CN116386850B - 医学数据分析方法、装置、计算机设备及存储介质 - Google Patents
医学数据分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116386850B CN116386850B CN202310316460.4A CN202310316460A CN116386850B CN 116386850 B CN116386850 B CN 116386850B CN 202310316460 A CN202310316460 A CN 202310316460A CN 116386850 B CN116386850 B CN 116386850B
- Authority
- CN
- China
- Prior art keywords
- medical
- medical data
- correlation coefficient
- preset
- 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.)
- Active
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 60
- 201000010099 disease Diseases 0.000 claims abstract description 82
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 230000008859 change Effects 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 claims description 17
- 230000017531 blood circulation Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 230000002962 histologic effect Effects 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000003313 weakening effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000002705 metabolomic analysis Methods 0.000 claims description 4
- 230000001431 metabolomic effect Effects 0.000 claims description 4
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000008827 tuberculosis Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 208000000616 Hemoptysis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010044302 Tracheitis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G16H50/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例提供一种医学数据分析方法、装置、计算机设备及存储介质，方法包括：获取待分析的医学疾病，以及所述医学疾病关联的影响因子；调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本。本实施例中实现了医学数据的全面准确分析。
Description
技术领域
本申请实施例涉及超声影像处理技术领域，具体涉及一种医学数据分析方法、装置、计算机设备及存储介质(计算机可读存储介质)。
背景技术
随着计算机技术的快速发展，在线诊断得到了广泛的应用，部分在线诊断通过AI实现，AI诊断需要大量搜集病例报告、医学影像等的医学数据进行分析，从而得到AI诊断数据。
在实际数据收集的过程中，并非所有的病例报告、医学影像等的医学数据均要搜集起来进行预处理和分析，而是需要先通过人工筛选与疾病相关的重要的、特别的医学数据(病灶畸形、斑块散状等等特殊类型的病情)来汇总，这种筛选数据汇总的工作量非常大，不能达到全面准确的分析。
发明内容
本申请实施例提供一种医学数据分析方法、装置、计算机设备及存储介质，解决了医学数据分析时依赖人工分析，不能实现全面准确的分析的技术问题。
一方面，本申请实施例提供一种医学数据分析方法，包括：
获取待分析的医学疾病，以及所述医学疾病关联的影响因子；
调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；
将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；
若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；
获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本。
在本申请的一些实施例中，所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标，包括：
调用预设的数据分析器，通过所述数据分析器中的特征提取模块，提取各预设样本的医学特征；
通过所述数据分析器中的特征比对模块，获取与所述影响因子关联的目标医学特征，并将所述目标医学特征对应的预设样本设置为所述影响因子对应的医学数据样本；
通过所述数据分析器中的指标提取模块，从所述目标医学特征中提取所述医学数据样本的医学数据指标。
在本申请的一些实施例中，所述若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件，包括：
若所述相关系数的不符合预设收敛条件，则输出所述相关系数大于预设第一阈值的正例医学数据样本，和/或，所述相关系数小于预设第二阈值的负例医学数据样本；
响应基于所述正例医学数据样本的增强操作，增大所述数据分析器中所述正例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；和/或，
响应基于所述负例医学数据样本的减弱操作，减小所述数据分析器中所述负例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
在本申请的一些实施例中，所述将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数，包括：
获取所述影响因子关联的目标医学特征，以及所述目标医学特征对应的医学数据指标，并建立所述影响因子和各所述医学数据指标之间的关联关系；
将所述医学数据指标作为自变量，与所述医学数据指标关联的影响因子作为因变量，输入至预设回归模型进行回归分析，得到所述医学数据指标与所述影响因子的相关系数。
在本申请的一些实施例中，所述预设收敛条件包括：预设系数阈值、预设变化率和预设数量阈值中的至少一种；
所述将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数之后，包括：
若所述相关系数小于预设系数阈值，则判定所述相关系数的不符合预设收敛条件；
若预设时间段采集的各所述相关系数的系数变化率大于预设变化率，则判定所述相关系数的不符合预设收敛条件；和/或，
若所述相关系数的数据量小于预设数据量阈值，则判定所述相关系数的不符合预设收敛条件。
在本申请的一些实施例中，所述获取待分析的医学疾病，以及所述医学疾病关联的影响因子，包括：
响应医学数据分析请求，获取待分析的医学疾病，确定是否存在与所述医学疾病关联的目标数据样本；
若存在与所述医学疾病关联的目标数据样本，则对所述目标数据样本进行分析，获得所述医学疾病的医学特征以及医学数据指标，并按照所述医学特征以及所述医学数据指标输出诊断结果；
若不存在与所述医学疾病关联的目标数据样本，则获取所述医学疾病关联的影响因子，执行所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标的步骤。
在本申请的一些实施例中，所述影响因子包括：体征参数、解剖参数、临床经验特征和组学特征中的至少一种；
所述体征参数包括：血压、血液流速、心率和血流量中的至少一种；
所述解剖参数包括：解剖位置、解剖形态和解剖体积中的至少一种；
所述临床经验特征是指临床记录中疾病患者身体发生的医学变化的特征；
所述组学特征是指通过基于组学、蛋白质组学、代谢组学、转录组学、脂类组学、免疫组学、糖组学、RNA组学学、影像组学和超声组学获得的特征。另一方面，本申请实施例还提供一种医学数据分析装置，包括：
获取模块，用于获取待分析的医学疾病，以及所述医学疾病关联的影响因子；
第一分析模块，用于调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；
第二分析模块，用于将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；
调整模块，用于若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；
设置模块，用于获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本。
另一方面，本申请实施例还提供一种计算机设备，计算机设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的医学数据分析程序，处理器执行医学数据分析程序以实现上述的医学数据分析方法中的步骤。
另一方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有医学数据分析程序，医学数据分析程序被处理器执行以实现上述的医学数据分析方法中的步骤。
相比于现有技术医学数据分析方法、装置、计算机设备及存储介质，本申请实施例中通过数据分析器根据医学疾病关联的影响因子，获取医学数据样本，然后对医学数据样本的医学数据指标进行回归分析，确定医学数据指标与影响因子的相关系数，并根据相关系数不符合预设收敛条件时，根据相关系数对数据分析器进行调整，迭代分析采集得到相关系数最大的医学数据样本，并设置为所述医学疾病的目标数据样本；本申请实施例中通过数据分析器获得与影响影子与医学疾病相关的医学数据指标，然后根据医学数据指标与影响因子之间的相关系数进行迭代分析，最终实现了医学数据的全面准确分析，减少了人工数据分析工作量。
附图说明
为了更清楚地说明本申请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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的医学数据分析方法的场景示意图；
图2为本申请实施例提供的一种医学数据分析方法的步骤流程示意图；
图3为本申请实施例提供的一种医学数据分析方法中相关系数判定的步骤细化流程示意图；
图4为本申请实施例提供的一种医学数据分析方法中数据迭代分析的流程示意图；
图5为本申请实施例提供的一种医学数据分析方法中数据样本分析的流程示意图；
图6是本申请实施例中提供的医学数据分析装置的一个实施例结构示意图；
图7是本申请实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明包含的范围。
在本申请实施例中，“示例性”一词用来表示“用作例子、例证或说明”。本申请实施例中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例中提供一种医学数据分析方法、装置、设备及计算机可读存储介质，以下分别进行详细说明。
本申请实施例中医学数据分析方法是以程序的形式部署在医学数据分析装置上，医学数据分析装置是以处理器的形式安装在计算机设备中，计算机设备中的医学数据分析装置通过运行医学数据分析方法对应的程序，以执行如下步骤：
获取待分析的医学疾病，以及所述医学疾病关联的影响因子；
调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；
将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；
若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；
获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本。
如图1所示，图1为本申请实施例医学数据分析的实现场景示意图，本申请实施例提供的实现场景示意中包括医学数据分析装置100以及拍摄装置200。其中拍摄装置200主要用于拍摄超声影像，而医学数据分析装置100中运行医学数据分析方法对应的计算机存储介质，以执行医学数据分析的步骤。
需要说明的是，图1所示的医学数据分析的场景示意图仅仅是一个示例，本申请实施例描述的医学数据分析的场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定。
基于上述医学数据分析的实现场景示意图，提出了医学数据分析方法的具体实施例。
如图2所示，图2为本申请实施例提供的一种医学数据分析方法的步骤流程示意图，本申请实施例中医学数据分析包括步骤201-205：
201，获取待分析的医学疾病，以及所述医学疾病关联的影响因子。
本申请实施例中医学数据分析方法应用于计算机设备，计算机设备获取待分析的医学疾病，以及医学疾病关联的影响因子，其中，医学疾病根据具体场景设置，例如，医学疾病为流行感冒；计算机设备获取医学疾病关联的影响因子，具体地，影响因子包括：体征参数、解剖参数、临床经验特征和组学特征中的至少一种；其中，
体征参数包括：血压、血液流速、心率和血流量中的至少一种，血压对应的医学数据指标为最高血压值和最低血压值；血液流速对应的医学数据指标为最高血液流速和最低血液流速；心率对应的医学数据指标为最大心率和最小心率；血流量对应的医学数据指标为最大血流量和最小血流量；可以理解的是，本申请实施例中体征参数还可以包括血液氧含量等，本申请实施例中不做具体限定。
解剖参数包括：解剖位置、解剖形态和解剖体积中的至少一种；本申请实施例中解剖位置对应的医学数据指标为解剖位置坐标；解剖形态对应的医学数据指标为解剖状态值；解剖体积对应的医学数据指标为解剖体积值；可以理解的是，本申请实施例中解剖参数还可以包括解剖大小等，本申请实施例中不做具体细化。
临床经验特征是指临床记录的疾病患者身体发生的一系列医学变化；其中，临床经验特征常常用作对疾病诊断的重要依据。例如：包括咳嗽，发烧，头痛，无力等各类症状都可称为感冒发烧的临床经验特征，咳嗽，咯血等症状也属于结核的临床表现。单一疾病可能有多种临床表现，而又有许多疾病都有着同样的临床表现(即，同样的临床表现可以表现在多种疾病上。比如咳嗽可以是咽炎，感冒发烧，肺结核，肺炎，气管炎等等多种疾病的临床表现)。
组学特征是指通过基于组学、蛋白质组学、代谢组学、转录组学、脂类组学、免疫组学、糖组学、RNA组学学、影像组学和超声组学获得的特征。例如，影像组学是指从影像中高通量地提取大量影像信息，实现肿瘤分割，特征提取与模型建立，凭借对海量数据进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断，影像组学对应的医学数据指标为图像特征值。
202，调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标。
计算机设备预设的数据分析器，预设的数据分析器是通过神经网络训练获得的分析算法，数据分析器的模型结构不做具体限定，数据分析器可以对不同类型的医学数据样本进行分析，例如，数据分析器中包含图像识别模块可以对中的图像类型对应的医学数据样本进行分析；数据分析器中还可以包含文本识别模块可以对字符类型的医学数据样本等进行分析。数据分析器还用于对医学数据样本进行特征提取，得到医学特征，并提取医学特征中医学数据样本的医学数据指标。
计算机设备调用预设的数据分析器，获取影响因子对应的医学数据样本，以及医学数据样本的医学数据指标；具体地，包括：
1、调用预设的数据分析器，通过所述数据分析器中的特征提取模块，提取各预设样本的医学特征；
2、通过所述数据分析器中的特征比对模块，获取与所述影响因子关联的目标医学特征，并将所述目标医学特征对应的预设样本设置为所述影响因子对应的医学数据样本；
3、通过所述数据分析器中的指标提取模块，从所述目标医学特征中提取所述医学数据样本的医学数据指标。
即，本实施例中计算机设备调用预设的数据分析器，通过数据分析器中的特征提取模块，提取各预设样本的医学特征；其中，预设样本是指医学样本数据库中待分析的医学样本，预设样本的格式和种类不做具体限定，计算机设备通过数据分析器中的特征比对模块，计算影响因子与各预设样本的医学特征之间的相似度，计算机设备获取相似度高于预设相似度的目标医学特征，其中，预设相似度可以根据具体场景设置，例如，预设相似度设置为70％，计算机设备将目标医学特征作为与影响因子关联的目标医学特征，计算机设备将目标医学特征对应的预设样本设置为影响因子对应的医学数据样本；计算机设备通过数据分析器中的指标提取模块，从目标医学特征中提取医学数据样本的医学数据指标。例如，目标医学特征为血管特征，目标医学特征对应的医学数据指标为血管直径。
203，将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数。
计算机设备中预设回归模型，预设回归模型是指分析因变量(目标)和自变量(预测器)之间的关系的算法。计算机设备通过预设回归模型确定不同类型变量之间的关系，计算机设备将医学数据指标输入至预设回归模型，得到医学数据指标与影响因子的相关系数；具体地，包括：
1、获取所述影响因子关联的目标医学特征，以及所述目标医学特征对应的医学数据指标，并建立所述影响因子和各所述医学数据指标之间的关联关系；
2、将所述医学数据指标作为自变量，与所述医学数据指标关联的影响因子作为因变量，输入至预设回归模型进行回归分析，得到所述医学数据指标与所述影响因子的相关系数。
本申请实施例中计算机设备获取影响因子关联的目标医学特征，以及目标医学特征对应的医学数据指标，并建立影响因子和各医学数据指标之间的关联关系；计算机设备将医学数据指标作为自变量，与医学数据指标关联的影响因子作为因变量，输入至预设回归模型进行回归分析，得到医学数据指标与影响因子的相关系数。即，本实施例中建立影响因子和各医学数据指标之间的关联关系，然后将关联的影响因子和医学数据指标作为数组，输入至预设回归模型，通过预设回归模型对每组数据分析分析，可以快速准确地确定医学数据指标与影响因子的相关系数；本申请实施例中通过预设回归模型确定中间变量：医学数据指标与影响因子之间的相关系数，然后再根据相关系数的大小，进行医学数据的迭代采集分析，使得医学数据的采集分析更加准确。
计算机设备在每次医学数据样本采集之后，计算机设备根据分析得到的相关系数，确定相关系数是否满足预设收敛条件，其中，预设收敛条件可以根据具体场景设置，例如，预设收敛条件为采集了10000次；若相关系数满足预设收敛条件，则停止进行医学数据样本采集分析；若相关系数的不符合预设收敛条件，则进行迭代采集。
可以理解的是，本申请实施例中预设收敛条件不做具体限定，由于本申请实施例中数据分析器是针对多个医学数据样本进行采集分析，相关系数的不符合预设收敛条件可以根据具体情况设置，例如，相关系数的不符合预设收敛条件可以是指多个医学数据样本中存在至少一个医学数据样本的相关系数不符合的预设收敛条件；还可以是指采集的多个医学数据样本都不符合的预设收敛条件。
204，若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
若相关系数的不符合预设收敛条件，计算机设备则获取不符合预设收敛条件的相关系数对应的医学数据样本，计算机设备分析医学数据样本的目标医学特征，计算机设备降低数据分析器中目标医学特征的权重系数，得到新的数据分析器，计算机设备通过调整后的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
本申请实施例中计算机设备根据相关系数，对数据分析器进行调整，然后多次采集医学数据样本，这样可以实现医学数据样本的针对性采集，同时保证数据采集的全面性。
205，获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本。
计算机设备获取最大的相关系数对应的医学数据样本，计算机设备将最大的相关系数对应的医学数据样本并设置为医学疾病的目标数据样本；本实施例中根据中间变量医学数据指标与影响因子的相关系数，对医学数据样本进行重复采集，这样按照准确地采集影响因子对应的目标数据样本，实现了医学疾病的准确采集。
本申请实施例中通过数据分析器根据医学疾病关联的影响因子，获取医学数据样本，然后对医学数据样本的医学数据指标进行回归分析，确定医学数据指标与影响因子的相关系数，并根据相关系数不符合预设收敛条件时，根据相关系数对数据分析器进行调整，迭代分析采集得到相关系数最大的医学数据样本，并设置为所述医学疾病的目标数据样本；本申请实施例中通过数据分析器获得与影响影子与医学疾病相关的医学数据指标，然后根据医学数据指标与影响因子之间的相关系数进行迭代分析，最终实现了医学数据的全面准确分析，减少了人工数据分析工作量。
可以理解的是，医学数据在线诊断分析过程得到的诊断结果，往往跟医学数据样本有莫大关系。对医学数据样本采集过程的调整，有利于在线诊断的准确性，如何进行医学数据样本采集分析变的至关重要，本申请实施例中通过预先制定的影响因子相关的医学数据指标之间的关系，对其通过模型等方式获得医学数据样本集，对这些医学数据样本进行选取，直到获取最优目标数据样本。
以钙化易损斑块分析为例进行说明，钙化斑块的散度、体积、数量、血液流速等因素为其影响因素(预先制定的数据待分析指标)计算机自动提取特征，并提供特征对应的相关性等指标。并自动提供，一个特征观察的环节，该环节自动提供相关性较差、相关性较好的部分数据样例，供进行审核参考；选取该被强化、或丢弃的特征提取过程。此时，计算机自动进入数据集迭代模式。对数据集进行自动调整、并自动计算结果。直到提供一个多次轮循的最优值。并记录最优的相关特征、及对应数据集。
如图3所示，图3为本申请实施例提供的一种医学数据分析方法中相关系数判定的步骤细化流程示意图，本申请实施例中医学数据分析方法包括步骤301-303：
301，若所述相关系数小于预设系数阈值，则判定所述相关系数的不符合预设收敛条件。
计算机设备将相关系数与预设系数阈值进行比较，其中，预设系数阈值是指相关系数的临界值，预设系数阈值可以根据具体场景设置，例如预设系数阈值设置为60％，若相关系数大于或等于预设系数阈值，则判定相关系数的符合预设收敛条件，计算机设备则停止对医学数据样本的采集分析；若相关系数小于预设系数阈值，则判定相关系数的不符合预设收敛条件，计算机设备则根据相关系数，以及相关系数对应的医学数据样本调整数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
302，若预设时间段采集的各所述相关系数的系数变化率大于预设变化率，则判定所述相关系数的不符合预设收敛条件。
计算机设备获取预设时间段的生成的各个相关系数，计算机设备计算各个相关系数的系数变化率，计算机设备将系数变化率和预设变量率进行比较，其中，预设变量率是指相关系数变化率的临界值，预设变化率可以根据具体场景设置，例如预设系数阈值设置为5％，若预设时间段采集的各所述相关系数的系数变化率小于或等于预设变化率，则判定相关系数的符合预设收敛条件，计算机设备则停止对医学数据样本的采集分析；若预设时间段采集的各所述相关系数的系数变化率大于预设变化率，则判定所述相关系数的不符合预设收敛条件；计算机设备则根据相关系数，以及相关系数对应的医学数据样本调整数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
303，若所述相关系数的数据量小于预设数据量阈值，则判定所述相关系数的不符合预设收敛条件。
计算机设备获取相关系数的数据量，计算机设备将相关系数的数据量与预设数据量阈值进行比较，其中，预设数据量阈值是指相关系数数据量的临界值，预设数据量阈值可以根据具体场景设置，例如预设数据量阈值设置为10000；若相关系数的数据量大于或等于预设数据量阈值，则判定所述相关系数的符合预设收敛条件，计算机设备则停止对医学数据样本的采集分析；若所述相关系数的数据量小于预设数据量阈值，则判定所述相关系数的不符合预设收敛条件；计算机设备则根据相关系数，以及相关系数对应的医学数据样本调整数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
本申请实施例中的预设收敛条件包括：预设系数阈值、预设变化率和预设数量阈值中的至少一种，或者预设收敛条件还可以是时间条件，例如收集时间超过预设时长则控制停止，本申请实施例中计算机设备通过设置不同类型的收敛条件，可以多次迭代采集医学数据样本，使得医学数据样本采集分析更加全面准确。
如图4所示，图4为本申请实施例提供的一种医学数据分析方法中数据迭代分析的流程示意图，本申请实施例中医学数据分析方法包括步骤401-403：
401，若所述相关系数的不符合预设收敛条件，则输出所述相关系数大于预设第一阈值的正例医学数据样本，和/或，所述相关系数小于预设第二阈值的负例医学数据样本。
若相关系数的不符合预设收敛条件，计算机设备则输出相关系数大于预设第一阈值的正例医学数据样本，预设第一阈值是指相关系数相关度高的阈值，例如，预设第一阈值设置为80％，和/或，相关系数小于预设第二阈值的负例医学数据样本，预设第二阈值是指相关系数相关度低的阈值，例如，预设第二阈值设置为30％，以供用户筛选。
本申请实施例中计算机设备输出相关性较好，和/或，相关性较差的部分医学数据样本，供人工审核参考；这样用户可以根据具体情况进行样本选择，然后数据分析器根据用户选择的医学数据样本，调整数据分析器来模拟用户的选择进行，具体地：
402，响应基于所述正例医学数据样本的增强操作，增大所述数据分析器中所述正例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
计算机设备响应基于正例医学数据样本的增强操作，计算机设备增大数据分析器中正例医学数据样本对应目标医学特征的权重系数，得到新的数据分析器；计算机设备通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
403，响应基于所述负例医学数据样本的减弱操作，减小所述数据分析器中所述负例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
计算机设备响应基于负例医学数据样本的减弱操作，计算机设备减小数据分析器中负例医学数据样本对应目标医学特征的权重系数，得到新的数据分析器；计算机设备通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
本实施例中计算机设备输出相关系数高的相关系数大于预设第一阈值的正例医学数据样本，和/或，相关系数小于预设第二阈值的负例医学数据样本，以供用户选择，数据分析器根据用户选择的进行模型系数调整，使得医学数据采集更加准确灵活。
如图5所示，图5为本申请实施例提供的一种医学数据分析方法中数据样本分析的流程示意图，本申请实施例中医学数据分析方法包括步骤501-503：
501，响应医学数据分析请求，获取待分析的医学疾病，确定是否存在与所述医学疾病关联的目标数据样本。
计算机设备接收医学数据分析请求，其中，医学数据分析请求的触发方式不作具体限定，例如，医学数据分析请求可以是用户触发或者计算机设备自动触发，计算机设备响应医学数据分析请求，计算机设备获取待分析的医学疾病，确定是否存在与医学疾病对应影响因子关联的目标数据样本。
502，若存在与所述医学疾病关联的目标数据样本，则对所述目标数据样本进行分析，获得所述医学疾病的医学特征以及医学数据指标，并按照所述医学特征以及所述医学数据指标输出诊断结果。
若存在与医学疾病关联的目标数据样本，计算机设备则对目标数据样本进行特征提取，获得所述医学疾病的医学特征以及医学数据指标，计算机设备查询预设病例数据库，预设病例数据库中保存有预先训练存储的不同类型疾病的诊断结果，计算机设备获取医学特征以及所述医学数据指标输出诊断结果。
503，若不存在与所述医学疾病关联的目标数据样本，计算机设备则获取所述医学疾病关联的影响因子，计算机设备执行所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标的步骤。
若不存在与所述医学疾病关联的目标数据样本，计算机设备则获取医学疾病关联的影响因子，执行调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标的步骤。本申请实施例中在线诊断时触发医学数据分析请求，计算机设备获取医学数据分析请求对应的医学疾病，根据医学疾病的目标数据样本，实现准确快速的在线诊断。
为了更好实施本申请实施例中医学数据分析方法，在医学数据分析方法基础之上，本申请实施例中还提供一种医学数据分析装置。如图6所示，图6是本申请实施例提供的一种医学数据分析装置的结构示意图。
医学数据分析装置包括：
获取模块601，用于获取待分析的医学疾病，以及所述医学疾病关联的影响因子；
第一分析模块602，用于调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；
第二分析模块603，用于将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；
调整模块604，用于若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；
设置模块605，用于获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本。
在本申请一些实施例中，医学数据分析装置中第一分析模块602执行所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标，还用于：
调用预设的数据分析器，通过所述数据分析器中的特征提取模块，提取各预设样本的医学特征；
通过所述数据分析器中的特征比对模块，获取与所述影响因子关联的目标医学特征，并将所述目标医学特征对应的预设样本设置为所述影响因子对应的医学数据样本；
通过所述数据分析器中的指标提取模块，从所述目标医学特征中提取所述医学数据样本的医学数据指标。
在本申请一些实施例中，医学数据分析装置中调整模块604，用于：
若所述相关系数的不符合预设收敛条件，则输出所述相关系数大于预设第一阈值的正例医学数据样本，和/或，所述相关系数小于预设第二阈值的负例医学数据样本；
响应基于所述正例医学数据样本的增强操作，增大所述数据分析器中所述正例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件；和/或，
响应基于所述负例医学数据样本的减弱操作，减小所述数据分析器中所述负例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数的符合预设收敛条件。
在本申请一些实施例中，医学数据分析装置第二分析模块603，包括：
获取所述影响因子关联的目标医学特征，以及所述目标医学特征对应的医学数据指标，并建立所述影响因子和各所述医学数据指标之间的关联关系；
将所述医学数据指标作为自变量，与所述医学数据指标关联的影响因子作为因变量，输入至预设回归模型进行回归分析，得到所述医学数据指标与所述影响因子的相关系数。
在本申请一些实施例中，所述预设收敛条件包括：预设系数阈值、预设变化率和预设数量阈值中的至少一种；
所述医学数据分析装置执行所述将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数之后还用于：
若所述相关系数小于预设系数阈值，则判定所述相关系数的不符合预设收敛条件；
若预设时间段采集的各所述相关系数的系数变化率大于预设变化率，则判定所述相关系数的不符合预设收敛条件；和/或，
若所述相关系数的数据量小于预设数据量阈值，则判定所述相关系数的不符合预设收敛条件。
在本申请一些实施例中，医学数据分析装置中获取模块601，包括：
响应医学数据分析请求，获取待分析的医学疾病，确定是否存在与所述医学疾病关联的目标数据样本；
若存在与所述医学疾病关联的目标数据样本，则对所述目标数据样本进行分析，获得所述医学疾病的医学特征以及医学数据指标，并按照所述医学特征以及所述医学数据指标输出诊断结果；
若不存在与所述医学疾病关联的目标数据样本，则获取所述医学疾病关联的影响因子，执行所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标的步骤。
在本申请一些实施例中，医学数据分析装置还用于：
所述影响因子包括：体征参数、解剖参数、临床经验特征和组学特征中的至少一种；
所述体征参数包括：血压、血液流速、心率和血流量中的至少一种；
所述解剖参数包括：解剖位置、解剖形态和解剖体积中的至少一种；
所述临床经验特征是指临床记录中疾病患者身体发生的医学变化的特征；
所述组学特征是指通过基于组学、蛋白质组学、代谢组学、转录组学、脂类组学、免疫组学、糖组学、RNA组学学、影像组学和超声组学获得的特征。
本申请实施例中通过数据分析器根据医学疾病关联的影响因子，获取医学数据样本，然后对医学数据样本的医学数据指标进行回归分析，确定医学数据指标与影响因子的相关系数，并根据相关系数不符合预设收敛条件时，根据相关系数对数据分析器进行调整，迭代分析采集得到相关系数最大的医学数据样本，并设置为所述医学疾病的目标数据样本；本申请实施例中通过数据分析器获得与影响影子与医学疾病相关的医学数据指标，然后根据医学数据指标与影响因子之间的相关系数进行迭代分析，最终实现了医学数据的全面准确分析，减少了人工数据分析工作量。
本申请实施例还提供一种计算机设备，如图7所示，图7是本申请实施例提供的一种计算机设备的结构示意图。
计算机设备包括存储器、处理器以及存储于存储器中，并可在处理器上运行的医学数据分析程序，处理器执行医学数据分析程序时实现本申请任一实施例提供的医学数据分析方法中的步骤。
具体来讲：计算机设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器701是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。
存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器702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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器702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、或其他易失性固态存储器件。相应地，存储器702还可以包括存储器控制器，以提供处理器701对存储器702的访问。
计算机设备还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元704，该输入单元704可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器701会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现本申请任一实施例所提供的医学数据分析方法中的步骤。
为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random AccessMemory)、磁盘或光盘等。计算机可读存储介质上存储有医学数据分析程序，医学数据分析程序被处理器执行时实现本申请任一实施例所提供的医学数据分析方法中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种医学数据分析方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种医学数据分析方法，其特征在于，所述医学数据分析方法包括：
获取待分析的医学疾病，以及所述医学疾病关联的影响因子；
调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；
将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；
若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件；
获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本；
其中，所述若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件，包括：
若所述相关系数的不符合预设收敛条件，则输出所述相关系数大于预设第一阈值的正例医学数据样本，和/或，所述相关系数小于预设第二阈值的负例医学数据样本；
响应基于所述正例医学数据样本的增强操作，增大所述数据分析器中所述正例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件；和/或，
响应基于所述负例医学数据样本的减弱操作，减小所述数据分析器中所述负例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件。
2.根据权利要求1所述的医学数据分析方法，其特征在于，所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标，包括：
调用预设的数据分析器，通过所述数据分析器中的特征提取模块，提取各预设样本的医学特征；
通过所述数据分析器中的特征比对模块，获取与所述影响因子关联的目标医学特征，并将所述目标医学特征对应的预设样本设置为所述影响因子对应的医学数据样本；
通过所述数据分析器中的指标提取模块，从所述目标医学特征中提取所述医学数据样本的医学数据指标。
3.根据权利要求1所述的医学数据分析方法，其特征在于，
所述将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数，包括：
获取所述影响因子关联的目标医学特征，以及所述目标医学特征对应的医学数据指标，并建立所述影响因子和各所述医学数据指标之间的关联关系；
将所述医学数据指标作为自变量，与所述医学数据指标关联的影响因子作为因变量，输入至预设回归模型进行回归分析，得到所述医学数据指标与所述影响因子的相关系数。
4.根据权利要求1所述的医学数据分析方法，其特征在于，
所述预设收敛条件包括：预设系数阈值、预设变化率和预设数量阈值中的至少一种；
所述将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数之后，包括：
若所述相关系数小于预设系数阈值，则判定所述相关系数的不符合预设收敛条件；
若预设时间段采集的各所述相关系数的系数变化率大于预设变化率，则判定所述相关系数的不符合预设收敛条件；和/或，
若所述相关系数的数据量小于预设数据量阈值，则判定所述相关系数的不符合预设收敛条件。
5.根据权利要求1所述的医学数据分析方法，其特征在于，所述获取待分析的医学疾病，以及所述医学疾病关联的影响因子，包括：
响应医学数据分析请求，获取待分析的医学疾病，确定是否存在与所述医学疾病关联的目标数据样本；
若存在与所述医学疾病关联的目标数据样本，则对所述目标数据样本进行分析，获得所述医学疾病的医学特征以及医学数据指标，并按照所述医学特征以及所述医学数据指标输出诊断结果；
若不存在与所述医学疾病关联的目标数据样本，则获取所述医学疾病关联的影响因子，执行所述调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标的步骤。
6.根据权利要求1-5任意一项所述的医学数据分析方法，其特征在于，
所述影响因子包括：体征参数、解剖参数、临床经验特征和组学特征中的至少一种；
所述体征参数包括：血压、血液流速、心率和血流量中的至少一种；
所述解剖参数包括：解剖位置、解剖形态和解剖体积中的至少一种；
所述临床经验特征是指临床记录中疾病患者身体发生的医学变化的特征；
所述组学特征是指通过基于组学、蛋白质组学、代谢组学、转录组学、脂类组学、免疫组学、糖组学、RNA组学学、影像组学和超声组学获得的特征。
7.一种医学数据分析装置，其特征在于，所述医学数据分析装置包括：
获取模块，用于获取待分析的医学疾病，以及所述医学疾病关联的影响因子；
第一分析模块，用于调用预设的数据分析器，获取所述影响因子对应的医学数据样本，以及所述医学数据样本的医学数据指标；
第二分析模块，用于将所述医学数据指标输入至预设回归模型，得到所述医学数据指标与所述影响因子的相关系数；
调整模块，用于若所述相关系数的不符合预设收敛条件，则根据所述相关系数，以及所述相关系数对应的医学数据样本调整所述数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件；
设置模块，用于获取最大的相关系数对应的医学数据样本，并设置为所述医学疾病的目标数据样本；
其中，所述调整模块，还用于：
若所述相关系数的不符合预设收敛条件，则输出所述相关系数大于预设第一阈值的正例医学数据样本，和/或，所述相关系数小于预设第二阈值的负例医学数据样本；
响应基于所述正例医学数据样本的增强操作，增大所述数据分析器中所述正例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件；和/或，
响应基于所述负例医学数据样本的减弱操作，减小所述数据分析器中所述负例医学数据样本对应目标医学特征的权重系数，通过新的数据分析器进行迭代分析，直至新的相关系数符合预设收敛条件。
8.一种计算机设备，其特征在于，所述计算机设备包括：处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的医学数据分析程序，所述处理器执行所述医学数据分析程序以实现权利要求1至6任一项所述的医学数据分析方法中的步骤。
9.一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上存储有医学数据分析程序，所述医学数据分析程序被处理器执行以实现权利要求1至6任一项所述的医学数据分析方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316460.4A CN116386850B (zh) | 2023-03-28 | 2023-03-28 | 医学数据分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316460.4A CN116386850B (zh) | 2023-03-28 | 2023-03-28 | 医学数据分析方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116386850A CN116386850A (zh) | 2023-07-04 |
| CN116386850B true CN116386850B (zh) | 2023-11-28 |
Family
ID=86976220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310316460.4A Active CN116386850B (zh) | 2023-03-28 | 2023-03-28 | 医学数据分析方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116386850B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712716A (zh) * | 2018-12-25 | 2019-05-03 | 广州天鹏计算机科技有限公司 | 疾病影响因素确定方法、系统和计算机设备 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
| CN112364880A (zh) * | 2020-11-30 | 2021-02-12 | 腾讯科技（深圳）有限公司 | 基于图神经网络的组学数据处理方法、装置、设备及介质 |
| CN112990359A (zh) * | 2021-04-19 | 2021-06-18 | 深圳市深光粟科技有限公司 | 一种影像数据处理方法、装置、计算机及存储介质 |
| CN114093462A (zh) * | 2020-07-30 | 2022-02-25 | 阿里巴巴集团控股有限公司 | 医学影像处理方法、图像处理方法、计算机设备、存储介质 |
| CN115062165A (zh) * | 2022-08-18 | 2022-09-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
| CN115330670A (zh) * | 2021-04-23 | 2022-11-11 | 深圳科亚医疗科技有限公司 | 用于临床数据的同时分类和回归的方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10438699B2 (en) * | 2016-05-10 | 2019-10-08 | Macau University Of Science And Technology | Method and system for determining an association of biological features with a medical condition |
-
2023
- 2023-03-28 CN CN202310316460.4A patent/CN116386850B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712716A (zh) * | 2018-12-25 | 2019-05-03 | 广州天鹏计算机科技有限公司 | 疾病影响因素确定方法、系统和计算机设备 |
| CN111292821A (zh) * | 2020-01-21 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 一种医学诊疗系统 |
| CN114093462A (zh) * | 2020-07-30 | 2022-02-25 | 阿里巴巴集团控股有限公司 | 医学影像处理方法、图像处理方法、计算机设备、存储介质 |
| CN112364880A (zh) * | 2020-11-30 | 2021-02-12 | 腾讯科技（深圳）有限公司 | 基于图神经网络的组学数据处理方法、装置、设备及介质 |
| CN112990359A (zh) * | 2021-04-19 | 2021-06-18 | 深圳市深光粟科技有限公司 | 一种影像数据处理方法、装置、计算机及存储介质 |
| CN115330670A (zh) * | 2021-04-23 | 2022-11-11 | 深圳科亚医疗科技有限公司 | 用于临床数据的同时分类和回归的方法和系统 |
| CN115062165A (zh) * | 2022-08-18 | 2022-09-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Hybrid generative regression-based deep intelligence to predict the risk of chronic disease;Sandeep Kumar Hegde 等;《International Journal of Intelligent Computing and Cybernetics》;第15卷(第1期);144-164 * |
| 健康医疗大数据驱动的健康管理学理论方法体系;薛付忠;;山东大学学报(医学版);第55卷(第06期);1-29 * |
| 基于偏最小二乘法(PLS)构建大型突发公共卫生事件创伤预后预测;杨浩 等;《四川医学》;第32卷(第04期);449-452 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116386850A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4006831A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
| KR101875468B1 (ko) | 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치 | |
| CN109480780B (zh) | 一种脑卒中预警系统的评估方法及系统 | |
| CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
| CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
| KR102676569B1 (ko) | 의료 영상 분석 장치 및 방법, 의료 영상 시각화 장치 및 방법 | |
| CN117457229B (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
| CN116561542B (zh) | 模型的优化训练系统、方法以及相关装置 | |
| CN112926537B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| KR101603308B1 (ko) | 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템 | |
| CN116110566A (zh) | 一种数据处理方法、装置及设备 | |
| CN115969369A (zh) | 一种大脑任务负荷识别方法、应用及设备 | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN117476247B (zh) | 一种疾病多模态数据智能分析方法 | |
| CN116386850B (zh) | 医学数据分析方法、装置、计算机设备及存储介质 | |
| CN107913075B (zh) | 一种基于多参数的精神压力评估装置及其评估方法 | |
| CN117612693A (zh) | 一种患者实时监测和预警方法、装置、计算机及存储介质 | |
| Nayak et al. | Optimal design of zero-phase digital Riesz FIR fractional-order differentiator | |
| CN107194918B (zh) | 数据分析方法及装置 | |
| CN116797535A (zh) | 医学数据采集方法、装置、计算机设备及存储介质 | |
| CN114187281A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
| CN113222989B (zh) | 一种图像分级方法、装置、存储介质及电子设备 | |
| CN113903433A (zh) | 一种图像处理方法、装置和电子设备 | |
| CN115064257A (zh) | 逼尿肌过度活动诊断模型的建立方法、装置、介质和设备 | |
| Nugroho et al. | An automated detection and segmentation of thyroid nodules using Res-UNet |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant after: Shukun Technology Co.,Ltd. Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |