CN116504394B - 基于多特征融合的辅助医疗方法、装置及计算机存储介质 - Google Patents

基于多特征融合的辅助医疗方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN116504394B
CN116504394B CN202310736534.XA CN202310736534A CN116504394B CN 116504394 B CN116504394 B CN 116504394B CN 202310736534 A CN202310736534 A CN 202310736534A CN 116504394 B CN116504394 B CN 116504394B
Authority
CN
China
Prior art keywords
model
patient
disease development
data
development condition
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
CN202310736534.XA
Other languages
English (en)
Other versions
CN116504394A (zh
Inventor
李晨光
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.)
Zhu Xianyi Memorial Hospital Of Tianjin Medical University
Original Assignee
Zhu Xianyi Memorial Hospital Of Tianjin Medical University
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 Zhu Xianyi Memorial Hospital Of Tianjin Medical University filed Critical Zhu Xianyi Memorial Hospital Of Tianjin Medical University
Priority to CN202310736534.XA priority Critical patent/CN116504394B/zh
Publication of CN116504394A publication Critical patent/CN116504394A/zh
Application granted granted Critical
Publication of CN116504394B publication Critical patent/CN116504394B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了基于多特征融合的辅助医疗方法、装置及计算机存储介质，涉及辅助医疗技术领域；首先通过获取患者的视网膜眼底图像和血液的外泌体中标志物蛋白质，分别输入至第一模型和第二模型，由第一模型和第二模型分别输出两种数据，两种数据皆用于预测疾病的发展情况，两种数据加权融合，相比仅靠视网膜眼底图像的方式，可以更准确的得出患者重症化的概率；通过视网膜眼底图像与外泌体标志物蛋白质的两个检测步骤的结合，若视网膜眼底图像可大概率排除重症化风险，即可结束检测，无需进一步执行第二模型预测，提升了检测效率，节省患者时间和医疗资源。

Description

基于多特征融合的辅助医疗方法、装置及计算机存储介质
技术领域
本发明涉及辅助医疗技术领域，尤其是涉及基于多特征融合的辅助医疗方法、装置及计算机存储介质。
背景技术
随着社会经济的发展，人口老龄化、生活方式改变等因素，导致糖尿病患病率在世界范围内呈上升趋势，现有的糖尿病防治技术主要分为两类：第一类是从大数据中分析出影响糖尿病发生的主要因素，从而来预防糖尿病；第二类是对糖尿病发生风险的预测。
在2型糖尿病诊断时，通常会考虑将患者的视网膜眼底图像作为考虑因素，但现有技术中通常仅基于视网膜眼底图像的特征提取，缺乏全面的考虑患者的个体性差异，可能导致预测糖尿病诊断结果不准确。
另外，糖尿病患者是否具有重症化的发展趋势，也是预测和诊断中的重要目标，现有技术中仅能够对照患者当前信息给出诊断结果，往往不能结合其他方面的因素对糖尿病患者是否有重症化的发展趋势进行准确预测。
因此，亟需设计一种能够不局限于仅依靠患者视网膜眼底图像得出诊断结果，以及预测患者是否有重症化的发展趋势的方法和系统。
