CN115116594B - 医疗装置有效性的检测方法及装置 - Google Patents
医疗装置有效性的检测方法及装置 Download PDFInfo
- Publication number
- CN115116594B CN115116594B CN202210635880.4A CN202210635880A CN115116594B CN 115116594 B CN115116594 B CN 115116594B CN 202210635880 A CN202210635880 A CN 202210635880A CN 115116594 B CN115116594 B CN 115116594B
- Authority
- CN
- China
- Prior art keywords
- medical device
- clinical data
- diagnosis result
- determining
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 154
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000012795 verification Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H40/40—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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种医疗装置有效性的检测方法及装置，其中方法包括：将临床数据输入医疗装置，得到医疗装置输出的第一诊断结果；将临床数据输入NEST神经网络模型，得到NEST神经网络模型输出的第二诊断结果；根据第一诊断结果以及第二诊断结果，确定医疗装置初步验证通过；根据第一诊断结果以及临床数据的预设评估结果，确定医疗装置有效。本发明提供的医疗装置有效性的检测方法及装置，通过NEST神经网络模型输出的诊断结果用于医疗装置输出的诊断结果的对比，实现了对医疗装置的快速初步验证，通过临床数据的预设评估结果的进一步验证，实现了对医疗装置的双重验证，在确保验证效率的情况下，确保了最终的验证结果的可靠性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种医疗装置有效性的检测方法及装置。
背景技术
医疗装置在使用前必须进行有效性的检测，以防止发生误诊等现象。
现有的医疗装置有效性检测是通过获取临床数据输入医疗装置，得到诊断结果，然后直接由多个专家对诊断结果进行有效性检测，或者将临床数据输入到医疗装置进行循环训练后得到诊断结果，然后通过专家评判医疗装置的有效性。现有方法中的两种方式，均是得到诊断结果后，直接通过专家进行评判，需要多次反复的根据专家的评判结果调整医疗装置以达到预期效果，过程繁琐，且效率低。
发明内容
本发明提供一种医疗装置有效性的检测方法及装置，用以解决现有技术针对医疗装置有效性检测，反复多次通过专家进行评判，评判过程比较繁琐，效率低的技术问题。
本发明提供一种医疗装置有效性的检测方法，包括：
将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
根据本发明提供的一种医疗装置有效性的检测方法，所述确定所述医疗装置初步验证通过之前，还包括：
将所述临床数据添加扰动，生成扰动后的对照数据；
将所述对照数据输入所述医疗装置，得到所述医疗装置输出的第三诊断结果；
确定所述第一诊断结果与所述第三诊断结果的莱布尼兹连续性满足莱布尼兹条件。
根据本发明提供的一种医疗装置有效性的检测方法，所述根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过，包括：
在获取所述第一诊断结果的效率和准确率分别高于获取所述第二诊断结果的效率和准确率的情况下，确定所述医疗装置初步验证通过。
根据本发明提供的一种医疗装置有效性的检测方法，所述根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效，包括：
在所述第一诊断结果与所述临床数据的预设评估结果相同的情况下，确定所述医疗装置有效。
根据本发明提供的一种医疗装置有效性的检测方法，所述将临床数据输入医疗装置之前，还包括：
根据患者年龄、患者性别以及病症，对所述临床数据进行分类。
根据本发明提供的一种医疗装置有效性的检测方法，所述医疗装置是基于预测模型构建的；
所述预测模型是基于临床数据样本，以及所述临床数据样本对应的诊断类别标签对初始预测模型进行训练得到的。
本发明还提供一种医疗装置有效性的检测装置，包括：
医疗装置诊断结果确定模块，用于将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
对比模型诊断结果确定模块，用于将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
初步验证模块，用于根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
有效性确定模块，用于根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述医疗装置有效性的检测方法。
本发明还提供一种非暂态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执行时实现如上述任一种所述医疗装置有效性的检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述医疗装置有效性的检测方法。
本发明提供的医疗装置有效性的检测方法及装置，通过NEST神经网络模型输出的诊断结果用于医疗装置输出的诊断结果的对比，实现了对医疗装置的快速初步验证，通过临床数据的预设评估结果的进一步验证，实现了对医疗装置的双重验证，在确保验证效率的情况下，确保了最终的验证结果的可靠性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图简要地说明，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明提供的医疗装置有效性的检测方法的流程示意图；
图2是本发明提供的医疗装置的验证流程示意图；
图3是本发明提供的医疗装置有效性的检测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的医疗装置有效性的检测方法的流程示意图。参照图1，本发明提供的医疗装置有效性的检测方法可以包括：
步骤110，将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
步骤120，将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
步骤130，根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
步骤140，根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
本发明提供的医疗装置有效性的检测方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)或个人计算机(personal computer，PC)等，本发明不作具体限定。
下面以计算机执行本发明提供的医疗装置有效性的检测方法为例，详细说明本发明的技术方案。
在步骤110中，获取临床数据，将获取的临床数据输入医疗装置，得到医疗装置输出的第一诊断结果。
临床数据为不同医院采集的不同年龄，不同性别的患者所患的病症，以及对应病症所对应的身体指标数据。
医疗装置是指，根据输入的临床数据，能自动输出临床数据对应的诊断结果的装置。
可选地，临床数据可以根据患者的年龄、患者的性别或者患者的病症进行分类。例如根据患者的年龄对临床数据进行分类，得到不同年龄患者的身体指标数据集，将得到的不同年龄患者的身体指标数据集输入医疗装置，得到不同年龄患者对应的诊断结果。
在步骤120中，将临床数据输入NEST神经网络模型，得到NEST神经网络模型输出的第二诊断结果。
NEST神经网络模型为根据数据自动生成的最优神经网络模型。NEST神经网络模型，根据步骤110中的临床数据，能够自适应生成对应的神经网络模型，方便对临床数据诊断结果的确定。
可以理解的是，NEST神经网络模型是根据数据自动生成的，具有针对不同数据集的通用性。尤其对于临床数据具有种类多样性的特点来说，针对不同类型的临床数据，不需要再搭建网络结构，而可以自适应获取不同的神经网络模型，在确保检测结果的同时，方便操作。尤其是对于不同类型疾病的医疗装置，不需要针对不同装置的设计不同模型，具有通用性的特点。
在步骤130中，在步骤110中确定医疗装置输出的第一诊断结果，以及步骤120中NEST神经网络模型输出的第二诊断结果后，根据第一诊断结果以及第二诊断结果，确定医疗装置初步验证通过。
如图2本发明提供的医疗装置的验证流程示意图所示，通过将获取的临床数据输入医疗装置以及NEST神经网络模型，得到医疗装置输出第一诊断结果，以及NEST神经网络模型输出的第二诊断结果后，根据第一诊断结果以及第二诊断结果，可以实现医疗装置相对于NEST神经网络模型的判定。
可以理解的是，NEST神经网络模型输出的第二诊断结果是用于评价医疗装置输出的第一诊断结果的。根据NEST神经网络模型输出的第二诊断结果，将医疗装置输出的第一诊断结果与NEST神经网络模型输出的第二诊断结果进行对比，确定医疗装置初步验证通过，可以初步判定医疗装置输出的第一诊断结果的有效性。
在验证不通过的情况下，可以对医疗装置进行调整，直到医疗装置的第一诊断结果能达到验证通过的要求。
在步骤140中，临床数据的预设评估结果是根据医疗专家，对临床数据进行分析得到的诊断结果。将第一诊断结果与根据医疗专家分析得到的预设评估结果进行比对，确定医疗装置有效。
在确定医疗装置初步验证通过后，通过医疗专家针对临床数据分析得到的预设评估结果，对医疗装置进行进一步的评估，实现对医疗装置有效性的最终确定。与此同时，双重验证的方式，在确保验证效率的情况下，通过医疗专家的方式，确保了最终的验证结果的可靠性。
由于医疗装置验证的过程中，由于经常需要根据验证的情况，调整医疗装置的参数以及设置，以获得效率更高、准确率更高的诊断结果。通过步骤130中NEST神经网络模型对医疗装置的初步验证，可以实现针对医疗装置有效性的快速初步验证，且在验证不通过时，可以调整医疗装置，反复快速的验证医疗装置。避免直接通过医疗专家，耗费大量人力和资源的方式，对医疗装置的反复的验证。
NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的
NEST神经网络模型为根据临床数据自动生成的最优神经网络模型。对于NEST神经网络模型的训练，基于临床数据样本，以及临床数据样本对应的诊断类别标签，对初始NEST神经网络模型进行训练，得到训练后的NEST神经网络模型。
基于NEST神经网络模型，可以将输入的临床数据，获取输入的临床数据对应的输出的诊断结果。
本发明实施例提供的医疗装置有效性的检测方法，通过NEST神经网络模型输出的诊断结果用于医疗装置输出的诊断结果的对比，实现了对医疗装置的快速初步验证，通过临床数据的预设评估结果的进一步验证，实现了对医疗装置的双重验证，在确保验证效率的情况下，确保了最终的验证结果的可靠性。
在一个实施例中，确定所述医疗装置初步验证通过之前，还包括：将所述临床数据添加扰动，生成扰动后的对照数据；将所述对照数据输入所述医疗装置，得到所述医疗装置输出的第三诊断结果；确定所述第一诊断结果与所述第三诊断结果的莱布尼兹连续性满足莱布尼兹条件。
将临床数据添加扰动后形成对照数据，将对照数据输入医疗装置，得到医疗装置输出的第三诊断结果，将第三诊断结果跟第一诊断结果对比，判断第一诊断结果与所述第三诊断结果的莱布尼兹连续性是否满足莱布尼兹条件进行判断，如果满足，则可以确定医疗装置的稳定性好。
可选地，临床数据采用无向图进行数据构建：将临床数据构建无向图，无向图G＝(V,ε,X)表示一个由点V，边ε以及属性X组成的无向图。其中，X＝{x1,x2,...,xN}是图G中所有点的属性集合，xv∈X是其中每一个节点的属性，N为图中的节点属性，Nu表示节点u的临节点集合Nu＝{v∈V|Aub＝1}，建立一个N×N的矩阵A表示连边的情况，其中Auv为1则代表u，v两点之间有连边，反之Auv为0则代表u，v两点之间没有连边。
生成一个新的无向图G’，在新生成的无向图中对图中的属性，包括节点属性和边属性进行轻微的扰动，得到对照数据，对照数据中节点进行扰动的产生采用以下方式：
生成一个服从伯努利分布的M维二元向量r∈{0,1}M，r～B(pn)，其中pn是每个节点被扰动的概率，生成的扰动后的节点对照图属性为：
其中，δ是一个从正态中采样的M维样本，r为服从伯努利分布的扰动频率，xu为图G中的点，为xu节点添加扰动后的节点对照图属性。
对照数据中，对边属性进行扰动，采用以下方式，生成一个N*N维度的随机伯努利分布矩阵Re∈B(1-pe)，其中pe是每条边从图G中被剔除掉的概率，生成的对照数据中扰动后的边对照图为：
其中，为边对照图。
临床数据输入医疗装置后，数据的输入节点u和输出zu，设定ENC(u)＝zu，则对照数据的输入节点为输出为/>并与真实的标签/>进行比较，将临床数据输入医疗装置和对照数据输入到医疗装置后两个输出结果使用莱布尼兹条件进行判断，满足莱布尼兹条件的情况下，确定对输入数据微小的扰动不会造成输出结果的显著变化，即
其中L表示莱布尼兹常数，和bu分别表示点/>和u的点，边属性特征，为/>的p范数，/>为/>的p范数。
本发明实施例提供的医疗装置有效性的检测方法，通过对临床数据添加扰动的方式，在医疗装置的双重验证的前提下，实现了对医疗装置的第三重验证，进一步提高的医疗装置的抗干扰能力。
在一个实施例中，根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过，包括：在获取所述第一诊断结果的效率和准确率分别高于获取所述第二诊断结果的效率和准确率的情况下，确定所述医疗装置初步验证通过。
在通过医疗装置获取临床数据的第一诊断结果，以及根据NEST神经网络模型获取临床数据的第二诊断结果后。通过获取第一诊断结果的效率优于获取第二诊断结果的效率，获取第一诊断结果的准确率优于获取第二诊断结果的准确率，确定医疗装置优于NEST神经网络模型，即医疗装置初步验证通过。
可以理解的是，通过NEST神经网络模型与医疗装置的效率与准确率的对比，可以快速反应医疗装置的指标优劣。
本发明实施例提供的医疗装置有效性的检测方法，通过获取所述第一诊断结果的效率和准确率分别高于获取所述第二诊断结果的效率和准确率的情况下，确定所述医疗装置初步验证通过，实现了对医疗装置优劣的初步判定。
在一个实施例中，根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效，包括：在所述第一诊断结果与所述临床数据的预设评估结果相同的情况下，确定所述医疗装置有效。
临床数据的预设评估结果是根据医疗专家，对临床数据进行分析得到的诊断结果。在确定医疗装置的第一诊断结果与基于医疗专家确定的预设的评估结果相同的情况下，确定医疗装置有效。
在确定医疗装置初步验证通过后，通过医疗专家针对临床数据分析得到的预设评估结果，对医疗装置进行进一步的评估，实现对医疗装置有效性的最终确定。通过医疗专家的方式，确保了最终的验证结果的可靠性。
本发明实施例提供的医疗装置有效性的检测方法，通过第一诊断结果与临床数据的预设评估结果相同的情况下，确定医疗装置有效，实现了对医疗装置的进一步评估，确保了最终的验证结果的可靠性。
在一个实施例中，将临床数据输入医疗装置之前，还包括：根据患者年龄、患者性别以及病症，对所述临床数据进行分类。
临床数据为不同医院采集的不同年龄，不同性别的患者所患的病症，以及对应病症所对应的身体指标数据。
在获取临床数据后，对临床数据进行分类。可以按照患者年龄数据、患者性别数据以及患者的病症数据及患者的身体指标数据对获取的临床数据进行分类。
可以理解的是，根据分类的结果，在后续进行医疗装置的有效性检测时，可以按照分类的数据，从多个角度对医疗装置的有效性进行评估。例如，可以根据患者性别的不同、患者的年龄的不同以及患者的病症的不同等多个方面，对医疗装置的有效性进行评估。
可选地，在对临床数据进行分类之前，可以对获取的临床数据进行预处理。预处理包括对临床数据进行评估，判断临床数据中的数据是否都为有效数据。对临床数据中记录的错误数据或者无效的数据进行筛除，例如，对医疗装置进行有效性检测时，若根据患者的性别进行评估。则对于获取临床数据进行预处理时，就需要将缺失性别的数据进行筛除，以提高输入数据的准确性。
可选地，在获取临床数据时，对获取的临床数据进行脱敏操作。因为临床数据是获取的患者的数据，对患者的姓名、身份信息进行删除，实现对临床数据的脱敏，确保了临床数据在采集、传输、存储、共享等过程中的安全性与隐私性。
本发明实施例提供的医疗装置有效性的检测方法，通过对医疗装置进行分类，使得后续检测医疗装置的有效性的时候，可以根据分类的数据，从多个不同的角度对医疗装置的有效性进行验证，使得医疗装置的验证更加全面可靠。
在一个实施例中，医疗装置是基于预测模型构建的；所述预测模型是基于临床数据样本，以及所述临床数据样本对应的诊断类别标签对初始预测模型进行训练得到的。
基于人工智能的预测模型，构建医疗装置。即医疗装置包含预测模型，根据预测模型实现对输入数据的诊断结果的确定。
在预测模型训练的过程中，通过临床数据样本，以及所述临床数据样本对应的诊断类别标签对初始预测模型进行训练，得到训练后的预测模型。其中，临床数据样本指的是包含按照患者年龄数据、患者性别数据以及患者的病症数据及患者的身体指标数据的数据样本。对获取的临床数据样本按照诊断类别进行标记。诊断类别可以包括疾病的具体类型以及患者身体状态等。通过标记后的临床数据样本对初始预测模型进行训练，得到可以根据输入的临床数据，确定诊断类别的预测模型。
本发明实施例提供的医疗装置有效性的检测方法，通过对预测模型进行训练，并基于训练后的预测模型确定医疗装置，实现了医疗装置的构建，为后续通过医疗装置确定诊断结果提供了基础。
图3为本发明提供的医疗装置有效性的检测装置的结构示意图，如图3所示，该装置包括：
医疗装置诊断结果确定模块310，用于将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
对比模型诊断结果确定模块320，用于将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
初步验证模块330，用于根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
有效性确定模块340，用于根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
本发明实施例提供的医疗装置有效性的检测装置，通过NEST神经网络模型输出的诊断结果用于医疗装置输出的诊断结果的对比，实现了对医疗装置的快速初步验证，通过临床数据的预设评估结果的进一步验证，实现了对医疗装置的双重验证，在确保验证效率的情况下，确保了最终的验证结果的可靠性。
在一个实施例中，初步验证模块330具体用于：
确定所述医疗装置初步验证通过之前，还包括：
将所述临床数据添加扰动，生成扰动后的对照数据；
将所述对照数据输入所述医疗装置，得到所述医疗装置输出的第三诊断结果；
确定所述第一诊断结果与所述第三诊断结果的莱布尼兹连续性满足莱布尼兹条件。
在一个实施例中，初步验证模块330还具体用于：
根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过，包括：
在获取所述第一诊断结果的效率和准确率分别高于获取所述第二诊断结果的效率和准确率的情况下，确定所述医疗装置初步验证通过。
在一个实施例中，有效性确定模块340具体用于：
根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效，包括：
在所述第一诊断结果与所述临床数据的预设评估结果相同的情况下，确定所述医疗装置有效。
在一个实施例中，医疗装置诊断结果确定模块310具体用于：
将临床数据输入医疗装置之前，还包括：
根据患者年龄、患者性别以及病症，对所述临床数据进行分类。
在一个实施例中，医疗装置诊断结果确定模块310还具体用于：
医疗装置是基于预测模型构建的；
所述预测模型是基于临床数据样本，以及所述临床数据样本对应的诊断类别标签对初始预测模型进行训练得到的。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行医疗装置有效性的检测方法，该方法包括：
将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的医疗装置有效性的检测方法，该方法包括：
将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的医疗装置有效性的检测方法，该方法包括：
将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种医疗装置有效性的检测方法，其特征在于，包括：
将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的；
所述根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过，包括：
在获取所述第一诊断结果的效率和准确率分别高于获取所述第二诊断结果的效率和准确率的情况下，确定所述医疗装置初步验证通过；
所述根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效，包括：
在所述第一诊断结果与所述临床数据的预设评估结果相同的情况下，确定所述医疗装置有效；
所述医疗装置是基于预测模型构建的；
所述预测模型是基于临床数据样本，以及所述临床数据样本对应的诊断类别标签对初始预测模型进行训练得到的。
2.根据权利要求1所述的医疗装置有效性的检测方法，其特征在于，所述确定所述医疗装置初步验证通过之前，还包括：
将所述临床数据添加扰动，生成扰动后的对照数据；
将所述对照数据输入所述医疗装置，得到所述医疗装置输出的第三诊断结果；
确定所述第一诊断结果与所述第三诊断结果的莱布尼兹连续性满足莱布尼兹条件。
3.根据权利要求1所述的医疗装置有效性的检测方法，其特征在于，所述将临床数据输入医疗装置之前，还包括：
根据患者年龄、患者性别以及病症，对所述临床数据进行分类。
4.一种医疗装置有效性的检测装置，其特征在于，包括：
医疗装置诊断结果确定模块，用于将临床数据输入医疗装置，得到所述医疗装置输出的第一诊断结果；
对比模型诊断结果确定模块，用于将所述临床数据输入NEST神经网络模型，得到所述NEST神经网络模型输出的第二诊断结果；
初步验证模块，用于根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过；
有效性确定模块，用于根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效；
所述NEST神经网络模型是基于所述临床数据生成的神经网络模型，并且是基于临床数据样本以及所述临床数据样本对应的诊断类别标签对初始NEST神经网络模型进行训练得到的；
所述根据所述第一诊断结果以及所述第二诊断结果，确定所述医疗装置初步验证通过，包括：
在获取所述第一诊断结果的效率和准确率分别高于获取所述第二诊断结果的效率和准确率的情况下，确定所述医疗装置初步验证通过；
所述根据所述第一诊断结果以及所述临床数据的预设评估结果，确定所述医疗装置有效，包括：
在所述第一诊断结果与所述临床数据的预设评估结果相同的情况下，确定所述医疗装置有效；
所述医疗装置是基于预测模型构建的；
所述预测模型是基于临床数据样本，以及所述临床数据样本对应的诊断类别标签对初始预测模型进行训练得到的。
5.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述医疗装置有效性的检测方法。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述医疗装置有效性的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635880.4A CN115116594B (zh) | 2022-06-06 | 2022-06-06 | 医疗装置有效性的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635880.4A CN115116594B (zh) | 2022-06-06 | 2022-06-06 | 医疗装置有效性的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115116594A CN115116594A (zh) | 2022-09-27 |
| CN115116594B true CN115116594B (zh) | 2024-05-31 |
Family
ID=83326511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210635880.4A Active CN115116594B (zh) | 2022-06-06 | 2022-06-06 | 医疗装置有效性的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115116594B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997029447A2 (en) * | 1996-02-09 | 1997-08-14 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| JPH09257790A (ja) * | 1996-01-19 | 1997-10-03 | Nakano Vinegar Co Ltd | 診断支援方法 |
| WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| CN103413063A (zh) * | 2013-08-30 | 2013-11-27 | 北京市医疗器械检验所 | 医疗诊断设备准确性评估方法及装置 |
| KR101811028B1 (ko) * | 2017-08-25 | 2017-12-20 | (주)제이엘케이인스펙션 | 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템 |
| CN112037919A (zh) * | 2020-09-15 | 2020-12-04 | 南京鼓楼医院 | 一种用于甲状腺结节患者乳头状癌的风险评估模型 |
| CN112382384A (zh) * | 2020-11-10 | 2021-02-19 | 中国科学院自动化研究所 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
| CN112463923A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技（深圳）有限公司 | 用户欺诈行为检测方法、装置、设备及存储介质 |
| CN113066549A (zh) * | 2021-04-06 | 2021-07-02 | 青岛瑞斯凯尔生物科技有限公司 | 基于人工智能的医疗器械的临床有效性评估方法及系统 |
| CN113888470A (zh) * | 2021-09-06 | 2022-01-04 | 清华大学 | 基于卷积神经网络和多模态医学影像的诊断方法和装置 |
| CN114549469A (zh) * | 2022-02-21 | 2022-05-27 | 中国石油大学(华东) | 一种基于置信度校准的深层神经网络医疗图像诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102222011B1 (ko) * | 2019-07-29 | 2021-03-04 | 주식회사 코어라인소프트 | 의료용 인공 신경망의 분석 결과를 평가하는 의료용 인공 신경망 기반 의료 영상 분석 장치 및 방법 |
| US20210045640A1 (en) * | 2019-08-16 | 2021-02-18 | Poltorak Technologies, LLC | Device and method for medical diagnostics |
| US20220346885A1 (en) * | 2019-09-20 | 2022-11-03 | Canon U.S.A., Inc. | Artificial intelligence coregistration and marker detection, including machine learning and using results thereof |
-
2022
- 2022-06-06 CN CN202210635880.4A patent/CN115116594B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09257790A (ja) * | 1996-01-19 | 1997-10-03 | Nakano Vinegar Co Ltd | 診断支援方法 |
| WO1997029447A2 (en) * | 1996-02-09 | 1997-08-14 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
| CN103413063A (zh) * | 2013-08-30 | 2013-11-27 | 北京市医疗器械检验所 | 医疗诊断设备准确性评估方法及装置 |
| KR101811028B1 (ko) * | 2017-08-25 | 2017-12-20 | (주)제이엘케이인스펙션 | 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템 |
| CN112037919A (zh) * | 2020-09-15 | 2020-12-04 | 南京鼓楼医院 | 一种用于甲状腺结节患者乳头状癌的风险评估模型 |
| CN112382384A (zh) * | 2020-11-10 | 2021-02-19 | 中国科学院自动化研究所 | 特纳综合征诊断模型训练方法、诊断系统及相关设备 |
| CN112463923A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技（深圳）有限公司 | 用户欺诈行为检测方法、装置、设备及存储介质 |
| WO2021213123A1 (zh) * | 2020-11-25 | 2021-10-28 | 平安科技（深圳）有限公司 | 用户欺诈行为检测方法、装置、设备及存储介质 |
| CN113066549A (zh) * | 2021-04-06 | 2021-07-02 | 青岛瑞斯凯尔生物科技有限公司 | 基于人工智能的医疗器械的临床有效性评估方法及系统 |
| CN113888470A (zh) * | 2021-09-06 | 2022-01-04 | 清华大学 | 基于卷积神经网络和多模态医学影像的诊断方法和装置 |
| CN114549469A (zh) * | 2022-02-21 | 2022-05-27 | 中国石油大学(华东) | 一种基于置信度校准的深层神经网络医疗图像诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| A fast ECG diagnosis by using spectral artificial neural network (SANN) approach;Kun-Chih Chen，等;2018 International Symposium on VLSI Design, Automation and Test;20180607;1-4 * |
| Detecting Transistor Defects in Medical Systems Using a Multi Model Ensemble of Convolutional Neural Networks;Hüsnü Murat Koçak，等;2021 IEEE International Conference on Big Data;20220113;4731-4737 * |
| 人工神经网络在临床医学中的应用;张方圆，等;北京生物医学工程;20160818;第35卷(第04期);422-428, 434 * |
| 基于ERNIE分类模型的淋巴水肿智能辅助诊断研究;汤昊宬，等;医学信息学杂志;20231025;第44卷(第10期);44-49 * |
| 基于医院感染实时监控系统和社区医疗信息系统的社区卫生服务机构临床辅助诊断系统算法构建设想;丁凡，等;中华医院感染学杂志;20180413;第28卷(第08期);1245-1248 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115116594A (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460250A (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
| CN111508604A (zh) | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 | |
| WO2023024411A1 (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
| CN114037478A (zh) | 广告异常流量检测方法、系统、电子设备及可读存储介质 | |
| CN116611074A (zh) | 安全信息审查方法、设备、存储介质及装置 | |
| CN114036531A (zh) | 一种基于多尺度代码度量的软件安全漏洞检测方法 | |
| CN111383217B (zh) | 大脑成瘾性状评估的可视化方法、装置及介质 | |
| WO2021179189A1 (zh) | 大脑成瘾性状评估的可视化方法、装置及介质 | |
| CN115862897B (zh) | 一种基于临床数据的症候群监测方法及系统 | |
| CN115116594B (zh) | 医疗装置有效性的检测方法及装置 | |
| CN116631626A (zh) | 一种患者临床风险评估方法、装置、设备及介质 | |
| CN116248412A (zh) | 共享数据资源异常检测方法、系统、设备、存储器及产品 | |
| CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
| CN116366312A (zh) | 一种Web攻击检测方法、装置及存储介质 | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
| US20210241147A1 (en) | Method and device for predicting pair of similar questions and electronic equipment | |
| CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 | |
| CN113836297A (zh) | 文本情感分析模型的训练方法及装置 | |
| CN118093885B (zh) | 一种数据处理方法、装置及设备、介质、产品 | |
| CN117632877A (zh) | 一种接口监控的方法、装置及存储介质 | |
| CN117596081B (zh) | 一种基于机器学习的社区爬虫行为识别方法及系统 | |
| CN115758135B (zh) | 轨道交通信号系统功能需求追溯方法、装置及电子设备 | |
| CN116723083B (zh) | 一种云服务器在线故障诊断方法及装置 | |
| CN113569293B (zh) | 一种相似用户的获取方法、系统、电子设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |