CN115798711A - 基于反事实对比学习的慢性肾病诊疗决策支持系统 - Google Patents
基于反事实对比学习的慢性肾病诊疗决策支持系统 Download PDFInfo
- Publication number
- CN115798711A CN115798711A CN202211656686.0A CN202211656686A CN115798711A CN 115798711 A CN115798711 A CN 115798711A CN 202211656686 A CN202211656686 A CN 202211656686A CN 115798711 A CN115798711 A CN 115798711A
- Authority
- CN
- China
- Prior art keywords
- counterfactual
- kidney disease
- chronic kidney
- intervention
- data
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于反事实对比学习的慢性肾病诊疗决策支持系统,包括用于采集和预处理慢性肾病患者信息的慢性肾病数据准备模块,以及基于反事实对比学习的慢性肾病诊疗决策支持模块;本发明提出反事实干预模拟方法,利用真实的观察性数据模拟、建模干预过程,解决了慢性肾病诊疗场景中利用观察性数据模拟主动干预的问题;提出反事实对比学习方法,利用慢性肾病并发疾病的真实标签数据,结合反事实干预模拟,解决了反事实样本生成问题。本发明结合风险评价单元、反事实干预模拟单元以及对比学习单元,共同更新编码器、优化风险评价功能,提升慢性肾病诊疗决策支持性能。
Description
技术领域
本发明属于医疗健康信息技术领域,尤其涉及一种基于反事实对比学习的慢性肾病诊疗决策支持系统。
背景技术
慢性肾病(Chronic Kidney Disease,CKD)是一种发病率高、病死率高、知晓率低的肾脏疾病。全球CKD患病率约为9.1%,疾病负担沉重,已成为人类预期寿命降低的主要因素之一。随着慢性肾脏病发展的不同阶段,患者会出现感染、高血压、肾性贫血等多种并发症。CKD以及其多种并发疾病严重危害患者健康,亟需高水平医学信息学方法提供诊疗决策支持,改进医疗干预过程、提高患者生存质量。
近年来对比学习被广泛应用于计算机视觉、自然语言处理等众多领域,在各种主流任务中取得了较好的模型性能。然而传统的对比学习方法仅利用观察性数据对比式地学习表征,被动拟合特征与标签之间的关系,难以回答面向慢性肾病诊疗场景的主动干预问题。一方面,主动干预问题往往涉及基于真实干预的随机对照试验,然而随机对照试验可能面临伦理、成本等多方面现实原因难以开展,如何有效利用真实的观察性数据模拟、建模干预过程是一个关键问题。另一方面,对比学习的关键在于匹配或生成合适的对比样本,面向诊疗决策场景,进行某项干预和不进行干预是最绝佳的对比样本,然而同一患者同一场景下要么干预要么不干预,如何匹配选择或者生成合适的反事实样本是一个关键问题。
发明内容
本发明的目的在于针对现有技术的不足,面向慢性肾病诊疗决策场景,提供一种基于反事实对比学习的慢性肾病诊疗决策支持系统,解决了慢性肾病诊疗场景的主动干预问题及反事实样本生成问题,为临床决策提供准确、有效的决策支持。
本发明的目的是通过以下技术方案实现的:一种基于反事实对比学习的慢性肾病诊疗决策支持系统,该系统包括以下模块:
慢性肾病数据准备模块,用于提取慢性肾病患者的结构化数据并经过数据清洗、数据融合操作得到融合特征;
慢性肾病诊疗决策支持模块,包括以下三个单元:
风险评价单元,用于利用融合特征训练优化编码器和慢性肾病并发症风险预测网络,使得风险评价拟合真实的结局标签;
反事实干预模拟单元,用于模拟干预过程,利用干预模拟器生成伪主动干预向量,将伪主动干预向量与患者样本结合生成反事实样本;通过反事实的风险评价和反事实的结局标签优化更新干预模拟器,使得生成的反事实样本符合真实的数据分布情况;
对比学习单元,用于利用患者样本和反事实样本进行对比学习,通过对比损失优化更新编码器,最终优化风险评价单元和反事实干预模拟单元的性能。
进一步地,所述慢性肾病数据准备模块具体包括:
数据获取单元,用于利用医院电子信息系统及日常监测设备提取慢性肾病患者的结构化数据;
数据清洗单元,用于对所述结构化数据进行缺失值处理、错误值检测、重复数据的消除和/或不一致性的消除操作,得到静态数据和时序数据;
数据融合单元,用于对所述时序数据采用卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到融合特征。
进一步地,所述风险评价单元中,利用融合特征预测慢性肾病患者的各种并发疾病风险,基于风险评价的性能指标更新编码器和慢性肾病并发症风险预测网络,提高风险评价性能,所述风险评价的性能指标包括准确度、接收者操作特征曲线下面积、精确率-召回率曲线下面积、F1值。
进一步地,所述风险评价单元中,患者样本经过编码器得到并发症表征,所述并发症表征经过慢性肾病并发症风险预测网络得到风险评价;通过风险评价与真实的结局标签构建交叉熵损失函数,优化更新编码器和慢性肾病并发症风险预测网络,使得风险评价拟合真实的结局标签。
进一步地,所述反事实干预模拟单元具体包括:
伪主动干预模拟组件,用于患者样本X经干预模拟器得到伪主动干预向量T;
反事实样本生成组件,用于将所述伪主动干预向量T和所述患者样本X结合生成反事实样本X′,公式为X′=X+T⊙X,其中⊙表示向量间的点乘。
进一步地,所述风险评价单元中,反事实样本经过编码器得到反事实的并发症表征,所述反事实的并发症表征经过慢性肾病并发症风险预测网络得到反事实的风险评价;通过反事实的风险评价与反事实的结局标签构建反事实优化损失函数,固定编码器和慢性肾病并发症风险预测网络的参数,优化更新干预模拟器,使得反事实的风险评价拟合反事实的结局标签。
进一步地,所述反事实优化损失函数中,将伪主动干预向量的L1范数和L2范数作为正则化项,L1范数用于约束伪主动干预向量的稀疏性,L2范数用于约束伪主动干预向量的幅值,使得反事实样本与患者样本之间的差异尽可能小。
进一步地,所述对比学习单元中,患者样本与反事实样本分别经过编码器得到原始并发症表征和反事实的并发症表征,然后经过投影器得到原始对比表征和反事实的对比表征,经过特征归一化得到原始归一化表征和反事实的归一化表征;通过原始归一化表征和反事实的归一化表征构建归一化对比表征集合,并构建对比损失函数,优化更新编码器和投影器,使得同类样本的余弦相似度尽可能大,不同类样本的余弦相似度尽可能小。
进一步地,所述编码器为3层全连接网络,每层节点数分别为32、64、128,激活函数为ReLU;所述慢性肾病并发症风险预测网络为5层全连接网络,每层节点数分别为64、32、16、8、1,中间层激活函数为ReLU,最后一层激活函数为sigmoid。
进一步地,所述干预模拟器根据具体应用场景按实际需求设计,输出层节点数应与输入层节点数一致。
本发明的有益效果是:
1.本发明提出反事实干预模拟方法,利用真实的观察性数据模拟、建模干预过程,解决了慢性肾病诊疗场景中利用观察性数据模拟主动干预的问题。
2.本发明提出反事实对比学习方法,利用慢性肾病并发疾病的真实标签数据,结合反事实干预模拟,解决了反事实样本生成问题。
3.本发明提出基于反事实对比学习的慢性肾病诊疗决策支持系统的技术方案,结合风险评价单元、反事实干预模拟单元、对比学习单元,共同更新编码器、优化风险评价功能,提升慢性肾病诊疗决策支持性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为一示例性实施例示出的基于反事实对比学习的慢性肾病诊疗决策支持系统结构框图;
图2为一示例性实施例示出的慢性肾病诊疗决策支持模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明实施例提供一种基于反事实对比学习的慢性肾病诊疗决策支持系统,如图1所示,该系统包括:用于采集和预处理慢性肾病患者信息的慢性肾病数据准备模块、基于反事实对比学习的慢性肾病诊疗决策支持模块。每个模块的具体功能如下:
一、慢性肾病数据准备模块
慢性肾病数据准备模块用于提取慢性肾病患者的结构化数据并经过数据清洗、数据融合操作得到融合特征,包括以下三个单元:数据获取单元、数据清洗单元、数据融合单元。
1.1数据获取单元
用于利用医院电子信息系统及日常监测设备提取慢性肾病患者的结构化数据,提取的结构化数据包括(1)人口统计学数据:性别、年龄、身高、体重等;(2)就诊数据:用药、诊断、化验、检查等;(3)日常监测数据:血压、心率等。
1.2数据清洗单元
用于对数据获取单元提取的结构化数据进行缺失值处理、错误值检测、重复数据的消除和/或不一致性的消除操作,得到静态数据和时序数据;例如清除收缩压大于250mmhg或者小于60mmhg的脏数据。
1.3数据融合单元
用于对所述时序数据采用卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到融合特征;
具体地,将一维时序结构化数据(血压、心率)采用一维卷积操作压缩得到一维压缩数据,和静态数据(性别、年龄、身高、体重、用药、诊断、化验、检查等)拼接得到一维向量,称作融合特征。
经过数据获取、数据清洗、数据融合后的患者数据构成慢性肾病患者集合x={X1,X2,…,XN},其中N为慢性肾病患者总数,XN表示第N个患者样本,XN的融合特征表示为其中d为融合特征的维度,表示第N个患者样本XN的第d维特征。慢性肾病患者结局标签集合为y={Y1,Y2,…,YN},其中YN表示第N个患者结局标签,YN=1表示第N个患者发生并发症,YN=0表示第N个患者未发生并发症。
二、慢性肾病诊疗决策支持模块
慢性肾病诊疗决策支持模块包括以下三个单元:风险评价单元、反事实干预模拟单元、对比学习单元,如图2所示。
本发明通过风险评价单元训练优化编码器和慢性肾病并发症风险预测网络,使得风险评价拟合真实的结局标签。
通过反事实干预模拟单元模拟生成伪主动干预向量,将伪主动干预向量与患者样本结合生成反事实样本。通过反事实的风险评价和反事实的结局标签优化更新干预模拟器,使得生成的反事实样本符合真实的数据分布情况。
通过利用患者样本和反事实样本进行对比学习,以孪生网络的架构构建对比学习单元,通过对比损失优化更新编码器,最终优化风险评价单元的性能以及反事实干预模拟单元的性能。
2.1风险评价单元
用于利用融合特征预测慢性肾病患者的各种并发疾病风险;基于风险评价的性能指标更新编码器和慢性肾病并发症风险预测网络,目标是提高风险评价性能,风险评价的性能指标包括准确度、接收者操作特征曲线下面积(Area Under the Receiver Operatingcharacteristic Curve,AUROC)、精确率-召回率曲线下面积(Area Under the Precision-Recall Curve,AUPRC)、F1值等。
患者样本X∈x,X的融合特征表示为X=X1,X2,...,Xd),其中d为融合特征的维度,Xd表示患者样本X的第d维特征。患者样本X经过编码器Fθ得到并发症表征R=(R1,R2,...,Rr),其中r为并发症表征的维度。并发症表征R经过慢性肾病并发症风险预测网络Gθ得到风险评价
在一个实施例中,编码器Fθ为3层全连接网络,每层节点数分别为32、64、128,激活函数为ReLU。慢性肾病并发症风险预测网络Gθ为5层全连接网络,每层节点数分别为64、32、16、8、1,中间层激活函数为ReLU,最后一层激活函数为sigmoid。
2.2反事实干预模拟单元
用于模拟干预过程,生成反事实样本。反事实样本为结局标签与真实患者样本相反,且反事实融合特征与真实融合特征尽可能相近的样本。本发明通过构建反事实干预模拟单元,模拟、建模反事实干预过程,为医疗工作者提供反事实干预建议,从而实现慢性肾病诊疗决策支持功能。反事实干预模拟单元包括伪主动干预模拟组件和反事实样本生成组件。
①伪主动干预模拟组件
患者样本X=X1,X2,...,Xd)经过干预模拟器Tθ得到伪主动干预向量T=t1,t2,...,td),该过程记为Tθ(X。
干预模拟器Tθ应根据具体应用场景按实际需求设计,输出层节点数应与输入层节点数一致。本实施例中干预模拟器Tθ为3层全连接网络,每层节点数分别为d、d、d,激活函数为tanh。
②反事实样本生成组件
用于结合患者样本X的融合特征和伪主动干预向量T,生成反事实样本X′。
X′=X+T⊙X
其中⊙表示向量间的点乘。
反事实样本X′的融合特征表示为X′=(X′1,X′2,...,X′d),经过编码器Fθ得到反事实的并发症表征R′=(R′1,R′2,...,R′r),经过慢性肾病并发症风险预测网络Gθ得到反事实的风险评价反事实的结局标签Y′=1-Y。通过反事实的风险评价与反事实的结局标签Y′构建反事实优化损失函数Lctf:
其中T为伪主动干预向量,||·||1表示L1范数,||·||2表示L2范数,α,β为超参数,分别为第i个反事实样本的结局标签和风险评价。本实施例中α=0.1,β=0.1。通过L1范数和L2范数对反事实优化损失函数进行正则化,其中L1范数用于约束伪主动干预向量T的稀疏性,L2范数用于约束伪主动干预向量T的幅值,使得反事实样本X′与患者样本X之间的差异尽可能小。
2.3对比学习单元
基于患者样本X与反事实样本X′,通过对比学习方式更新风险评价单元内编码器Fθ的网络参数。
患者样本X与反事实样本X′分别经过编码器Fθ得到原始并发症表征R和反事实的并发症表征R′,然后经过投影器Hθ得到原始对比表征Z和反事实的对比表征Z′,经过特征归一化(Feature-wise normalized,F-norm)操作进行特征归一化,得到原始归一化表征和反事实的归一化表征其中μZ,σZ分别为原始对比表征Z特征维度的均值和标准差;μZ′,σZ′分别为反事实的对比表征Z′特征维度的均值和标准差。通过原始归一化表征Znorm和反事实的归一化表征Z′norm构建归一化对比表征集合Znorm={Znorm,Z′norm},通过归一化对比表征集合Znorm构建对比损失函数Lcon:
其中2N为归一化对比表征集合Znorm中归一化对比表征个数,为归一化对比表征集合Znorm中随机抽样的两个归一化对比表征,对应的结局标签为Yi、Yj。当i≠j,1i≠j=1,否则1i≠j=0。当Yi=Yj,否则同理可得。表示的模,表示的模,Eij表示与之间的余弦距离,Eik表示与之间的余弦距离。对比损失函数Lcon用于约束同类样本(1i≠j,式中分子)的余弦相似度尽可能大,不同类样本(1i≠k,式中分母)的余弦相似度尽可能小。
通过adam优化算法反向传播,优化更新编码器Fθ和投影器Hθ,使得同类样本的余弦相似度尽可能大,不同类样本的余弦相似度尽可能小。
以慢性肾病心血管并发症的诊疗决策支持为例。标签Y=1表示慢性肾病患者发生心血管并发症,Y=0表示未发生心血管并发症。通过风险评价单元和反事实干预模拟单元联合训练并优化干预模拟器,初步生成与患者样本差异尽可能小但是标签相反的反事实样本。将样本分批次输入对比学习单元,一个批次的样本包含N个患者样本及其N个反事实样本,通过对比学习方式更新风险评价单元内编码器的网络参数,从而优化风险评价单元的预测性能,风险评价单元的输出为慢性肾病患者发生心血管并发症的概率。通过优化后的风险评价单元和反事实干预模拟单元联合训练并优化干预模拟器,进一步提升干预模拟器的性能。最终得到的干预模拟器可以针对发生心血管并发症的慢性肾病患者,生成其个性化的未发生心血管并发症的干预目标,即T⊙X,作为慢性肾病诊疗决策提供给医疗工作者作为参考建议。
本发明提出反事实干预模拟方法,利用真实的观察性数据模拟、建模干预过程,解决了慢性肾病诊疗场景中利用观察性数据模拟主动干预的问题。提出反事实对比学习方法,利用慢性肾病并发疾病的真实标签数据,结合反事实干预模拟,解决了反事实样本生成问题。本发明结合风险评价单元、反事实干预模拟单元、对比学习单元,共同更新编码器、优化风险评价功能,提升慢性肾病诊疗决策支持性能。
以上所述仅是本发明的优选实施方式,虽然本发明已以较佳实施例披露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,包括:
慢性肾病数据准备模块,用于提取慢性肾病患者的结构化数据并经过数据清洗、数据融合操作得到融合特征;
慢性肾病诊疗决策支持模块,包括以下三个单元:
风险评价单元,用于利用融合特征训练优化编码器和慢性肾病并发症风险预测网络,使得风险评价拟合真实的结局标签;
反事实干预模拟单元,用于模拟干预过程,利用干预模拟器生成伪主动干预向量,将伪主动干预向量与患者样本结合生成反事实样本;通过反事实的风险评价和反事实的结局标签优化更新干预模拟器,使得生成的反事实样本符合真实的数据分布情况;
对比学习单元,用于利用患者样本和反事实样本进行对比学习,通过对比损失优化更新编码器,最终优化风险评价单元和反事实干预模拟单元的性能。
2.根据权利要求1所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述慢性肾病数据准备模块具体包括:
数据获取单元,用于利用医院电子信息系统及日常监测设备提取慢性肾病患者的结构化数据;
数据清洗单元,用于对所述结构化数据进行缺失值处理、错误值检测、重复数据的消除和/或不一致性的消除操作,得到静态数据和时序数据;
数据融合单元,用于对所述时序数据采用卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到融合特征。
3.根据权利要求1所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述风险评价单元中,利用融合特征预测慢性肾病患者的各种并发疾病风险,基于风险评价的性能指标更新编码器和慢性肾病并发症风险预测网络,提高风险评价性能,所述风险评价的性能指标包括准确度、接收者操作特征曲线下面积、精确率-召回率曲线下面积、F1值。
4.根据权利要求1所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述风险评价单元中,患者样本经过编码器得到并发症表征,所述并发症表征经过慢性肾病并发症风险预测网络得到风险评价;通过风险评价与真实的结局标签构建交叉熵损失函数,优化更新编码器和慢性肾病并发症风险预测网络,使得风险评价拟合真实的结局标签。
5.根据权利要求1所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述反事实干预模拟单元具体包括:
伪主动干预模拟组件,用于患者样本X经干预模拟器得到伪主动干预向量T;
反事实样本生成组件,用于将所述伪主动干预向量T和所述患者样本X结合生成反事实样本X′,公式为X′=X+T⊙X,其中⊙表示向量间的点乘。
6.根据权利要求1所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述风险评价单元中,反事实样本经过编码器得到反事实的并发症表征,所述反事实的并发症表征经过慢性肾病并发症风险预测网络得到反事实的风险评价;通过反事实的风险评价与反事实的结局标签构建反事实优化损失函数,固定编码器和慢性肾病并发症风险预测网络的参数,优化更新干预模拟器,使得反事实的风险评价拟合反事实的结局标签。
7.根据权利要求6所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述反事实优化损失函数中,将伪主动干预向量的L1范数和L2范数作为正则化项,L1范数用于约束伪主动干预向量的稀疏性,L2范数用于约束伪主动干预向量的幅值,使得反事实样本与患者样本之间的差异尽可能小。
8.根据权利要求1所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述对比学习单元中,患者样本与反事实样本分别经过编码器得到原始并发症表征和反事实的并发症表征,然后经过投影器得到原始对比表征和反事实的对比表征,经过特征归一化得到原始归一化表征和反事实的归一化表征;通过原始归一化表征和反事实的归一化表征构建归一化对比表征集合,并构建对比损失函数,优化更新编码器和投影器,使得同类样本的余弦相似度尽可能大,不同类样本的余弦相似度尽可能小。
9.根据权利要求1-8中任一项所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述编码器为3层全连接网络,每层节点数分别为32、64、128,激活函数为ReLU;所述慢性肾病并发症风险预测网络为5层全连接网络,每层节点数分别为64、32、16、8、1,中间层激活函数为ReLU,最后一层激活函数为sigmoid。
10.根据权利要求1-8中任一项所述的一种基于反事实对比学习的慢性肾病诊疗决策支持系统,其特征在于,所述干预模拟器根据具体应用场景按实际需求设计,输出层节点数应与输入层节点数一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656686.0A CN115798711B (zh) | 2022-12-22 | 2022-12-22 | 基于反事实对比学习的慢性肾病诊疗决策支持系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656686.0A CN115798711B (zh) | 2022-12-22 | 2022-12-22 | 基于反事实对比学习的慢性肾病诊疗决策支持系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798711A true CN115798711A (zh) | 2023-03-14 |
CN115798711B CN115798711B (zh) | 2023-08-29 |
Family
ID=85427711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211656686.0A Active CN115798711B (zh) | 2022-12-22 | 2022-12-22 | 基于反事实对比学习的慢性肾病诊疗决策支持系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798711B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759042A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 一种基于环形一致性的反事实医疗数据生成系统及方法 |
CN116994687A (zh) * | 2023-09-28 | 2023-11-03 | 之江实验室 | 基于反事实对比的临床决策支持模型解释系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101210729B1 (ko) * | 2012-03-06 | 2012-12-11 | 한국가스안전공사 | 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 |
WO2021179630A1 (zh) * | 2020-09-27 | 2021-09-16 | 平安科技(深圳)有限公司 | 一种并发症风险预测系统、方法、装置、设备及介质 |
CN114897140A (zh) * | 2022-05-09 | 2022-08-12 | 哈尔滨工业大学 | 一种基于因果干预的反事实生成方法 |
CN114913982A (zh) * | 2022-07-18 | 2022-08-16 | 之江实验室 | 基于对比学习的终末期肾病并发症风险预测系统 |
-
2022
- 2022-12-22 CN CN202211656686.0A patent/CN115798711B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101210729B1 (ko) * | 2012-03-06 | 2012-12-11 | 한국가스안전공사 | 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 |
WO2021179630A1 (zh) * | 2020-09-27 | 2021-09-16 | 平安科技(深圳)有限公司 | 一种并发症风险预测系统、方法、装置、设备及介质 |
CN114897140A (zh) * | 2022-05-09 | 2022-08-12 | 哈尔滨工业大学 | 一种基于因果干预的反事实生成方法 |
CN114913982A (zh) * | 2022-07-18 | 2022-08-16 | 之江实验室 | 基于对比学习的终末期肾病并发症风险预测系统 |
Non-Patent Citations (1)
Title |
---|
朱文意;钱夕元;王英杰;高炬;: "中药对心衰住院病人的疗效分析――基于倾向值匹配法", 中国卫生统计, no. 03 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759042A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 一种基于环形一致性的反事实医疗数据生成系统及方法 |
CN116759042B (zh) * | 2023-08-22 | 2023-12-22 | 之江实验室 | 一种基于环形一致性的反事实医疗数据生成系统及方法 |
CN116994687A (zh) * | 2023-09-28 | 2023-11-03 | 之江实验室 | 基于反事实对比的临床决策支持模型解释系统 |
CN116994687B (zh) * | 2023-09-28 | 2024-02-06 | 之江实验室 | 基于反事实对比的临床决策支持模型解释系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115798711B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Shifting machine learning for healthcare from development to deployment and from models to data | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
Lemhadri et al. | Lassonet: Neural networks with feature sparsity | |
CN114398961B (zh) | 一种基于多模态深度特征融合的视觉问答方法及其模型 | |
CN115798711A (zh) | 基于反事实对比学习的慢性肾病诊疗决策支持系统 | |
US11195114B2 (en) | Medical data analysis method and device as well as computer-readable storage medium | |
Chhabra et al. | A smart healthcare system based on classifier DenseNet 121 model to detect multiple diseases | |
CN111696661A (zh) | 患者分群模型构建方法、患者分群方法及相关设备 | |
CN114863348A (zh) | 基于自监督的视频目标分割方法 | |
Wang et al. | Neighbor matching for semi-supervised learning | |
Herath et al. | Autism spectrum disorder diagnosis support model using Inception V3 | |
Zheng et al. | Pneumoconiosis identification in chest X-ray films with CNN-based transfer learning | |
CN114334162A (zh) | 疾病患者智能预后预测方法、装置、存储介质及设备 | |
Sampath et al. | Ensemble Nonlinear Machine Learning Model for Chronic Kidney Diseases Prediction | |
CN116030063B (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
CN111798455A (zh) | 一种基于全卷积密集空洞网络的甲状腺结节实时分割方法 | |
Prasad et al. | Autism spectrum disorder detection using brain MRI image enabled deep learning with hybrid sewing training optimization | |
Xu et al. | Task-coupling elastic learning for physical sign-based medical image classification | |
Ummah et al. | Covid-19 and Tuberculosis Detection in X-Ray of Lung Images with Deep Convolutional Neural Network. | |
Brown et al. | Deep learning for computer-aided diagnosis in ophthalmology: a review | |
Srirangam | Artificial Intelligence Based Hyper-parameter Adjustment on Deep Neural Networks: An Application of Detection and Classification of COVID-19 Diseases | |
CN115831356B (zh) | 一种基于人工智能算法的辅助预测诊断方法 | |
CN116525126B (zh) | 基于目标与外源数据多重适配增强的疾病风险预测系统 | |
CN114882993B (zh) | 问题的解释要素生成方法、装置、介质及电子设备 | |
CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 |
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 |