发明内容
本发明提供基于多特征融合的辅助医疗方法，包括如下步骤：
S100、采集患者的视网膜眼底图像，并将所述图像输入第一模型中，由第一模型输出第一分类结果；
S200、判定第一分类结果类型，若第一分类结果为健康或轻症则结束流程；若第一分类结果为中症或重症，则进入S300；
S300、采集患者的血液，获取血液外泌体中指定的标志物蛋白质含量，将所述标志物蛋白质含量输入至第二模型中，由第二模型输出第二分类结果；
S400、根据第一分类结果和第二分类结果，得出患者的重症化概率。
进一步，在S100中，所述第一模型的获取方式包括：
S101、获取用于训练的第一样本数据；
S102、通过所述样本数据训练卷积神经网络，得到第一模型；
S103、根据患者的实际病程情况对所述第一模型进行更新训练。
进一步，在S101中，所述第一样本数据的采集人群为健康人群和2型糖尿病人群，所述第一样本数据的采集类型为视网膜眼底图像；
将健康人群和2型糖尿病人群提供的视网膜眼底图像分别按照对应的疾病发展情况数据进行标注，获得第一样本，所述疾病发展情况数据包括健康、轻症、中症、重症。
进一步，在S103中，对所述第一模型进行更新训练的步骤为：
S1031：将采集到患者的视网膜眼底图像输入第一模型，由第一模型输出对应的疾病发展情况预测值；
S1032：计算患者的疾病发展情况预测值与患者的疾病发展情况实际值的误差，若疾病发展情况预测值与疾病发展情况实际值的误差超过阈值，则将疾病发展情况实际值与患者对应的视网膜眼底图像作为样本数据对第一模型进行更新训练；若预测值与实际值的误差不超过阈值，则不对第一模型进行更新训练。
进一步，在S300中，所述第二模型的训练方式包括：
S301、选取备选标志物蛋白质作为后续所需采集的标志物蛋白质种类；
S302、获取用于训练的第二样本数据；
S303、利用所述第二样本数据训练卷积神经网络，得到第二模型；
S304、根据患者的实际病程情况对第二模型进行更新训练。
进一步，在S301中，所述备选标志物蛋白质为存在于外泌体中特定的标志物蛋白质。
进一步，在S302中，所述第二样本数据的采集人群为健康人群和2型糖尿病人群，所述第二样本数据的采集类型为血液检测结果中属于备选标志物蛋白质的含量；
所述S303具体为：将健康人群血液检测数据中属于同一所述备选标志物蛋白质含量的检测值作为基准值，将2型糖尿病人群血液检测数据中属于所述备选标志物蛋白质含量的检测值与所述基准值匹配，获得2型糖尿病人群的疾病发展情况检测值与所述疾病发展情况基准值偏离超过阈值的备选标志物蛋白质，以及超过阈值的所述备选标志物蛋白质的相应含量，将偏离超过阈值的所述备选标志物蛋白质和相应含量作为所述第二模型的输入数据，将所述疾病发展情况作为输出数据，对卷积神经网络训练，从而得到第二模型；
将所述数据项的偏离值集合作为输入数据，将所述疾病发展情况作为输出数据。
进一步，在S304中，所述第二模型进行更新训练的步骤为：
S3041：将采集到患者的血液检测结果输入第二模型，由第二模型输出对应的疾病发展情况数据；
S3042：计算患者的疾病发展情况预测值与患者的疾病发展情况实际值的误差，若疾病发展情况预测值与疾病发展情况实际值的误差超过阈值，则将疾病发展情况实际值与患者对应的血液检测结果作为样本数据对第二模型进行更新训练；若疾病发展情况预测值与疾病发展情况实际值的误差不超过阈值，则不对第二模型进行更新训练。
基于多特征融合的辅助医疗装置，使用如上述任一项所述的基于多特征融合的辅助医疗方法，包括如下模块：
云服务器：用于运行第一模型和第二模型，所述第一模型用于根据视网膜眼底图像预测疾病发展情况；所述第二模型用于根据蛋白质数据预测疾病发展情况；
图像采集模块：与云服务器连接，用于采集患者视网膜眼底图像，并输入第一模型；
蛋白质数据采集模块：与云服务器连接，用于采集患者血液中蛋白质数据，并获取指定的标志物蛋白质数据输入第二模型。
一种计算机储存介质，所述计算机储存介质上存储有计算机程序，所述计算机程序被上述的基于多特征融合的辅助医疗装置执行时，实现上述的基于多特征融合的辅助医疗方法。
与现有技术相比较，本发明的有益效果在于：
其一，在进行糖尿病检测时，通过对患者的视网膜眼底图像和外泌体中标志物蛋白质这两类数据分别获取单位时间后预测疾病发展情况数据，并对两种数据进行融合，综合两种数据来对患者的重症化概率进行准确预测。
其二，在视网膜眼底图像预测中，利用患者在单位时间后疾病的发展情况对图像进行标注，相比现有仅考虑图像因素判定的方式而言预测精度更高。
其三，在外泌体标志物蛋白质的样本处理中，基于患者标志物蛋白质与健康人群的偏差值作为输入，并利用患者实际的疾病发展情况对该输入数据进行标注，可进一步提高预测准确度。
其四，由于视网膜眼底图像的检测较快，而血液的外泌体标志物蛋白质检测较慢，通过视网膜眼底图像与外泌体标志物蛋白质的两个检测步骤的结合，若视网膜眼底图像可大概率排除重症化风险，即可结束检测，从而提升了检测效率，节省患者时间和医疗资源。
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为基于多特征融合确定糖尿病患者重症化方法的流程示意图；
图2为基于多特征融合确定糖尿病患者重症化装置的模块示意图。
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。
本发明公开了基于多特征融合的辅助医疗方法、装置及计算机存储介质，涉及糖尿病重症化预测技术领域，本发明通过获取患者的视网膜眼底图像和血液的外泌体中标志物蛋白质分别输入第一模型和第二模型，由第一模型和第二模型分别输出两种数据预测单位时间后预测疾病发展情况数据，两种数据加权融合，相比仅靠视网膜眼底图像的方式，可以更准确的得出患者重症化的概率。
具体实施方式一
本发明实施例提供了基于多特征融合的辅助医疗方法，图1为基于多特征融合确定糖尿病患者重症化方法的流程示意图，包括如下步骤：
步骤S100、采集患者的视网膜眼底图像，并将所述图像输入第一模型中，由第一模型输出第一分类结果。
在步骤S100中，所述第一模型的获取方式包括：
步骤S101、获取用于训练的第一样本数据。
在步骤S101中，所述第一样本数据的采集人群为健康人群和2型糖尿病人群，所述第一样本数据的采集类型为视网膜眼底图像；
将健康人群和2型糖尿病人群提供的视网膜眼底图像分别按照对应的疾病发展情况数据进行标注，获得第一样本，所述疾病发展情况包括健康、轻症、中症、重症。
步骤S102、通过所述第一样本数据训练卷积神经网络，得到第一模型。
具体地，第一分类结果即为第一模型输出对患者单位时间疾病发展情况的数据，且输出的具体疾病发展数据类型会标注在输入第一模型的对应视网膜眼底图像上，在视网膜眼底图像预测中，利用患者在单位时间后疾病的发展情况对图像进行标注，相比现有技术中，依靠医生仅考虑图像因素诊断并预测后续发展的方式而言，有大量作为训练数据的案例预测精度更高。
步骤S103、根据患者的实际病程情况对所述第一模型进行更新训练。
在步骤S103中，对所述第一模型进行更新训练的步骤为：
步骤S1031：将采集到患者的视网膜眼底图像输入第一模型，由第一模型输出对应的疾病发展情况预测值；
步骤S1032：计算患者的疾病发展情况预测值与患者的疾病发展情况实际值的误差，若疾病发展情况预测值与疾病发展情况实际值的误差超过阈值，则将疾病发展情况实际值与患者对应的视网膜眼底图像作为样本数据，对第一模型进行更新训练；若预测值与实际值的误差不超过阈值，则不对第一模型进行更新训练。
具体地，将实际病例作为训练数据对第一模型进行持续的训练更新，当患者输入第一模型后，第一模型根据输入的图像计算出匹配度最高的疾病发展情况数据，若患者实际在单位时间内疾病发展情况与第一模型输出的疾病发展情况数据不符合，则将该患者的图像信息和对应的疾病发展情况输入第一模型作为训练数据，用于提高第一模型输出疾病发展情况数据的准确度。
步骤S200、判定第一分类结果类型，若第一分类结果为健康或轻症则结束流程；若第一分类结果为中症或重症，则进入步骤S300。
具体地，由于视网膜眼底图像的检测较快，而血液的外泌体标志物蛋白质检测较慢，通过视网膜眼底图像与外泌体标志物蛋白质的两个检测步骤的结合，若视网膜眼底图像可大概率排除重症化风险，即可结束检测，从而提升了检测效率，节省患者时间和医疗资源。
步骤S300、采集患者的血液，获取血液外泌体中指定的标志物蛋白质含量，将所述标志物蛋白质含量输入至第二模型中，由第二模型输出第二分类结果。
在步骤S300中，所述第二模型的训练方式包括：
步骤S301、选取备选标志物蛋白质作为后续所需采集的标志物蛋白质种类。
选取以下存在于外泌体中的标志物蛋白质，作为备选标志物蛋白质。
COPB2、KRAS、PRKCB、RHOC、CD147、CAPN2、ECM1、FGG、MFAP4、ADI1、AK1、MGAT1、CLDN3、CRP、UQCRC2、FGA、FGB、FGL1、GPX1、GSK3B、LBP、PDGFC、RAB13、RAP1B、SLC6A4、UBA7、ORM1、RNPEP、ANGPT1、APOB、B4GALT1、BHMT、CPN1、GNAZ、ICAM2、SELL、MAN1A1、SERPINA5、PACSIN2、NCF1B、TMEM59、YWHAB、ABAT、ADH1B、ASL、ASS1、CDH2、CAB39、CPS1、CD226、COL6A3、CUL4A、DSC1、ENTPD5、EIF4A1、FN1、PGC、RHEB、GNAI2、GNB1、GNA13、ITGA2B、ITGB1、ILK、F11R、LTA4H、LIMS1、NAV2、FAM129B、NNMT、NID1、PPIA、PLA1A、PPBP、PECAM1、GP1BB、PCSK9、MENT、SERPINA10、F2RL3、LOX、SFTPB、RAB5B、RALB、REEP6、RETN、AGXT、CCT2、THBD、ISG15、及ZYX。
在步骤S301中，所述备选标志物蛋白质为存在于外泌体中特定的标志物蛋白质。
步骤S302、获取用于训练的第二样本数据。
在步骤S302中，所述第二样本数据的采集人群为健康人群和2型糖尿病人群，所述第二样本数据的采集类型为血液检测结果中属于备选标志物蛋白质的含量；
所述S303具体为：将健康人群血液检测数据中属于所述备选标志物蛋白质含量的检测值作为基准值，将2型糖尿病人群血液检测数据中属于同一所述备选标志物蛋白质含量的检测值与所述基准值匹配，获得2型糖尿病人群的疾病发展情况检测值与所述疾病发展情况基准值偏离超过阈值的备选标志物蛋白质，以及超过阈值的所述备选标志物蛋白质的相应含量，将偏离超过阈值的所述备选标志物蛋白质和相应含量作为所述第二模型的输入数据，将所述疾病发展情况作为输出数据，对卷积神经网络训练，从而得到第二模型。
具体地，将上述数据项偏离值的集合、患者实际的疾病发展情况分别作为输入和输出数据。
例如：患者1血液中COPB2、KRAS、PRKCB、RHOC、CD147、CAPN2、ECM1、FGG、及MFAP4这几种标志物蛋白质，与基准值偏离超过阈值。则将{COPB2、KRAS、PRKCB、RHOC、CD147、CAPN2、ECM1、FGG、MFAP4}及其与基准值的偏离值作为输入，该患者1在一段时间后的疾病发展情况作为输出。
步骤S303、利用所述第二样本数据训练卷积神经网络，得到第二模型。
具体地，第二分类结果即为第二模型输出对患者单位时间疾病发展情况的数据，输入第二模型的数据需要先确定健康人群属于备选标志物蛋白质的基准值，再采集患者属于所述备选标志物蛋白质的检测值，最后将检测值与基准值偏离超过设定阈值的数据项输入第二模型，利用患者实际的疾病发展情况对该输入数据进行标注，可进一步提高预测准确度。
步骤S304、根据患者的实际病程情况对第二模型进行更新训练。
在步骤S304中，所述第二模型进行更新训练的步骤为：
步骤S3041：将采集到患者的血液检测结果输入第二模型，由第二模型输出对应的疾病发展情况数据；
步骤S3042：计算患者的疾病发展情况预测值与患者的疾病发展情况实际值的误差，若疾病发展情况预测值与疾病发展情况实际值的误差超过阈值，则将疾病发展情况实际值与患者对应的血液检测结果作为样本数据对第二模型进行更新训练；若疾病发展情况预测值与疾病发展情况实际值的误差不超过阈值，则不对第二模型进行更新训练。
具体地，将实际病例作为训练数据对第二模型进行持续的训练更新，当患者输入第二模型后，第二模型根据输入的数据项的偏离值计算出匹配度最高的疾病发展情况数据，若患者实际在单位时间内疾病发展情况与第二模型输出的疾病发展情况数据不符合，则将该患者的蛋白质检测值和对应的疾病发展情况输入第二模型作为训练数据，用于提高第二模型输出疾病发展情况数据的准确度。
步骤S400、根据第一分类结果和第二分类结果，得出患者的重症化概率。
具体地，将所述第一分类结果和第二分类结果进行加权融合，得出患者的重症化概率；所述加权融合中采用的权重通过实际数据训练获得。
更进一步地，将第一分类结果和第二分类结果存在区别的部分进行统计，与患者实际疾病重症化情况对照，获得第一分类结果与第二分类结果存在区别的部分，具体是第一分类结果更符合患者实际疾病重症化情况，还是第二分类结果更符合患者实际疾病重症化情况，并通过统计该类历史数据作为所述加权融合的权重判定，若第二分类结果存在区别的部分更符合患者实际疾病重症化情况，则判定第一分类结果与第二分类结果加权融合后赋予第二分类结果更大的权重。
具体实施方式二
本发明还提出了基于多特征融合的辅助医疗装置，如图2所示。使用上述基于多特征融合的辅助医疗方法，包括如下模块：
云服务器：用于运行第一模型和第二模型，所述第一模型用于根据视网膜眼底图像预测疾病发展情况；所述第二模型用于根据蛋白质数据预测疾病发展情况；
图像采集模块：与云服务器连接，用于采集患者视网膜眼底图像，并输入第一模型；
蛋白质数据采集模块：与云服务器连接，用于采集患者血液中蛋白质数据，并获取指定的标志物蛋白质数据输入第二模型。
实施例三
一种计算机储存介质，所述计算机储存介质上存储有计算机程序，所述计算机程序被上述的基于多特征融合的辅助医疗装置执行时，实现上述的基于多特征融合的辅助医疗方法。
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 (5)

1.基于多特征融合的辅助医疗方法，其特征在于，包括如下步骤：
S100、采集患者的视网膜眼底图像，并将所述图像输入第一模型中，由第一模型输出第一分类结果；在S100中，所述第一模型的获取方式包括：
S101、获取用于训练的第一样本数据；
S102、通过所述第一样本数据训练卷积神经网络，得到第一模型；
S103、根据患者的实际病程情况对所述第一模型进行更新训练；在S103中，对所述第一模型进行更新训练的步骤为：
S1031：将采集到患者的视网膜眼底图像输入第一模型，由第一模型输出对应的疾病发展情况预测值；
S1032：计算患者的疾病发展情况预测值与患者的疾病发展情况实际值的误差，若疾病发展情况预测值与疾病发展情况实际值的误差超过阈值，则将疾病发展情况实际值与患者对应的视网膜眼底图像作为样本数据，对第一模型进行更新训练；若预测值与实际值的误差不超过阈值，则不对第一模型进行更新训练；
S200、判定第一分类结果类型，若第一分类结果为健康或轻症则结束流程；若第一分类结果为中症或重症，则进入S300；
S300、采集患者的血液，获取血液外泌体中指定的标志物蛋白质含量，将所述标志物蛋白质含量输入至第二模型中，由第二模型输出第二分类结果；在S300中，所述第二模型的训练方式包括：
S301、选取备选标志物蛋白质作为后续所需采集的标志物蛋白质种类；在步骤S301中，选取的备选标志物蛋白质包括：COPB2、KRAS、PRKCB、RHOC、CD147、CAPN2、ECM1、FGG、MFAP4、ADI1、AK1、MGAT1、CLDN3、CRP、UQCRC2、FGA、FGB、FGL1、GPX1、GSK3B、LBP、PDGFC、RAB13、RAP1B、SLC6A4、UBA7、ORM1、RNPEP、ANGPT1、APOB、B4GALT1、BHMT、CPN1、GNAZ、ICAM2、SELL、MAN1A1、SERPINA5、PACSIN2、NCF1B、TMEM59、YWHAB、ABAT、ADH1B、ASL、ASS1、CDH2、CAB39、CPS1、CD226、COL6A3、CUL4A、DSC1、ENTPD5、EIF4A1、FN1、PGC、RHEB、GNAI2、GNB1、GNA13、ITGA2B、ITGB1、ILK、F11R、LTA4H、LIMS1、NAV2、FAM129B、NNMT、NID1、PPIA、PLA1A、PPBP、PECAM1、GP1BB、PCSK9、MENT、SERPINA10、F2RL3、LOX、SFTPB、RAB5B、RALB、REEP6、RETN、AGXT、CCT2、THBD、ISG15、及ZYX；
S302、获取用于训练的第二样本数据；其中，在S302中，所述第二样本数据的采集人群为健康人群和2型糖尿病人群，所述第二样本数据的采集类型为血液检测结果中属于备选标志物蛋白质的含量；
S303、利用所述第二样本数据训练卷积神经网络，得到第二模型；所述S303具体为：将健康人群血液检测数据中属于所述备选标志物蛋白质含量的检测值作为基准值，将2型糖尿病人群血液检测数据中属于同一所述备选标志物蛋白质含量的检测值与所述基准值匹配，获得2型糖尿病人群的疾病发展情况检测值与所述疾病发展情况基准值偏离超过阈值的备选标志物蛋白质，以及超过阈值的所述备选标志物蛋白质的相应含量，将偏离超过阈值的所述备选标志物蛋白质和相应含量作为所述第二模型的输入数据，将疾病发展情况作为输出数据，对卷积神经网络训练，从而得到第二模型；
S304、根据患者的实际病程情况对第二模型进行更新训练；
S400、根据第一分类结果和第二分类结果，得出患者的重症化概率。
2.根据权利要求1所述的基于多特征融合的辅助医疗方法，其特征在于，在S101中，所述第一样本数据的采集人群为健康人群和2型糖尿病人群，所述第一样本数据的采集类型为视网膜眼底图像；
将健康人群和2型糖尿病人群提供的视网膜眼底图像分别按照对应的疾病发展情况数据进行标注，获得所述第一样本，所述疾病发展情况包括健康、轻症、中症、重症。
3.根据权利要求1所述的基于多特征融合的辅助医疗方法，其特征在于，在S304中，所述第二模型进行更新训练的步骤为：
S3041：将采集到患者的血液检测结果输入第二模型，由第二模型输出对应的疾病发展情况数据；
