CN116469540B - 基于双阈值的去噪方法及系统 - Google Patents

基于双阈值的去噪方法及系统 Download PDF

Info

Publication number
CN116469540B
CN116469540B CN202310329833.1A CN202310329833A CN116469540B CN 116469540 B CN116469540 B CN 116469540B CN 202310329833 A CN202310329833 A CN 202310329833A CN 116469540 B CN116469540 B CN 116469540B
Authority
CN
China
Prior art keywords
value
threshold value
pathological
preset
threshold
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
Application number
CN202310329833.1A
Other languages
English (en)
Other versions
CN116469540A (zh
Inventor
石怀银
王书浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Thorough Future Technology Co ltd
Original Assignee
Beijing Thorough Future Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Thorough Future Technology Co ltd filed Critical Beijing Thorough Future Technology Co ltd
Priority to CN202310329833.1A priority Critical patent/CN116469540B/zh
Publication of CN116469540A publication Critical patent/CN116469540A/zh
Application granted granted Critical
Publication of CN116469540B publication Critical patent/CN116469540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供基于双阈值的去噪方法及系统，其去噪方法包括：获取病例的病理特征数据；基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。本发明通过双阈值的预测，可有效筛选出难以准确诊断为阳性样本和阴性样本的待诊断样本，经医生进行人工再诊断，可有效解决单阈值情况下预测概率出现交叉的问题，提高了病例定性的准确性。

Description

基于双阈值的去噪方法及系统
技术领域
本发明涉及噪声处理技术领域，尤其涉及基于双阈值的去噪方法及系统。
背景技术
在病理诊断中，经常观察到诊断不一致的情况；不仅病理医生之间会有诊断差别，同一位病理医生在不同的时间和心境也可能会存在诊断差异，对于一个病例，除了在诊断过程中将其划分为阳性与阴性之外，在不确定的时候，人们能够主动提出；因此在人类进行决策时，对于不确定的事物，大脑中会专门划分出一个灰区；
灰区的大小因人而异，对于住院医生来说，有很大一部分的病例会被划分到灰区，需要上级进行指导与审核；而对于资深的专家，灰区就会非常小；这是灰区大小在不同水平医生之间的差别；
人工智能是模拟人类大脑的计算机科学，对于一个病例，人工智能会有一个概率性的预测结果，越接近1，代表模型认为该病例越倾向于阳性，反之则倾向阴性；在之前的人工智能研究中，通常给定一个阈值T，若概率大于该阈值，则预测为阳性，小于该阈值，预测为阴性；这种称为“单阈值策略”，这种看似严格的单阈值策略，并没有对难度高和低的样本进行区分，预测较为困难的阳性和阴性样本，在阈值T附近的预测概率会出现交叉，阳性样本体现为假阴性，阴性样本体现为假阳性。
因此，有必要提供基于双阈值的去噪方法及系统。
发明内容
本发明提供了基于双阈值的去噪方法及系统，通过双阈值的预测，可有效筛选出难以准确诊断为阳性样本和阴性样本的待诊断样本，经医生进行人工再诊断，可有效解决单阈值情况下预测概率出现交叉的问题，提高了病例定性的准确性。
本发明提供了基于双阈值的去噪方法，包括：
S1：获取病例的病理特征数据；
S2：基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
S3：将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
进一步地，S1包括：
S101：获取病例的病理影像数据；
S102：基于病理影像数据，提取获得病理特征数据。
进一步地，S2包括：
S201：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；
S202：基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
进一步地，S3包括：
S301：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；
S302：基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
进一步地，S301包括：
S3011：获取预设的空白数据库；
S3012：基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；
S3013：基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
基于双阈值的去噪系统，包括：
数据获取模块，用于获取病例的病理特征数据；
病理预测模块，用于基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
病理诊断模块，用于将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
进一步地，数据获取模块包括：获取病例的病理影像数据；基于病理影像数据，提取获得病理特征数据；
病理预测模块包括：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
进一步地，病理诊断模块包括：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断；
设置概率预测值-疾病定性的匹配关系库，包括：获取预设的空白数据库；基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
进一步地，还包括辅助诊断模块，用于辅助医生进行再诊断；辅助诊断模块包括辅助诊断条件设置单元和辅助诊断条件应用单元；
辅助诊断条件设置单元，用于根据病理数据提取待诊断病例的临床症状数量，将临床症状的数量占病例定位阳性临床症状的数据的百分比作为第一辅助诊断条件；将临床症状的持续时长作为第二辅助诊断条件；
辅助诊断条件应用单元，用于根据第一辅助诊断条件和第二辅助诊断条件进行辅助诊断，若第一辅助诊断条件大于预设的百分比阈值，并且第二辅助诊断条件大于预设的持续时长阈值，则将待诊断病例列为疑似阳性病例；将疑似阳性病例的临床症状带入预设的症状发展趋势预测模型，获得症状发展预测阶段值，若症状发展预测阶段值大于预设的症状发展预测阶段阈值，则将疑似阳性病例确定为阳性。
进一步地，病理诊断模块还包括阈值调整单元，用于根据病理特征数据的分布情况进行针对性阈值调整；具体包括：
设置病理定性分析概率预测值与预设的第一阈值的第一距离，病理定性分析概率预测值与第二阈值的第二距离；
基于诊断进程中获得的历史病理定性分析概率预测值，若病理定性分析概率预测值小于第一距离的数量大于预设的第一数量阈值，则按照预设的调整幅度调小第一阈值；若病理定性分析概率预测值小于第二距离的数量大于预设的第二数量阈值，则按照预设的调整幅度调大第二阈值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为基于双阈值的去噪方法步骤示意图；
图2为进行病理分析预测的方法步骤示意图；
图3为基于双阈值的去噪系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供了基于双阈值的去噪方法，如图1所示，包括：
S1：获取病例的病理特征数据；
S2：基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
S3：将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
上述技术方案的工作原理为：S1：获取病例的病理特征数据；
S2：基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
S3：将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
上述技术方案的有益效果为：采用本实施例提供的方案，通过双阈值的预测，可有效筛选出难以准确诊断为阳性样本和阴性样本的待诊断样本，经医生进行人工再诊断，可有效解决单阈值情况下预测概率出现交叉的问题，提高了病例定性的准确性。
在一个实施例中，S1包括：
S101：获取病例的病理影像数据；
S102：基于病理影像数据，提取获得病理特征数据。
上述技术方案的工作原理为：S1包括：
S101：获取病例的病理影像数据；
S102：基于病理影像数据，提取获得病理特征数据。
上述技术方案的有益效果为：采用本实施例提供的方案，通过获取病例的病理影像数据，为后续的预测处理提供数据支持。
在一个实施例中，如图2所示，S2包括：
S201：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；
S202：基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
上述技术方案的工作原理为：S2包括：
S201：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；
S202：基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
上述技术方案的有益效果为：采用本实施例提供的方案，通过神经网络预测模型进行病理定性分析概率预测值的预测，可获得准确的病理定性分析概率预测值。
在一个实施例中，S3包括：
S301：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；
S302：基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
上述技术方案的工作原理为：S3包括：
S301：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；
S302：基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
上述技术方案的有益效果为：采用本实施例提供的方案，通过利用两个阈值进行比较，可筛选出难以定性为阳性样本或阴性样本的病例样本，提高了阈值判断的准确性。
在一个实施例中，S301包括：
S3011：获取预设的空白数据库；
S3012：基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；
S3013：基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
上述技术方案的工作原理为：S301包括：
S3011：获取预设的空白数据库；
S3012：基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；
S3013：基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
上述技术方案的有益效果为：采用本实施例提供的方案，通过设置概率预测值-疾病定性的匹配关系库，可根据概率预测值准确地对疾病进行定性。
基于双阈值的去噪系统，如图3所示，包括：
数据获取模块，用于获取病例的病理特征数据；
病理预测模块，用于基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
病理诊断模块，用于将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
上述技术方案的工作原理为：数据获取模块，用于获取病例的病理特征数据；
病理预测模块，用于基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
病理诊断模块，用于将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
上述技术方案的有益效果为：采用本实施例提供的方案，通过双阈值的预测，可有效筛选出难以准确诊断为阳性样本和阴性样本的待诊断样本，经医生进行人工再诊断，可有效解决单阈值情况下预测概率出现交叉的问题，提高了病例定性的准确性。
在一个实施例中，数据获取模块包括：获取病例的病理影像数据；基于病理影像数据，提取获得病理特征数据；
病理预测模块包括：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
上述技术方案的工作原理为：数据获取模块包括：获取病例的病理影像数据；基于病理影像数据，提取获得病理特征数据；
病理预测模块包括：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
上述技术方案的有益效果为：采用本实施例提供的方案，通过数据获取模块提取获得病理特征数据，以及通过病理预测模块进行病理定性分析概率预测值的预测，可提高预测的质量和效果。
在一个实施例中，病理诊断模块包括：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断；
设置概率预测值-疾病定性的匹配关系库，包括：获取预设的空白数据库；基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
上述技术方案的工作原理为：病理诊断模块包括：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断；
设置概率预测值-疾病定性的匹配关系库，包括：获取预设的空白数据库；基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
上述技术方案的有益效果为：采用本实施例提供的方案，通过设置两个阈值进行匹配比较，提高病例分析定性结果的准确性。
在一个实施例中，还包括辅助诊断模块，用于辅助医生进行再诊断；辅助诊断模块包括辅助诊断条件设置单元和辅助诊断条件应用单元；
辅助诊断条件设置单元，用于根据病理数据提取待诊断病例的临床症状数量，将临床症状的数量占病例定位阳性临床症状的数据的百分比作为第一辅助诊断条件；将临床症状的持续时长作为第二辅助诊断条件；
辅助诊断条件应用单元，用于根据第一辅助诊断条件和第二辅助诊断条件进行辅助诊断，若第一辅助诊断条件大于预设的百分比阈值，并且第二辅助诊断条件大于预设的持续时长阈值，则将待诊断病例列为疑似阳性病例；将疑似阳性病例的临床症状带入预设的症状发展趋势预测模型，获得症状发展预测阶段值，若症状发展预测阶段值大于预设的症状发展预测阶段阈值，则将疑似阳性病例确定为阳性。
上述技术方案的工作原理为：还包括辅助诊断模块，用于辅助医生进行再诊断；辅助诊断模块包括辅助诊断条件设置单元和辅助诊断条件应用单元；
辅助诊断条件设置单元，用于根据病理数据提取待诊断病例的临床症状数量，将临床症状的数量占病例定位阳性临床症状的数据的百分比作为第一辅助诊断条件；将临床症状的持续时长作为第二辅助诊断条件；
辅助诊断条件应用单元，用于根据第一辅助诊断条件和第二辅助诊断条件进行辅助诊断，若第一辅助诊断条件大于预设的百分比阈值，并且第二辅助诊断条件大于预设的持续时长阈值，则将待诊断病例列为疑似阳性病例；将疑似阳性病例的临床症状带入预设的症状发展趋势预测模型，获得症状发展预测阶段值，若症状发展预测阶段值大于预设的症状发展预测阶段阈值，则将疑似阳性病例确定为阳性。
为了检验和评估阈值设置的准确性，通过医生的再诊断的结果，可计算诊断的阳性结果综合准确率，通过比较综合准确率与预设的综合准确率的阈值大小，评估预测的准确性，并设置准确率偏差值与阈值的调整关系，根据准确率偏差值的大小，相应地调整阈值大小；阳性结果综合准确率的计算公式为：
M代表阳性结果综合准确率，T表示正确判断为阳性的病例数量，F表示正确判断为阴性的病例数量，F1表示正确判断为阳性的病例中经医生再判断判断为阴性的病例数量；F2表示正确判断为阴性的病例中经医生再判断判断为阳性的病例数量。
上述技术方案的有益效果为：采用本实施例提供的方案，通过采用辅助诊断条件辅助医生进行病例定位诊断，并根据预设的症状发展趋势预测模型，进行进一步地前瞻预测分析，可提高辅助医生诊断结果的正确性，同时计算阳性结果综合准确率，可对阈值设置的科学性合理性进行评估，根据评估结果相应地进行调整。
在一个实施例中，病理诊断模块还包括阈值调整单元，用于根据病理特征数据的分布情况进行针对性阈值调整；具体包括：
设置病理定性分析概率预测值与预设的第一阈值的第一距离，病理定性分析概率预测值与第二阈值的第二距离；
基于诊断进程中获得的历史病理定性分析概率预测值，若病理定性分析概率预测值小于第一距离的数量大于预设的第一数量阈值，则按照预设的调整幅度调小第一阈值；若病理定性分析概率预测值小于第二距离的数量大于预设的第二数量阈值，则按照预设的调整幅度调大第二阈值。
上述技术方案的工作原理为：病理诊断模块还包括阈值调整单元，用于根据病理特征数据的分布情况进行针对性阈值调整；具体包括：
设置病理定性分析概率预测值与预设的第一阈值的第一距离，病理定性分析概率预测值与第二阈值的第二距离；
基于诊断进程中获得的历史病理定性分析概率预测值，若病理定性分析概率预测值小于第一距离的数量大于预设的第一数量阈值，则按照预设的调整幅度调小第一阈值；若病理定性分析概率预测值小于第二距离的数量大于预设的第二数量阈值，则按照预设的调整幅度调大第二阈值。
上述技术方案的有益效果为：采用本实施例提供的方案，通过分析病理定性分析概率预测值与阈值的距离大小，并相应地调整阈值设置，可保证阈值的区间更大，有利于准确显明的诊断病例定性分析概率预测值所处的区间位置，更加清楚准确的获得诊断结果。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.基于双阈值的去噪方法，其特征在于，包括：
S1：获取病例的病理特征数据；
S2：基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
S3：将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断；
还包括辅助诊断，用于辅助医生进行再诊断；具体的：
根据病理数据提取待诊断病例的临床症状数量，将临床症状的数量占病例定位阳性临床症状的数据的百分比作为第一辅助诊断条件；将临床症状的持续时长作为第二辅助诊断条件；
根据第一辅助诊断条件和第二辅助诊断条件进行辅助诊断，若第一辅助诊断条件大于预设的百分比阈值，并且第二辅助诊断条件大于预设的持续时长阈值，则将待诊断病例列为疑似阳性病例；将疑似阳性病例的临床症状带入预设的症状发展趋势预测模型，获得症状发展预测阶段值，若症状发展预测阶段值大于预设的症状发展预测阶段阈值，则将疑似阳性病例确定为阳性；
为了检验和评估阈值设置的准确性，通过医生的再诊断的结果，可计算诊断的阳性结果综合准确率，通过比较综合准确率与预设的综合准确率的阈值大小，评估预测的准确性，并设置准确率偏差值与阈值的调整关系，根据准确率偏差值的大小，相应地调整阈值大小；阳性结果综合准确率的计算公式为：
M代表阳性结果综合准确率，T表示正确判断为阳性的病例数量，F表示正确判断为阴性的病例数量，F1表示正确判断为阳性的病例中经医生再判断判断为阴性的病例数量；F2表示正确判断为阴性的病例中经医生再判断判断为阳性的病例数量。
2.根据权利要求1所述的基于双阈值的去噪方法，其特征在于，S1包括：
S101：获取病例的病理影像数据；
S102：基于病理影像数据，提取获得病理特征数据。
3.根据权利要求1所述的基于双阈值的去噪方法，其特征在于，S2包括：
S201：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；
S202：基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
4.根据权利要求1所述的基于双阈值的去噪方法，其特征在于，S3包括：
S301：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；
S302：基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断。
5.根据权利要求1所述的基于双阈值的去噪方法，其特征在于，S301包括：
S3011：获取预设的空白数据库；
S3012：基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；
S3013：基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
6.基于双阈值的去噪系统，其特征在于，包括：
数据获取模块，用于获取病例的病理特征数据；
病理预测模块，用于基于神经网络预测模型，将病理特征数据进行病理分析预测，获得病理定性分析概率预测值；
病理诊断模块，用于将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断；
还包括辅助诊断模块，用于辅助医生进行再诊断；辅助诊断模块包括辅助诊断条件设置单元和辅助诊断条件应用单元；
辅助诊断条件设置单元，用于根据病理数据提取待诊断病例的临床症状数量，将临床症状的数量占病例定位阳性临床症状的数据的百分比作为第一辅助诊断条件；将临床症状的持续时长作为第二辅助诊断条件；
辅助诊断条件应用单元，用于根据第一辅助诊断条件和第二辅助诊断条件进行辅助诊断，若第一辅助诊断条件大于预设的百分比阈值，并且第二辅助诊断条件大于预设的持续时长阈值，则将待诊断病例列为疑似阳性病例；将疑似阳性病例的临床症状带入预设的症状发展趋势预测模型，获得症状发展预测阶段值，若症状发展预测阶段值大于预设的症状发展预测阶段阈值，则将疑似阳性病例确定为阳性；
为了检验和评估阈值设置的准确性，通过医生的再诊断的结果，可计算诊断的阳性结果综合准确率，通过比较综合准确率与预设的综合准确率的阈值大小，评估预测的准确性，并设置准确率偏差值与阈值的调整关系，根据准确率偏差值的大小，相应地调整阈值大小；阳性结果综合准确率的计算公式为：
M代表阳性结果综合准确率，T表示正确判断为阳性的病例数量，F表示正确判断为阴性的病例数量，F1表示正确判断为阳性的病例中经医生再判断判断为阴性的病例数量；F2表示正确判断为阴性的病例中经医生再判断判断为阳性的病例数量。
7.根据权利要求6所述的基于双阈值的去噪系统，其特征在于，
数据获取模块包括：获取病例的病理影像数据；基于病理影像数据，提取获得病理特征数据；
病理预测模块包括：设置神经网络预测模型，神经网络预测模型的输入数据为病理特征数据，输出数据为定性成疾病的概率预测值；基于预设的神经网络预测模型，对病理特征数据进行病理定性分析预测，获得病理定性分析概率预测值。
8.根据权利要求6所述的基于双阈值的去噪系统，其特征在于，
病理诊断模块包括：基于预设的云平台数据库，设置概率预测值-疾病定性的匹配关系库；基于概率预测值-疾病定性的匹配关系库，将病理定性分析概率预测值与预设的第一阈值和第二阈值进行比较，若概率预测值大于第一阈值，则将病例分析定性为阳性，若概率预测值小于第二阈值，则将病例分析定性为阴性，若概率预测值大于第二阈值并且小于第一阈值，则由医生再诊断；
设置概率预测值-疾病定性的匹配关系库，包括：获取预设的空白数据库；基于历史病理特征数据，获取病理定性分析概率预测值与疾病定性的对应规则；基于对应规则，将病理定性分析概率预测值与疾病定性的匹配数据集，存入空白数据库，生成概率预测值-疾病定性的匹配关系库。
9.根据权利要求8所述的基于双阈值的去噪系统，其特征在于，病理诊断模块还包括阈值调整单元，用于根据病理特征数据的分布情况进行针对性阈值调整；具体包括：
设置病理定性分析概率预测值与预设的第一阈值的第一距离，病理定性分析概率预测值与第二阈值的第二距离；
基于诊断进程中获得的历史病理定性分析概率预测值，若病理定性分析概率预测值小于第一距离的数量大于预设的第一数量阈值，则按照预设的调整幅度调小第一阈值；若病理定性分析概率预测值小于第二距离的数量大于预设的第二数量阈值，则按照预设的调整幅度调大第二阈值。
CN202310329833.1A 2023-03-30 2023-03-30 基于双阈值的去噪方法及系统 Active CN116469540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310329833.1A CN116469540B (zh) 2023-03-30 2023-03-30 基于双阈值的去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310329833.1A CN116469540B (zh) 2023-03-30 2023-03-30 基于双阈值的去噪方法及系统

Publications (2)

Publication Number Publication Date
CN116469540A CN116469540A (zh) 2023-07-21
CN116469540B true CN116469540B (zh) 2023-11-14

Family

ID=87179879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310329833.1A Active CN116469540B (zh) 2023-03-30 2023-03-30 基于双阈值的去噪方法及系统

Country Status (1)

Country Link
CN (1) CN116469540B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001077686A2 (en) * 2000-04-05 2001-10-18 Neurologic, Inc. Cellular calcium responce for diagnosis of alzheimer's disease
CN111462102A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法
CN111899884A (zh) * 2020-06-23 2020-11-06 北京左医科技有限公司 智能辅助问诊方法、装置和存储介质
CN112102250A (zh) * 2020-08-20 2020-12-18 西北大学 训练数据为缺失标注的病理图像检测模型建立、检测方法
CN112309566A (zh) * 2020-09-30 2021-02-02 中国地质大学（武汉） 影像智能识别与医学智能推理的远程自动诊断系统及方法
JP2021033919A (ja) * 2019-08-29 2021-03-01 コニカミノルタ株式会社 診断支援システム、診断支援装置及びプログラム。
CN112465789A (zh) * 2020-12-02 2021-03-09 智程工场(佛山)科技有限公司 一种早产儿视网膜plus病变的检测方法及系统
CN113689958A (zh) * 2021-08-27 2021-11-23 苏州立威新谱生物科技有限公司 一种基于大数据的慢性病病情预测方法、系统及存储介质
WO2022027714A1 (zh) * 2020-08-06 2022-02-10 深圳市第二人民医院(深圳市转化医学研究院) 诊断模型的诊断能力的评估方法、系统、设备和存储介质
CN114300141A (zh) * 2021-12-29 2022-04-08 天津开心生活科技有限公司 患病风险等级预测方法及装置、可读存储介质及电子设备
CN115762768A (zh) * 2022-12-28 2023-03-07 科郦有限公司 一种辅助诊断的方法、装置、设备及可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001077686A2 (en) * 2000-04-05 2001-10-18 Neurologic, Inc. Cellular calcium responce for diagnosis of alzheimer's disease
JP2021033919A (ja) * 2019-08-29 2021-03-01 コニカミノルタ株式会社 診断支援システム、診断支援装置及びプログラム。
CN111462102A (zh) * 2020-04-07 2020-07-28 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法
CN111899884A (zh) * 2020-06-23 2020-11-06 北京左医科技有限公司 智能辅助问诊方法、装置和存储介质
WO2022027714A1 (zh) * 2020-08-06 2022-02-10 深圳市第二人民医院(深圳市转化医学研究院) 诊断模型的诊断能力的评估方法、系统、设备和存储介质
CN112102250A (zh) * 2020-08-20 2020-12-18 西北大学 训练数据为缺失标注的病理图像检测模型建立、检测方法
CN112309566A (zh) * 2020-09-30 2021-02-02 中国地质大学（武汉） 影像智能识别与医学智能推理的远程自动诊断系统及方法
CN112465789A (zh) * 2020-12-02 2021-03-09 智程工场(佛山)科技有限公司 一种早产儿视网膜plus病变的检测方法及系统
CN113689958A (zh) * 2021-08-27 2021-11-23 苏州立威新谱生物科技有限公司 一种基于大数据的慢性病病情预测方法、系统及存储介质
CN114300141A (zh) * 2021-12-29 2022-04-08 天津开心生活科技有限公司 患病风险等级预测方法及装置、可读存储介质及电子设备
CN115762768A (zh) * 2022-12-28 2023-03-07 科郦有限公司 一种辅助诊断的方法、装置、设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
麻疹和风疹临床特征及监测病例定义的敏感度和特异度分析;王涛 等;疾病监测;第28卷(第02期);第118-121页 *

Also Published As

Publication number Publication date
CN116469540A (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Oh et al. Identifying schizophrenia using structural MRI with a deep learning algorithm
CN109770903B (zh) 功能磁共振影像的分类预测系统
Moguilner et al. Dynamic brain fluctuations outperform connectivity measures and mirror pathophysiological profiles across dementia subtypes: a multicenter study
CN114999629B (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
Al-Adhaileh Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm
US20220172805A1 (en) System and method for automatically determining serious adverse events
EP3745413B1 (en) A method and system for predicting neurological disease
Li et al. Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning
Gajula et al. An MRI brain tumour detection using logistic regression-based machine learning model
Ong et al. Detection of subtle white matter lesions in MRI through texture feature extraction and boundary delineation using an embedded clustering strategy
Shukla et al. Alz-ConvNets for classification of Alzheimer disease using transfer learning approach
Balnarsaiah et al. Parkinson’s disease detection using modified ResNeXt deep learning model from brain MRI images
CN117315379A (zh) 面向深度学习的医学影像分类模型公平性评估方法及装置
CN116469540B (zh) 基于双阈值的去噪方法及系统
CN115337000B (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
CN116013522A (zh) 一种用于带状疱疹后遗神经痛的预测方法及系统
CN114628034A (zh) 阿尔兹海默症评估方法、系统、设备及存储介质
WO2022130006A1 (en) A prognosis and early diagnosis method and system and choosing the best treatment based on data fusion and information analysis by artificial intelligence, with the ability to modify and improve information and results according to machine learning
CN116738352B (zh) 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置
US20230162827A1 (en) Method and system for predicting neurological treatment
CN117995345A (zh) 基于人工智能的神经系统医学磁共振影像报告自动校正方法及系统
Antony et al. Detection of Alzheimer's Disease Stages Based on Deep Learning Architectures from MRI Images
Yatnalli et al. EEG based Detection of Schizophrenia using Machine Learning
Surabhi et al. Diabetic Retinopathy Classification using Deep Learning Techniques
KR20220038765A (ko) 섬유증 연결 조직 네트워크 형성을 분석, 검출 및 치료하기 위한 시스템들 및 방법들

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