CN116452584B - 一种新生儿视网膜病变预测方法及系统 - Google Patents
一种新生儿视网膜病变预测方法及系统 Download PDFInfo
- Publication number
- CN116452584B CN116452584B CN202310701999.1A CN202310701999A CN116452584B CN 116452584 B CN116452584 B CN 116452584B CN 202310701999 A CN202310701999 A CN 202310701999A CN 116452584 B CN116452584 B CN 116452584B
- Authority
- CN
- China
- Prior art keywords
- neonate
- prediction probability
- neonatal
- information
- retinopathy
- 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
- 208000017442 Retinal disease Diseases 0.000 title claims abstract description 54
- 206010038923 Retinopathy Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 210000001525 retina Anatomy 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 8
- 201000010099 disease Diseases 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 208000004104 gestational diabetes Diseases 0.000 claims description 6
- 208000036796 hyperbilirubinemia Diseases 0.000 claims description 4
- 206010038933 Retinopathy of prematurity Diseases 0.000 claims description 3
- 210000004381 amniotic fluid Anatomy 0.000 claims description 3
- 208000027119 bilirubin metabolic disease Diseases 0.000 claims description 3
- 210000003754 fetus Anatomy 0.000 claims description 3
- 201000001421 hyperglycemia Diseases 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 210000002826 placenta Anatomy 0.000 claims description 3
- 230000002207 retinal effect Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 3
- 208000006098 Neonatal Hyperbilirubinemia Diseases 0.000 description 2
- 201000006346 Neonatal Jaundice Diseases 0.000 description 2
- 208000020241 Neonatal disease Diseases 0.000 description 2
- 208000037129 Newborn Diseases Infant Diseases 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000005107 Premature Birth Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/10—Sequence alignment; Homology search
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种新生儿视网膜病变预测方法及系统，涉及疾病预测技术领域，包括提取新生儿及其母亲信息输入至第一模型，得到第一预测概率；提取新生儿基因序列输入至第二模型，得到第二预测概率；将第一预测概率和第二预测概率加权融合得到第三预测概率；使用现有技术采集新生儿视网膜眼底图像得到第四预测概率；将第三预测概率和第四预测概率加权融合得到第五预测概率。本发明通过对新生儿及其母亲的信息、新生儿基因序列、新生儿眼底图像这三类数据进行融合，综合三方面来对新生儿视网膜病变情况进行准确预测，并且在第三预测概率预测结果非高风险时，可以不进行后续采集新生儿的视网膜眼底图像，防止新生儿视网膜受到伤害。
Description
技术领域
本发明涉及疾病预测技术领域，尤其是涉及一种新生儿视网膜病变预测方法及系统。
背景技术
新生儿视网膜病变是发生于早产儿的视网膜血管增生性疾病，不仅会影响患儿的生命健康，还会给家庭和社会带来巨大的负担，因此尽早发现新生儿的视网膜病变，早发现早治疗能够极大提升治愈率，并且治疗成本也会大幅缩减，具有非常重要的意义。
现有技术中，新生儿视网膜病变通常是由医生根据视网膜眼底图像进行诊断筛查，通常需要光学设备照射新生儿视网膜，参考申请号为：202210327065.1一种早产儿视网膜病变检测方法和装置，该文件的实施例提出了一种用于采集新生儿视网膜眼底图像的装置及其使用方法，能够采集新生儿视网膜眼底图像，并根据采集到的图像得到视网膜病变的预测结果，但是，新生儿视网膜眼底组织娇弱，采集筛查的过程可能会对婴儿的视网膜组织造成伤害，并且，仅依靠医生的经验针对视网膜图像进行视网膜病变诊断也有一定的误诊率。
因此，亟需一种能够尽量避免采集新生儿眼底图像，且不仅仅依靠单个医生的经验，从而进行更为准确有效的新生儿视网膜病变预测方法。
发明内容
本发明提供一种新生儿视网膜病变预测方法，包括如下步骤：
S100、提取待测新生儿及其母亲的信息，并将所述信息输入至第一模型中，由第一模型输出第一预测概率；
S200、提取待测新生儿的基因序列，将所述基因序列输入至第二模型中，由第二模型输出第二预测概率；
S300、将所述第一预测概率和所述第二预测概率进行加权融合，得到第三预测概率，并判定所述第三预测概率是否大于预设值，若所述第三预测概率大于预设值，则进入S400；否则判定新生儿无视网膜病变，结束流程；
S400、采集待测新生儿的眼底图像，获取视网膜是否病变的第四预测概率；
S500、将所述第三预测概率和所述第四预测概率进行加权融合，得到第五预测概率作为预测是否病变的最终概率。
进一步，在步骤S100中，所述第一模型的训练获得方法包括：
S101、从新生儿样本信息库中，获取新生儿及其母亲的相关信息；
S102、分析所述新生儿及其母亲的相关信息，得到n个频繁序列，并且n≥1；
S103、计算得到的每个所述频繁序列对应的权重；
S104、利用每一个所述频繁序列及其对应权重组成的样本集，训练卷积神经网络，得到第一模型。
进一步，在S101中，所述新生儿样本信息库中储存有健康的新生儿及其母亲的信息，以及患有视网膜病变的新生儿及其母亲的信息；
所述信息中新生儿的信息包括新生儿出生周数、体重、是否多胎、是否患有新生儿高血糖症、是否患有新生儿高胆红素症；所述信息中母亲的信息包括母亲生产时的年龄、胎次、是否患有妊娠期糖尿病症、是否羊水不足、是否胎盘早剥。
进一步，在S102中，所述频繁序列包括健康新生儿所共同具备的特征，以及患有视网膜病变的新生儿所共同具备的特征。
进一步，在步骤S103中，统计所有样本中特定的频繁序列出现的频率，依据所述频率计算每一个频繁序列对应的权重。
进一步，在步骤S104中，为每一个频繁序列人工标注患病概率，所述患病概率表征含有该所述频繁序列的新生儿发生视网膜病变的概率；
将所述频繁序列及其对应的权重输入至第一模型，由所述第一模型输出患病概率，获得预测是否发生视网膜病变的第一预测概率。
进一步，在步骤S200中，所述第二模型的训练获得方法包括：
S201、从新生儿样本信息库中，获取新生儿的基因序列，并对所述基因序列进行标注；
S202、根据标注的所述基因序列训练卷积神经网络模型，得到第二模型。
进一步，在S201中，所述新生儿信息库中还储存有新生儿的基因序列，获取新生儿的基因序列包括健康新生儿的基因序列和患有视网膜病变的新生儿基因序列；
根据健康新生儿或是患病新生儿的患病类型在对应的所述基因序列上标注。
进一步，在S202中，将所述基因序列输入至第二模型，由所述第二模型输出与所述基因序列对应的新生儿健康情况，获得预测是否发生视网膜病变的第二预测概率。
一种新生儿视网膜病变预测系统，使用如上述任一项所述的新生儿视网膜病变预测方法，包括如下模块：
新生儿样本信息库、其用于储存新生儿及其母亲的相关信息；
云服务器、其与所述新生儿样本信息库连接，用于计算第一预测概率、第二概率、第三预测概率、第四预测概率、第五预测概率；
信息采集模块、其与所述云服务器连接，并用于采集新生儿及其母亲的相关信息上传所述云服务器；
基因序列采集模块、其与所述云服务器连接，用于采集新生儿的基因序列信息上传所述云服务器；
图像采集模块、与所述云服务器连接，用于采集新生儿的视网膜眼底图像，并根据图像得出患病概率。
与现有技术相比较，本发明的有益效果在于：
（1）本发明在进行新生儿视网膜病变预测时，可对新生儿及其母亲的信息、新生儿基因序列、新生儿眼底图像这三类数据进行融合，综合三方面来对新生儿视网膜病变情况进行准确预测。
（2）本发明利用新生儿及其母亲的相关信息进行预测时，通过挖掘频繁序列的方式，增强新生儿与其母亲的关联度，进一步综合新生儿与其母亲两方面，能够更准确预测新生儿的患病概率。
（3）本发明先基于大数据对新生儿患病概率进行初步预测，若预判风险较高，再进行视网膜眼底图像检测，从而尽量减少采集新生儿视网膜眼底图像的检测步骤，一方面能够减少可能对新生儿视网膜的伤害，另一方面节省宝贵的医疗资源。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为新生儿视网膜病变预测方法的流程示意图；
图2为新生儿视网膜病变预测系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本发明在进行新生儿视网膜病变预测时，可对新生儿及其母亲的信息、新生儿基因序列、新生儿眼底图像这三类数据进行融合，综合三方面来对新生儿视网膜病变情况进行准确预测。
下面结合图1所示，本发明实施例提供了一种新生儿视网膜病变预测方法，包括如下步骤：
S100、提取待测新生儿及其母亲的信息，并将所述信息输入至第一模型中，由第一模型输出第一预测概率。
具体地，新生儿是否有视网膜病变风险通常是由自身因素和母体因素共同导致的，因此需要提取待测新生儿及其母亲的相关信息，输入至第一模型中，以初步预测得到其是否发生视网膜病变的第一概率。
在步骤S100中，所述第一模型的训练获得方法包括。
S101、从新生儿样本信息库中，获取新生儿及其母亲的相关信息。
在S101中，所述新生儿样本信息库中储存有健康的新生儿及其母亲的信息，以及患有视网膜病变的新生儿及其母亲的信息；
所述信息中新生儿的信息包括新生儿出生周数、体重、是否多胎、是否患有新生儿高血糖症、是否患有新生儿高胆红素症；所述信息中母亲的信息包括母亲生产时的年龄、胎次、是否患有妊娠期糖尿病症、是否羊水不足、是否胎盘早剥。
S102、分析所述新生儿及其母亲的相关信息，得到n个频繁序列，并且n≥1。
在S102中，所述频繁序列包括健康新生儿所共同具备的特征，以及患有视网膜病变的新生儿所共同具备的特征。
具体地，例如：患有视网膜病变的两组新生儿信息样本如下：
样本1：新生儿：出生时32周，体重2.2KG，双胞胎，患有新生儿高胆红素症；其母亲：生产时年龄39岁，第三次生产，患有妊娠期糖尿病症。
样本2：新生儿：出生时31周，体重2.3KG，单胎，患有新生儿高胆红素症；其母亲：生产时年龄38岁，第一次生产，患有妊娠期糖尿病症。
则通过样本1与样本2可挖掘得到的频繁序列为：
新生儿：早产，体重轻，患有新生儿高胆红素症；其母亲：高龄产妇，患有妊娠期糖尿病症。
通过上述数据挖掘过程可得到n个频繁序列，频繁序列中包括的数据为不同样本共同存在的词条，例如，某个频繁序列中存在：样本1的某一词条，以及样本2与样本1相同的词条。
S103、计算得到的每个所述频繁序列对应的权重。
在步骤S103中，统计所有样本中特定的频繁序列出现的频率高低，依据所述频率计算每一个频繁序列对应的权重。
S104、利用每一个所述频繁序列及其对应权重组成的样本集，训练卷积神经网络模型，得到第一模型。
在步骤S104中，为每一个频繁序列人工标注患病概率，所述患病概率表征含有该所述频繁序列的新生儿发生视网膜病变的概率；
将所述频繁序列及其对应的权重输入至第一模型，由所述第一模型输出患病概率，获得预测是否发生视网膜病变的第一预测概率。
本发明利用新生儿及其母亲的相关信息进行预测时，通过挖掘频繁序列的方式，增强新生儿与其母亲的关联度，进一步综合新生儿与其母亲两方面，能够更准确预测新生儿的患病概率。
S200、提取待测新生儿的基因序列，将所述基因序列输入至第二模型中，由第二模型输出第二预测概率。
具体地，视网膜病变通常和遗传因素有关，与第13条染色体是否异常有很大关联，因此可提取待测新生儿的基因序列，输入至第二模型中，从而得出初步预测的所述第二预测概率。
在步骤S200中，所述第二模型的训练获得方法包括：
S201、从新生儿样本信息库中，获取新生儿的基因序列，并对所述基因序列进行标注。
在S201中，所述新生儿信息库中还储存有新生儿的基因序列，获取新生儿的基因序列包括健康新生儿的基因序列和患有视网膜病变的新生儿基因序列；
根据健康新生儿或是患病新生儿的患病类型在对应的所述基因序列上标注。
S202、根据标注的所述基因序列训练卷积神经网络模型，得到第二模型。
在S202中，将所述基因序列输入至第二模型，由所述第二模型输出与所述基因序列对应的新生儿健康情况，获得预测是否发生视网膜病变的第二预测概率。
本发明先基于大数据对新生儿患病概率进行初步预测，若预判风险较高，再进行视网膜眼底图像检测，从而尽量减少采集新生儿视网膜眼底图像的检测步骤，一方面能够减少可能对新生儿视网膜的伤害，另一方面节省宝贵的医疗资源。
S300、将所述第一预测概率和所述第二预测概率进行加权融合，得到第三预测概率，并判定所述第三预测概率是否大于预设值，若所述第三预测概率大于预设值，则进入S400；否则判定新生儿无视网膜病变，结束流程。
具体地，综合新生儿及其母亲的相关信息，以及待测新生儿的基因序列，可对其是否会发生视网膜病变的概率进行初步预测。
更进一步地，第一预测概率和第二预测概率的加权融合，是将第一预测概率和第二预测概率存在区别的部分进行统计，与新生儿视网膜病变的实际情况对照，并通过统计该类历史数据作为所述加权融合的权重判定。
S400、采集待测新生儿的眼底图像，获取视网膜是否病变的第四预测概率。
具体地，上述方法得出的第三概率预测新生儿视网膜病变的风险较高，因此需要采集新生儿视网膜眼底图像做进一步的预测，具体采集图像和预测概率参考申请号为：202210327065.1一种早产儿视网膜病变检测方法和装置，通过其装置采集到新生儿的视网膜眼底图像，并使用对应的检测方法根据采集到的图像计算得出该新生儿视网膜病变的第四预测概率，其中，计算得出第四预测概率由云服务器提供算力。
S500、将所述第三预测概率和所述第四预测概率进行加权融合，得到第五预测概率作为预测是否病变的最终概率。
具体地，第三预测概率和第四预测概率的加权融合，是将第三预测概率和第四预测概率存在区别的部分进行统计，与新生儿视网膜病变的实际情况对照，并通过统计该类历史数据作为所述加权融合的权重判定。
如附图2所示，本发明还提供一种新生儿视网膜病变预测系统，使用上述的新生儿视网膜病变预测方法，包括如下模块：
新生儿样本信息库、其用于储存新生儿及其母亲的相关信息；
云服务器、其与所述新生儿样本信息库连接，并用于接受输入信息后与新生儿样本信息库信息交互后输出信息；
信息采集模块、其与所述云服务器连接，用于采集新生儿及其母亲的相关信息上传所述云服务器；
基因序列采集模块、其与所述云服务器连接，用于采集新生儿的基因序列信息上传所述云服务器；
图像采集模块、与所述云服务器连接，用于采集新生儿的视网膜眼底图像，并根据图像得出患病概率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种新生儿视网膜病变预测方法，其特征在于，包括如下步骤：
S100、提取待测新生儿及其母亲的信息，并将所述信息输入至第一模型中，由第一模型输出第一预测概率；
在步骤S100中，所述第一模型的训练获得方法包括：
S101、从新生儿样本信息库中，获取新生儿及其母亲的相关信息；
S102、分析所述新生儿及其母亲的相关信息，得到n个频繁序列，并且n≥1；
S103、计算得到的每个所述频繁序列对应的权重；
S104、利用每一个所述频繁序列及其对应权重的样本，训练卷积神经网络，得到第一模型；
S200、提取待测新生儿的基因序列，将所述基因序列输入至第二模型中，由第二模型输出第二预测概率；
S300、将所述第一预测概率和所述第二预测概率进行加权融合，得到第三预测概率，并判定所述第三预测概率是否大于预设值，若所述第三预测概率大于预设值，则进入S400；否则判定新生儿无视网膜病变，结束流程；
S400、采集待测新生儿的眼底图像，获取视网膜是否病变的第四预测概率；
S500、将所述第三预测概率和所述第四预测概率进行加权融合，得到第五预测概率作为预测是否病变的最终概率。
2.根据权利要求1所述的一种新生儿视网膜病变预测方法，其特征在于，在S101中，所述新生儿样本信息库中储存有健康的新生儿及其母亲的信息，以及患有视网膜病变的新生儿及其母亲的信息；
所述信息中新生儿的信息包括新生儿出生周数、体重、是否多胎、是否患有新生儿高血糖症、是否患有新生儿高胆红素症；所述信息中母亲的信息包括母亲生产时的年龄、胎次、是否患有妊娠期糖尿病症、是否羊水不足、是否胎盘早剥。
3.根据权利要求1所述的一种新生儿视网膜病变预测方法，其特征在于，在S102中，所述频繁序列包括健康新生儿所共同具备的特征，以及患有视网膜病变的新生儿所共同具备的特征。
4.根据权利要求1所述的一种新生儿视网膜病变预测方法，其特征在于，在步骤S103中，统计所有样本中特定的频繁序列出现的频率，依据所述频率计算每一个频繁序列对应的权重。
5.根据权利要求1所述的一种新生儿视网膜病变预测方法，其特征在于，在步骤S104中，为每一个频繁序列人工标注患病概率，所述患病概率表征含有该所述频繁序列的新生儿发生视网膜病变的概率；
将所述频繁序列及其对应的权重输入至第一模型，由所述第一模型输出患病概率，获得预测是否发生视网膜病变的第一预测概率。
6.根据权利要求1所述的一种新生儿视网膜病变预测方法，其特征在于，在步骤S200中，所述第二模型的训练获得方法包括：
S201、从新生儿样本信息库中，获取新生儿的基因序列，并对所述基因序列进行标注；
S202、根据标注的所述基因序列训练卷积神经网络模型，得到第二模型。
7.根据权利要求6所述的一种新生儿视网膜病变预测方法，其特征在于，在S201中，新生儿信息库中还储存有新生儿的基因序列，获取新生儿的基因序列包括健康新生儿的基因序列和患有视网膜病变的新生儿基因序列；
根据健康新生儿或是患病新生儿的患病类型在对应的所述基因序列上标注。
8.根据权利要求6所述的一种新生儿视网膜病变预测方法，其特征在于，在S202中，将所述基因序列输入第二模型，由所述第二模型输出与所述基因序列对应的新生儿健康情况，获得预测是否发生视网膜病变的第二预测概率。
9.一种新生儿视网膜病变预测系统，使用如权利要求1-8任一项所述的新生儿视网膜病变预测方法，其特征在于，包括如下模块：
新生儿样本信息库：其用于储存新生儿及其母亲的相关信息；
云服务器：其与所述新生儿样本信息库连接，用于计算第一预测概率、第二预测概率、第三预测概率、第四预测概率、第五预测概率；
信息采集模块：其与所述云服务器连接，用于采集新生儿及其母亲的相关信息并上传至所述云服务器；
基因序列采集模块：其与所述云服务器连接，用于采集新生儿的基因序列信息并上传至所述云服务器；
图像采集模块：与所述云服务器连接，用于采集新生儿的视网膜眼底图像，并根据图像得出患病概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310701999.1A CN116452584B (zh) | 2023-06-14 | 2023-06-14 | 一种新生儿视网膜病变预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310701999.1A CN116452584B (zh) | 2023-06-14 | 2023-06-14 | 一种新生儿视网膜病变预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452584A CN116452584A (zh) | 2023-07-18 |
| CN116452584B true CN116452584B (zh) | 2023-08-22 |
Family
ID=87134094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310701999.1A Active CN116452584B (zh) | 2023-06-14 | 2023-06-14 | 一种新生儿视网膜病变预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452584B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435310A (zh) * | 2021-06-24 | 2021-09-24 | 中国科学技术大学 | 一种基于深度神经网络的视网膜数据采集处理方法及系统 |
| CN114881927A (zh) * | 2022-03-31 | 2022-08-09 | 华南师范大学 | 早产儿视网膜病变的检测方法及装置、设备 |
| CN115223715A (zh) * | 2022-07-15 | 2022-10-21 | 神州医疗科技股份有限公司 | 一种基于多模态信息融合的癌症预测方法与系统 |
| CN115346665A (zh) * | 2022-10-19 | 2022-11-15 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、系统及设备 |
| CN115661101A (zh) * | 2022-11-03 | 2023-01-31 | 南宁博艾特医疗器械有限公司 | 基于随机采样和深度学习的早产儿视网膜病变检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113948220B (zh) * | 2021-10-29 | 2022-12-09 | 广东技术师范大学 | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 |
-
2023
- 2023-06-14 CN CN202310701999.1A patent/CN116452584B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435310A (zh) * | 2021-06-24 | 2021-09-24 | 中国科学技术大学 | 一种基于深度神经网络的视网膜数据采集处理方法及系统 |
| CN114881927A (zh) * | 2022-03-31 | 2022-08-09 | 华南师范大学 | 早产儿视网膜病变的检测方法及装置、设备 |
| CN115223715A (zh) * | 2022-07-15 | 2022-10-21 | 神州医疗科技股份有限公司 | 一种基于多模态信息融合的癌症预测方法与系统 |
| CN115346665A (zh) * | 2022-10-19 | 2022-11-15 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、系统及设备 |
| CN115661101A (zh) * | 2022-11-03 | 2023-01-31 | 南宁博艾特医疗器械有限公司 | 基于随机采样和深度学习的早产儿视网膜病变检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452584A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680676B (zh) | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 | |
| CN112133441B (zh) | 一种mh术后裂孔状态预测模型的建立方法和终端 | |
| CN110808097A (zh) | 一种妊娠期糖尿病预测系统及方法 | |
| CN112786204A (zh) | 一种机器学习糖尿病发病风险预测方法及应用 | |
| US20180150608A1 (en) | Device and method for diagnosing cardiovascular disease using genome information and health medical checkup data | |
| CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
| KR20180062917A (ko) | 유전체 정보와 건강검진데이터를 이용한 심혈관질환 진단 장치 및 그 방법 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| CN114242259A (zh) | 高龄流感病情预测系统、程序产品及其建立与使用方法 | |
| CN113838577A (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| CN112331340A (zh) | 育龄夫妇妊娠概率的智能预测方法及系统 | |
| CN115714022A (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
| CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
| Ahmetašević et al. | Using artificial neural network in diagnosis of polycystic ovary syndrome | |
| CN116452584B (zh) | 一种新生儿视网膜病变预测方法及系统 | |
| CN116682565B (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
| CN111816303A (zh) | 一种基于机器学习的难治性精神分裂症风险的预测方法 | |
| CN111652843A (zh) | 一种基于核磁共振结构影像加权的决策支持方法及系统 | |
| Alotaibi et al. | Early prediction of gestational diabetes using machine learning techniques | |
| CN111148999A (zh) | 用于预测新生儿胆红素水平的方法和计算机程序 | |
| CN115661101A (zh) | 基于随机采样和深度学习的早产儿视网膜病变检测系统 | |
| Bahar et al. | Model Structure of Fetal Health Status Prediction | |
| Mol et al. | Using prognostic models in clinical infertility | |
| CN112420190A (zh) | 一种人工智能辅助诊疗系统及其构建方法 | |
| US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof |
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 |