CN116110597B - 一种基于数字孪生的患者病症类别智能分析方法及装置 - Google Patents
一种基于数字孪生的患者病症类别智能分析方法及装置 Download PDFInfo
- Publication number
- CN116110597B CN116110597B CN202310108415.XA CN202310108415A CN116110597B CN 116110597 B CN116110597 B CN 116110597B CN 202310108415 A CN202310108415 A CN 202310108415A CN 116110597 B CN116110597 B CN 116110597B
- Authority
- CN
- China
- Prior art keywords
- disease
- organ
- model
- data
- category
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 436
- 201000010099 disease Diseases 0.000 title claims abstract description 374
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 210000000056 organ Anatomy 0.000 claims abstract description 150
- 239000013598 vector Substances 0.000 claims abstract description 119
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000003384 imaging method Methods 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 238000005481 NMR spectroscopy Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims 2
- 239000007787 solid Substances 0.000 claims 2
- 230000006870 function Effects 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000037919 acquired disease Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及数字孪生技术，揭露了一种基于数字孪生的患者病症类别智能分析方法，包括：获取目标患者的实时体征数据，根据实时体征数据构建目标患者的孪生器官模型；获取疾病病症数据及疾病分类编码数据，将疾病病症数据进行向量转换，得到疾病病症向量；计算疾病分类编码数据的疾病类相似度，根据疾病类相似度生成疾病类别相似度矩阵；将疾病病症向量与疾病类别相似度矩阵输入至多视图网络融合聚类模型中进行训练，得到病症类别分类模型；提取孪生器官模型中的实时病症数据，利用病症类别分类模型对实时病症数据进行病症类别分析。本发明还提出一种基于数字孪生的患者病症类别智能分析装置。本发明可以提高病症识别的准确度。
Description
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种基于数字孪生的患者病症类别智能分析方法及装置。
背景技术
随着智慧医疗的快速发展，智慧医疗涉及诊断、治疗、康复、支付等各环节，建设以患者为中心的医疗信息管理和服务体系，但为了能够给患者更准确的疾病诊断，需要通过高精度的虚拟模型，模拟患者的身体状态，以进行患者病症类别的分析判断。
现有的患者病症类别分析多为基于机器学习和深度算法对患者病症类别进行预测。实际应用中，在进行患者病症类别判断时，可能不止一种病症，仅考虑对病症类别进行预测，可能导致对病症类别方式过于单一，从而对患者进行病症识别时的准确度较低。
发明内容
本发明提供一种基于数字孪生的患者病症类别智能分析方法及装置，其主要目的在于解决进行患者病症识别时的准确度较低的问题。
为实现上述目的，本发明提供的一种基于数字孪生的患者病症类别智能分析方法，包括：
S1、获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；
S2、获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；
S3、利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵，其中，所述利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，包括：
S31、获取所述疾病分类编码数据的疾病树状图；
S32、统计所述疾病树状图中的疾病总节点数量，统计预设的目标节点的第一子节点数量；
S33、利用如下的度量值公式根据所述所述疾病总节点数量及所述第一子节点数量计算所述疾病分类编码数据的节点度量值：
其中，I(c)为目标节点c的所述节点度量值，b为所述第一子节点数量，a为所述疾病总节点数量，log为对数函数；
S34、通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度；
S4、将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；
S5、提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。
可选地，所述利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型，包括：
获取所述目标患者的物理器官参数；
利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓；
对所述孪生器官轮廓进行纹理映射，得到所述目标患者的孪生器官模型。
可选地，所述利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓，包括：
将所述物理器官参数进行三维坐标转换，得到物理器官坐标；
提取所述实时体征数据中的成像数据，对所述成像数据进行三维坐标转换，得到三维成像坐标；
利用所述三维重建算法将所述物理器官坐标与所述三维成像坐标进行坐标重组，得到所述孪生器官轮廓。
可选地，所述通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度，包括：
获取所述目标节点对应的父节点，统计所述父节点的第二子节点数量；
根据所述第二子节点数量及所述疾病总节点数量计算父节点度量值；
利用如下的所述语义相似性算法根据所述节点度量值及所述父节点度量值计算所述疾病分类编码数据的疾病类相似度：
其中，S(A,B)为所述疾病分类编码数据中疾病A与疾病B的所述疾病类相似度，I(F)为所述父节点F的父节点度量值，I(A)为目标节点的疾病A的节点度量值，I(B)为目标节点的疾病B的节点度量值。
可选地，所述根据所述疾病类相似度生成疾病类别相似度矩阵，包括：
按照预设的行序列数确定每行的疾病类相似度阈值；
根据每行所述疾病类相似度阈值对所述疾病类相似度对应的疾病类别进行聚类，得到每行的疾病类别；
汇集每行的所述疾病类别为所述疾病类别相似度矩阵。
可选地，所述将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，包括：
将所述疾病类别相似度矩阵中每行的疾病类别进行向量转换，得到每行的疾病类别向量；
将所述疾病病症向量与所述疾病类别向量进行向量加权，得到加权向量；
将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型。
可选地，所述将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型，包括：
将所述加权向量输入至所述多视图网络融合聚类模型中，得到疾病类别聚类集合；
根据所述疾病类别聚类集合和预设的损失函数计算所述多视图网络融合聚类模型的损失值；
当所述损失值小于预设的损失阈值时，输出所述多视图网络融合聚类模型为所述病症类别分类模型。
可选地，所述提取所述孪生器官模型中的实时病症数据，包括：
将目标患者的实时状态数据映射至所述孪生器官模型中；
根据所述孪生器官模型中的实时状态数据确定所述实施病症数据。
可选地，所述利用所述病症类别分类模型对所述实时病症数据进行病症类别分析，包括：
根据所述实时病症数据生成数据矩阵，根据所述数据矩阵构建所述实时病症数据的相似性图；
将所述相似性图进行多视图数据融合，得到统一图；
将所述统一图输入至所述病症类别分类模型中，得到病症类别聚类集合；
根据所述病症类别聚类集合中的聚类数目确定所述病症类别。
为了解决上述问题，本发明还提供一种基于数字孪生的患者病症类别智能分析装置，所述装置包括：
孪生器官模型构建模块，用于获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；
向量转换模块，用于获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；
疾病类别相似度矩阵生成模块，用于利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵；
模型训练模块，用于将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；
病症类别分析模块，用于提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。
本发明实施例通过获取目标患者的实时体征数据，进而根据实时体征数据对目标患者的孪生器官模型进行构建，可对孪生器官模型的实时数据进行分析，进而掌握目标患者的实时身体状态，可以提高对目标患者病症类别判断的准确性；根据预先获取的疾病病症数据和疾病分类编码数据对预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，进而根据病症类别分类模型对目标患者的实时病症数据进行病症类别分析，进而者的实时身体状态，可以提高对目标患者病症类别判断的准确性。因此本发明提出的基于数字孪生的患者病症类别智能分析方法及装置，可以解决进行患者病症识别时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于数字孪生的患者病症类别智能分析方法的流程示意图；
图2为本发明一实施例提供的构建孪生器官模型的流程示意图；
图3为本发明一实施例提供的计算疾病类相似度的流程示意图；
图4为本发明一实施例提供的基于数字孪生的患者病症类别智能分析装置的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于数字孪生的患者病症类别智能分析方法。所述基于数字孪生的患者病症类别智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于数字孪生的患者病症类别智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于数字孪生的患者病症类别智能分析方法的流程示意图。在本实施例中，所述基于数字孪生的患者病症类别智能分析方法包括：
S1、获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；
本发明其中一个实际应用场景中，由于经济因素导致治疗机构无法获得设备仪器，且医院缺乏必要的设备培训实践环节，间接造成了医护人员对患者治疗过程不熟练，给患者的治疗埋下了诸多的不确定性因素。因此，可采用仿真模拟的方法进行解决，即通过数字孪生技术，仿真模拟将物体分别进行外形和动作的仿真，并收集物体外形尺寸、物理空间等参数，将参数应用到三维软件完成物体的搭建工作，使物体模型可以代替物体在特定的实验环境中进行工作，以对物理实体的实际情况进行分析。
本发明实施例中，所述实时体征数据包括目标患者的心电图数据、体温、血压、血氧、核磁共振成像数据等以及医疗设备运行实时体征数据等，以及获取目标患者的实时体征数据时，还会获取实时历史数据，即需要存储的生理病理实时数据和医疗设备实时状态数据；获取非实时生理病理数据，如影像学数据、化验数据、以及患者的性别、年龄、身高、体重等以及非实时设备数据，如设备的使用年限、使用次数等。
详细地，可通过心率测量仪测量心率和血压，通过温度传感器测量相应位置的体温，以及通过三维扫描可获取三维结构数据。
本发明实施例中，所述孪生器官模型是指对人体器官在虚拟环境中模拟出人体的各个器官，如头部，心脏，腰部等，进而对孪生器官模型中的实时数据进行分析，以对目标患者的病症类别进行准确判别。
本发明实施例中，参图2所示，所述利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型，包括：
S21、获取所述目标患者的物理器官参数；
S22、利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓；
S23、对所述孪生器官轮廓进行纹理映射，得到所述目标患者的孪生器官模型。
详细地，所述物理器官参数是指器官的物理属性，包括几何外形、规格尺寸等，可通过虚拟三维模型生成患者器官的实体模型，使用3D技术快速成型技术构建物理实体，并根据物理实体的规格尺寸获取目标患者的物理参数，进而根据物理参数构建目标患者的孪生器官模型。
具体地，所述利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓，包括：
将所述物理器官参数进行三维坐标转换，得到物理器官坐标；
提取所述实时体征数据中的成像数据，对所述成像数据进行三维坐标转换，得到三维成像坐标；
利用所述三维重建算法将所述物理器官坐标与所述三维成像坐标进行坐标重组，得到所述孪生器官轮廓。
详细地，将物理器官参数的规格尺寸在三维坐标系中进行转换，以生成所述物理器官坐标，其中所述物理器官坐标是指孪生器官的整体外围轮廓坐标，而孪生器官的内部组织坐标，可通过实时体征数据中的成像数据进行转换，所述成像数据是指核磁共振成像，核磁共振可以对人体结构进行扫描成像，包含更多的人体组织参数，合成的人体结构模型具有明显的组织界限，可实现组织分割等复杂操作，成像数据可转换为三维成像坐标，即包括人体器官模型中的内部组织坐标。
具体地，所述三维重建算法是指对三维坐标进行坐标重组和排列，从而形成三维虚拟模型，因此，将所述物理器官坐标与所述三维成像坐标在三维坐标系中通过三维重建算法对坐标进行重组和排列，以此构建孪生器官轮廓的外围坐标和内部组织坐标，进而根据外围坐标和内部组织坐标构建孪生器官轮廓。其中内部组织可通过多边形网格划分获取孪生器官模型的内部组织。
进一步地，在完成孪生器官轮廓构建后，需要对所述孪生器官轮廓进行纹理映射，可通过皮肤肤色或者人体器官的一些器官纹理对孪生器官轮廓进行纹理映射，以得到所述目标患者的孪生器官模型。对孪生器官轮廓进行纹理映射，可以使构建的孪生器官模型更加真实形象。
更进一步地，可以根据目标患者的实时体征数据对孪生器官模型进行数据实时分析，因此，要根据疾病病症数据对病症类别进行建模，以此对目标患者的病症类别进行判别。
S2、获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；
本发明实施例中，所述疾病病症数据包括各种疾病病症种类，如某些传染病、神经系统疾病、眼疾病、呼吸系统疾病、消化系统疾病等，所述疾病分类编码数据是指对不同的疾病病症的编码数据，即每一种疾病病症都有相对应的编码数据。
详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取存储的疾病病症数据及疾病分类编码数据，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
本发明实施例中，所述疾病病症向量是将疾病病症数据中每种疾病病症用向量进行表示，并将所述疾病病症向量用于多视图网络融合聚类模型的输入，训练多视图网络融合聚类模型，得到病症类别分类模型。
详细地，可通过预设的向量转换模型对所述疾病病症数据进行向量转换，得到疾病病症向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。
具体地，在训练多视图网络融合聚类模型时，不仅要将疾病病症向量作为输入，还需要对疾病分类编码数据进行分析，将疾病病症向量及疾病分类编码数据作为模型地输入，可以提高模型训练的准确性。
S3、利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵；
本发明实施例中，所述语义相似性算法是指在疾病分类编码数据中分类体系是按照树状结构分配的，是基于本体语义的相似性度量来计算两种疾病在树状结构中的相似度。其中，本体语义是语义概念和概念之间的关系，以及不同概念之间的组织形式。
本发明实施例中，参图3所示，所述利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，包括：
S31、获取所述疾病分类编码数据的疾病树状图；
S32、统计所述疾病树状图中的疾病总节点数量，统计预设的目标节点的第一子节点数量；
S33、利用如下的度量值公式根据所述所述疾病总节点数量及所述第一子节点数量计算所述疾病分类编码数据的节点度量值：
其中，I(c)为目标节点c的所述节点度量值，b为所述第一子节点数量，a为所述疾病总节点数量，log为对数函数；
S34、通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度。
详细地，通过预先获取的现实世界临床环境中使用的疾病分类方法，即疾病分类编码数据是通过树状结构存储的，因此，可利用数据抓取功能获取所述疾病分类编码数据的疾病树状图，进而根据疾病树状图中每种疾病之间的节点关系，确定每种疾病之间的相似度，并根据每种疾病之间的相似度将不同种类的疾病进行划分，其中，所述目标节点代表一种疾病。
具体地，所述度量值公式是统计目标节点在疾病树状图中的比重，即首先要统计疾病树状图中的疾病总结点数量及目标节点的第一子节点数量，根据度量值公式可以确定目标节点在疾病树状图中的比重，其中，所述度量值公式中的b为目标节点c的子节点数量。
进一步地，根据目标节点的度量值计算每两种目标节点之间的相似度，即确定每两种疾病之间的本体相似性，进而根据相似性对疾病类别进行分析。
本发明实施例中，所述通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度，包括：
获取所述目标节点对应的父节点，统计所述父节点的第二子节点数量；
根据所述第二子节点数量及所述疾病总节点数量计算父节点度量值；
利用如下的所述语义相似性算法根据所述节点度量值及所述父节点度量值计算所述疾病分类编码数据的疾病类相似度：
其中，S(A,B)为所述疾病分类编码数据中疾病A与疾病B的所述疾病类相似度，I(F)为所述父节点F的父节点度量值，I(A)为目标节点的疾病A的节点度量值，I(B)为目标节点的疾病B的节点度量值。
详细地，统计目标节点的父节点，并统计父节点对应的第二子节点数量，根据第二子节点数量计算父节点度量值，可以更加准确的确定两种疾病之间的相似度。其中，通过所述度量值公式根据所述第二子节点数量及所述疾病总节点数量计算父节点度量值。
具体地，根据所述语义相似性算法中的I(A)和I(B)可以更加准确的确定疾病A与疾病B之间的相似度，在语义相似性算法中，如果两个疾病概念的共同父概念与叶子更接近，则两个疾病概念的语义相似性会更高。
进一步地，根据疾病之间的相似度可以生成疾病相似度矩阵，进而将疾病相似度矩阵作为多视图网络融合聚类模型的输入进行模型训练，以训练出能进行病症类别识别的病症类别分类模型。
本发明实施例中，所述根据所述疾病类相似度生成疾病类别相似度矩阵，包括：
按照预设的行序列数确定每行的疾病类相似度阈值；
根据每行所述疾病类相似度阈值对所述疾病类相似度对应的疾病类别进行聚类，得到每行的疾病类别；
汇集每行的所述疾病类别为所述疾病类别相似度矩阵。
详细地，按照疾病类别的种类确定所述疾病类别相似度矩阵的行序列数和列序列数，并根据行序列数确定每行的疾病类相似度阈值，如共有行序列数为n行，第一行确定的疾病类相似度阈值为30，第二行确定的疾病类相似度阈值为40，第n行确定的疾病类相似度阈值为90，则根据每行的疾病类相似度阈值确定疾病类别在疾病类别相似度矩阵中所对应的位置，可得到每行对应的疾病类别。并按照行序列数和列序列数汇集每行所对应的疾病类别为疾病类别相似度矩阵。
具体地，将疾病类别相似度矩阵与疾病病症向量作为多视图网络融合聚类模型的输入对聚类模型进行训练，以得到病症类别分类模型，并利用病症类别分类模型对目标患者的疾病病症进行分析判别。
S4、将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；
本发明实施例中，所述多视图网络融合聚类模型是指利用重启随机游走(RandomWalk with Restarts,RWR)方法，构造捕捉网络结构信息的正点互信息矩阵，将每个网络的结构转换为向量表示，并利用多模式深度自动编码器融合多视图网络的正点互信息矩阵，并从中间层提取节点的低维特征表示，并对低维特征应用聚类算法，对提取的低维特征进行聚类计算，从而得出最后的聚类结果。
本发明实施例中，所述将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，包括：
将所述疾病类别相似度矩阵中每行的疾病类别进行向量转换，得到每行的疾病类别向量；
将所述疾病病症向量与所述疾病类别向量进行向量加权，得到加权向量；
将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型。
详细地，将所述疾病类别相似度矩阵中每行的疾病类别进行向量转换，得到每行的疾病类别向量。其中，可通过预设的向量转换模型对所述疾病类别进行向量转换，得到疾病类别向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。
具体地，将所述疾病病症向量与所述疾病类别相似度矩阵中每行的疾病类别向量进行向量加权，即得到一个新的n维的加权向量，将疾病病症向量与疾病类别向量进行向量加权，并将加权向量作为多视图网络融合聚类模型的输入，可以提高模型训练的精度。
本发明实施例中，所述将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型，包括：
将所述加权向量输入至所述多视图网络融合聚类模型中，得到疾病类别聚类集合；
根据所述疾病类别聚类集合和预设的损失函数计算所述多视图网络融合聚类模型的损失值；
当所述损失值小于预设的损失阈值时，输出所述多视图网络融合聚类模型为所述病症类别分类模型。
详细地，通过多视图网络融合聚类模型可对加权向量进行聚类，得到疾病类别的聚类集合，并利用损失函数不断优化疾病类别聚类集合，直到损失值小于预设的损失阈值时，输出当前的所述多视图网络融合聚类模型为所述病症类别分类模型。
具体地，所述预设的损失函数包括：
其中，L(k,ky)为损失值，为所述疾病类别聚类集合中的聚类数据，ki为预设的真实疾病类别聚类数据，n为所述多视图网络融合聚类模型中聚类个数。
进一步地，将目标患者的实时病症数据输入至所述病症类别分类模型中对目标患者的病症类别进行分析判别，可以预测可能发生的疾病，发现还未恶化的疾病，为目标患者提供更佳的治疗方案。
S5、提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。
本发明实施例中，所述实时病症数据是根据目标患者的实际身体状态数据对孪生器官模型获取实时病症数据。其中，所述实时病症数据包括目标患者的心电图数据、体温、血压、血氧、核磁共振成像数据。
本发明实施例中，所述提取所述孪生器官模型中的实时病症数据，包括：
将目标患者的实时状态数据映射至所述孪生器官模型中；
根据所述孪生器官模型中的实时状态数据确定所述实施病症数据。
详细地，将目标患者的实时状态数据通过信息交互平台上传至数字空间，即将目标患者(物理实体)的状态数据映射至数字空间，实现感知物理实体的全要素信息。在数字空间实现全要素医疗信息的集成、分析与决策，有助于临床症状分析、病理研究等。其中数字空间是对虚拟孪生器官模型的数字化镜像。
具体地，利用病症类别分类模型对获取的实时病症数据的病症类别进行分析判断，还可以对可能发生的疾病进行预测，发现还未恶化的疾病，为目标患者提供更佳的治疗方案。
本发明实施例中，所述利用所述病症类别分类模型对所述实时病症数据进行病症类别分析，包括：
根据所述实时病症数据生成数据矩阵，根据所述数据矩阵构建所述实时病症数据的相似性图；
将所述相似性图进行多视图数据融合，得到统一图；
将所述统一图输入至所述病症类别分类模型中，得到病症类别聚类集合；
根据所述病症类别聚类集合中的聚类数目确定所述病症类别。
详细地，所述数据矩阵是将实时病症数据中的多种数据生成数据矩阵，并将两个数据点之间的平均距离对应于一个较大的相似值，而两个数据点之间的较大距离对应于一个较小(或零)的相似值，可采用稀疏的表示方法来构造相似性图，并将每个相似性图的权重进行多个图的融合，得到统一图。
具体地，将统一图作为所述病症类别分类模型的输入，可得到对所述实时病症数据的病症类别聚类集合，并根据病症类别聚类集合中的聚类数目确定所述病症类别，即将病症类别聚类集合中的聚类数目最多的判定为所述病症类别，进而根据此病症类别对目标患者进行疾病预防或诊断。
