。
203、对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;
其中,排除性类别的第一医学特征集合为可排除某一异常对象的特征,例如,对于“宫外孕”,病史特征库(H)中的“男性”及“绝经”即可定义为宫外孕的排除性特征。
而提示性类别的第二医学特征集合为仅对异常对象的确定起提示作用的特征,即某异常对象可出现该医学特征。例如对于“急性阑尾炎”,临床表现特征库(S)中的“转移性右下腹痛”即可定义为急性阑尾炎的提示性特征。需要说明的是,提示性类别的医学特征中个医学特征的提示性强度存在区别,具体的,可根据该医学特征的特异度来确定其提示性强弱,一般情况下,影像学检查特征库中的医学特征的特异度较大,因此,其提示性较强。
在本申请的一些实施例中,可以先对预设的医学特征库中所有医学特征按照排除性类别和提示性类别进行分类,后续再基于此,可对目标对象的历史医学信息中的多个医学特征进行分类,从而得到多个目标类别的医学特征集合。
204、从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;
异常对象可以是某种疾病。异常对象库是包括目前已被发现的所有的异常对象。在确定多个医学特征中存在排除性类别的第一医学特征集合时,则将与第一医学特征集合中的所有医学特征对应的异常对象进行定位,然后从异常对象库中剔除掉。
本申请实施例中,在进行剔除处理后,可对异常对象库进行排版、调整等预处理,得到初步异常对象判断列表。
205、基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;
其中,特异度是医学特征与异常对象之间的关联性,可以理解为某一提示性类别的医学特征在纳入异常对象中出现的次数,具体的,可将该出现的次数与预设的阈值进行比较,如果在阈值以内,则说明特异性强,在阈值以外,则说明特异性弱。异常对象与医学特征的对应关系为两者之间是否存在关联关系,如第二医学特征集合中包括a1、a2、至an医学特征,而初步异常对象判断列表中包括b1、b2至bn异常对象,其中,b1包括3个医学特征,如a2、a3和a8,而b2包括2个医学特征,如a1和a5,而bn包括5个医学特征,如a1、a3、a4、a6和a7。
本申请实施例可以通过其特异度和该对应关系,确定初步异常对象判断列表中各异常对象的异常风险概率,即异常风险参数。
206、基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
优先异常对象判断列表为对初步异常对象判断列表中所有异常对象进行排序后的异常判断列表。
本申请的一些实施例中,基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表,包括:基于初步异常对象判断列表中各异常对象的异常风险参数对应的数值大小,将初步异常对象判断列表中所有异常对象进行排序,得到优先异常对象判断列表。
该优先异常对象列表中的异常对象按照发生异常风险概率的大小进行排序,由此,便于医师直观判断最容易出现的异常对象。
本申请通过获取目标对象的历史医学信息;获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。本申请实施例中通过排除性类别的第一医学特征集合,可以快速并准确地对预设的异常对象库进行初步筛选,然后可根据第二医学特征集合中各医学特征的特异度以及其对应关系,快速并准确地确定初步异常对象判断列表中各异常对象的异常风险参数,增加了对异常对象的异常风险判断的准确性,即提高了人工智能的医学数据处理效率和判断的准确率。
本申请的一些实施例中,如图3所示,基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数,包括:
301、确定第二医学特征集合中各医学特征的特异度;
本申请的一些实施例中,确定第二医学特征集合中各医学特征的特异度,包括:构建医学特征库;基于医学特征库中各医学特征与异常对象库中各异常对象的对应关系,确定医学特征库中各医学特征的特异度;将第二医学特征集合中各医学特征与医学特征库中对应医学特征进行匹配,得到匹配结果;基于匹配结果,确定第二医学特征集合中各医学特征的特异度。
其中,构建的医学特征库与上文中预设的医学特征库为同一医学特征库。
本申请的一些实施例中,将第二医学特征集合中各医学特征与医学特征库中对应医学特征进行匹配,得到匹配结果,可以是在医学特征库中寻找第二医学特征集合中的所有医学特征库,如果匹配成功,即寻找到了,则查询该医学特征在医学特征库中的特异度,即可确定第二医学特征集合中各医学特征的特异度。
本申请的一些实施例中,基于医学特征库中各医学特征与异常对象库中各异常对象的对应关系,确定医学特征库中各医学特征的特异度,包括:基于医学特征库中各医学特征与异常对象库中各异常对象的对应关系,统计医学特征库中各医学特征与异常对象库中所有异常对象的对应次数参数;基于医学特征库中各医学特征与异常对象库中各异常对象的对应次数参数,确定医学特征库中所有医学特征的特异度。
本申请的一些实施例中,基于医学特征库中各医学特征与异常对象库中各异常对象的对应次数参数,确定医学特征库中所有医学特征的特异度,可以设定医学特征的特异度为如下公式:
医学特征的特异度y=1/x;
其中,x为医学特征库中各医学特征与异常对象库中各异常对象的对应次数参数,例如,某医学特征出现在异常对象库中所有异常对象的对应次数参数为8,那么该医学特征的特异度为1/8。
302、基于第二医学特征集合中各医学特征的特异度,确定第二医学特征集合中各医学特征的权重;
本申请实施例中,可以将第二医学特征集合中各医学特征的特异度转化为第二医学特征集合中各医学特征的权重,例如,某医学特征的特异度为1/8,则其对应的权重即为1/8。
303、基于第二医学特征集合中各医学特征的权重,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数。
具体的,初步异常对象判断列表中各异常对象的异常风险参数计算方式如下:
其中,PDx表示初步异常对象判断列表中异常对象的异常风险参数,Nx表示对应异常对象在医学特征库中提及的提示性类别的特征总数,1/(Mn)表示该目标对象的第二医学特征集合中各医学特征的权重。
本申请实施例所公开的方案,根据第二医学特征集合中各医学特征的特异度,确定第二医学特征集合中各医学特征的权重,然后再根据第二医学特征集合中各医学特征的权重,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数。实现了初步异常对象判断列表中各异常对象的异常风险的量化,并且提高了对异常对象的异常风险判断的准确性。
本申请的一些实施例中,如图4所示,在基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,方法还包括:
401、基于优先异常对象判断列表,生成针对目标检查项目的检查推荐策略;
本申请实施例中,可先获取优先异常对象判断列表中的前预设位异常对象,基于异常对象诊断指南,生成针对该前预设位异常对象的目标检查项目,从而生成针对目标检查项目的检查推荐策略。
402、获取针对检查推荐策略进行检查后的检查结果;
在目标对象检查完后,会在一段时间后,生成相应的检查结果,该检查结果会自动保存在相应的检查数据库中,因此,可从检查数据库中通过目标对象的识别信息,获取到对应的检查结果。
403、基于检查结果,更新优先异常对象判断列表。
具体的,该检查结果可以作为新增的医学信息,通过该新增的医学信息,再次循环上述实施例步骤,即进行特征提取、特征分类、分析。具体过程可参阅上述实施例,其原理相同,在此不做赘述。
本申请实施例所公开的方案,通过优先异常对象判断列表,生成针对目标检查项目的检查推荐策略,再根据针对检查推荐策略进行检查后的检查结果,更新优先异常对象判断列表,可以大大提升优先异常对象判断列表对医师的辅助性,提高了对目标对象的异常对象判断的准确性和严谨性。
本申请的一些实施例中,在基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,方法还包括:剔除优先异常对象判断列表中异常风险参数小于预设的异常风险阈值的目标异常对象,得到处理后的优先异常对象判断列表。
本申请实施例所公开的方案,通过:剔除优先异常对象判断列表中异常风险参数小于预设的异常风险阈值的目标异常对象,降低后续进行误判的可能性,同时自动替医师进行筛选,提高医学数据处理的效率。
为了更好实施本申请实施例中医学数据处理方法,在医学数据处理方法基础之上,本申请实施例中还提供一种医学数据处理装置,如图5所示,医学数据处理装置500包括:
第一获取单元501,用于获取目标对象的历史医学信息;
第二获取单元502,用于获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;
第一分类单元503,用于对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;
第一剔除单元504,用于从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;
第一确定单元505,用于基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;
第二确定单元506,用于基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
本申请的一些实施例中,第一确定单元505,具体包括:
第三确定单元,用于确定第二医学特征集合中各医学特征的特异度;
第四确定单元,用于基于第二医学特征集合中各医学特征的特异度,确定第二医学特征集合中各医学特征的权重;
第五确定单元,用于基于第二医学特征集合中各医学特征的权重,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数。
本申请的一些实施例中,第三确定单元,具体包括:
第一构建单元,用于构建医学特征库;
第六确定单元,用于基于医学特征库中各医学特征与异常对象库中各异常对象的对应关系,确定医学特征库中各医学特征的特异度;
第一匹配单元,用于将第二医学特征集合中各医学特征与医学特征库中对应医学特征进行匹配,得到匹配结果;
第七确定单元,用于基于匹配结果,确定第二医学特征集合中各医学特征的特异度。
本申请的一些实施例中,第六确定单元,具体用于:
基于医学特征库中各医学特征与异常对象库中各异常对象的对应关系,统计医学特征库中各医学特征与异常对象库中所有异常对象的对应次数参数;
基于医学特征库中各医学特征与异常对象库中各异常对象的对应次数参数,确定医学特征库中所有医学特征的特异度。
本申请的一些实施例中,在基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,装置还用于:
基于优先异常对象判断列表,生成针对目标检查项目的检查推荐策略;
获取针对检查推荐策略进行检查后的检查结果;
基于检查结果,更新优先异常对象判断列表。
本申请的一些实施例中,在基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,装置还用于:
剔除优先异常对象判断列表中异常风险参数小于预设的异常风险阈值的目标异常对象,得到处理后的优先异常对象判断列表。
本申请的一些实施例中,第二确定单元506,具体用于:
基于初步异常对象判断列表中各异常对象的异常风险参数对应的数值大小,将初步异常对象判断列表中所有异常对象进行排序,得到优先异常对象判断列表。
本申请通过第一获取单元501,用于获取目标对象的历史医学信息;
第二获取单元502,用于获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;第一分类单元503,用于对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;第一剔除单元504,用于从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;第一确定单元505,用于基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;第二确定单元506,用于基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。本申请实施例中通过排除性类别的第一医学特征集合,可以快速并准确地对预设的异常对象库进行初步筛选,然后可根据第二医学特征集合中各医学特征的特异度以及其对应关系,快速并准确地确定初步异常对象判断列表中各异常对象的异常风险参数,增加了对异常对象的异常风险判断的准确性,即提高了人工智能的医学数据处理效率和判断的准确率。
除了上述介绍用于医学数据处理方法与装置之外,本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种医学数据处理装置,计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行上述医学数据处理方法实施例中任一实施例中的任一方法的操作。
本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种医学数据处理装置。如图6所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储单元602、电源603和输入单元604等部件。本领域技术人员可以理解,图6中示出的计算机设备结构并不构成对计算机设备的限定,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。其中:
处理器601是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储单元602内的软件程序和/或模块,以及调用存储在存储单元602的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器601可包括一个或多个处理核心;优选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储单元602可用于存储软件程序以及模块,处理器601通过运行存储在存储单元602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储单元602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元602还可以包括存储器控制器,以提供处理器601对存储单元602的访问。
计算机设备还包括给各个部件供电的电源603,优选的,电源603可以通过电源管理系统与处理器601逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元604,该输入单元604可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本申请实施例中,计算机设备中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元602中,并由处理器601来运行存储在存储单元602中的应用程序,从而实现各种功能,如下:
获取目标对象的历史医学信息;获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
本申请提供一种医学数据处理方法,通过排除性类别的第一医学特征集合,可以快速并准确地对预设的异常对象库进行初步筛选,然后可根据第二医学特征集合中各医学特征的特异度以及其对应关系,快速并准确地确定初步异常对象判断列表中各异常对象的异常风险参数,增加了对异常对象的异常风险判断的准确性,即提高了人工智能的医学数据处理效率和判断的准确率。
为此,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种医学数据处理方法中的步骤。例如,该指令可以执行如下步骤:
获取目标对象的历史医学信息;获取历史医学信息中的医学特征信息,医学特征信息包括多个已被标注的医学特征;对多个医学特征进行分类,得到多个目标类别的医学特征集合,多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;从预设的异常对象库中剔除第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;基于第二医学特征集合中各医学特征的特异度,和初步异常对象判断列表中各异常对象与第二医学特征集合中各医学特征的对应关系,确定初步异常对象判断列表中各异常对象的异常风险参数;基于初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
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。
以上对本申请实施例所提供的一种医学数据处理方法、装置、终端及计算机可读存储介质进行了详细介绍,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,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种医学数据处理方法,其特征在于,所述方法包括:
获取目标对象的历史医学信息;
获取所述历史医学信息中的医学特征信息,所述医学特征信息包括多个已被标注的医学特征;
对所述多个医学特征进行分类,得到多个目标类别的医学特征集合,所述多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;
从预设的异常对象库中剔除所述第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;
基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数;
基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
2.根据权利要求1所述的医学数据处理方法,其特征在于,所述基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数,包括:
确定所述第二医学特征集合中各医学特征的特异度;
基于所述第二医学特征集合中各医学特征的特异度,确定所述第二医学特征集合中各医学特征的权重;
基于所述第二医学特征集合中各医学特征的权重,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数。
3.根据权利要求2所述的医学数据处理方法,其特征在于,所述确定所述第二医学特征集合中各医学特征的特异度,包括:
构建医学特征库;
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,确定所述医学特征库中各医学特征的特异度;
将所述第二医学特征集合中各医学特征与所述医学特征库中对应医学特征进行匹配,得到匹配结果;
基于所述匹配结果,确定所述第二医学特征集合中各医学特征的特异度。
4.根据权利要求3所述的医学数据处理方法,其特征在于,所述基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,确定所述医学特征库中各医学特征的特异度,包括:
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应关系,统计所述医学特征库中各医学特征与所述异常对象库中所有异常对象的对应次数参数;
基于所述医学特征库中各医学特征与所述异常对象库中各异常对象的对应次数参数,确定所述医学特征库中所有医学特征的特异度。
5.根据权利要求1所述的医学数据处理方法,其特征在于,在基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,所述方法还包括:
基于所述优先异常对象判断列表,生成针对目标检查项目的检查推荐策略;
获取针对检查推荐策略进行检查后的检查结果;
基于所述检查结果,更新所述优先异常对象判断列表。
6.根据权利要求1所述的医学数据处理方法,其特征在于,在基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表之后,所述方法还包括:
剔除所述优先异常对象判断列表中异常风险参数小于预设的异常风险阈值的目标异常对象,得到处理后的优先异常对象判断列表。
7.根据权利要求1所述的医学数据处理方法,其特征在于,所述基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表,包括:
基于所述初步异常对象判断列表中各异常对象的异常风险参数对应的数值大小,将所述初步异常对象判断列表中所有异常对象进行排序,得到优先异常对象判断列表。
8.一种医学数据处理装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标对象的历史医学信息;
第二获取单元,用于获取所述历史医学信息中的医学特征信息,所述医学特征信息包括多个已被标注的医学特征;
第一分类单元,用于对所述多个医学特征进行分类,得到多个目标类别的医学特征集合,所述多个目标类别的医学特征集合包括排除性类别的第一医学特征集合和提示性类别的第二医学特征集合;
第一剔除单元,用于从预设的异常对象库中剔除所述第一医学特征集合中所有医学特征对应的异常对象,并对处理后的异常对象库进行预处理,得到初步异常对象判断列表;
第一确定单元,用于基于所述第二医学特征集合中各医学特征的特异度,和所述初步异常对象判断列表中各异常对象与所述第二医学特征集合中各医学特征的对应关系,确定所述初步异常对象判断列表中各异常对象的异常风险参数;
第二确定单元,用于基于所述初步异常对象判断列表中各异常对象的异常风险参数,确定优先异常对象判断列表。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至7中任一项所述的医学数据处理方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的医学数据处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210830558.7A CN114898888B (zh) | 2022-07-15 | 2022-07-15 | 医学数据处理方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210830558.7A CN114898888B (zh) | 2022-07-15 | 2022-07-15 | 医学数据处理方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898888A CN114898888A (zh) | 2022-08-12 |
CN114898888B true CN114898888B (zh) | 2022-09-23 |
Family
ID=82729882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210830558.7A Active CN114898888B (zh) | 2022-07-15 | 2022-07-15 | 医学数据处理方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898888B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN109003679A (zh) * | 2018-06-28 | 2018-12-14 | 众安信息技术服务有限公司 | 一种脑血管出血与缺血预测方法及装置 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
CN112837785A (zh) * | 2021-02-09 | 2021-05-25 | 天津市博瑞泽软件开发有限公司 | 一种临床营养数字诊疗方法及系统 |
CN113889229A (zh) * | 2021-09-29 | 2022-01-04 | 浙江德尚韵兴医疗科技有限公司 | 基于人机结合的医学影像诊断标准的构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7470268B2 (ja) * | 2017-09-14 | 2024-04-18 | ラボラトリー・コーポレイション・オブ・アメリカ・ホールディングス | 関節リウマチ患者における心筋梗塞および重篤な感染リスクを評価するためのバイオマーカおよび方法 |
EP4022066A4 (en) * | 2019-08-27 | 2023-08-30 | Prescient Medicine Holdings, Inc. | METHODS AND SYSTEMS FOR ASSESSING RISK OF SUBSTANCE USE DISORDERS |
-
2022
- 2022-07-15 CN CN202210830558.7A patent/CN114898888B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
CN109003679A (zh) * | 2018-06-28 | 2018-12-14 | 众安信息技术服务有限公司 | 一种脑血管出血与缺血预测方法及装置 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
CN112837785A (zh) * | 2021-02-09 | 2021-05-25 | 天津市博瑞泽软件开发有限公司 | 一种临床营养数字诊疗方法及系统 |
CN113889229A (zh) * | 2021-09-29 | 2022-01-04 | 浙江德尚韵兴医疗科技有限公司 | 基于人机结合的医学影像诊断标准的构建方法 |
Non-Patent Citations (2)
Title |
---|
Investigating of Disease Name Normalization Using Neural Network and Pre-Training;YINXIA LOU;《IEEE ACCESS》;20200504;全文 * |
基于深度学习的内镜下胃黏膜多病灶辅助识别系统;杜泓柳 等;《兰州大学学报(医学版)》;20220131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114898888A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10910100B2 (en) | System and method for generating descriptions of abnormalities in medical images | |
US11380432B2 (en) | Systems and methods for improved analysis and generation of medical imaging reports | |
CN110136788B (zh) | 一种基于自动检测的病历质检方法、装置、设备及存储介质 | |
US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
EP3545470A1 (en) | Method for training neuron network and active learning system | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
US11763931B2 (en) | Rule out accuracy for detecting findings of interest in images | |
CN112151130B (zh) | 一种基于文献检索的决策支持系统和构建方法 | |
US11848100B2 (en) | Automatic clinical report generation | |
CN103635908A (zh) | 离开就绪性指标 | |
CN110556173A (zh) | 一种检查报告单智能分类管理系统及方法 | |
Dack et al. | Artificial intelligence and interstitial lung disease: Diagnosis and prognosis | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
CN114332931A (zh) | 宠物关系图谱更新方法、装置、设备和计算机可读存储介质 | |
CN114898888B (zh) | 医学数据处理方法、装置、计算机设备及可读存储介质 | |
CN113707304A (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
CN113743543B (zh) | 一种图像分类训练方法、装置、服务器及存储介质 | |
CN115938593A (zh) | 病历信息的处理方法、装置、设备及计算机可读存储介质 | |
CN108319580A (zh) | 诊断词归一方法及装置 | |
US20240134886A1 (en) | Classification system | |
CN115862897A (zh) | 一种基于临床数据的症候群监测方法及系统 | |
CN113903433A (zh) | 一种图像处理方法、装置和电子设备 | |
CN114255834A (zh) | 训练样本处理方法、装置、存储介质及计算机设备 | |
CN115187805B (zh) | 一种征象识别方法、装置、电子设备和存储介质 | |
CN115033747B (zh) | 异常状态的检索方法及其装置 |
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 |