CN114927205A - 一种基于人工智能病理辅助诊断系统的部署监控系统 - Google Patents
一种基于人工智能病理辅助诊断系统的部署监控系统 Download PDFInfo
- Publication number
- CN114927205A CN114927205A CN202210487892.7A CN202210487892A CN114927205A CN 114927205 A CN114927205 A CN 114927205A CN 202210487892 A CN202210487892 A CN 202210487892A CN 114927205 A CN114927205 A CN 114927205A
- Authority
- CN
- China
- Prior art keywords
- detection
- monitoring
- unit
- pathology
- hardware
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 119
- 238000003745 diagnosis Methods 0.000 title claims abstract description 78
- 230000007170 pathology Effects 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 170
- 238000013515 script Methods 0.000 claims abstract description 37
- 238000011900 installation process Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000009434 installation Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001575 pathological effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000002513 implantation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 51
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002546 full scan Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于人工智能病理辅助诊断系统的部署监控系统，包括：自动检测模块：用于通过预设的检测脚本对病理辅助诊断系统的硬件设备进行检测，并在检测后配置系统环境；自动化部署模块：用于通过网页配置中心，在所述系统环境中对辅助诊断系统的诊断功能进行程序安装，并输出安装过程日志；监控模块：用于确定所述系统环境中的网络环境，并根据网络环境通过远程监控模式或中间监控模式对病理辅助诊断系统进行监控，判断是否存在系统异常。
Description
技术领域
本发明涉及病理诊断技术领域，特别涉及一种基于人工智能病理辅助诊断系统的部署监控系统。
背景技术
目前，随着人工智能技术的发展，人工智能也开始与医疗领域结合。人工智能在医疗领域的应用主要有以下四个方向：第一，医疗图像，包括X光、CT、眼底、病理等等。第二，基于人工智能的病例等大数据进行发病预测。第三，用人工智能帮助手术机器人寻找最优手术方案。第四，基于人工智能的新药研发。
其中凭借人工智能技术在图像识别领域的发展，人工智能技术在医疗图像的应用取得一定成效，但远未实现成熟的应用。相比于X光、CT等医疗影像，病理图像的人工智能辅助诊断面临着更大的挑战。
首先借助计算机辅助病理诊断首先要将病理玻片数字化。借助专用的数字病理扫描仪通过扫描病理玻片得到全扫描图像(whole slide image，WSI)。病理全扫描图像相比于其他医疗影像具有多层级，分辨率高，图像尺寸大的特点。通常最高分辨率的层级的尺寸大约是X光图像的一万倍。深度学习的模型预测是计算密集的任务，如何在较短的时间内完成超大规模图像的分析，此前还没有特别好的解决方案。
发明内容
本发明提供一种基于人工智能病理辅助诊断系统的部署监控系统，用以解决病理全扫描图像相比于其他医疗影像具有多层级，分辨率高，图像尺寸大的特点。通常最高分辨率的层级的尺寸大约是X光图像的一万倍。深度学习的模型预测是计算密集的任务，如何在较短的时间内完成超大规模图像的分析，此前还没有特别好的解决方案的情况。
一种基于人工智能病理辅助诊断系统的部署监控系统，包括：
自动检测模块：用于通过预设的检测脚本对病理辅助诊断系统的硬件设备进行检测，并在检测后配置系统环境；
自动化部署模块：用于通过网页配置中心，在所述系统环境中对辅助诊断系统的诊断功能进行程序安装，并输出安装过程日志；
监控模块：用于确定所述系统环境中的网络环境，并根据网络环境通过远程监控模式或中间监控模式对病理辅助诊断系统进行监控，判断是否存在系统异常。
作为本发明的一种实施例：所述自动检测模块包括：
接口确定单元：用于病理辅助诊断系统在启动时，确定所述于病理辅助诊断系统的硬件检测接口；
检测单元：用于将所述检测接口接入检测脚本，对病理辅助诊断系统的硬件设备进行检测，确定设备状态；其中，
所述设备状态包括异常状态和正常状态；
环境配置单元：用于根据所述设备状态和预先给定的系统环境标准，确定系统环境的配置模式；其中，
所述配置模式包括：常规配置和紧急配置；
常规配置单元：用于在所述设备状态为正常状态时，确定硬件设备的常规配置参数，并根据所述常规配置参数对硬件设备进行常规配置；
紧急配置单元：用于在所述设备状态为异常状态时，确定硬件设备的诊断功能，根据所述诊断功能，确定可进行替换的备用设备，并将备用设备进行紧急替换。
作为本发明的一种实施例：所述检测单元，确定设备状态包括以下步骤：
步骤1：基于所述检测脚本，采集硬件设备的实时参数，并确定硬件设备的参数动态函数：
其中，Z(x)表示x设备的参数动态函数；x表示任一设备；(st)表示t时刻x设备的声音状态函数；dt表示t时刻x设备的电力状态函数；D表示x设备的常规电力函数；f(x)表示x设备状态检测矩阵；Qt(x)表示x设备所有检测参数的模态函数；W(x)表示x设备检测参数的个数；t表示时刻；
步骤2：用于根据预设设备状态参数，确定设备的常规状态模型；
其中，Gij(x)表示x设备第i个检测进程的第j个检测参数；i＝1，2，3……n；i表示检测进程；n表示总的检测进程数量；j＝1，2，3……m；j表示检测参数；m表示总的检测参数的数量；
步骤3：用于对比所述常规状态模型和参数动态函数，确定设备状态：
其中，当F≥1时，表示设备处于正常状态；当F＜1时，表示设备处于异常状态。
作为本发明的一种实施例：所述自动检测模块还包括：
硬件确定单元：用于获取所述人工智能辅助病理系统的硬件列表；
功能确定单元：用于根据所述硬件列表，确定每个硬件的功能信息；
架构确定单元：用于根据所述功能信息，确定人工智能辅助病理系统的硬件架构；
脚本构建单元：用于根据所述硬件架构和硬件列表，确定每个硬件的检测源代码和检测顺序；
脚本确定单元：用于根据所述检测源代码和检测顺序，外部调用构建器拼接所述检测源代码，生成检测脚本。
作为本发明的一种实施例：所述自动化部署模块包括：
页面单元：用于构建系统选择页面；其中，
所述系统选择页面为检测功能的部署页面；
选择单元：用于接收用户的选择指令，确定对应的检测功能；
安装单元：用于根据所述选择指令，调用对应的检测源代码进行拼接，并将拼接后的检测脚本植入硬件设备；
日志输出单元：用于在所述检测脚本植入硬件设备时，记录植入进度和植入结果，并输出对应的安装过程日志。
作为本发明的一种实施例：所述监控模块包括：
网络检测单元：用于检测病理辅助诊断系统的网络环境，判断所述网络环境为互联网网络和局域网网络；
互联网监控单元：用于将所述病理辅助诊断系统接入监控报警系统，构成远程监控模式；
局域网监控单元：用于将所述病理辅助诊断系统计入中间件，构成中间监控模式；
系统异常判断单元：用于根据所述互联网网络和局域网网络确定展示的检测结果，并根据检测结果确定系统是否异常；
展示单元：用于在确定系统是否异常之后，将对应的结果通过可视化装置进行展示。
作为本发明的一种实施例：所述监控模块还包括：
自动监控单元：用于在所述网络环境为远程监控模式时，根据所述安装过程日志确定诊断功能是否安装完成，并在安装完成时自动进行硬件设备监控；
异常报警单元：用于获取所述硬件设备的监控结果，并在设备异常时进行报警；
自动化处理单元：用于在设备异常时，判断是程序异常还是设备异常，并在程序异常时进行程序更新，在设备异常时，发出人工运维信息；
处理信息收集单元：用于获取设备异常的处理结果，并生成可视化的显示图表。
作为本发明的一种实施例：所述监控模块还包括：
局域网资源采集单元：用于在所述网络环境为中间监控模式时，确定本地处理器，并将硬件设备的检测数据通过中间件传输至中间件；
局域网监控单元：用于将输入中间件的检测数据，按照预设的时间节点进行划分，生成时间段监测数据；
AI异常检测单元：用于将所述时间段监测数据输入AI训练后的检测模型，判断预测发生异常的异常结果；
AI分析单元：用于对通过AI训练后的分析模型，对所述异常结果进行分析，确定对应的异常处理策略。
作为本发明的一种实施例：所述系统还包括：
数据存储模块：用于构建分布式存储的底层存储，并在所述底层存储上通过集群系统进行增量扩展。
作为本发明的一种实施例：所述系统还包括：
启动设置模块：用于将所述病理辅助诊断系统的导入预设的运行容器，并在所述运行容器上添加更新接口，在所述运行容器中配置系统重置环境。