本发明实施例通过获取目标患者的实时体征数据，进而根据实时体征数据对目标患者的孪生器官模型进行构建，可对孪生器官模型的实时数据进行分析，进而掌握目标患者的实时身体状态，可以提高对目标患者病症类别判断的准确性；根据预先获取的疾病病症数据和疾病分类编码数据对预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，进而根据病症类别分类模型对目标患者的实时病症数据进行病症类别分析，进而者的实时身体状态，可以提高对目标患者病症类别判断的准确性。因此本发明提出的基于数字孪生的患者病症类别智能分析方法及装置，可以解决进行患者病症识别时的准确度较低的问题。
如图4所示，是本发明一实施例提供的基于数字孪生的患者病症类别智能分析装置的功能模块图。
本发明所述基于数字孪生的患者病症类别智能分析装置100可以安装于电子设备中。根据实现的功能，所述基于数字孪生的患者病症类别智能分析装置100可以包括孪生器官模型构建模块101、向量转换模块102、疾病类别相似度矩阵生成模块103、模型训练模块104及病症类别分析模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述孪生器官模型构建模块101，用于获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；
所述向量转换模块102，用于获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；
所述疾病类别相似度矩阵生成模块103，用于利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵；
所述模型训练模块104，用于将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；
所述病症类别分析模块105，用于提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。
详细地，本发明实施例中所述基于数字孪生的患者病症类别智能分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于数字孪生的患者病症类别智能分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于数字孪生的患者病症类别智能分析方法，其特征在于，所述方法包括：
S1、获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；
所述利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型，包括：获取所述目标患者的物理器官参数；利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓；对所述孪生器官轮廓进行纹理映射，得到所述目标患者的孪生器官模型；
所述利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓，包括：将所述物理器官参数进行三维坐标转换，得到物理器官坐标；提取所述实时体征数据中的成像数据，对所述成像数据进行三维坐标转换，得到三维成像坐标；利用所述三维重建算法将所述物理器官坐标与所述三维成像坐标进行坐标重组，得到所述孪生器官轮廓；
所述物理器官参数是指器官的物理属性，包括几何外形、规格尺寸；通过虚拟三维模型生成患者器官的实体模型，使用3D技术快速成型技术构建物理实体，并根据物理实体的规格尺寸获取目标患者的物理参数，进而根据物理参数构建目标患者的孪生器官模型；
将物理器官参数的规格尺寸在三维坐标系中进行转换，以生成所述物理器官坐标，其中所述物理器官坐标是指孪生器官的整体外围轮廓坐标，孪生器官的内部组织坐标，通过实时体征数据中的成像数据进行转换，所述成像数据是指核磁共振成像，核磁共振对人体结构进行扫描成像，包含更多的人体组织参数，合成的人体结构模型具有明显的组织界限，实现组织分割操作，成像数据转换为三维成像坐标，即包括人体器官模型中的内部组织坐标；
所述三维重建算法是指对三维坐标进行坐标重组和排列形成三维虚拟模型，将所述物理器官坐标与所述三维成像坐标在三维坐标系中通过三维重建算法对坐标进行重组和排列，以此构建孪生器官轮廓的外围坐标和内部组织坐标，进而根据外围坐标和内部组织坐标构建孪生器官轮廓；
在完成孪生器官轮廓构建后，对所述孪生器官轮廓进行纹理映射，通过皮肤肤色或者人体器官的器官纹理对孪生器官轮廓进行纹理映射，以得到所述目标患者的孪生器官模型；对孪生器官轮廓进行纹理映射，使构建的孪生器官模型更加真实形象；
S2、获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；
通过预设的向量转换模型对所述疾病病症数据进行向量转换得到疾病病症向量；所述向量转换模型包括但不限于word2vec模型、Bert模型；
S3、利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵，
所述根据所述疾病类相似度生成疾病类别相似度矩阵，包括：按照预设的行序列数确定每行的疾病类相似度阈值；根据每行所述疾病类相似度阈值对所述疾病类相似度对应的疾病类别进行聚类，得到每行的疾病类别；汇集每行的所述疾病类别为所述疾病类别相似度矩阵；
其中，所述利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，包括：
S31、获取所述疾病分类编码数据的疾病树状图；
S32、统计所述疾病树状图中的疾病总节点数量，统计预设的目标节点的第一子节点数量；
S33、利用如下的度量值公式根据所述所述疾病总节点数量及所述第一子节点数量计算所述疾病分类编码数据的节点度量值：
其中，I(c)为目标节点c的所述节点度量值，b为所述第一子节点数量，a为所述疾病总节点数量，log为对数函数；
S34、通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度；
S4、将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；
所述将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，包括：将所述疾病类别相似度矩阵中每行的疾病类别进行向量转换，得到每行的疾病类别向量；将所述疾病病症向量与所述疾病类别向量进行向量加权，得到加权向量；将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型；
将所述疾病病症向量与所述疾病类别相似度矩阵中每行的疾病类别向量进行向量加权得到一个新的n维的加权向量，将疾病病症向量与疾病类别向量进行向量加权，并将加权向量作为多视图网络融合聚类模型的输入；
所述将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型，包括：将所述加权向量输入至所述多视图网络融合聚类模型中，得到疾病类别聚类集合；根据所述疾病类别聚类集合和预设的损失函数计算所述多视图网络融合聚类模型的损失值；当所述损失值小于预设的损失阈值时，输出所述多视图网络融合聚类模型为所述病症类别分类模型；
所述预设的损失函数包括：
其中，L(k,ky)为损失值，为所述疾病类别聚类集合中的聚类数据，ki为预设的真实疾病类别聚类数据，n为所述多视图网络融合聚类模型中聚类个数；
在训练多视图网络融合聚类模型时，不仅要将疾病病症向量作为输入，还对疾病分类编码数据进行分析，将疾病病症向量及疾病分类编码数据作为模型地输入，提高模型训练的准确性；
S5、提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。
2.如权利要求1所述的基于数字孪生的患者病症类别智能分析方法，其特征在于，所述通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度，包括：
获取所述目标节点对应的父节点，统计所述父节点的第二子节点数量；
根据所述第二子节点数量及所述疾病总节点数量计算父节点度量值；
利用如下的所述语义相似性算法根据所述节点度量值及所述父节点度量值计算所述疾病分类编码数据的疾病类相似度：
其中，S(A,B)为所述疾病分类编码数据中疾病A与疾病B的所述疾病类相似度，I(F)为所述父节点F的父节点度量值，I(A)为目标节点的疾病A的节点度量值，I(B)为目标节点的疾病B的节点度量值。
3.如权利要求1所述的基于数字孪生的患者病症类别智能分析方法，其特征在于，所述提取所述孪生器官模型中的实时病症数据，包括：
将目标患者的实时状态数据映射至所述孪生器官模型中；
根据所述孪生器官模型中的实时状态数据确定所述实时病症数据。
4.如权利要求1所述的基于数字孪生的患者病症类别智能分析方法，其特征在于，所述利用所述病症类别分类模型对所述实时病症数据进行病症类别分析，包括：
根据所述实时病症数据生成数据矩阵，根据所述数据矩阵构建所述实时病症数据的相似性图；
将所述相似性图进行多视图数据融合，得到统一图；
将所述统一图输入至所述病症类别分类模型中，得到病症类别聚类集合；
根据所述病症类别聚类集合中的聚类数目确定所述病症类别。
5.一种基于数字孪生的患者病症类别智能分析装置，其特征在于，所述装置包括：
孪生器官模型构建模块，用于获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；
所述利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型，包括：获取所述目标患者的物理器官参数；利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓；对所述孪生器官轮廓进行纹理映射，得到所述目标患者的孪生器官模型；
所述利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓，包括：将所述物理器官参数进行三维坐标转换，得到物理器官坐标；提取所述实时体征数据中的成像数据，对所述成像数据进行三维坐标转换，得到三维成像坐标；利用所述三维重建算法将所述物理器官坐标与所述三维成像坐标进行坐标重组，得到所述孪生器官轮廓；
所述物理器官参数是指器官的物理属性，包括几何外形、规格尺寸；通过虚拟三维模型生成患者器官的实体模型，使用3D技术快速成型技术构建物理实体，并根据物理实体的规格尺寸获取目标患者的物理参数，进而根据物理参数构建目标患者的孪生器官模型；
将物理器官参数的规格尺寸在三维坐标系中进行转换，以生成所述物理器官坐标，其中所述物理器官坐标是指孪生器官的整体外围轮廓坐标，孪生器官的内部组织坐标，通过实时体征数据中的成像数据进行转换，所述成像数据是指核磁共振成像，核磁共振对人体结构进行扫描成像，包含更多的人体组织参数，合成的人体结构模型具有明显的组织界限，实现组织分割操作，成像数据转换为三维成像坐标，即包括人体器官模型中的内部组织坐标；
所述三维重建算法是指对三维坐标进行坐标重组和排列形成三维虚拟模型，将所述物理器官坐标与所述三维成像坐标在三维坐标系中通过三维重建算法对坐标进行重组和排列，以此构建孪生器官轮廓的外围坐标和内部组织坐标，进而根据外围坐标和内部组织坐标构建孪生器官轮廓；
在完成孪生器官轮廓构建后，对所述孪生器官轮廓进行纹理映射，通过皮肤肤色或者人体器官的器官纹理对孪生器官轮廓进行纹理映射，以得到所述目标患者的孪生器官模型；对孪生器官轮廓进行纹理映射，使构建的孪生器官模型更加真实形象；
向量转换模块，用于获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；
通过预设的向量转换模型对所述疾病病症数据进行向量转换得到疾病病症向量；所述向量转换模型包括但不限于word2vec模型、Bert模型；
疾病类别相似度矩阵生成模块，用于利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵；
所述根据所述疾病类相似度生成疾病类别相似度矩阵，包括：按照预设的行序列数确定每行的疾病类相似度阈值；根据每行所述疾病类相似度阈值对所述疾病类相似度对应的疾病类别进行聚类，得到每行的疾病类别；汇集每行的所述疾病类别为所述疾病类别相似度矩阵；
模型训练模块，用于将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；
所述将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，包括：将所述疾病类别相似度矩阵中每行的疾病类别进行向量转换，得到每行的疾病类别向量；将所述疾病病症向量与所述疾病类别向量进行向量加权，得到加权向量；将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型；
将所述疾病病症向量与所述疾病类别相似度矩阵中每行的疾病类别向量进行向量加权得到一个新的n维的加权向量，将疾病病症向量与疾病类别向量进行向量加权，并将加权向量作为多视图网络融合聚类模型的输入；
所述将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型，包括：将所述加权向量输入至所述多视图网络融合聚类模型中，得到疾病类别聚类集合；根据所述疾病类别聚类集合和预设的损失函数计算所述多视图网络融合聚类模型的损失值；当所述损失值小于预设的损失阈值时，输出所述多视图网络融合聚类模型为所述病症类别分类模型；
所述预设的损失函数包括：
其中，L(k,ky)为损失值，为所述疾病类别聚类集合中的聚类数据，ki为预设的真实疾病类别聚类数据，n为所述多视图网络融合聚类模型中聚类个数；
在训练多视图网络融合聚类模型时，不仅要将疾病病症向量作为输入，还对疾病分类编码数据进行分析，将疾病病症向量及疾病分类编码数据作为模型地输入，提高模型训练的准确性；
病症类别分析模块，用于提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108415.XA CN116110597B (zh) | 2023-01-30 | 2023-01-30 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108415.XA CN116110597B (zh) | 2023-01-30 | 2023-01-30 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116110597A CN116110597A (zh) | 2023-05-12 |
| CN116110597B true CN116110597B (zh) | 2024-03-22 |
Family
ID=86265195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310108415.XA Active CN116110597B (zh) | 2023-01-30 | 2023-01-30 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116110597B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116798646B (zh) * | 2023-08-17 | 2023-11-24 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
| CN116805520B (zh) * | 2023-08-21 | 2023-11-10 | 四川省医学科学院·四川省人民医院 | 一种基于数字孪生的脓毒症患者关联的预测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392110A (zh) * | 2014-11-04 | 2015-03-04 | 宝鸡数字人信息科技有限公司 | 人体生理数据可视化监测、分析和评估方法和系统 |
| CN110827929A (zh) * | 2019-11-05 | 2020-02-21 | 中山大学 | 疾病分类编码识别方法、装置、计算机设备及存储介质 |
| CN110853746A (zh) * | 2019-10-14 | 2020-02-28 | 边缘智能研究院南京有限公司 | 基于数字孪生的智慧医院系统及其构建方法 |
| CN112132805A (zh) * | 2020-09-22 | 2020-12-25 | 深圳市人工智能与机器人研究院 | 一种基于人体特征的超声机器人状态归一化方法及系统 |
| CN112640000A (zh) * | 2018-08-22 | 2021-04-09 | 西门子医疗有限公司 | 根据医学数据对预测性数字孪生体模型的数据驱动的估计 |
| CN113160417A (zh) * | 2021-04-13 | 2021-07-23 | 同济大学 | 一种基于泌尿系统的多器官三维重建控制方法 |
| WO2021229497A1 (en) * | 2020-05-13 | 2021-11-18 | University Of Johannesburg | Methods relating to medical diagnostics and to medical diagnostic systems |
| CN113888696A (zh) * | 2021-09-26 | 2022-01-04 | 北京达佳互联信息技术有限公司 | 三维模型生成方法和装置 |
| CN114220536A (zh) * | 2021-12-10 | 2022-03-22 | 深圳市北科瑞声科技股份有限公司 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
| CN114387392A (zh) * | 2021-12-13 | 2022-04-22 | 清华大学 | 一种根据人影重建三维人体姿态的方法 |
| CN115206551A (zh) * | 2022-08-10 | 2022-10-18 | 北京京东拓先科技有限公司 | 一种基于数字孪生的健康状态监测方法及装置 |
| CN115640672A (zh) * | 2022-09-22 | 2023-01-24 | 上海申挚医疗科技有限公司 | 数字孪生体的构建方法、系统、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11869148B2 (en) * | 2019-04-12 | 2024-01-09 | Beijing Chengshi Wanglin Information Technology Co., Ltd. | Three-dimensional object modeling method, image processing method, image processing device |
-
2023
- 2023-01-30 CN CN202310108415.XA patent/CN116110597B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392110A (zh) * | 2014-11-04 | 2015-03-04 | 宝鸡数字人信息科技有限公司 | 人体生理数据可视化监测、分析和评估方法和系统 |
| CN112640000A (zh) * | 2018-08-22 | 2021-04-09 | 西门子医疗有限公司 | 根据医学数据对预测性数字孪生体模型的数据驱动的估计 |
| CN110853746A (zh) * | 2019-10-14 | 2020-02-28 | 边缘智能研究院南京有限公司 | 基于数字孪生的智慧医院系统及其构建方法 |
| CN110827929A (zh) * | 2019-11-05 | 2020-02-21 | 中山大学 | 疾病分类编码识别方法、装置、计算机设备及存储介质 |
| WO2021229497A1 (en) * | 2020-05-13 | 2021-11-18 | University Of Johannesburg | Methods relating to medical diagnostics and to medical diagnostic systems |
| CN112132805A (zh) * | 2020-09-22 | 2020-12-25 | 深圳市人工智能与机器人研究院 | 一种基于人体特征的超声机器人状态归一化方法及系统 |
| CN113160417A (zh) * | 2021-04-13 | 2021-07-23 | 同济大学 | 一种基于泌尿系统的多器官三维重建控制方法 |
| CN113888696A (zh) * | 2021-09-26 | 2022-01-04 | 北京达佳互联信息技术有限公司 | 三维模型生成方法和装置 |
| CN114220536A (zh) * | 2021-12-10 | 2022-03-22 | 深圳市北科瑞声科技股份有限公司 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
| CN114387392A (zh) * | 2021-12-13 | 2022-04-22 | 清华大学 | 一种根据人影重建三维人体姿态的方法 |
| CN115206551A (zh) * | 2022-08-10 | 2022-10-18 | 北京京东拓先科技有限公司 | 一种基于数字孪生的健康状态监测方法及装置 |
| CN115640672A (zh) * | 2022-09-22 | 2023-01-24 | 上海申挚医疗科技有限公司 | 数字孪生体的构建方法、系统、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多视图聚类的疾病分类方法研究;闫佳伟;中国优秀硕士学位论文全文数据库 (医药卫生科技辑)(第3期);正文第三、四章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116110597A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
| CN111199550B (zh) | 图像分割网络的训练方法、分割方法、装置和存储介质 | |
| 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 | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| Zhang et al. | Hybrid graph convolutional network for semi-supervised retinal image classification | |
| JP7191443B2 (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
| CN112489769A (zh) | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 | |
| CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
| WO2023108873A1 (zh) | 一种脑网络和脑成瘾连接计算方法及装置 | |
| CN116759041B (zh) | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 | |
| CN107292103A (zh) | 一种预测图像生成方法及装置 | |
| CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
| An et al. | COVID-19 screening in chest X-ray images using lung region priors | |
| CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
| da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
| Wang et al. | Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image | |
| CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
| CN116469148A (zh) | 一种基于面部结构识别的概率预测系统及预测方法 | |
| CN113616209B (zh) | 基于时空注意力机制的精神分裂症患者甄别方法 | |
| Xing et al. | An Enhanced Vision Transformer Model in Digital Twins Powered Internet of Medical Things for Pneumonia Diagnosis | |
| CN116563524B (zh) | 一种基于多视觉记忆单元的扫视路径预测方法 | |
| CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
| CN115547502A (zh) | 基于时序数据的血透病人风险预测装置 | |
| CN114255865B (zh) | 一种基于循环神经网络的诊疗项目预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |