CN115099355A - 一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统 - Google Patents
一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统 Download PDFInfo
- Publication number
- CN115099355A CN115099355A CN202210806740.9A CN202210806740A CN115099355A CN 115099355 A CN115099355 A CN 115099355A CN 202210806740 A CN202210806740 A CN 202210806740A CN 115099355 A CN115099355 A CN 115099355A
- Authority
- CN
- China
- Prior art keywords
- vertigo
- history information
- diagnosis model
- related auxiliary
- demographic information
- 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
Links
- 208000012886 Vertigo Diseases 0.000 title claims abstract description 196
- 231100000889 vertigo Toxicity 0.000 title claims abstract description 195
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000007689 inspection Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 239000000523 sample Substances 0.000 claims description 27
- 241000356847 Otolithes Species 0.000 claims description 17
- 230000002842 otolith Effects 0.000 claims description 17
- 210000001265 otolithic membrane Anatomy 0.000 claims description 17
- 239000013610 patient sample Substances 0.000 claims description 17
- 206010011891 Deafness neurosensory Diseases 0.000 claims description 8
- 208000027530 Meniere disease Diseases 0.000 claims description 8
- 208000019695 Migraine disease Diseases 0.000 claims description 8
- 206010027599 migraine Diseases 0.000 claims description 8
- 230000001720 vestibular Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 241000699670 Mus sp. Species 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 206010047348 Vertigo positional Diseases 0.000 description 2
- 201000000691 benign paroxysmal positional nystagmus Diseases 0.000 description 2
- 208000001870 benign paroxysmal positional vertigo Diseases 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 201000006302 peripheral vertigo Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统。所述基于XGBoost算法的眩晕病因诊断模型的构建方法包括以下步骤：基于系统收集眩晕人群人口学信息、眩晕病史信息、眩晕相关辅助检查结果进行预处理，基于所有具有人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕人群构建训练样本集。本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法及系统具有根据眩晕患者的相关信息输入，得出眩晕病因初步诊断，供临床医师参考，在临床上实现眩晕病因的精准诊断，特别是在医疗资源相对不足的地区有重大应用价值的优点。
Description
技术领域
本发明涉及计算机科学人工智能技术领域，尤其涉及一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统。
背景技术
眩晕是因机体对空间定位障碍而产生的一种动性或位置性错觉，在一般人群中的发生率可达20-30％，以眩晕为主诉的病人占老年门诊的51-71％，耳鼻喉科的15％，内科的5％，而外周性眩晕通常占80％的病例。引起眩晕的外周性疾病众多，主要包括良性阵发性位置性眩晕(BPPV)、梅尼埃病(MD)、前庭性偏头痛(VM)、突发神经性耳聋(SSNHL)等，目前临床上这些眩晕病因的诊断仍因辅助检查不足、临床医师经验不足等而存在一定困难，特别是在医疗资源不足的地区，眩晕病因的诊断更是一项重大挑战。
因此，有必要提供一种新的基于XGBoost算法的眩晕病因诊断模型的构建方法及系统解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种根据眩晕患者的相关信息输入，得出眩晕病因初步诊断，供临床医师参考，在临床上实现眩晕病因的精准诊断，特别是在医疗资源相对不足的地区有重大应用价值的基于XGBoost算法的眩晕病因诊断模型的构建方法及系统。
为解决上述技术问题，本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法包括以下步骤：
获取人群的人口学信息、眩晕病史信息、眩晕相关辅助检查结果，所述人群包括耳石症人群和非耳石症人群，所述耳石症人群包括确诊为耳石症的眩晕患者人群，所述非耳石症人群包括确诊为梅尼埃病、前庭性偏头痛、突发神经性耳聋的眩晕患者人群；
对所述获取的人口学信息、眩晕病史信息、眩晕相关辅助检查结果进行预处理，基于所有预处理后数据构建训练样本集；
利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的耳石症和非耳石症眩晕患者样本，基于XGBoost算法，构建第一步骤分类器；
利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的非耳石症眩晕患者样本，基于XGBoost算法，构建第二步骤分类器；
对所述第一步骤分类器和所述第二步骤分类器进行整合处理，得到眩晕病因诊断模型。
优选的，所述眩晕病史信息包括眩晕持续的时间、眩晕发作频率、与体位的关系的眩晕特征。
优选的，所述眩晕辅助检查结果包括Roll-test，Dixhallpike-test，冷热试验的检查结果。
优选的，所述对人口学信息、眩晕病史信息、眩晕相关辅助检查结果预处理，包括以下步骤：
对人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的数值型资料进行结构化处理；
对人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的分类型资料进行二值化处理；
对人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的缺失值进行MICE填补处理。
优选的，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕患者样本，构建第一步骤分类器，包括以下步骤：
将所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的耳石症和非耳石症眩晕患者样本，使用XGBoost的机器学习方法进行模型训练，得到所述第一步骤分类器。
优选的，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕患者样本，构建第二步骤分类器，包括以下步骤：
将所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的非耳石症眩晕患者样本，使用XGBoost的机器学习方法进行模型训练，得到所述第二步骤分类器。
本发明还提供一种基于XGBoost算法的眩晕病因诊断模型的构建系统，至少包含一个处理器和所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于获取并执行所述计算机程序或指令，以使所述系统实现基于XGBoost的眩晕病因诊断模型的构建方法。
与相关技术相比较，本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法及系统具有如下有益效果：
本发明提供一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统，该构建方法具体为基于系统收集眩晕人群人口学信息、眩晕病史信息、眩晕相关辅助检查结果进行预处理，基于所有具有人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕人群构建训练样本集，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的耳石症和非耳石症眩晕患者样本，基于XGBoost算法，构建第一步骤分类器，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的非耳石症眩晕患者样本，基于XGBoost算法，构建第二步骤分类器，通过将第一步骤分类器和第二步骤分类器进行整合处理，得到基于XGBoost算法的眩晕病因诊断模型；本发明主要针对目前眩晕病因在临床医生缺乏经验时难以诊断的问题，其提高了眩晕病因的诊断水平，特别是在医疗资源相对不足的地区。
附图说明
图1为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法的一种较佳实施例的流程示意图；
图2为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法中眩晕患者人口学信息、眩晕病史信息、眩晕相关辅助检查结果；
图3为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法的预处理图；
图4为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法的诊断流程图；
图5为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建系统的系统框图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
第一实施例：
请结合参阅图1、图2、图3和图4，其中，图1为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法的一种较佳实施例的流程示意图；图2为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法中眩晕患者人口学信息、眩晕病史信息、眩晕相关辅助检查结果；图3为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法的预处理图；图4为本发明提供的基于XGBoost算法的眩晕病因诊断模型的构建方法的诊断流程图。
如图1所示，本实施例所提供的基于XGBoost的眩晕病因诊断模型的构建方法以系统为基础实施，该系统可以理解为具有计算和数据处理、以及存储功能的电子计算机或者服务器，该眩晕病因诊断模型构建方法具体包括如下步骤：
S1：收集患者人群的人口学信息、眩晕病史信息、眩晕辅助检查结果。
所述患者人群包括耳石症人群和非耳石症人群，所述非耳石症人群包括确诊为梅尼埃病、前庭性偏头痛、突发神经性耳聋的眩晕患者。在收集时，收集所有人群的人口学信息、眩晕病史信息、眩晕辅助检查结果，这里的眩晕病史信息包括眩晕持续的时间、眩晕发作频率、与体位的关系等眩晕特征，如图2所示。这里的眩晕辅助检查结果包括Roll-test，Dixhallpike-test，冷热试验等检查结果，如图2所示。
在收集完后对收集的人口学信息、眩晕病史信息、眩晕辅助检查结果进行标注，即标注相应的人口学信息、眩晕病史信息、眩晕辅助检查结果属于耳石症人群、非耳石症人群，非耳石症人群进一步标注相应的人口学信息、眩晕病史信息、眩晕辅助检查结果属于梅尼埃病人群、前庭性偏头痛人群、突发神经性耳聋人群。
S2：对每个眩晕患者的人口学信息、眩晕病史信息、眩晕辅助检查结果进行预处理。
通过对每个眩晕患者的人口学信息、眩晕病史信息、眩晕辅助检查结果进行预处理，得到结构化、二值化、已填补的数据。并将得到的结构化、二值化、已填补的数据构建训练样本集。其中，上述训练样本集包括耳石症人群的耳石症.样本、梅尼埃病人群的梅尼埃病样本，前庭性偏头痛的前庭性偏头痛样本，突发神经性耳聋人群的突发神经性耳聋样本，其中，梅尼埃病样本、前庭性偏头痛样本和突发神经性耳聋样本为非耳石症样本。
如图3所示，具体预处理的过程如下：
S21：对所述人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的数值型资料进行结构化处理
即对所述的数值型资料，包括年龄、眩晕持续时间等，用Microsoft excel进行数字化处理。
S22：对所述人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的分类型资料进行二值化处理
即对所述的分类型资料，包括性别、是否与体位相关等，用二值0或1表示，便于算法识别。
S23：对所述人口学信息、眩晕病史信息、眩晕相关辅助检查结果中各变量的缺失值进行预处理
即对所述各变量的缺失值，缺失值小于等于10％的变量，用Python中的MICE包进行填补，缺失值大于10％的变量，舍弃此变量。
S3：利用耳石症患者和非耳石症患者构建第一步骤分类器
即利用上述训练样本集中的耳石症样本和非耳石症样本，使用基于XGBoost算法的机器学习方法进行模型训练，利用Pyhton中的GridsearchCV进行模型参数优化，同时进行5折交叉验证，得到第一步骤分类器。
S3：利用非耳石症患者构建第二步骤分类器
即利用上述训练样本集中的非耳石症样本，使用基于XGBoost算法的机器学习方法进行模型训练，利用Pyhton中的GridsearchCV进行模型参数优化，同时进行5折交叉验证，得到第二步骤分类器。
S4：将上述第一步骤分类器和第二步骤分类器进行整合处理。
通过将第一步骤分类器和第二步骤分类器进行整合处理，得到本实施例中的眩晕病因诊断模型。
在基于本实施例的眩晕病因诊断模型进行诊断实施时，对于第一步骤分类为非耳石症的样本，使用第二步骤分类器进行预测，并使用第二步骤分类器的结果作为最终模型结果；对于第一步骤分类为耳石症的样本，直接分类为耳石症。具体流程如图4。
与传统的临床医生根据患者信息综合诊断相比，本发明的眩晕病因诊断模型具有如下优点：
1)、客观、具有良好鲁棒性。本模型基于XGBoost算法，采用临床大数据，不依赖临床医生的经验，结果更客观、鲁棒。
2)、准确。本模型基于先进的XGBoost算法，采用临床大数据训练模型，诊断准确可靠。
3)、自动化。本模型依托系统，实现眩晕病因诊断的自动化，无需临床医生的参与即可完成初步诊断。
4)、实用。本模型依托系统，可以应用于医疗资源相对不足地区，提高当地的眩晕病因诊治水平。
第二实施例：
图5为本申请实施例的基于XGBoost算法的眩晕病因诊断模型的构建系统的系统框图。
如图5所示，本实施例提供的系统可以理解为具有计算和数据处理功能的电子计算机或者服务器，包至少一个处理器101和存储器102，两者通过数据总线103连接。存储器用于存储计算机程序或指令，处理器用于获取并执行相应计算机程序或指令，以使系统实现上面实施例的基于XGBoost的眩晕病因诊断模型的构建方法。
该构建方法具体为基于系统收集眩晕人群人口学信息、眩晕病史信息、眩晕相关辅助检查结果进行预处理，基于所有具有人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕人群构建训练样本集，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的耳石症和非耳石症眩晕患者样本，基于XGBoost算法，构建第一步骤分类器，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的非耳石症眩晕患者样本，基于XGBoost算法，构建第二步骤分类器，通过将第一步骤分类器和第二步骤分类器进行整合处理，得到基于XGBoost算法的眩晕病因诊断模型。本发明主要针对目前眩晕病因在临床医生缺乏经验时难以诊断的问题，其提高了眩晕病因的诊断水平，特别是在医疗资源相对不足的地区。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于XGBoost算法的眩晕病因诊断模型的构建方法，其特征在于，包括以下步骤：
获取人群的人口学信息、眩晕病史信息、眩晕相关辅助检查结果，所述人群包括耳石症人群和非耳石症人群，所述耳石症人群包括确诊为耳石症的眩晕患者人群，所述非耳石症人群包括确诊为梅尼埃病、前庭性偏头痛、突发神经性耳聋的眩晕患者人群；
对所述获取的人口学信息、眩晕病史信息、眩晕相关辅助检查结果进行预处理，基于所有预处理后数据构建训练样本集；
利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的耳石症和非耳石症眩晕患者样本，基于XGBoost算法，构建第一步骤分类器；
利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的非耳石症眩晕患者样本，基于XGBoost算法，构建第二步骤分类器；
对所述第一步骤分类器和所述第二步骤分类器进行整合处理，得到眩晕病因诊断模型。
2.根据权利要求1所述的基于XGBoost算法的眩晕病因诊断模型的构建方法，其特征在于，所述眩晕病史信息包括眩晕持续的时间、眩晕发作频率、与体位的关系的眩晕特征。
3.根据权利要求1所述的基于XGBoost算法的眩晕病因诊断模型的构建方法，其特征在于，所述眩晕辅助检查结果包括Roll-test，Dixhallpike-test，冷热试验的检查结果。
4.根据权利要求1所述的基于XGBoost算法的眩晕病因诊断模型的构建方法，其特征在于，所述对人口学信息、眩晕病史信息、眩晕相关辅助检查结果预处理，包括以下步骤：
对人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的数值型资料进行结构化处理；
对人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的分类型资料进行二值化处理；
对人口学信息、眩晕病史信息、眩晕相关辅助检查结果中的缺失值进行MICE填补处理。
5.根据权利要求1所述的基于XGBoost算法的眩晕病因诊断模型的构建方法，其特征在于，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕患者样本，构建第一步骤分类器，包括以下步骤：
将所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的耳石症和非耳石症眩晕患者样本，使用XGBoost的机器学习方法进行模型训练，得到所述第一步骤分类器。
6.根据权利要求1所述的基于XGBoost算法的眩晕病因诊断模型的构建方法，其特征在于，利用所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的眩晕患者样本，构建第二步骤分类器，包括以下步骤：
将所述训练样本集中的包含人口学信息、眩晕病史信息、眩晕相关辅助检查结果的非耳石症眩晕患者样本，使用XGBoost的机器学习方法进行模型训练，得到所述第二步骤分类器。
7.一种基于XGBoost算法的眩晕病因诊断模型的构建系统，其特征在于，至少包含一个处理器和所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于获取并执行所述计算机程序或指令，以使所述系统实现如权利要求1～6任一项所述的基于XGBoost的眩晕病因诊断模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210806740.9A CN115099355A (zh) | 2022-07-08 | 2022-07-08 | 一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210806740.9A CN115099355A (zh) | 2022-07-08 | 2022-07-08 | 一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115099355A true CN115099355A (zh) | 2022-09-23 |
Family
ID=83297579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210806740.9A Pending CN115099355A (zh) | 2022-07-08 | 2022-07-08 | 一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099355A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180049663A1 (en) * | 2014-06-17 | 2018-02-22 | Seoul National University Hospital | Apparatus for diagnosing and treating dizziness |
| CN108399950A (zh) * | 2018-02-05 | 2018-08-14 | 褚晓凡 | 原发性头痛的人工智能诊断与鉴别诊断系统 |
| CN108630312A (zh) * | 2018-05-11 | 2018-10-09 | 北京诺道认知医学科技有限公司 | 一种高血压诊断规则库自动生成方法及装置 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
| CN113440101A (zh) * | 2021-02-01 | 2021-09-28 | 复旦大学附属眼耳鼻喉科医院 | 一种基于集成学习的眩晕诊断装置及系统 |
| CN114093517A (zh) * | 2021-11-29 | 2022-02-25 | 季凯 | 一种基于血液指标、cfDNA的癌症筛查方法和系统 |
| CN114358169A (zh) * | 2021-12-30 | 2022-04-15 | 上海应用技术大学 | 一种基于XGBoost的结直肠癌检测系统 |
-
2022
- 2022-07-08 CN CN202210806740.9A patent/CN115099355A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180049663A1 (en) * | 2014-06-17 | 2018-02-22 | Seoul National University Hospital | Apparatus for diagnosing and treating dizziness |
| CN108399950A (zh) * | 2018-02-05 | 2018-08-14 | 褚晓凡 | 原发性头痛的人工智能诊断与鉴别诊断系统 |
| CN108630312A (zh) * | 2018-05-11 | 2018-10-09 | 北京诺道认知医学科技有限公司 | 一种高血压诊断规则库自动生成方法及装置 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
| CN113440101A (zh) * | 2021-02-01 | 2021-09-28 | 复旦大学附属眼耳鼻喉科医院 | 一种基于集成学习的眩晕诊断装置及系统 |
| CN114093517A (zh) * | 2021-11-29 | 2022-02-25 | 季凯 | 一种基于血液指标、cfDNA的癌症筛查方法和系统 |
| CN114358169A (zh) * | 2021-12-30 | 2022-04-15 | 上海应用技术大学 | 一种基于XGBoost的结直肠癌检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
| US20180260706A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
| CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
| CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| CN113808738B (zh) | 一种基于自识别影像的疾病识别系统 | |
| CN109920541A (zh) | 一种基于数据分析的病理诊断方法 | |
| CN115099355A (zh) | 一种基于XGBoost算法的眩晕病因诊断模型的构建方法及系统 | |
| CN113693584B (zh) | 抑郁症症状预测变量的选择方法、计算机设备及存储介质 | |
| CN110223743A (zh) | 一种针对肺癌诊断记录的结构化处理方法和系统 | |
| CN210776809U (zh) | 一种望诊图像质量评价系统、设备及存储介质 | |
| CN114300071A (zh) | 一种基于真实数据的信息化系统以及方法 | |
| CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 | |
| CN114628034A (zh) | 阿尔兹海默症评估方法、系统、设备及存储介质 | |
| CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
| CN111709946A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
| CN112216400A (zh) | 一种基于大数据的食源性疾病致病因子预测的方法和系统 | |
| CN112420190A (zh) | 一种人工智能辅助诊疗系统及其构建方法 | |
| Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
| CN102314541A (zh) | 一种心电智能分析系统的临床检验方法 | |
| Michelle et al. | Covid-19 Detection from X-Rays with Aid of Convolutional Neural Network | |
| CN115714016B (zh) | 一种基于机器学习的布鲁氏菌病筛查率提升方法 | |
| AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
| Singhal et al. | Electrocardiogram Feature Based Heart Arrhythmia Detection Using Machine Learning and Apache Spark | |
| CN113436743B (zh) | 基于表示学习的多结局疗效预测方法、装置及存储介质 | |
| CN116580798B (zh) | 一种动态精准的受试者药物临床试验遴选的研究方法 |
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 |