本发明有益效果在于：在联网情况下辅助诊断系统的服务器自动安装操作系统以及部署和接入监控系统，并自动发现异常报警的问题。解决自动检测计算机硬件，自动安装操作系统和基础组件，页面化部署辅助诊断系统，自动化和人工智能监控，使用人工智能自动处理问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于人工智能病理辅助诊断系统的部署监控系统的系统组成图；
图2为本发明实施例中自动检测模块的组成图；
图3为本发明实施例中自动化部署模块的组成图；
图4为本发明实施例中监控模块的组成图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
在现有技术中，监控系统主要有两类：
第一类是应用于联网环境下服务器的监控，拥有客户端和服务端两部分，资源采集范围广泛，有独立的采集，监控，报警模块。客户端采集数据发送给服务端，服务端开启监控分析是否出现异常并报警。
第二类是应用于大规模独立局域网的监控，采集大规模集群的资源信息，采集的资源数量大并同时对服务器进行管理分配任务。
现有技术的缺点
第一类的技术：
这类应用只适合于场景单一且可以联网的情况下，一旦遇到环境复制多变，且没有网络则采集不到资源信息。
采集的资源过于详细，消耗服务器性能。
模块设计不合理。
第二类的技术：
这类应用只适用于大型集群规模的硬件服务器，但是资源消耗严重，非常消耗服务器性能。
实施例:
一种基于人工智能病理辅助诊断系统的部署监控系统，包括：
自动检测模块：用于通过预设的检测脚本对病理辅助诊断系统的硬件设备进行检测，并在检测后配置系统环境；本发明会预先设置检测脚本，这个脚本的作用是对硬件设备进行检测，判断硬件设备的实时状态，并且获取硬件设备的实时参数。不同的硬件设备其硬件脚本不同，配置系统环境是通过预设的默认参数进行配置，配置为初始状态。
自动化部署模块：用于通过网页配置中心，在所述系统环境中对辅助诊断系统的诊断功能进行程序安装，并输出安装过程日志；
网页配置中心中存在大量的软件程序，这些程序是一些具有辅助诊断特性的程序，例如心率计算或者心率检测程序。
监控模块：用于确定所述系统环境中的网络环境，并根据网络环境通过远程监控模式或中间监控模式对病理辅助诊断系统进行监控，判断是否存在系统异常。远程监控模式就是通过终端设备实现远程操控，而中间监控模式就是通过中间件获取患者数据，实现检测监控。远程监控是为了能够更有效的进行远程监督，而中间件获取患者数据是在接收端设备存在故障时，可以更加快速的获取数据。
本发明有益效果在于：在联网情况下辅助诊断系统的服务器自动安装操作系统以及部署和接入监控系统，并自动发现异常报警的问题。解决自动检测计算机硬件，自动安装操作系统和基础组件，页面化部署辅助诊断系统，自动化和人工智能监控，使用人工智能自动处理问题。
作为本发明的一种实施例：如附图2所示，所述自动检测模块包括：
接口确定单元：用于病理辅助诊断系统在启动时，确定所述于病理辅助诊断系统的硬件检测接口；硬件检测接口存在很多种，不同硬件设备的检测接口不同，但是都通过总线进行控制，还设置有RS485的网络端口。
检测单元：用于将所述检测接口接入检测脚本，对病理辅助诊断系统的硬件设备进行检测，确定设备状态；其中，
所述设备状态包括异常状态和正常状态；异常状态表示硬件设备故障，例如收不到心率检测设备的检测信号，或者心率检测设备的参数设置不正确等等，当然也不局限于心率检测设备，包括所有的病理辅助诊断的设备。
环境配置单元：用于根据所述设备状态和预先给定的系统环境标准，确定系统环境的配置模式；其中，
所述配置模式包括：常规配置和紧急配置；
常规配置就是通过预先的诊断策略进行设备的参数配置和检测环境配置，例如：配置检测温度和配置检测时间以及检测频率。紧急配置就是存在设备故障时，通过判断是不是有能够替换的设备，进行紧急替换。
常规配置单元：用于在所述设备状态为正常状态时，确定硬件设备的常规配置参数，并根据所述常规配置参数对硬件设备进行常规配置；常规配置参数就是正常普遍配置参数，例如，心率检测设备配置的检测周期为三分钟，每一分钟一统计。
紧急配置单元：用于在所述设备状态为异常状态时，确定硬件设备的诊断功能，根据所述诊断功能，确定可进行替换的备用设备，并将备用设备进行紧急替换。例如，心率检测设备损坏了，我们哦按段是否有进行替换的备用心率检测设备通过备用的心率检测设备进行设备检测，这一切都是基于人工智能的自动配置。
本发明的有益效果在于：本发明使用自研的自动检测脚本，根据安装硬件列表，确认硬件状态，并在检测通过后，使用自研自动安装操作系统软件，安装基础的系统环境，。
作为本发明的一种实施例：所述检测单元，确定设备状态包括以下步骤：
步骤1：基于所述检测脚本，采集硬件设备的实时参数，并确定硬件设备的参数动态函数：
其中，Z(x)表示x设备的参数动态函数，用于判断设备状态，就是将设备的参数作为变量，在参数改变后，判断设备检测是否准确；x表示任一设备；(st)表示t时刻x设备的声音状态函数，因为医疗辅助检测设备，通常都会设置故障的声音，或者在运行过程中故障声音和正常声音，以及检测进行的声音，这个声音状态函数就是通过这些声音判断设备是否正常；dt表示t时刻x设备的电力状态函数，这个函数时为了判断设备的电量上输入是否正确，实时根据设备的输入点亮，输出设备的状态，这个状态是检测是否标准的状态；D表示x设备的常规电力函数，常规电力函数就是设备在使用时，普遍采用的店里参数的函数，这个地方通过常规电力函数和电力状态函数判断输入设备的供电是否存在问题；f(x)表示x设备状态检测矩阵，这个检测矩阵是一个标记性的矩阵，所有的故障都在矩阵之内，通过它进行故障标记；Qt(x)表示x设备所有检测参数的模态函数，模态函数就是不同设备的特性所显示函数，这个函数是通过图表的形式可以输出所有的设备的实时模态，是对设备不同参数的状态的一个综合性总结的函数；W(x)表示x设备检测参数的个数；t表示时刻；
步骤2：用于根据预设设备状态参数，确定设备的常规状态模型；
其中，Gij(x)表示x设备第i个检测进程的第j个检测参数；i＝1，2，3……n；i表示检测进程；n表示总的检测进程数量；j＝1，2，3……m；j表示检测参数；m表示总的检测参数的数量；
步骤3：用于对比所述常规状态模型和参数动态函数，确定设备状态：
其中，当F≥1时，表示设备处于正常状态；当F＜1时，表示设备处于异常状态。
本发明的有益效果在于：本发明会对每时每刻的硬件设备的状态进行检测，检测的方式是通过预先设置检测脚本进行检测，然后通过计算硬件设备的参数动态函数和硬件设备的常规状态模型的相关性，确定硬件设备的状态是否正常。
作为本发明的一种实施例：如附图2所示，所述自动检测模块还包括：
硬件确定单元：用于获取所述人工智能辅助病理系统的硬件列表；硬件列表里面会显示所有人工智能辅助病理系统所能用到的硬件设备。
功能确定单元：用于根据所述硬件列表，确定每个硬件的功能信息；功能信息就是不同的硬件设备能够做什么辅助诊断工作，以及可以设置的检测参数。
架构确定单元：用于根据所述功能信息，确定人工智能辅助病理系统的硬件架构；硬件架构就是整体的检测的功能架构，每个功能都通过硬件设备进行确定。
脚本构建单元：用于根据所述硬件架构和硬件列表，确定每个硬件的检测源代码和检测顺序；检测源代码和检测顺序，检测源代码是通过预先设置的，辅助诊断系统会有源代码的数据库，这个数据库存在所有硬件设备检测脚本的源代码，而检测顺序就是不同检测脚本的生成顺序，便于让流程更加有逻辑性，节约时间。
脚本确定单元：用于根据所述检测源代码和检测顺序，外部调用构建器拼接所述检测源代码，生成检测脚本。
本发明的有益效果在于：本发明在进行自动检测的时候，自动监测模块，会根据硬件列表进行设计检测脚本，而在设计检测脚本的时候会通过功能和结构实现检测源代码的拼接，实现检测。
作为本发明的一种实施例：如附图3所示，所述自动化部署模块包括：
页面单元：用于构建系统选择页面；其中，
所述系统选择页面为检测功能的部署页面；
选择单元：用于接收用户的选择指令，确定对应的检测功能；
安装单元：用于根据所述选择指令，调用对应的检测源代码进行拼接，并将拼接后的检测脚本植入硬件设备；
日志输出单元：用于在所述检测脚本植入硬件设备时，记录植入进度和植入结果，并输出对应的安装过程日志。
本发明有益效果在于：使用自研的部署辅助诊断系统页面系统，打开网页配置中心，根据不同需求安装相应的功能，并在安装过程中输出过程日志。
作为本发明的一种实施例：如附图4所示，所述监控模块包括：
网络检测单元：用于检测病理辅助诊断系统的网络环境，判断所述网络环境为互联网网络和局域网网络；互联网网络和局域网网络确定这在监控的时候是通过远程监控模式还是中间监控模式。互联网可以实现远程，但是局域网不连接因特网，只能是局部监控。
互联网监控单元：用于将所述病理辅助诊断系统接入监控报警系统，构成远程监控模式；
局域网监控单元：用于将所述病理辅助诊断系统计入中间件，构成中间监控模式；
系统异常判断单元：用于根据所述互联网网络和局域网网络确定展示的检测结果，并根据检测结果确定系统是否异常；网络检测的目的就是判断不同的检测设备是否都和网络连接，能够通过网络进行控制，如果存在设备无法通过网络控制，就表示设备处于异常状态。
展示单元：用于在确定系统是否异常之后，将对应的结果通过可视化装置进行展示。
本发明有益效果在于：本发明在进行确定监控部署状态的时候，存在互联网的远程监测和局域网本地监测，进而能够判断出系统是否存在异常。
作为本发明的一种实施例：如附图4所示，所述监控模块还包括：
自动监控单元：用于在所述网络环境为远程监控模式时，根据所述安装过程日志确定诊断功能是否安装完成，并在安装完成时自动进行硬件设备监控；因为日志中存在不同硬件设备的软件安装过程，所以可以判断不同硬件设备能不能进行诊断。
异常报警单元：用于获取所述硬件设备的监控结果，并在设备异常时进行报警；
自动化处理单元：用于在设备异常时，判断是程序异常还是设备异常，并在程序异常时进行程序更新，在设备异常时，发出人工运维信息；
处理信息收集单元：用于获取设备异常的处理结果，并生成可视化的显示图表。
本发明有益效果在于：在有互联网的情况下，系统自动接入监控报警系统，并将使用过程中出现问题上传到远端的服务器，在AI的辅助下对问题进行解决并将问题加入到训练集中。将监控的资源信息展示在自研资源展示系统。
作为本发明的一种实施例：所述监控模块还包括：
局域网资源采集单元：用于在所述网络环境为中间监控模式时，确定本地处理器，并将硬件设备的检测数据通过中间件传输至中间件；
局域网监控单元：用于将输入中间件的检测数据，按照预设的时间节点进行划分，生成时间段监测数据；
AI异常检测单元：用于将所述时间段监测数据输入AI训练后的检测模型，判断预测发生异常的异常结果；
AI分析单元：用于对通过AI训练后的分析模型，对所述异常结果进行分析，确定对应的异常处理策略。
本发明有益效果在于：使用采集脚本，并通过中间件模块传入资源处理模块，根据相应的处理功能进行处理。并在使用过程中用AI训练出来的模型来预测将会发生的问题并提前处理。最后人工手动采集相关信息，录入自研资源展示系统。新的问题解决模型由手工维护时定期进行更新。
作为本发明的一种实施例：所述系统还包括：
数据存储模块：用于构建分布式存储的底层存储，并在所述底层存储上通过集群系统进行增量扩展。
本发明有益效果在于：本发明的系统底层使用分布式存储系统存储，可以方便解决扩展性差的问题。集群系统可以增量扩展，并能方便地修改或扩展系统以适应变化的环境而无需中断其运行。得益于分布式架构的设计，通过单纯的硬件扩展，就能使系统性能得到接近线性的增长。并且集群系统能有效地支持所用终端用户对运算资源的共享。
作为本发明的一种实施例：所述系统还包括：
启动设置模块：用于将所述病理辅助诊断系统的导入预设的运行容器，并在所述运行容器上添加更新接口，在所述运行容器中配置系统重置环境。
本发明有益效果在于：本发明的辅助诊断系统运行在容器中，方便更新和重置系统环境，也方便辅助诊断系统的迁移和保存。解决容错性差的问题。依靠存储单元和处理单元的多重性，每一个服务都有多重冗余，具有在系统出现局部故障的情况下正常运行的能力。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，包括：
自动检测模块：用于通过预设的检测脚本对病理辅助诊断系统的硬件设备进行检测，并在检测后配置系统环境；
自动化部署模块：用于通过网页配置中心，在所述系统环境中对辅助诊断系统的诊断功能进行程序安装，并输出安装过程日志；
监控模块：用于确定所述系统环境中的网络环境，并根据网络环境的远程监控模式或中间监控模式对病理辅助诊断系统进行监控，判断是否存在系统异常。
2.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述自动检测模块包括：
接口确定单元：用于病理辅助诊断系统在启动时，确定所述于病理辅助诊断系统的硬件检测接口；
检测单元：用于将所述检测接口接入检测脚本，对病理辅助诊断系统的硬件设备进行检测，确定设备状态；其中，
所述设备状态包括异常状态和正常状态；
环境配置单元：用于根据所述设备状态和预先给定的系统环境标准，确定系统环境的配置模式；其中，
所述配置模式包括：常规配置和紧急配置；
常规配置单元：用于在所述设备状态为正常状态时，确定硬件设备的常规配置参数，并根据所述常规配置参数对硬件设备进行常规配置；
紧急配置单元：用于在所述设备状态为异常状态时，确定硬件设备的诊断功能，根据所述诊断功能，确定可进行替换的备用设备，并将备用设备进行紧急替换。
3.如权利要求2所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述检测单元，确定设备状态包括以下步骤：
步骤1：基于所述检测脚本，采集硬件设备的实时参数，并确定硬件设备的参数动态函数：
其中，Z(x)表示x设备的参数动态函数；x表示任一设备；st表示t时刻x设备的声音状态函数；dt(x)表示t时刻x设备的电力状态函数；D(x)表示x设备的常规电力函数；f(x)表示x设备状态检测矩阵；Qt(x)表示x设备在t时刻的所有检测参数的模态函数；W(x)表示x设备检测参数的个数；t表示时刻；
步骤2：用于根据预设设备状态参数，确定设备的常规状态模型；
其中，Gij(x)表示x设备第i个检测进程的第j个检测参数；i＝1，2，3……n；i表示检测进程；n表示总的检测进程数量；j＝1，2，3……m；j表示检测参数；m表示总的检测参数的数量；
步骤3：用于对比所述常规状态模型和参数动态函数，确定设备状态：
其中，当F≥1时，表示设备处于正常状态；当F＜1时，表示设备处于异常状态。
4.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述自动检测模块还包括：
硬件确定单元：用于获取所述人工智能辅助病理系统的硬件列表；
功能确定单元：用于根据所述硬件列表，确定每个硬件的功能信息；
架构确定单元：用于根据所述功能信息，确定人工智能辅助病理系统的硬件架构；
脚本构建单元：用于根据所述硬件架构和硬件列表，确定每个硬件的检测源代码和检测顺序；
脚本确定单元：用于根据所述检测源代码和检测顺序，外部调用构建器拼接所述检测源代码，生成检测脚本。
5.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述自动化部署模块包括：
页面单元：用于构建系统选择页面；其中，
所述系统选择页面为检测功能的部署页面；
选择单元：用于接收用户的选择指令，确定对应的检测功能；
安装单元：用于根据所述选择指令，调用对应的检测源代码进行拼接，并将拼接后的检测脚本植入硬件设备；
日志输出单元：用于在所述检测脚本植入硬件设备时，记录植入进度和植入结果，并输出对应的安装过程日志。
6.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述监控模块包括：
网络检测单元：用于检测病理辅助诊断系统的网络环境，判断所述网络环境为互联网网络和局域网网络；
互联网监控单元：用于将所述病理辅助诊断系统接入监控报警系统，构成远程监控模式；
局域网监控单元：用于将所述病理辅助诊断系统接入中间件，构成中间监控模式；
系统异常判断单元：用于根据所述互联网网络和局域网网络确定展示的检测结果，并根据检测结果确定系统是否异常；
展示单元：用于在确定系统是否异常之后，将对应的结果通过可视化装置进行展示。
7.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述监控模块还包括：
自动监控单元：用于在所述网络环境为远程监控模式时，根据所述安装过程日志确定诊断功能是否安装完成，并在安装完成时自动进行硬件设备监控；
异常报警单元：用于获取所述硬件设备的监控结果，并在设备异常时进行报警；
自动化处理单元：用于在设备异常时，判断是程序异常还是设备异常，并在程序异常时进行程序更新，在设备异常时，发出人工运维信息；
处理信息收集单元：用于获取设备异常的处理结果，并生成可视化的显示图表。
8.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述监控模块还包括：
局域网资源采集单元：用于在所述网络环境为中间监控模式时，确定本地处理器，并将硬件设备的检测数据通过中间件传输至中间件；
局域网监控单元：用于将输入中间件的检测数据，按照预设的时间节点进行划分，生成时间段监测数据；
AI异常检测单元：用于将所述时间段监测数据输入AI训练后的检测模型，判断预测发生异常的异常结果；
AI分析单元：用于对通过AI训练后的分析模型，对所述异常结果进行分析，确定对应的异常处理策略。
9.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述系统还包括：
数据存储模块：用于构建分布式存储的底层存储，并在所述底层存储上通过集群系统进行增量扩展。
10.如权利要求1所述的一种基于人工智能病理辅助诊断系统的部署监控系统，其特征在于，所述系统还包括：
启动设置模块：用于将所述病理辅助诊断系统的导入预设的运行容器，并在所述运行容器上添加更新接口，在所述运行容器中配置系统重置环境。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487892.7A CN114927205B (zh) | 2022-05-06 | 2022-05-06 | 一种基于人工智能病理辅助诊断系统的部署监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487892.7A CN114927205B (zh) | 2022-05-06 | 2022-05-06 | 一种基于人工智能病理辅助诊断系统的部署监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114927205A true CN114927205A (zh) | 2022-08-19 |
| CN114927205B CN114927205B (zh) | 2023-01-13 |
Family
ID=82807439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210487892.7A Active CN114927205B (zh) | 2022-05-06 | 2022-05-06 | 一种基于人工智能病理辅助诊断系统的部署监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114927205B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116016261A (zh) * | 2022-12-26 | 2023-04-25 | 广州市保伦电子有限公司 | 一种系统运维方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203232139U (zh) * | 2013-05-20 | 2013-10-09 | 大连民族学院 | 一种轮式电动汽车电机参数实时监测系统 |
| CN107473036A (zh) * | 2017-07-31 | 2017-12-15 | 浙江省特种设备检验研究院 | 电梯曳引机远程在线检测与诊断系统及其检测诊断方法 |
| CN109710444A (zh) * | 2018-12-26 | 2019-05-03 | 九逸(北京)信息技术有限公司 | 智能医院信息系统的异常处理的方法及相关设备 |
| CN109841273A (zh) * | 2018-12-27 | 2019-06-04 | 江苏曼荼罗软件股份有限公司 | 一种医疗诊断软件的一站式整合方法及装置 |
| CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
| CN111091904A (zh) * | 2018-10-24 | 2020-05-01 | 西门子(深圳)磁共振有限公司 | 医疗设备和配置医疗设备的硬件的方法 |
| US20210244290A1 (en) * | 2018-10-26 | 2021-08-12 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Medical device, and multi-working mode monitoring configuration method and apparatus used for medical device |
| CN114356460A (zh) * | 2021-12-09 | 2022-04-15 | 南京未来网络产业创新有限公司 | 一种基于医疗设备健康实时采集监控方法和系统 |
-
2022
- 2022-05-06 CN CN202210487892.7A patent/CN114927205B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203232139U (zh) * | 2013-05-20 | 2013-10-09 | 大连民族学院 | 一种轮式电动汽车电机参数实时监测系统 |
| CN107473036A (zh) * | 2017-07-31 | 2017-12-15 | 浙江省特种设备检验研究院 | 电梯曳引机远程在线检测与诊断系统及其检测诊断方法 |
| CN111091904A (zh) * | 2018-10-24 | 2020-05-01 | 西门子(深圳)磁共振有限公司 | 医疗设备和配置医疗设备的硬件的方法 |
| US20210244290A1 (en) * | 2018-10-26 | 2021-08-12 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Medical device, and multi-working mode monitoring configuration method and apparatus used for medical device |
| CN109710444A (zh) * | 2018-12-26 | 2019-05-03 | 九逸(北京)信息技术有限公司 | 智能医院信息系统的异常处理的方法及相关设备 |
| CN109841273A (zh) * | 2018-12-27 | 2019-06-04 | 江苏曼荼罗软件股份有限公司 | 一种医疗诊断软件的一站式整合方法及装置 |
| CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
| CN114356460A (zh) * | 2021-12-09 | 2022-04-15 | 南京未来网络产业创新有限公司 | 一种基于医疗设备健康实时采集监控方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 唐光波: "精轧机异常工况检测系统设计与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
| 张永春: "机车制动系统实时监测与故障诊断专家系统", 《计算机测量与控制》 * |
| 郭传清: "基于状态检测的设备点检管理系统研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116016261A (zh) * | 2022-12-26 | 2023-04-25 | 广州市保伦电子有限公司 | 一种系统运维方法、装置及设备 |
| CN116016261B (zh) * | 2022-12-26 | 2024-05-14 | 广东保伦电子股份有限公司 | 一种系统运维方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114927205B (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0471635B1 (en) | Automated enrolment of a computer system into a service network of computer systems | |
| JP4891605B2 (ja) | ソフトウェア管理システム及びソフトウェア配信サーバ | |
| CN113836044B (zh) | 一种软件故障采集和分析的方法及系统 | |
| US10673684B2 (en) | System and method for autonomus data center operation and healing | |
| KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| CN109743344B (zh) | 基于轨道交通的综合监控系统的事件存储方法及其设备 | |
| JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
| DE102004015504A1 (de) | Verfahren und Vorrichtung zur diagnostischen Wahl eines Wartungskonzepts für ein komplexes System | |
| CN110865835A (zh) | 配置文件更新方法、装置、计算机设备和存储介质 | |
| CN114927205B (zh) | 一种基于人工智能病理辅助诊断系统的部署监控系统 | |
| CN109144701A (zh) | 一种任务流管理方法、装置、设备及系统 | |
| WO2019111709A1 (ja) | 制御システム、情報処理装置、異常要因推定プログラム | |
| US20170257304A1 (en) | Systems and methods for monitoring system performance and availability | |
| CN113472577B (zh) | 一种集群巡检方法、装置及系统 | |
| CN112703485A (zh) | 使用机器学习方法支持对分布式系统内的计算环境的修改的实验评估 | |
| CN111901156A (zh) | 一种监控故障的方法及装置 | |
| DE102004015501A1 (de) | Verfahren und Vorrichtung für Wartbarkeit komplexer Systeme | |
| CN116560893A (zh) | 一种计算机应用程序运行数据故障处理系统 | |
| CN116843314A (zh) | 监控终端运维管理方法、系统、设备及存储介质 | |
| KR102489973B1 (ko) | 사이버캐릭터를 이용한 태양광 발전시스템의 운영유지보수 장치 및 그 방법 | |
| CN113377595B (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
| CN112965902B (zh) | 一种应用系统的评估方法及装置 | |
| WO2020046372A1 (en) | System and method for increasing mean time between service visits in an industrial system | |
| CN109144788B (zh) | 一种重建osd的方法、装置及系统 | |
| CN112948154A (zh) | 一种系统异常诊断方法、装置及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221017 Address after: 100000 608, Floor 6, No. 39, Lianhuachi East Road, Haidian District, Beijing Applicant after: Beijing Thorough Future Technology Co.,Ltd. Address before: Room 513, 5 / F, building C, 18 Xihuan South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant before: TOUCHE IMAGE (BEIJING) TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |