CN116052875A - 一种基于随访结果的诊断数据评价系统及方法 - Google Patents
一种基于随访结果的诊断数据评价系统及方法 Download PDFInfo
- Publication number
- CN116052875A CN116052875A CN202310099731.5A CN202310099731A CN116052875A CN 116052875 A CN116052875 A CN 116052875A CN 202310099731 A CN202310099731 A CN 202310099731A CN 116052875 A CN116052875 A CN 116052875A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- data
- imaging
- result
- pathological
- 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
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
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于随访结果的诊断数据评价系统及方法,所述评价系统,将影像学诊断数据和病理学诊断数据关联为诊断数据,依据病理诊断与随访结果,若两者相符,则为正常诊断数据,判断病理学诊断数据可靠性良好,若两者相左,则为异常诊断数据,进一步判断影像学诊断数据与真实病情的可靠性,以影像学诊断结果与病理诊断结果的符合度和影像学诊断结果的可靠性的积评估异常程度,按照异常程度越高,诊断的可靠性越低的原则评价,本评价系统采用随访结果,作为医师诊断结果的修正,使得诊断可靠性评价更合理;本发明还公开了一种疾病诊断数据的反馈评价方法,该系统可以实现对疑难、易错病例的精准查询,利于诊断医师提高诊断水平和科研资料的收集。
Description
本申请是一件分案申请,其原申请的申请日为2022年6月23日,申请号为202210717931.8,申请名称为《基于真实世界研究的诊断数据反馈评价系统及方法》。
技术领域
本发明属于影像学诊断结果分类统计领域,更具体地,涉及一种基于随访结果的诊断数据评价系统及方法。
背景技术
术前影像学诊断结果对实现患者的精准诊疗具有重要价值,因此术前影像学诊断的准确度至关重要。目前无论是医师学习、还是基于数据学习的辅助诊断系统,先验数据质量至关重要。
影像学诊断的准确度与影像医师诊断水平直接相关,提高影像医师的诊断水平对于提高影像学诊断准确性起到决定性作用。而影像诊断水平的提高需要影像医师长期的经验积累,这些都需要以大量的病例随访总结作为基础,医师提高影像学诊断水平需要对大量的影像学诊断数据做充分的学习。
为了提高医师的诊断准确度,出现了利用人工智能辅助诊断的系统。而人工智能辅助诊断系统,需要学习现有的影像学数据和影像学诊断结果,来训练智能系统,从而实现辅助诊断。影像学数据和影像学的诊断结果作为学习样本,直接决定了人工智能辅助诊断系统的可用度和可靠度。
因此准确地收集、整理影像学诊断结果、随访病理结果,并对其进行分类和数据质量控制,对于医师学习、辅助诊断系统提高诊断准确度均有重要意义。目前,中国专利文件CN112562816A提供了一种肿瘤影像报告诊断结果对应与评价系统及方法。该方法将诊断结果与病理结果自动对应来对影像学诊断报告进行评价,提高了效率,减少了差错。然而诊断结果受限于病理结果的准确性,可能存在与事实不一致的情况。而按照病理结果对影像学数据进行分类,会导致影像学诊断结果仅仅是病理学检查结果的筛查手段,而不能提取到影像学和病理学的不同角度的诊断信息。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于随访结果的诊断数据评价系统及方法,其目的在于以患者随访结果修正病理诊断结果,并结合影像学诊断数据和病理诊断数据的符合度以及影像诊断、病理诊断与真实病情的诊断可靠性,综合评价,由此解决诊断结果受限于病理结果的准确性,可能存在病理结果与事实不一致导致诊断可靠性评价不准确的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于随访结果的诊断数据评价系统,其包括诊断数据获取模块、诊断数据符合度检测模块、真实世界研究模块和分析模块;
所述诊断数据获取模块,用于获取影像学诊断数据和病理学诊断数据,并根据患者信息将影像学诊断数据和病理学诊断数据关联为诊断数据提交给诊断数据符合度检测模块;
所述诊断数据符合度检测模块,用于判断诊断数据影像学诊断数据和病理学诊断数据的相符程度作为符合度,并提交给真实世界研究模块;
所述真实世界研究模块,用于获取真实世界的患者随访结果显示的真实病情,并根据患者信息将诊断数据和真实病情关联为完整诊断数据,提交给分析模块;所述随访结果包括患者信息和真实病情;
所述分析模块,用于分别判断真实病情和影像学诊断数据、以及真实病情和病理学诊断数据的相符程度,作为影像学诊断数据的可靠性和病理学诊断数据的可靠性,并根据影像学诊断数据的可靠性和病理学诊断数据的可靠性对疾病进行分类。
优选地,所述基于随访结果的诊断数据评价系统,其根据影像学诊断数据的可靠性和病理学诊断数据的可靠性对疾病进行分类,分类原则如下:
若病理学诊断数据与真实病情相符,则病理学诊断数据可靠性良好,判断该诊断数据为正常数据;
若病理学诊断数据与真实病情相左,则病理学诊断数据可靠性不良,判断该诊断数据为异常数据,异常数据的异常程度越高,则诊断的可靠性越低。
优选地,所述基于随访结果的诊断数据评价系统,其所述影像学诊断结果与病理诊断结果的符合度,具体分类如下:
①影像学诊断结果为考虑A,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=1;
②影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=2;
③影像学诊断结果为X可能,病理诊断结果为X或属于X,影像学诊断结果与病理诊断结果的符合度P=3;
④影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为B或X,影像学诊断结果与病理诊断结果的符合度P=4;
⑤影像学诊断结果为考虑A,病理诊断结果为非A,影像学诊断结果与病理诊断结果的符合度P=5。
优选地,所述基于随访结果的诊断数据评价系统,其所述异常数据的异常程度,判断原则如下:
以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,即:Y=PQ,Y越大,数据异常程度越高;
所述影像学诊断结果的可靠性Q,具体判断如下:
①影像学诊断结果为考虑A,真实病情为A,则影像学诊断结果的可靠性Q=1;
②影像学诊断结果为考虑A可能,B或者X待排,真实病情为A,则影像学诊断结果的可靠性Q=2;
③影像学诊断结果为X可能,真实病情为X或属于X,影像学诊断结果的可靠性Q=3;
④影像学诊断结果为考虑A可能,B或者X待排,真实病情为B或X,影像学诊断结果的可靠性Q=4;
⑤影像学诊断结果为考虑A,真实病情为非A,影像学诊断结果的可靠性Q=5。
优选地,所述基于随访结果的诊断数据评价系统,其所述影像学诊断数据包括:影像学检测数据和影像学诊断结果;所述影像学检测数据包括患者信息、影像学图像数据,所述影像学诊断结果即影像医师做出的诊断;所述病理学诊断数据包括:病理学检测数据和病理学诊断结果;所述病理学检测数据,包括患者信息、病理检测项目的检测值,所述病理学诊断结果即病理学医师做出的诊断。
按照本发明的另一个方面,提供了一种疾病诊断数据的反馈评价方法,具体包括以下步骤:
(1)获取诊断数据
分别获取诊断数据和反馈的随访结果,所述诊断数据,包括影像学诊断数据和病理诊断数据;
(2)病理诊断结果与随访结果比对:将获取的病理诊断结果和随访结果进行比较,若同一患者的病理诊断结果与随访结果不相符,则其诊断数据分为异常数据;若同一患者的病理诊断结果与随访结果相符,则将其影像学诊断数据和病理诊断数据关联为诊断数据,并对其诊断数据进行分类;
(3)诊断数据可靠性评价:
依据影像学诊断结果肯定程度及与病理诊断结果计算符合度进行分类;正常数据相符程度越高,诊断数据的可靠性越好。
优选地,所述疾病诊断数据的反馈评价方法,其步骤(1)所述影像学诊断数据,包括影像学图像原始数据,提取病灶图像数据关联的患者信息、影像学诊断结果;
所述病理诊断数据,包括患者个人信息、病理检测项目的数值、病理诊断结果;
所述影响学诊断数据与所述病理学诊断数据通过患者个人信息匹配;
所述随访结果为依据影像诊断和/或病理诊断报告中患者的个人信息匹配获取该患者随访的真实病情。
优选地,所述疾病诊断数据的反馈评价方法,其所述患者信息包括,患者姓名、性别、以及年龄。
优选地,所述疾病诊断数据的反馈评价方法,其所述相符程度采用符合度确定,相符程度越高符合度值越小,符合度计算具体如下:
①影像学诊断结果为考虑A,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=1;
②影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=2;
③影像学诊断结果为X可能,病理诊断结果为X或属于X,影像学诊断结果与病理诊断结果的符合度P=3;
④影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为B或X,影像学诊断结果与病理诊断结果的符合度P=4;
⑤影像学诊断结果为考虑A,病理诊断结果为非A,影像学诊断结果与病理诊断结果的符合度P=5;
优选地,所述疾病诊断数据的反馈评价方法,其包括步骤(4)对异常数据按照其异常指数进行分类,异常指数具体计算如下:
①影像学诊断结果为考虑A,真实病情为A,则影像学诊断结果的可靠性Q=1;
②影像学诊断结果为考虑A可能,B或者X待排,真实病情为A,则影像学诊断结果的可靠性Q=2;
③影像学诊断结果为X可能,真实病情为X或属于X,影像学诊断结果的可靠性Q=3;
④影像学诊断结果为考虑A可能,B或者X待排,真实病情为B或X,影像学诊断结果的可靠性Q=4;
⑤影像学诊断结果为考虑A,真实病情为非A,影像学诊断结果的可靠性Q=5;
以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,即:
Y=PQ。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
将获取的影像学诊断数据和病理学诊断数据关联为诊断数据,并对影像学诊断数据和病理学诊断数据符合度进行判断,依据病理结果与随访结果是否相符合,将诊断数据分为正常诊断数据和异常诊断数据,其中病理结果与随访结果相符,则为正常诊断数据,再依据影像学诊断结果和病理学诊断结果的符合度越高,诊断的可靠性越低的原则进行评价;病理结果与随访结果相左,则为异常诊断数据,再进一步进行影像学诊断数据与随访的真实病情的可靠性判断,以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,最后依据异常程度指数越大,诊断可靠性越低的原则进行评价。
采用真实世界研究的系统性随访的结果,作为医师诊断结果的修正,能够提高在病理学未得出正确结论而影像学诊断数据出现明显指征情况下的诊断可靠性,相比以病理诊断结果为诊断标准,判断影像学诊断结果的可靠性,更佳合理,判断准确性更高。本评价系统对于不同的疾病,还可以根据异常数据出现的概率、以及异常数据出现的异常程度指数对疾病进行诊断可靠性的分类,用于对诊断数据进行分类,便于后期用作辅助诊断系统的学习样本。
本发明提供的疾病诊断数据的评价系统,结合影像诊断结果与病理结果的符合度以及病理结果与随访结果是否相符进行评价分类,可以实现对疑难、易错病例的精准查询,有利于诊断医师提高诊断水平,也有利于进行科研资料的收集。
附图说明
图1是基于随访结果的诊断数据评价系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
目前临床上以病理诊断结果为诊断标准,判断影像学诊断结果的正确性,然后对影像学数据进行分类。然而影像学手段和病理学手段是从不同方面提供了可供诊断的信息,亦时常出现病理学手段并未得出正确结论,而影像学手段则出现明显指征的情况。出现这种情况的原因,一方面与病理诊断指标的准确性有关,另一方面与复杂的生理病理情况有关。
为了克服辅助诊断系统受限于医师诊断能力的问题,采用真实世界研究的系统性随访的结果,作为医师诊断结果的修正,先按照影像学诊断结果和病理学诊断结果的符合度进行分类,然后分别根据诊断结果与随访结果的相符程度进行诊断正确性的判断,最终根据符合度和诊断正确性对用于诊断数据的可靠性进行分类。
本发明提供的基于随访结果的诊断数据评价系统,如图1所示,包括:
诊断数据获取模块:用于获取影像学诊断数据和病理学诊断数据,并根据患者信息将影像学诊断数据和病理学诊断数据关联为诊断数据提交给诊断数据符合度检测模块;所述影像学诊断数据包括:影像学检测数据和影像学诊断结果;所述影像学检测数据包括患者信息、影像学图像数据,所述影像学诊断结果即影像医师做出的诊断。所述病理学诊断数据包括:病理学检测数据和病理学诊断结果;所述病理学检测数据,包括患者信息、病理检测项目的检测值,所述病理学诊断结果即病理学医师做出的诊断。
所述诊断数据符合度检测模块:用于判断诊断数据影像学诊断数据和病理学诊断数据的相符程度作为符合度,并提交给真实世界研究模块;具体而言将影像学诊断数据和病理学诊断数据的符合度按照相符程度由高到低分为5个级别:具体分类如下:
①影像学诊断结果为考虑A,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=1;
②影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=2;
③影像学诊断结果为X可能,病理诊断结果为X或属于X,影像学诊断结果与病理诊断结果的符合度P=3;
④影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为B或X,影像学诊断结果与病理诊断结果的符合度P=4;
⑤影像学诊断结果为考虑A,病理诊断结果为非A,影像学诊断结果与病理诊断结果的符合度P=5;
所述真实世界研究模块,用于获取真实世界的患者随访结果显示的真实病情,并根据患者信息将诊断数据和真实病情关联为完整诊断数据,提交给分析模块;所述随访结果包括患者信息和真实病情;
所述分析模块,用于分别判断真实病情和影像学诊断数据、以及真实病情和病理学诊断数据的相符程度,作为影像学诊断数据的可靠性和病理学诊断数据的可靠性,并根据影像学诊断数据的可靠性和病理学诊断数据的可靠性对疾病进行分类。
优选方案,由于影像学诊断结果通常为一种文字表述,其表达方式多样,诊断的准确程度很难精确量化,要实现对上述数据分类是一项极具挑战性的工作,可优先病理学诊断数据可靠性相符程度判断。具体而言:
若病理学诊断数据与真实病情相符,则病理学诊断数据可靠性良好,判断该诊断数据为正常数据;
若病理学诊断数据与真实病情相左,则进行影像学诊断数据与真实病情的可靠性判断;具体如下:
①影像学诊断结果为考虑A,真实病情为A,则影像学诊断结果的可靠性Q=1;
②影像学诊断结果为考虑A可能,B或者X待排,真实病情为A,则影像学诊断结果的可靠性Q=2;
③影像学诊断结果为X可能,真实病情为X或属于X,影像学诊断结果的可靠性Q=3;
④影像学诊断结果为考虑A可能,B或者X待排,真实病情为B或X,影像学诊断结果的可靠性Q=4;
⑤影像学诊断结果为考虑A,真实病情为非A,影像学诊断结果的可靠性Q=5;
优选方案,以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,即:
Y=PQ
异常数据的异常程度,表明了异常的病例与诊断数据与诊断结果之间的可靠性,异常程度越高,则诊断的可靠性越低,提示需要开发新的诊断指标或者诊断标准;异常程度越底,则诊断的可靠性越高,说明只需要根据真实世界研究获得的真实病情调整做出相应诊断结果的调整。
故对于不同的疾病,可以根据异常数据出现的概率、以及异常数据出现的异常程度指数对疾病进行诊断可靠性的分类,用于对诊断数据进行分类,便于后期用作辅助诊断系统的学习样本。
然而,影像学诊断结果通常为一种文字表述,其表达方式多样,诊断的准确程度很难精确量化,要实现对上述数据分类是一项极具挑战性的工作。我们通过对大量影像学诊断结果、病理诊断结果及其随访真实病情进行分析,将病理诊断结果与随访结果相符的分为正常数据,按照影像学诊断与病理学诊断结果的符合程度由高到低可以概括为5个等级类别,类别过多或过少,难以体现出类别之间影像学诊断水准的差异,不利于后期诊断医师或者智能算法的学习,同时也不利于日常的质控,比如类别差异小,难以评估每个医生的诊断准确率;优选1类符合度最高,然后依次递降,5类为完全不符合,其中符合类别分类越低,说明其影像学诊断医师诊断准确性越高。进一步地,依据符合度分类结果对诊断数据进行分类,优选将数据分为5类。
本发明提供的一种疾病诊断数据的反馈评价方法,包括以下步骤:
(1)获取诊断数据
分别获取诊断数据和随访结果,所述诊断数据,包括影像学诊断数据和病理诊断数据;
所述影像学诊断数据,包括影像学图像原始数据,提取病灶图像数据关联的患者信息、影像学诊断结果;所述病理诊断数据,包括患者信息、病理检测项目及检测数据、病理诊断结果;
所述患者信息包括,患者姓名、性别、年龄、诊断日期、影像报告编号;优选还包括诊断医师、审核医师,用于后期单独统计分析每个诊断医师和/或审核医师的影像诊断与病理诊断结果的符合程度,便于评估医师的诊断准确性;
所述随访结果为依据影像诊断和/或病理诊断报告中患者的个人信息匹配获取该患者随访的真实病情。
(2)病理诊断结果与随访结果的对比:将获取的病理诊断结果和随访结果进行比较,若同一患者的病理诊断结果与随访结果不相符,则其诊断数据分为异常数据;若同一患者的病理诊断结果与随访结果相符,则将其影像学诊断数据和病理诊断数据关联为诊断数据,并对其诊断数据进行分类。
(3)诊断数据可靠性评价:
依据影像学诊断结果肯定程度及与病理诊断结果计算符合度进行分类;正常数据相符程度越高,诊断数据的可靠性越好;
符合度计算具体如下:
影像学诊断结果与病理诊断结果相符,属于1-3类,其中影像学诊断给出唯一、具体的诊断结果,且与最终病理结果相符,则为1类符合;影像学诊断给出多个可能的诊断结果,其中第一诊断为具体结果且与最终病理结果相符,则为2类符合;影像学诊断未给出具体结果,仅给出良性或恶性的定性诊断,且第一诊断与病理结果在疾病良恶性的定性上相符,则为3类符合;
影像学诊断结果与病理诊断结果不相符,属于4-5类,其中影像学诊断给出了多个可能的诊断结果,但第一诊断在疾病良恶性的定性上与病理结果不符,则为4类符合;影像学诊断给出了唯一、具体的诊断结果,但与病理结果不相符,则为5类符合;
所述1类符合表示影像学诊断结果与病理诊断结果高度符合,符合度P=1;
所述2类符合表示影像学诊断结果与病理诊断结果中度符合,符合度P=2;
所述3类符合表示影像学诊断结果与病理诊断结果低度符合,符合度P=3;
所述4类符合表示影像学诊断结果与病理诊断结果不符合,符合度P=4;
所述5类符合表示影像学诊断结果与病理诊断结果完全不符合,符合度P=5;
上述符合类别越低,符合度值越小,表明影像学诊断准确性越高,即1-5类,其影像学诊断准确性依次降低。
(4)对异常数据按照其异常指数进行分类,异常指数具体计算如下:
①影像学诊断结果为考虑A,真实病情为A,则影像学诊断结果的可靠性Q=1;
②影像学诊断结果为考虑A可能,B或者X待排,真实病情为A,则影像学诊断结果的可靠性Q=2;
③影像学诊断结果为X可能,真实病情为X或属于X,影像学诊断结果的可靠性Q=3;
④影像学诊断结果为考虑A可能,B或者X待排,真实病情为B或X,影像学诊断结果的可靠性Q=4;
⑤影像学诊断结果为考虑A,真实病情为非A,影像学诊断结果的可靠性Q=5;
以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,即:
Y=PQ
对诊断数据进行分类存储后,便于后期智能算法有选择性地学习数据样本,例如可选择2-4类正常数据进行智能算法的训练,用于辅助医师对疑难、易错病例或疾病的诊断。
以下为实施例:
实施例1基于随访结果的诊断数据评价系统
所述基于随访结果的诊断数据评价系统,包括诊断数据获取模块、诊断数据符合度检测模块、真实世界研究模块和分析模块;
所述诊断数据获取模块,用于获取影像学诊断数据和病理学诊断数据,并根据患者信息将影像学诊断数据和病理学诊断数据关联为诊断数据提交给诊断数据符合度检测模块;所述影像学诊断数据,包括患者信息、影像学图像数据、影像学诊断结果即影像医师做出的诊断;所述病理学诊断数据,包括患者信息、病理检测项目的检测值、病理学诊断结果即病理学医师做出的诊断。
所述诊断数据符合度检测模块,用于判断诊断数据影像学诊断数据和病理学诊断数据的相符程度作为符合度,并提交给真实世界研究模块;将影像学诊断数据和病理学诊断数据的符合度按照相符程度由高到低分为5个级别:具体分类如下:
①影像学诊断结果为考虑A,病理诊断结果为A,属于1类符合,则影像学诊断结果与病理诊断结果的符合度P=1;
②影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为A,属于2类符合,则影像学诊断结果与病理诊断结果的符合度P=2;
③影像学诊断结果为X可能,病理诊断结果为X或属于X,属于3类符合,则影像学诊断结果与病理诊断结果的符合度P=3;
④影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为B或X,属于4类符合,则影像学诊断结果与病理诊断结果的符合度P=4;
⑤影像学诊断结果为考虑A,病理诊断结果为非A,属于5类符合,则影像学诊断结果与病理诊断结果的符合度P=5;
所述真实世界研究模块,用于获取真实世界的患者随访结果显示的真实病情,并根据患者信息将诊断数据和真实病情关联为完整诊断数据,提交给分析模块;所述随访结果包括患者信息和真实病情;
所述分析模块,用于分别判断真实病情和影像学诊断数据、以及真实病情和病理学诊断数据的相符程度,作为影像学诊断数据的可靠性和病理学诊断数据的可靠性,并根据影像学诊断数据的可靠性和病理学诊断数据的可靠性对疾病进行分类。具体而言:
若病理学诊断数据与真实病情相符,则病理学诊断数据可靠性良好,判断该诊断数据为正常数据;
若病理学诊断数据与真实病情相左,则病理学诊断数据可靠性不良,判断该诊断数据为异常数据,进一步进行影像学诊断数据与真实病情的可靠性判断;具体如下:
①影像学诊断结果为考虑A,真实病情为A,则影像学诊断结果的可靠性Q=1;
②影像学诊断结果为考虑A可能,B或者X待排,真实病情为A,则影像学诊断结果的可靠性Q=2;
③影像学诊断结果为X可能,真实病情为X或属于X,影像学诊断结果的可靠性Q=3;
④影像学诊断结果为考虑A可能,B或者X待排,真实病情为B或X,影像学诊断结果的可靠性Q=4;
⑤影像学诊断结果为考虑A,真实病情为非A,影像学诊断结果的可靠性Q=5;
以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,即:
Y=PQ
Y值越大,数据的异常程度越高,诊断的可靠性越低。
实施例2基于实施例1的真实世界研究的诊断数据反馈评价系统对数据诊断结果进行评价
患者1:肺占位,影像诊断考虑为肺癌,随后病理证实为肺癌,则影像学诊断结果与病理诊断结果的符合度P=1;随访结果表明该患者为肺癌患者,即病理学诊断数据与真实病情相符,该病理学数据可靠性良好,系统判断该诊断数据为正常数据。
患者2:肺占位,影像学诊断结果为考虑肺癌可能,肺炎或者良性病变待排,随后病理诊断为肺炎,则影像学诊断结果与病理诊断结果的符合度P=4;随访结果表明该患者为肺炎,即病理学诊断数据与真实病情相符,该诊断数据为正常数据。
实施例3基于实施例1的真实世界研究的诊断数据反馈评价系统对异常数据诊断结果进行评价
患者3:肺占位,甲医师影像学诊断结果为考虑肺癌可能,肺炎或者良性病变待排,随后病理诊断为肺炎,则影像学诊断结果与病理诊断结果的符合度P=4;随访结果表明该患者为肺癌,即病理学诊断数据与真实病情相左,进一步地对影像学诊断数据与真实病情的可靠性判断,影像学诊断结果的可靠性Q=2,则该诊断数据的异常程度指数为Y=8;
患者3:肺占位,乙医师影像学诊断结果为考虑肺癌,随后病理诊断为肺炎,则影像学诊断结果与病理诊断结果的符合度P=5;随访结果表明该患者为肺癌,即病理学诊断数据与真实病情相左,进一步地对影像学诊断数据与真实病情的可靠性判断,Q=1,则该诊断数据的异常程度指数为Y=5。
如果按照传统的评价系统,以病理诊断结果为标准,甲医师对患者3的影像诊断与病理诊断符合度P=4,而乙医师对患者3的影像诊断与病理诊断符合度P=5,判断为甲医师的诊断准确性更高,更可靠,显然,从真实病情角度考虑,这种评价结果不太合理;而本系统判断结果为乙医师的诊断数据异常程度指数为5,低于甲医师的诊断数据异常程度,评价结果表明乙医师的诊断结果可靠性更高,相比传统评价系统,采用本系统得出的评价结果与实际情况更相符,判断准确性更高。
影像学诊断结果通常为一种文字表述,其表达方式多样,诊断的准确程度很难精确量化,难以评价不同医师对影像报告诊断准确性的高低,本系统结合影像诊断数据和病理学诊断数据符合度以及病理结果和影像诊断结果的可靠性,综合评价,从多个维度进行影像学数据的质量控制,而且本系统对于不同的疾病,可以根据异常数据出现的概率、以及异常数据出现的异常程度指数对疾病进行诊断可靠性的分类,用于对诊断数据进行分类,便于后期用作辅助诊断系统的学习样本。
实施例4疾病诊断数据的反馈评价
对某患者的诊断数据进行反馈评价,具体包括如下步骤:
(1)获取诊断数据
获取影像学图像原始数据,提取病灶图像数据关联的患者信息及影像学诊断结果;
获取病理诊断数据,依据影像学患者的个人信息匹配获取该患者的随访病理数据,其包括患者个人信息、病理检测项目及其数值、病理诊断结果。
获取随访结果,依据影像诊断和/或病理诊断报告中患者的个人信息匹配获取该患者随访的真实病情。
(2)病理诊断数据与随访结果的对比:将获取的病理诊断数据和随访结果进行比较,若同一患者的病理诊断结果与随访结果不相符,则其诊断数据分为异常数据;若同一患者的病理诊断结果与随访结果相符,则将其影像学诊断数据和病理诊断数据关联为诊断数据,并对其影像学诊断与病理诊断结果符合程度及诊断数据进行分类。
异常数据出现频率越高,则意味着疾病的诊断标准需要进一步细化和改进。
(3)诊断数据可靠性评价:依据影像学诊断结果肯定程度及与病理诊断结果计算符合度进行分类;正常数据相符程度越高,诊断数据的可靠性越好;
符合度计算具体如下:
①1类符合:影像诊断给出唯一、具体的结果,考虑A,病理结果证实为A。例如该患者为肺占位的患者,影像诊断考虑为肺癌,随后病理证实为肺癌,即影像学诊断结果与病理诊断结果为1类符合。
②2类符合:影像学诊断给出多个可能的诊断结果,其中第一诊断为具体结果,即影像诊断第一诊断为考虑A,第二诊断为B或X,病理结果证实为A。例如该患者为肺占位的患者,影像诊断首选考虑为肺癌可能,炎性病变待排,随后病理证实为肺癌,即影像诊断结果与病理诊断结果为2类符合。
③3类符合:影像学诊断未给出具体结果,仅给出良性或恶性的定性诊断X如肿瘤性病变、炎性病变、恶性病变、良性病变等,且第一诊断与病理结果在疾病良恶性的定性上相符。例如该患者为肺占位的患者,影像诊断考虑肿瘤性病变可能,随后经病理结果为肺癌或其他肿瘤,即影像学诊断结果与病理诊断结果为3类符合。
④4类符合:影像学诊断给出了多个可能的诊断结果,但第一诊断在疾病良恶性的定性上与病理结果不符,即影像诊断首先考虑A,其次考虑B或X,最终病理结果证实为B或X。例如该患者为肺占位的患者,影像诊断首先考虑肺癌可能,其次考虑结核可能,最终病理结果为结核,即影像学诊断结果与病理诊断结果为4类符合。
⑤5类符合:影像学诊断给出了唯一、具体的诊断结果,但与病理结果完全不相符,即影像诊断给出唯一、具体的结果,考虑A,经病理证实为非A。例如该患者为肺占位的患者,影像诊断考虑肺癌,随后病理结果证实不是肺癌,即影像学诊断结果与病理诊断结果为5类符合。
出现上述情况并且需要进行分类是由多种原因造成的,其中一个重要原因是影像诊断结果的表述种类繁多,而且是一种文字表述方式,其诊断的准确程度很难精确量化。以肺占位的患者为例,不同的患者图像特征不一样,影像诊断可能存在以下多种情况:1.考虑肺癌;2.考虑肺癌可能性大;3.考虑肺癌可能;4.考虑肺癌,不排除其他;5.考虑肺癌可能,不排除其他;6.考虑肺癌可能,结核待排;7.考虑肿瘤性病变,炎性病变待排;8.考虑肿瘤性病变可能;9.考虑炎性病变;10.考虑炎性病变可能;11.考虑结核,肿瘤待排等等。这就会出现以下情况:
比如有两个医生对同该患者为肺占位的患者进行阅片,一个医生直接考虑为肺癌,另一个医生考虑肺癌可能,不排除肺炎,最终病理结果证实为肺癌。对于正常数据很明显,两个医生的诊断都是对的,但前一个医生的诊断准确性更高。分类就是为了将这种诊断差异体现出来,而最终通过对大量病例的随访总结,就可以统计出每个医生的诊断符合情况、每种疾病的诊断符合情况、总的诊断符合情况以及其他多种重要信息。
表1诊断数据分类
其中A、B表示具体疾病的诊断,如肺癌,肺结核、淋巴瘤等,X表示仅给出一个良恶性的定性诊断,而不是一个具体疾病的诊断,如肿瘤性病变,炎性病变,良性病变、恶性病变等。
(4)对异常数据按照其异常指数进行分类,异常指数具体计算如下:
①影像学诊断结果为考虑A,真实病情为A,则影像学诊断结果的可靠性Q=1;
②影像学诊断结果为考虑A可能,B或者X待排,真实病情为A,则影像学诊断结果的可靠性Q=2;
③影像学诊断结果为X可能,真实病情为X或属于X,影像学诊断结果的可靠性Q=3;
④影像学诊断结果为考虑A可能,B或者X待排,真实病情为B或X,影像学诊断结果的可靠性Q=4;
⑤影像学诊断结果为考虑A,真实病情为非A,影像学诊断结果的可靠性Q=5;
优选方案,以影像学诊断结果与病理诊断结果的符合度P和影像学诊断结果的可靠性Q的积作为异常数据的异常程度指数Y,即:
Y=PQ
异常数据的异常程度,表明了异常的病例与诊断数据与诊断结果之间的可靠性,异常程度越高,则诊断的可靠性越低,提示需要开发新的诊断指标或者诊断标准;异常程度越底,则诊断的可靠性越高,说明只需要根据真实世界研究获得的真实病情调整做出相应诊断结果的调整。
故对于不同的疾病,可以根据异常数据出现的概率、以及异常数据出现的异常程度指数对疾病进行诊断可靠性的分类,用于对诊断数据进行分类,便于后期用作辅助诊断系统的学习样本。
另外,采用本方法进行分类后,还可进行符合度的分别统计,获取每个属性条件下各自占比比例,所述统计属性包括诊断医师、审核医师、病种、诊断时间。经过分类统计,可对单个医师、所有医师、单个疾病、所有疾病的诊断符合度有一个全面的了解;可以实现对疑难、易错病例的精确查询,有利于提高诊断医师的诊断水平,也有利于收集资料进行后期科研工作。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于随访结果的诊断数据评价系统,其特征在于,包括诊断数据获取模块、诊断数据符合度检测模块、真实世界研究模块和分析模块;
所述诊断数据获取模块,用于获取影像学诊断数据和病理学诊断数据,并根据患者信息将影像学诊断数据和病理学诊断数据关联为诊断数据提交给诊断数据符合度检测模块;所述影像学诊断数据,包括影像学检测数据和影像学诊断结果,所述病理学诊断数据,包括病理学检测数据和病理诊断结果;
所述诊断数据符合度检测模块,用于判断影像学诊断结果和病理诊断结果的相符程度作为符合度,并提交给真实世界研究模块;
所述真实世界研究模块,用于获取真实世界的患者随访结果显示的真实病情,并根据患者信息将诊断数据和真实病情关联为完整诊断数据,提交给分析模块;所述随访结果包括患者信息和真实病情;
所述分析模块,用于分别判断真实病情和影像学诊断数据、以及真实病情和病理学诊断数据的相符程度,作为影像学诊断数据的可靠性和病理学诊断数据的可靠性,并根据影像学诊断数据的可靠性和病理学诊断数据的可靠性对诊断数据进行分类。
2.如权利要求1所述的基于随访结果的诊断数据评价系统,其特征在于,根据影像学诊断数据的可靠性和病理学诊断数据的可靠性对诊断数据进行分类,分类原则如下:
若病理学诊断数据与真实病情相符,则病理学诊断数据可靠性良好,判断该诊断数据为正常数据;
若病理学诊断数据与真实病情相左,则病理学诊断数据可靠性不良,判断该诊断数据为异常数据,异常数据的异常程度越高,则诊断数据的可靠性越低。
3.如权利要求1或2所述的基于随访结果的诊断数据评价系统,其特征在于,所述影像学诊断结果与病理诊断结果的相符程度,相符程度越高符合度越小,具体分类如下:
①影像学诊断结果为考虑A,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=1;
②影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为A,则影像学结果与病理诊断结果的符合度P=2;
③影像学诊断结果为X可能,病理诊断结果为X或属于X,影像学诊断结果与病理诊断结果的符合度P=3;
④影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为B或X,影像学诊断结果与病理诊断结果的符合度P=4;
⑤影像学诊断结果为考虑A,病理诊断结果为非A,影像学诊断结果与病理诊断结果的符合度P=5。
4.如权利要求1至3任意一项所述的基于随访结果的诊断数据评价系统,其特征在于,所述影像学诊断数据包括:影像学检测数据和影像学诊断结果;所述影像学检测数据包括患者信息、影像学图像数据,所述影像学诊断结果即影像医师做出的诊断;所述病理学诊断数据包括:病理学检测数据和病理学诊断结果;所述病理学检测数据,包括患者信息、病理检测项目的检测值,所述病理学诊断结果即病理学医师做出的诊断。
5.一种疾病诊断数据的反馈评价方法,其特征在于,具体包括以下步骤:
(1)获取诊断数据
分别获取诊断数据和反馈的随访结果;所述诊断数据,包括影像学诊断数据和病理诊断数据;所述影像学诊断数据,包括影像学检测数据和影像学诊断结果,所述病理诊断数据,包括病理学检测数据和病理诊断结果;
(2)病理诊断结果与随访结果比对:将获取的病理诊断结果和随访结果进行比较,若同一患者的病理诊断结果与随访结果不相符,则其诊断数据分为异常数据;若同一患者的病理诊断结果与随访结果相符,则其诊断数据分为正常数据;并对其诊断数据进行分类;
(3)诊断数据可靠性评价:
依据影像学诊断结果、病理诊断结果与随访结果进行评价;影像学诊断结果及病理诊断结果与随访结果相符程度越高,诊断数据的可靠性越好。
6.如权利要求5所述的疾病诊断数据的反馈评价方法,其特征在于,所述影像学诊断数据,包括影像学图像原始数据,提取病灶图像数据关联的患者信息、影像学诊断结果;
所述病理诊断数据,包括患者信息、病理检测项目的数值、病理诊断结果;
所述影像学诊断数据与所述病理学诊断数据通过患者信息匹配;
所述随访结果为依据影像诊断和/或病理诊断报告中患者信息匹配获取该患者随访的真实病情。
7.如权利要求6所述的疾病诊断数据的反馈评价方法,其特征在于,所述患者信息包括,患者姓名、性别、以及年龄。
8.如权利要求5所述的疾病诊断数据的反馈评价方法,其特征在于,所述相符程度采用符合度确定,相符程度越高符合度值越小,符合度计算具体如下:
①影像学诊断结果为考虑A,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=1;
②影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为A,则影像学诊断结果与病理诊断结果的符合度P=2;
③影像学诊断结果为X可能,病理诊断结果为X或属于X,影像学诊断结果与病理诊断结果的符合度P=3;
④影像学诊断结果为考虑A可能,B或者X待排,病理诊断结果为B或X,影像学诊断结果与病理诊断结果的符合度P=4;
⑤影像学诊断结果为考虑A,病理诊断结果为非A,影像学诊断结果与病理诊断结果的符合度P=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310099731.5A CN116052875A (zh) | 2022-06-23 | 2022-06-23 | 一种基于随访结果的诊断数据评价系统及方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210717931.8A CN115132351B (zh) | 2022-06-23 | 2022-06-23 | 基于真实世界研究的诊断数据反馈评价系统及方法 |
CN202310099731.5A CN116052875A (zh) | 2022-06-23 | 2022-06-23 | 一种基于随访结果的诊断数据评价系统及方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210717931.8A Division CN115132351B (zh) | 2022-06-23 | 2022-06-23 | 基于真实世界研究的诊断数据反馈评价系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116052875A true CN116052875A (zh) | 2023-05-02 |
Family
ID=83379287
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310099731.5A Pending CN116052875A (zh) | 2022-06-23 | 2022-06-23 | 一种基于随访结果的诊断数据评价系统及方法 |
CN202210717931.8A Active CN115132351B (zh) | 2022-06-23 | 2022-06-23 | 基于真实世界研究的诊断数据反馈评价系统及方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210717931.8A Active CN115132351B (zh) | 2022-06-23 | 2022-06-23 | 基于真实世界研究的诊断数据反馈评价系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116052875A (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4104036B2 (ja) * | 1999-01-22 | 2008-06-18 | 富士フイルム株式会社 | 異常陰影検出処理方法およびシステム |
WO2015134668A1 (en) * | 2014-03-04 | 2015-09-11 | The Regents Of The University Of California | Automated quality control of diagnostic radiology |
CN110364236A (zh) * | 2019-07-22 | 2019-10-22 | 卫宁健康科技集团股份有限公司 | 放射影像报告的智能随访方法、系统、设备及存储介质 |
CN112562816A (zh) * | 2020-11-13 | 2021-03-26 | 陈卫霞 | 肿瘤影像报告诊断结果与病理结果对应与评价系统及方法 |
DE102020216306A1 (de) * | 2020-12-18 | 2022-06-23 | Siemens Healthcare Gmbh | Computerimplementiertes Verfahren zum Betrieb einer medizinischen Bildgebungseinrichtung, Bildgebungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger |
-
2022
- 2022-06-23 CN CN202310099731.5A patent/CN116052875A/zh active Pending
- 2022-06-23 CN CN202210717931.8A patent/CN115132351B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115132351B (zh) | 2023-03-17 |
CN115132351A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
US7639890B2 (en) | Automatic significant image generation based on image characteristics | |
US20230248998A1 (en) | System and method for predicting diseases in its early phase using artificial intelligence | |
RU2459244C2 (ru) | Направляемая клиницистом компьютерная диагностика на базе примеров | |
JP2007279942A (ja) | 類似症例検索装置、類似症例検索方法およびそのプログラム | |
US20230368381A1 (en) | System and method for detecting and classifying abnormal cells | |
CN113539497A (zh) | 一种基于随机森林模型的孤立肺结节恶性风险预测系统 | |
CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
CN114582496A (zh) | 一种常见妇科疾病预测模型构建方法和预测系统 | |
CN118155787A (zh) | 一种基于互联网大数据的医疗数据处理方法及系统 | |
Al-Tam et al. | Breast cancer detection and diagnosis using machine learning: a survey | |
CN113361482B (zh) | 核性白内障识别方法、装置、电子设备以及存储介质 | |
Amiri et al. | Feature selection for bleeding detection in capsule endoscopy images using genetic algorithm | |
CN113962992A (zh) | 基于深度学习的泌尿结石平扫ct图像识别系统及训练方法 | |
US12094118B2 (en) | Systems and methods for processing electronic images of slides for a digital pathology workflow | |
CN112562857A (zh) | 基于k均值聚类实现高危手术预测的方法、装置、处理器及其存储介质 | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
CN116052875A (zh) | 一种基于随访结果的诊断数据评价系统及方法 | |
CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
CN114998203A (zh) | 一种基于人工智能的职业性尘肺病精准诊断系统及方法 | |
CN111599427B (zh) | 一种一元化诊断的推荐方法、装置、电子设备及存储介质 | |
Han et al. | Automatic Detection of Thyroid Nodule Characteristics From 2D Ultrasound Images | |
CN116230193B (zh) | 一种智能化医院用档案管理方法及系统 | |
Gowri et al. | An improved classification of MR images for cervical cancer using convolutional neural networks |
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 |