S3042：计算患者的疾病发展情况预测值与患者的疾病发展情况实际值的误差，若疾病发展情况预测值与疾病发展情况实际值的误差超过阈值，则将疾病发展情况实际值与患者对应的血液检测结果作为样本数据对第二模型进行更新训练；若疾病发展情况预测值与疾病发展情况实际值的误差不超过阈值，则不对第二模型进行更新训练。
4.基于多特征融合的辅助医疗装置，使用如权利要求1-3任一项所述的基于多特征融合的辅助医疗方法，其特征在于，包括如下模块：
云服务器：用于运行第一模型和第二模型，所述第一模型用于根据视网膜眼底图像预测疾病发展情况；所述第二模型用于根据蛋白质数据预测疾病发展情况；
图像采集模块：与云服务器连接，用于采集患者视网膜眼底图像，并输入第一模型；
蛋白质数据采集模块：与云服务器连接，用于采集患者血液中蛋白质数据，并获取指定的标志物蛋白质数据输入第二模型。
5.一种计算机储存介质，其特征在于，所述计算机储存介质上存储有计算机程序，所述计算机程序被权利要求4所述的基于多特征融合的辅助医疗装置执行时，实现如权利要求1至3中任一项所述的基于多特征融合的辅助医疗方法。
CN202310736534.XA 2023-06-21 2023-06-21 基于多特征融合的辅助医疗方法、装置及计算机存储介质 Active CN116504394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310736534.XA CN116504394B (zh) 2023-06-21 2023-06-21 基于多特征融合的辅助医疗方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310736534.XA CN116504394B (zh) 2023-06-21 2023-06-21 基于多特征融合的辅助医疗方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN116504394A CN116504394A (zh) 2023-07-28
CN116504394B true CN116504394B (zh) 2024-01-30

Family

ID=87316814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310736534.XA Active CN116504394B (zh) 2023-06-21 2023-06-21 基于多特征融合的辅助医疗方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116504394B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308545A (zh) * 2018-08-21 2019-02-05 中国平安人寿保险股份有限公司 预测患糖尿病几率的方法、装置、计算机设备及存储介质
CN110197724A (zh) * 2019-03-12 2019-09-03 平安科技（深圳）有限公司 预测糖尿病患病阶段的方法、装置及计算机设备
CN111260209A (zh) * 2020-01-14 2020-06-09 山东大学 电子病历与医学影像结合的心血管疾病风险预测评估系统
CN111475804A (zh) * 2020-03-05 2020-07-31 浙江省北大信息技术高等研究院 一种告警预测方法及系统
CN114511569A (zh) * 2022-04-20 2022-05-17 中南大学湘雅医院 基于肿瘤标志物的医学图像识别方法、装置、设备及介质
CN114520052A (zh) * 2022-02-10 2022-05-20 复旦大学 一种基于多模态融合的胰腺癌早期诊断方法与系统
CN114897272A (zh) * 2022-06-14 2022-08-12 阿里云计算有限公司 污水检查井的液位预测方法、装置、电子设备及存储介质
CN115831364A (zh) * 2022-12-14 2023-03-21 东北林业大学 基于多模态特征融合的2型糖尿病风险分层预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308545A (zh) * 2018-08-21 2019-02-05 中国平安人寿保险股份有限公司 预测患糖尿病几率的方法、装置、计算机设备及存储介质
CN110197724A (zh) * 2019-03-12 2019-09-03 平安科技（深圳）有限公司 预测糖尿病患病阶段的方法、装置及计算机设备
CN111260209A (zh) * 2020-01-14 2020-06-09 山东大学 电子病历与医学影像结合的心血管疾病风险预测评估系统
CN111475804A (zh) * 2020-03-05 2020-07-31 浙江省北大信息技术高等研究院 一种告警预测方法及系统
CN114520052A (zh) * 2022-02-10 2022-05-20 复旦大学 一种基于多模态融合的胰腺癌早期诊断方法与系统
CN114511569A (zh) * 2022-04-20 2022-05-17 中南大学湘雅医院 基于肿瘤标志物的医学图像识别方法、装置、设备及介质
CN114897272A (zh) * 2022-06-14 2022-08-12 阿里云计算有限公司 污水检查井的液位预测方法、装置、电子设备及存储介质
CN115831364A (zh) * 2022-12-14 2023-03-21 东北林业大学 基于多模态特征融合的2型糖尿病风险分层预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"在线学习算法综述";潘志松 等;《数据采集与处理》;第31卷(第6期);全文 *

Also Published As

Publication number Publication date
CN116504394A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111430029B (zh) 基于人工智能的多维度脑卒中预防筛查方法
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
JP7286863B2 (ja) 医療データの自動化された検証
CN113053535B (zh) 一种医疗信息预测系统及医疗信息预测方法
EP3576011A1 (en) Classification system and classification method of autoantibody immunofluorescence image
CN111653359A (zh) 一种出血性疾病的智能预测模型构建方法和预测系统
CN111312399A (zh) 一种早期预测妊娠糖尿病模型的建立方法
CN114220540A (zh) 一种糖尿病肾病风险预测模型的构建方法及应用
CN112991320B (zh) 脑出血患者血肿扩大风险预测系统及方法
CN114724716A (zh) 进展为2型糖尿病的风险预测的方法、模型训练及装置
CN111564223A (zh) 传染病生存概率的预测方法、预测模型的训练方法及装置
CN113392894A (zh) 一种多组学数据的聚类分析方法和系统
CN113470816A (zh) 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置
CN114373544A (zh) 一种基于机器学习的预测膜性肾病的方法、系统和装置
CN114974585A (zh) 一种妊娠期代谢综合征早期风险预测评估模型构建方法
CN112183572A (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
CN117349630B (zh) 一种用于生化数据分析的方法及系统
CN116504394B (zh) 基于多特征融合的辅助医疗方法、装置及计算机存储介质
CN115547502B (zh) 基于时序数据的血透病人风险预测装置
CN113838018B (zh) 基于Cnn-former的肝纤维化病变检测模型训练方法与系统
CN115910360A (zh) 一种烟雾病风险预测模型构建方法
CN116129182A (zh) 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法
Yördan et al. Hybrid AI-Based Chronic Kidney Disease Risk Prediction
EP3827434A1 (fr) Procede de prediction d'un bilan biologique
CN113555118B (zh) 一种病症程度的预测方法、装置、电子设备及存储介质

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