CN116189843B - 治疗方案推荐方法、装置、系统及存储介质 - Google Patents
治疗方案推荐方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN116189843B CN116189843B CN202310437288.8A CN202310437288A CN116189843B CN 116189843 B CN116189843 B CN 116189843B CN 202310437288 A CN202310437288 A CN 202310437288A CN 116189843 B CN116189843 B CN 116189843B
- Authority
- CN
- China
- Prior art keywords
- data
- case text
- case
- electrocardiographic
- mask
- 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
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种治疗方案推荐方法、装置、系统及存储介质。该方法包括:分别对病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;对病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;基于目标病例样本数据进行多模态联合预训练,得到病例文本‑心电图预训练模型;基于下游任务的训练数据对病例文本‑心电图预训练模型进行微调,得到治疗方案推荐模型;将目标对象的病例数据输入至治疗方案推荐模型,得到目标对象的治疗方案。上述方案,通过知识注入得到的目标病例样本数据进行多模态联合预训练,使得模型的参数能够更为有效的学习知识,从而提升模型的训练精度,进而提升治疗方案的推荐准确度。
Description
技术领域
本发明涉及数字医疗技术领域,尤其涉及一种治疗方案推荐方法、装置、系统及存储介质。
背景技术
随着互联网技术的发展,信息数字化在医疗技术领域得到了广泛应用。
目前在心血管疾病诊疗过程中,通常将临床指南中的医学描述转换为由逻辑判断组成的规则,进而使用该规则对数字化处理后的病例进行匹配,得到待推荐的治疗方案。
在实现本发明的过程中,发明人发现现有技术中至少存在以下技术问题:现有治疗方案推荐方案,存在推荐不准确的问题。
发明内容
本发明提供了一种治疗方案推荐方法、装置、系统及存储介质,以提升治疗方案推荐准确度。
根据本发明的一方面,提供了一种治疗方案推荐方法,包括:
获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
根据本发明的另一方面,提供了一种治疗方案推荐装置,包括:
样本数据获取模块,用于获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
样本数据预处理模块,用于分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
知识注入模块,用于对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
联合预训练模块,用于基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
模型微调模块,用于获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
治疗方案推荐模块,用于获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
根据本发明的另一方面,提供了一种治疗方案推荐系统,系统包括处理器和存储器,所述存储器存储有计算机程序,所述处理器在运行所述计算机程序时执行以下步骤,包括:
获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的治疗方案推荐方法。
本发明实施例的技术方案,通过知识注入得到的目标病例样本数据进行多模态联合预训练,使得模型的参数能够更为有效的学习知识,从而提升模型的训练精度,进而提升治疗方案的推荐准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是根据本发明实施例一提供的一种治疗方案推荐方法的流程图;
图2是根据本发明实施例二提供的一种治疗方案推荐方法的流程图;
图3是根据本发明实施例三提供的一种治疗方案推荐方法的流程图;
图4是根据本发明实施例三提供的一种心血管疾病领域的知识图谱的结构示意图。
图5是根据本发明实施例四提供的一种治疗方案推荐装置的结构示意图;
图6是根据本发明实施例五提供的一种治疗方案推荐系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供的一种治疗方案推荐方法的流程图,本实施例可适用于通过多模态融合进行治疗方案推荐的情况,该方法可以由治疗方案推荐装置来执行,该治疗方案推荐装置可以采用硬件和/或软件的形式实现,该治疗方案推荐装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据。
本实施例中,病例样本数据是指用于模型训练的多个对象的病例数据,可以包括病例文本数据和心电图影像数据。其中,对象可以为待进行治疗的人或动物。
示例性的,以心血管疾病为例,病例样本数据可以为心血管疾病相关的医疗信息数据。其中,病例文本数据可以包括但不限于基本信息、病史情况、检查结果、基础诊断信息和治疗方案等,基本信息包括患者姓名、患者年龄、患者性别、医院名称、科室和医生姓名等;病史情况可以包括现病史、既往史、个人史、家族史、过敏史和病例特点等;检查结果可以包括体温、心率、血压、心电图检查-房早数、心电图检查-室早数、心电图检查-是否出现房颤、心电图检查-是否出现停搏等;基础诊断信息包括入院诊断、入院情况、住院经过、出院诊断等;治疗方案可以包括手术方案、用药方案等。具体而言,可以从医院数据存储设备中获取病例文本数据,还可以从医疗相关网站采集病例文本数据,在此不作限定。心电图影像数据可以从智能穿戴设备或者位于医院的心电采集设备中得到。
S120、分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元。
本实施例中,对病例文本数据进行预处理的方法可以包括分词、词形归一化和结构化处理等中的一项或多项。对心电图影像数据进行预处理的方式可以包括图像去噪、图像归一化、图像语义化等中的一项或多项。
具体的,可以对病例文本数据进行分词、词形归一化和结构化处理,得到病例文本词元。对心电图影像数据进图像去噪、图像归一化和图像语义化,得到心电语义词元。
S130、对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据。
在一些实施例中,可以通过知识图谱,实现对病例文本词元和心电语义词元的知识注入操作,以将外部知识图谱中的所包含的病例知识注入模型,从而提升病例文本-心电图预训练模型的训练效果。
在一些实施例中,可以通过掩码,实现对病例文本词元和心电语义词元的知识注入操作,模型通过预测被掩码处理的内容,可以学习到捕捉上下文信息的能力,以及被掩码关键词汇的含义,从而使病例文本-心电图预训练模型具有理解自然语言深度语义的能力。
示例性的,以心血管疾病为例,病例文本词元可以为“心脏改变建议结合临床考虑,心衰可能性大;患者心界无扩大,心率73次/分,心律齐,无杂音”,可以对上述病例文本词元进行实体识别,得到“【心脏改变】建议结合临床考虑,【心衰】可能性大;患者【心界无扩大】,【心率】73次/分,【心律齐】,【无杂音】”,其中【】标记内的词语为实体;进而根据识别出的实体在知识图谱中获取延伸知识,进而将延伸知识注入至模型。
S140、基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型。
具体的,在得到完成知识注入的目标病例样本数据之后,可以将完成知识注入的目标病例样本数据进行多模态联合预训练,使得模型的参数能够更为有效的学习知识。
S150、获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型。
在一些实施例中,可以根据语言感知的掩码语言模型和多跳知识对比学习两者对病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型。其中,下游任务对应的训练数据可以根据用户任务需求进行选取,在此不做限定。
S160、获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
本实施例中,目标对象是指待进行治疗方案推荐的用户,其病例数据可以包括该用户的病例文本数据和心电图影像数据等。治疗方案可以由一个或多个词条构成。示例性的,治疗方案可以包括但不限于:1、低脂低盐饮食,适度运动,注意休息,避免过度疲劳;2、需进行手术,术后定期复查;3、定期就诊、复查;4、监测心率、血压等信息;5、不适随诊;6、带药出院等中的一项或多项词条。
在得到目标对象的治疗方案之前,可以根据病例样本数据构建治疗方案词条库,其中,治疗方案词条库可以包括大量治疗方案词条。可以理解的是,目标对象的治疗方案为治疗方案词条库的子集,换而言之,目标对象的治疗方案中的词条为治疗方案词条库中一部分。
具体的,将目标对象的病例数据作为模型输入数据,并输入至微调完成的治疗方案推荐模型,进而治疗方案推荐模型对目标对象的病例数据进行特征提取,进而根据提取的特征预测并输出目标对象的治疗方案。
本发明实施例的技术方案,通过知识注入得到的目标病例样本数据进行多模态联合预训练,使得模型的参数能够更为有效的学习知识,从而提升模型的训练精度,进而提升治疗方案的推荐准确度。
实施例二
图2为本发明实施例二提供的一种治疗方案推荐方法的流程图,本实施例的方法与上述实施例中提供的治疗方案推荐方法中各个可选方案可以结合。本实施例提供的治疗方案推荐方法进行了进一步优化。可选的,所述分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元,包括:根据预先配置的文本抽取规则,对所述病例文本数据进行信息抽取,得到病例文本词元;对所述心电图影像数据进行离散语义化预处理,得到心电语义词元。
如图2所示,该方法包括:
S210、获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据。
S220、根据预先配置的文本抽取规则,对所述病例文本数据进行信息抽取,得到病例文本词元。
S230、对所述心电图影像数据进行离散语义化预处理,得到心电语义词元。
S240、对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据。
S250、基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型。
S260、获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型。
S270、获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
本实施例中,预先配置的文本抽取规则可以包括剔除无关信息,保留关键信息,并对关键信息进行结构化处理等规则。离散语义化预处理可以包括图像数字化、图像去噪、图像归一化、图像切分、编码等步骤。
具体的,剔除病例文本数据中的无关信息,保留病例文本数据中的关键信息,以及对病例文本数据进行结构化处理,从而得到病例文本词元。对心电图影像数据依次进行数字化、图像去噪、图像归一化、图像切分和编码,从而得到心电语义词元。
在上述各实施例的基础上,可选的,对心电图影像数据进行离散语义化预处理,得到心电语义词元,包括:对心电图影像数据进行去噪处理,得到去噪后的心电图影像数据;对去噪后的心电图影像数据进行归一化处理,得到归一化后的心电图影像数据;对归一化后的心电图影像数据进行切分,得到多个心电图影像切片,将各心电图影像切片输入至训练完成的卷积神经网络,得到各心电图影像切片对应的心电语义词元,其中,训练完成的卷积神经网络包括卷积层、池化层、自适应均值池化层和输出层。
示例性的,心电图影像数据可以为PDF格式的病例检测报告文件或照片格式的病例检测报告文件,可以通过图像识别技术,从PDF格式的病例检测报告文件或照片格式的病例检测报告文件中提取出数字化的心电图图片数据,进而可以对心电图图片数据进行降噪和畸变矫正处理,得到去噪后的心电图影像数据,进而对去噪后的心电图影像数据统一归一化至512×512分辨率,进而将归一化至512×512分辨率的心电图影像数据切分为64个64×64的心电图影像切片,进而将各64×64的心电图影像切片输入至预先训练完成的卷积神经网络,得到64个128维的离散的心电语义词元。
其中,卷积神经网络包括卷积层、池化层、自适应均值池化层和输出层。卷积神经网络的训练步骤包括:获取心电图影像样本数据,对心电图影像样本数据依次进行去噪、归一化处理和切分处理,得到64个64×64的心电图影像样本切片,将64个64×64的心电图影像样本切片输入至待训练的卷积神经网络,得到64个128维的向量。待训练的卷积神经网络的结构如表1所示。进一步的,将64个128维的向量作为句子输入至Transformer Encoder编码模型,模型输出各疾病标签的概率值,根据各疾病标签的概率值进行交叉熵损失计算,并反向传播迭代优化网络参数,直至满足模型训练停止要求,得到训练完成的卷积神经网络。
表1
本发明实施例的技术方案,通过根据预先配置的文本抽取规则,对病例文本数据进行信息抽取,得到病例文本词元,实现了病例文本数据的结构化;以及对心电图影像数据进行离散语义化预处理,得到心电语义词元,实现了心电图像的语义化,为多模态数据的融合奠定了数据基础。
实施例三
图3为本发明实施例三提供的一种治疗方案推荐方法的流程图,本实施例的方法与上述实施例中提供的治疗方案推荐方法中各个可选方案可以结合。本实施例提供的治疗方案推荐方法进行了进一步优化。可选的,所述对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据,包括:对所述病例文本词元进行掩码处理,得到病例文本掩码数据;对所述病例文本词元进行延展处理,得到病例文本拼接数据;对所述心电语义词元进行掩码处理,得到心电掩码数据;基于所述病例文本掩码数据、所述病例文本拼接数据和所述病例文本拼接数据确定目标病例样本数据。
如图3所示,该方法包括:
S310、获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据。
S320、分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元。
S330、对所述病例文本词元进行掩码处理,得到病例文本掩码数据。
具体的,可以对病例文本词元中预设比例的字或词进行掩码,从而得到病例文本掩码数据。示例性的,可以对病例文本词元中20%的字进行随机掩码,或者,对病例文本词元中40%的词进行随机掩码。
S340、对所述病例文本词元进行延展处理,得到病例文本拼接数据。
具体的,可以对病例文本词元进行命名体识别,得到心电领域实体,进而通过知识图谱获取包含心电领域实体的三元组以及包含该心电领域实体的实体链路,并将包含心电领域实体的三元组以及包含该心电领域实体的实体链路作为延展知识拼接至原病例文本词元,得到病例文本拼接数据。
S350、对所述心电语义词元进行掩码处理,得到心电掩码数据。
具体的,可以对心电语义词元中预设比例的向量进行掩码,从而得到心电掩码数据。示例性的,可以对心电语义词元中10%的向量进行随机掩码,或者,对心电语义词元中15%的向量进行随机掩码。
S360、基于所述病例文本掩码数据、所述病例文本拼接数据和所述病例文本拼接数据确定目标病例样本数据。
具体的,将病例文本掩码数据、病例文本拼接数据和病例文本拼接数据共同作为目标病例样本数据;或者,将病例文本掩码数据、病例文本拼接数据和病例文本拼接数据中的一项或多项作为目标病例样本数据。
S370、基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型。
S380、获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型。
S390、获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
在一些可选实施例中,对病例文本词元进行掩码处理,得到病例文本掩码数据,包括:对病例文本词元进行命名体识别,得到心电领域实体;基于第一预设掩码比例,使用掩码标识符和/或心电实体词元对病例文本词元中的心电领域实体进行替换,得到病例文本实体掩码数据;基于第二预设掩码比例,使用掩码标识符和/或心电实体词元对病例文本词元中的非心电领域实体进行替换,得到病例文本非实体掩码数据;基于病例文本实体掩码数据和病例文本非实体掩码数据确定病例文本掩码数据。
其中,掩码标识符是指用于掩码的特殊符号,例如掩码标识符可以为[MASK]。心电实体词元是指任一随机的心电领域实体。
示例性的,以心血管疾病为例,病例文本词元可以为“心脏改变建议结合临床考虑,心衰可能性大;患者心界无扩大,心率73次/分,心律齐,无杂音”,可以对上述病例文本词元进行命名体识别,得到“【心脏改变】建议结合临床考虑,【心衰】可能性大;患者【心界无扩大】,【心率】73次/分,【心律齐】,【无杂音】”,其中【】标记内的词语为心电领域实体。第一预设掩码比例可以为25%,对于心电领域实体,可以在心电领域实体中随机选取25%的实体词元进行掩码,在25%的实体词元中,50%使用[MASK]标识符对心电领域实体进行替代,50%使用任一随机的心电实体词元对心电领域实体进行替代,得到病例文本实体掩码数据。第二预设掩码比例可以为20%,对于非心电领域实体,可以在非心电领域实体中随机选取20%进行掩码,在20%的非心电领域实体中,一半用[MASK]标识符对病例文本词元中的非心电领域实体进行替换,一半用任一随机的心电实体词对非心电领域实体进行替换,病例文本非实体掩码数据。进而将病例文本实体掩码数据与病例文本非实体掩码数据共同作为病例文本掩码数据。
在一些可选实施例中,对病例文本词元进行延展处理,得到病例文本拼接数据,包括:确定包含心电领域实体的三元组和心电领域实体的实体链路;将包含心电领域实体的三元组和心电领域实体的实体链路嵌入至病例文本词元中,得到病例文本拼接数据。
示例性的,图4为本实施例提供的一种心血管疾病领域的知识图谱的结构示意图。具体而言,可以根据识别出的心电领域实体在心血管疾病领域的知识图谱对中获取包含心电领域实体的三元组以及包含心电领域实体的实体链路。例如“心衰->[别称]->心肌衰竭”,其中心肌衰竭和心衰的延伸距离为一跳;“心肌衰竭->[主要表现]->左心衰疲倦乏力”,其中左心衰疲倦乏力和心衰的延伸距离为两跳,以此类推,每扩散一个节点记为一跳。进而可以通过[SEP]分隔标记符将“心衰->[别称]->心肌衰竭”以及“心肌衰竭->[主要表现]->左心衰疲倦乏力”拼接至原病例文本词元末尾,得到病例文本拼接数据,病例文本拼接数据可以为“心脏改变建议结合临床考虑,心衰可能性大;患者心界无扩大,心率73次/分,心律齐,无杂音【SEP】心衰->【别称】->心肌衰竭【SEP】心肌衰竭->【主要表现】->左心衰疲倦乏力”。
需要说明的是,三元组以及实体链路的确定是随机的,例如对于每个心电领域实体,可以随机从心电领域实体选取25%进行延展,延展节点上限可以设置为10个。
在一些可选实施例中,对心电语义词元进行掩码处理,得到心电掩码数据,包括:基于第三预设掩码比例,使用心电图标识符对心电语义词元进行替换,得到心电掩码数据。
其中,心电图标识符是指对心电语义词元进行掩码的特殊符号,例如心电图标识符可以为[ECG]。
示例性的,第三预设掩码比例可以为10%,具体而言,可以在心电语义词元中随机选取10%的词元,使用[ECG]标识符对心电语义词元中词元进行替代,得到心电掩码数据。
本发明实施例的技术方案,实现了病例文本词元的掩码和知识延展,以及心电语义词元的掩码,从而能够结合外部知识图谱以及内部得到潜在语义信息进行多模态联合预训练,进而提升模型的训练精度,进而提升治疗方案的推荐准确度和诊断效率。
实施例四
图5为本发明实施例四提供的一种治疗方案推荐装置的结构示意图。如图5所示,该装置包括:
样本数据获取模块410,用于获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
样本数据预处理模块420,用于分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
知识注入模块430,用于对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
联合预训练模块440,用于基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
模型微调模块450,用于获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
治疗方案推荐模块460,用于获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
本发明实施例的技术方案,通过知识注入得到的目标病例样本数据进行多模态联合预训练,使得模型的参数能够更为有效的学习知识,从而提升模型的训练精度,进而提升治疗方案的推荐准确度。
在一些可选的实施方式中,样本数据预处理模块420,包括:
文本信息抽取单元,用于根据预先配置的文本抽取规则,对所述病例文本数据进行信息抽取,得到病例文本词元;
离散语义处理单元,用于对所述心电图影像数据进行离散语义化预处理,得到心电语义词元。
在一些可选的实施方式中,离散语义处理单元,还用于:
对所述心电图影像数据进行去噪处理,得到去噪后的心电图影像数据;
对所述去噪后的心电图影像数据进行归一化处理,得到归一化后的心电图影像数据;
对所述归一化后的心电图影像数据进行切分,得到多个心电图影像切片,将各所述心电图影像切片输入至训练完成的卷积神经网络,得到各所述心电图影像切片对应的心电语义词元,其中,所述训练完成的卷积神经网络包括卷积层、池化层、自适应均值池化层和输出层。
在一些可选的实施方式中,知识注入模块430,包括:
文本掩码处理单元,用于对所述病例文本词元进行掩码处理,得到病例文本掩码数据;
文本延展处理单元,用于对所述病例文本词元进行延展处理,得到病例文本拼接数据;
心电掩码处理单元,用于对所述心电语义词元进行掩码处理,得到心电掩码数据;
目标病例样本数据确定单元,用于基于所述病例文本掩码数据、所述病例文本拼接数据和所述病例文本拼接数据确定目标病例样本数据。
在一些可选的实施方式中,文本掩码处理单元,具体用于:
对所述病例文本词元进行命名体识别,得到心电领域实体;
基于第一预设掩码比例,使用掩码标识符和/或心电语义词元对所述病例文本词元中的心电领域实体进行替换,得到病例文本实体掩码数据;
基于第二预设掩码比例,使用掩码标识符和/或心电语义词元对所述病例文本词元中的非心电领域实体进行替换,得到病例文本非实体掩码数据;
基于所述病例文本实体掩码数据和所述病例文本非实体掩码数据确定病例文本掩码数据。
在一些可选的实施方式中,文本延展处理单元,具体用于:
确定包含所述心电领域实体的三元组和所述心电领域实体的实体链路;
将所述包含所述心电领域实体的三元组和所述心电领域实体的实体链路嵌入至所述病例文本词元中,得到病例文本拼接数据。
在一些可选的实施方式中,心电掩码处理单元,具体用于:
基于第三预设掩码比例,使用心电图标识符对所述心电语义词元进行替换,得到心电掩码数据。
本发明实施例所提供的治疗方案推荐装置可执行本发明任意实施例所提供的治疗方案推荐方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例提供的治疗方案推荐系统的结构示意图,如图6所示,该系统包括处理器501和存储器502,该存储器存储有计算机程序。该系统中处理器501的数量可以是一个或多个,图6中以一个处理器501为例;
存储器502作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的治疗方案推荐方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即执行一种治疗方案推荐方法,该方法包括:
获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
当然,本发明实施例所提供的处理器在执行计算机程序指令时,不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的治疗方案推荐方法中的相关操作。
存储器502可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器502可进一步包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该系统还包括输入装置503以及输出装置504;设备中的处理器501、存储器502、输入装置503以及输出装置504可以通过总线或其他方式连接,图6中以通过总线连接为例。
输入装置503可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置504可包括显示屏等显示设备,例如,用户终端的显示屏。
实施例六
本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种治疗方案推荐方法,该方法包括:
获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
获取目标对象的病例数据,将所述目标对象的病例数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的治疗方案推荐方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory, 简称RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的治疗方案推荐方法。
值得注意的是,上述治疗方案推荐装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (6)
1.一种治疗方案推荐方法,其特征在于,适用于通过多模态融合进行治疗方案推荐的情况,包括:
获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
获取目标对象的病历数据,将所述目标对象的病历数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案,其中,目标对象是指待进行治疗方案推荐的用户,其病历数据包括该用户的病例文本数据和心电图影像数据;
所述对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据,包括:
对所述病例文本词元进行掩码处理,得到病例文本掩码数据;
对所述病例文本词元进行延展处理,得到病例文本拼接数据;
对所述心电语义词元进行掩码处理,得到心电掩码数据;
基于所述病例文本掩码数据、所述病例文本拼接数据和所述病例文本拼接数据确定目标病例样本数据;
所述对所述病例文本词元进行掩码处理,得到病例文本掩码数据,包括:
对所述病例文本词元进行命名体识别,得到心电领域实体;
基于第一预设掩码比例,使用掩码标识符和/或心电实体词元对所述病例文本词元中的心电领域实体进行替换,得到病例文本实体掩码数据;
基于第二预设掩码比例,使用掩码标识符和/或心电实体词元对所述病例文本词元中的非心电领域实体进行替换,得到病例文本非实体掩码数据;
基于所述病例文本实体掩码数据和所述病例文本非实体掩码数据确定病例文本掩码数据;
所述对所述病例文本词元进行延展处理,得到病例文本拼接数据,包括:
确定包含所述心电领域实体的三元组和所述心电领域实体的实体链路;
将所述包含所述心电领域实体的三元组和所述心电领域实体的实体链路嵌入至所述病例文本词元中,得到病例文本拼接数据;
所述对所述心电语义词元进行掩码处理,得到心电掩码数据,包括:
基于第三预设掩码比例,使用心电图标识符对所述心电语义词元进行替换,得到心电掩码数据。
2.根据权利要求1所述的方法,其特征在于,所述分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元,包括:
根据预先配置的文本抽取规则,对所述病例文本数据进行信息抽取,得到病例文本词元;
对所述心电图影像数据进行离散语义化预处理,得到心电语义词元。
3.根据权利要求2所述的方法,其特征在于,所述对所述心电图影像数据进行离散语义化预处理,得到心电语义词元,包括:
对所述心电图影像数据进行去噪处理,得到去噪后的心电图影像数据;
对所述去噪后的心电图影像数据进行归一化处理,得到归一化后的心电图影像数据;
对所述归一化后的心电图影像数据进行切分,得到多个心电图影像切片,将各所述心电图影像切片输入至训练完成的卷积神经网络,得到各所述心电图影像切片对应的心电语义词元,其中,所述训练完成的卷积神经网络包括卷积层、池化层、自适应均值池化层和输出层。
4.一种治疗方案推荐装置,其特征在于,适用于通过多模态融合进行治疗方案推荐的情况,包括:
样本数据获取模块,用于获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
样本数据预处理模块,用于分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
知识注入模块,用于对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
联合预训练模块,用于基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
模型微调模块,用于获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
治疗方案推荐模块,用于获取目标对象的病历数据,将所述目标对象的病历数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案,其中,目标对象是指待进行治疗方案推荐的用户,其病历数据可以包括该用户的病例文本数据和心电图影像数据;
知识注入模块,包括:
文本掩码处理单元,用于对所述病例文本词元进行掩码处理,得到病例文本掩码数据;
文本延展处理单元,用于对所述病例文本词元进行延展处理,得到病例文本拼接数据;
心电掩码处理单元,用于对所述心电语义词元进行掩码处理,得到心电掩码数据;
目标病例样本数据确定单元,用于基于所述病例文本掩码数据、所述病例文本拼接数据和所述病例文本拼接数据确定目标病例样本数据;
文本掩码处理单元,具体用于:
对所述病例文本词元进行命名体识别,得到心电领域实体;
基于第一预设掩码比例,使用掩码标识符和/或心电语义词元对所述病例文本词元中的心电领域实体进行替换,得到病例文本实体掩码数据;
基于第二预设掩码比例,使用掩码标识符和/或心电语义词元对所述病例文本词元中的非心电领域实体进行替换,得到病例文本非实体掩码数据;
基于所述病例文本实体掩码数据和所述病例文本非实体掩码数据确定病例文本掩码数据;
文本延展处理单元,具体用于:
确定包含所述心电领域实体的三元组和所述心电领域实体的实体链路;
将所述包含所述心电领域实体的三元组和所述心电领域实体的实体链路嵌入至所述病例文本词元中,得到病例文本拼接数据;
心电掩码处理单元,具体用于:
基于第三预设掩码比例,使用心电图标识符对所述心电语义词元进行替换,得到心电掩码数据。
5.一种治疗方案推荐系统,其特征在于,适用于通过多模态融合进行治疗方案推荐的情况,该系统包括处理器和存储器,所述存储器存储有计算机程序,所述处理器在运行所述计算机程序时执行以下步骤,包括:
获取待处理的病例样本数据,其中,所述病例样本数据包括病例文本数据和心电图影像数据;
分别对所述病例文本数据和心电图影像数据进行预处理,得到病例文本词元和心电语义词元;
对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据;
基于所述目标病例样本数据进行多模态联合预训练,得到病例文本-心电图预训练模型;
获取下游任务对应的训练数据,基于下游任务对应的训练数据对所述病例文本-心电图预训练模型进行微调,得到治疗方案推荐模型;
获取目标对象的病历数据,将所述目标对象的病历数据输入至所述治疗方案推荐模型,得到目标对象的治疗方案,其中,目标对象是指待进行治疗方案推荐的用户,其病历数据包括该用户的病例文本数据和心电图影像数据;
所述对所述病例文本词元和心电语义词元进行知识注入操作,得到目标病例样本数据,包括:
对所述病例文本词元进行掩码处理,得到病例文本掩码数据;
对所述病例文本词元进行延展处理,得到病例文本拼接数据;
对所述心电语义词元进行掩码处理,得到心电掩码数据;
基于所述病例文本掩码数据、所述病例文本拼接数据和所述病例文本拼接数据确定目标病例样本数据;
所述对所述病例文本词元进行掩码处理,得到病例文本掩码数据,包括:
对所述病例文本词元进行命名体识别,得到心电领域实体;
基于第一预设掩码比例,使用掩码标识符和/或心电实体词元对所述病例文本词元中的心电领域实体进行替换,得到病例文本实体掩码数据;
基于第二预设掩码比例,使用掩码标识符和/或心电实体词元对所述病例文本词元中的非心电领域实体进行替换,得到病例文本非实体掩码数据;
基于所述病例文本实体掩码数据和所述病例文本非实体掩码数据确定病例文本掩码数据;
所述对所述病例文本词元进行延展处理,得到病例文本拼接数据,包括:
确定包含所述心电领域实体的三元组和所述心电领域实体的实体链路;
将所述包含所述心电领域实体的三元组和所述心电领域实体的实体链路嵌入至所述病例文本词元中,得到病例文本拼接数据;
所述对所述心电语义词元进行掩码处理,得到心电掩码数据,包括:
基于第三预设掩码比例,使用心电图标识符对所述心电语义词元进行替换,得到心电掩码数据。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-3中任一项所述的治疗方案推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437288.8A CN116189843B (zh) | 2023-04-23 | 2023-04-23 | 治疗方案推荐方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437288.8A CN116189843B (zh) | 2023-04-23 | 2023-04-23 | 治疗方案推荐方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116189843A CN116189843A (zh) | 2023-05-30 |
CN116189843B true CN116189843B (zh) | 2023-07-07 |
Family
ID=86450897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310437288.8A Active CN116189843B (zh) | 2023-04-23 | 2023-04-23 | 治疗方案推荐方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189843B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110299194B (zh) * | 2019-06-06 | 2022-11-08 | 昆明理工大学 | 基于综合特征表示与改进宽深度模型的相似病例推荐方法 |
CN111933251B (zh) * | 2020-06-24 | 2021-04-13 | 安徽影联云享医疗科技有限公司 | 一种医学影像标注方法及系统 |
CN112487202B (zh) * | 2020-11-27 | 2022-05-06 | 厦门理工学院 | 融合知识图谱与bert的中文医学命名实体识别方法、装置 |
CN112687388B (zh) * | 2021-01-08 | 2023-09-01 | 中山依数科技有限公司 | 一种基于文本检索的可解释性智慧医疗辅助诊断系统 |
CN112883194B (zh) * | 2021-04-06 | 2024-02-20 | 讯飞医疗科技股份有限公司 | 一种症状信息抽取方法、装置、设备及存储介质 |
CN113627564A (zh) * | 2021-08-23 | 2021-11-09 | 李永鑫 | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 |
CN115424696B (zh) * | 2022-11-04 | 2023-02-03 | 之江实验室 | 一种基于迁移学习的中医罕见病中药处方生成方法和系统 |
-
2023
- 2023-04-23 CN CN202310437288.8A patent/CN116189843B/zh active Active
Non-Patent Citations (1)
Title |
---|
融合知识图谱与深度学习的疾病诊断方法研究;董丽丽;程炯;张翔;叶娜;;计算机科学与探索(第05期);第815-824页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116189843A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivapalan et al. | ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors | |
CN107516075B (zh) | 心电信号的检测方法、装置及电子设备 | |
Veredas et al. | Wound image evaluation with machine learning | |
Hadavi et al. | Lung cancer diagnosis using CT-scan images based on cellular learning automata | |
CN109887596A (zh) | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
CN111631704B (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
CN110931128B (zh) | 非结构化医疗文本无监督症状自动识别方法、系统、装置 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
Agyeman et al. | Classification Techniques for Arrhythmia Patterns Using Convolutional Neural Networks and Internet of Things (IoT) Devices | |
Arsalan et al. | Prompt deep light-weight vessel segmentation network (PLVS-Net) | |
Liu et al. | A simple and effective method for detecting myocardial infarction based on deep convolutional neural network | |
Ballas et al. | Towards domain generalization for ecg and eeg classification: Algorithms and benchmarks | |
Xu et al. | Interpatient ECG arrhythmia detection by residual attention CNN | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
CN116189843B (zh) | 治疗方案推荐方法、装置、系统及存储介质 | |
CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
CN116269426A (zh) | 一种十二导联ecg辅助的心脏疾病多模态融合筛查方法 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
Macabiau et al. | Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals | |
CN111476775B (zh) | Dr征象识别装置和方法 | |
Habib et al. | Domain agnostic post-processing for QRS detection using recurrent neural network | |
Mishra et al. | Prediction of Heart Disease using Machine Learning | |
CN113057611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN113743414B (zh) | 基于语义编码的病灶识别方法、装置及系统 |
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 |