CN116564505A - 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质 - Google Patents

基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN116564505A
CN116564505A CN202310540069.2A CN202310540069A CN116564505A CN 116564505 A CN116564505 A CN 116564505A CN 202310540069 A CN202310540069 A CN 202310540069A CN 116564505 A CN116564505 A CN 116564505A
Authority
CN
China
Prior art keywords
neural network
network model
thyroid
classification
thyroid disease
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.)
Pending
Application number
CN202310540069.2A
Other languages
English (en)
Inventor
翟广涛
周慧芳
雷超宇
宋雪霏
杨希晨
王骐宇
张可言
孙瀚池
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.)
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
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 Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine filed Critical Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority to CN202310540069.2A priority Critical patent/CN116564505A/zh
Publication of CN116564505A publication Critical patent/CN116564505A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质，该方法包括：建立第一样本集，第一样本集中具有甲状腺疾病的数据构成患者集；训练第一神经网络模型，以使第一神经网络模型输出是否具有甲状腺疾病的分类；训练第二神经网络模型，以使第二神经网络模型输出具有何种甲状腺疾病的分类；训练第三神经网络模型，以使第三神经网络模型输出甲状腺功能七项指标的预测值；将待检测用户的数据分别输入第一神经网络模型、第二神经网络模型和第三神经网络模型得到预测结果。本发明通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源。

Description

基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质
技术领域
本发明涉及人工智能领域，具体地说，涉及基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质。
背景技术
甲状腺疾病包括甲状腺功能减退、甲状腺功能亢进、甲状腺结节、甲状腺炎和甲状腺癌等五类常见疾病，是内分泌系统的常见病。全国31个省市自治区的调查数据显示，我国成年人的甲状腺疾病总体患病率高达半数。早诊断和早治疗对于提高治愈率、减少合并症和降低疾病负担至关重要，而且甲状腺疾病作为一种慢性疾病，在病程中需要反复多次监测甲状腺情况，因此，需要一种甲状腺疾病的识别和筛查方式。
目前甲状腺疾病的检查手段主要包括体格检查、实验室检测、影像学检查、细针穿刺细胞学检查(FNA)等，但不同检查方式均有一定弊端。体格检查虽然简单方便，但依赖医生经验和主观判断，难以早期发现病变。实验室检测通过在医疗机构抽血进行检查甲状腺功能和自身抗体，例如检查血清中游离三碘甲状腺原氨酸(FT3)、游离甲状腺素(FT4)、促甲状腺激素(TSH)、抗甲状腺过氧化物酶自身抗体(TPOAb)、总三碘甲状腺原氨酸(TT3)、总甲状腺激素(TT4)、抗促甲状腺素受体抗体(TRAb)这七项指标的含量(以下简称甲功七项值)，是有创性检查。影像学检查中的超声检查能够发现甲状腺内直径2mm左右的微小病灶,可对甲状腺大小、结构、血流变化等信息进行分析。因而超声检查由于其高效且无创的特点成为了筛查诊断甲状腺结节的主要手段。然而超声检查需要医生全程参与，依赖医生经验，而且需要合格的超声检查仪器。FNA为术前鉴别甲状腺结节良恶性的金标准，但检查本身存在禁忌症和并发症，难以承担甲状腺疾病筛查任务。
人脸是反映身体稳态的便捷窗口，由于甲状腺疾病在人脸存在病理表现，这为识别、诊断、监测和管理甲状腺疾病提供了新的思路。部分甲状腺疾病外部特征性病变集中于眶面部形态的改变，如甲状腺功能亢进导致患者易激动、烦躁失眠、多汗、消瘦、突眼等，甲状腺功能减退导致患者表情呆滞、面色苍白、面部和(或)眼睑浮肿、皮肤干燥、粗糙、唇厚舌大等。人工智能已经显示出通过提取临床医生无法从现有数据中感知的隐藏信息来促进医学发现的潜力。然而在现有研究中，尚未有利用人脸图像筛查和识别甲状腺疾病的先例。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有技术中的问题，本发明提供了一种提供基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质。
本发明的实施例提供一种基于深度学习的甲状腺疾病筛查方法，包括以下步骤：
采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中具有甲状腺疾病的数据构成患者集；
基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；
基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；
基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；
将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。
优选地，所述第一样本集为元数据集、面部图像数据集或二者组合而成的融合数据集，其中，所述元数据至少包括以下一种或多种的组合：年龄、性别、身高或体重，所述面部图像数据集包括样本用户的面部图像。
优选地，所述基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类，包括：
对所述第一样本集进行数据压缩和特征提取；
基于得到的特征向量进行分类回归；
所述第一神经网络模型输出是否具有甲状腺疾病的分类结果。
优选地，所述基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类，包括：
对所述第一样本集进行数据压缩和特征提取；
基于得到的特征向量进行分类回归；
所述第二神经网络模型输出具有何种甲状腺疾病的分类结果。
优选地，所述基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值，包括：
对所述第一样本集进行数据压缩和特征提取；
基于得到的特征向量进行分类回归；
所述第三神经网络模型输出甲状腺功能七项指标的预测值。
优选地，所述将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果，包括：
将待检测用户的数据输入所述第一神经网络模型，当所述输出为患有甲状腺疾病时，执行后一步，否则执行后两步；
将待检测用户的数据输入所述第二神经网络模型，得到待检测用户具有何种甲状腺疾病的分类结果；
将待检测用户的数据输入所述第三神经网络模型，得到待检测用户的甲状腺功能七项指标的预测结果。
优选地，所述具有何种甲状腺疾病的分类结果至少包括：甲状腺功能减退、甲状腺功能亢进、甲状腺结节、甲状腺炎或甲状腺癌。
本发明的实施例还提供一种基于深度学习的甲状腺疾病筛查系统，用于实现上述的基于深度学习的甲状腺疾病筛查方法，所述基于深度学习的甲状腺疾病筛查系统包括：
样本采集模块，采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中具有甲状腺疾病的数据构成患者集；
第一训练模块，基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；
第二训练模块，基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；
第三训练模块，基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；
疾病预测模块，将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。
本发明的实施例还提供一种基于深度学习的甲状腺疾病筛查设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述基于深度学习的甲状腺疾病筛查方法的步骤。
本发明的实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述基于深度学习的甲状腺疾病筛查方法的步骤。
本发明的目的在于提供基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质，通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源，避免对患者的侵入性诊断。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的基于深度学习的甲状腺疾病筛查方法的流程图。
图2是本发明的TabNet深度网络的工作流程图。
图3是本发明的TabNet深度网络中Feature Transformer结构的示意图。
图4是本发明的TabNet深度网络中Attentive Transformer结构的示意图。
图5是本发明的CoAtNet网络的结构示意图。
图6是本发明的多模态融合的双流模型的示意图。
图7是本发明的XGBoost算法的基础架构示意图。
图8是本发明的基于深度学习的甲状腺疾病筛查系统的模块示意图。
图9是本发明的基于深度学习的甲状腺疾病筛查设备的结构示意图。
图10是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本申请所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用系统，本申请中的各项细节也可以根据不同观点与应用系统，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考，针对本申请的实施例进行详细说明，以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现，并不限定于此处说明的实施例。
在本申请的表示中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的表示意指结合该实施例或示例表示的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，表示的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本申请中表示的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于表示目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的表示中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了明确说明本申请，省略与说明无关的器件，对于通篇说明书中相同或类似的构成要素，赋予了相同的参照符号。
在通篇说明书中，当说某器件与另一器件“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种器件“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素排除在外，而是意味着可以还包括其它构成要素。
当说某器件在另一器件“之上”时，这可以是直接在另一器件之上，但也可以在其之间伴随着其它器件。当对照地说某器件“直接”在另一器件“之上”时，其之间不伴随其它器件。
虽然在一些实例中术语第一、第二等在本文中用来表示各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一接口及第二接口等表示。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例，并非意在限定本申请。此处使用的单数形态，只要语句未明确表示出与之相反的意义，那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化，并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
虽然未不同地定义，但包括此处使用的技术术语及科学术语，所有术语均具有与本申请所属技术领域的技术人员一般理解的意义相同的意义。普通使用的字典中定义的术语追加解释为具有与相关技术文献和当前提示的内容相符的意义，只要未进行定义，不得过度解释为理想的或非常公式性的意义。
图1是本发明的基于深度学习的甲状腺疾病筛查方法的流程图。如图1所示，本发明的基于深度学习的甲状腺疾病筛查方法，包括以下步骤：
S110、采集甲状腺检查数据库信息，建立第一样本集，第一样本集中具有甲状腺疾病的数据构成患者集；
S120、基于第一样本集训练初始神经网络，得到第一神经网络模型，以使第一神经网络模型输出是否具有甲状腺疾病的分类；
S130、基于患者集训练另一初始神经网络，得到第二神经网络模型，以使第二神经网络模型输出具有何种甲状腺疾病的分类；
S140、基于患者集训练又一初始神经网络，得到第三神经网络模型，以使第三神经网络模型输出甲状腺功能七项指标的预测值；
S150、将待检测用户的数据分别输入第一神经网络模型、第二神经网络模型和第三神经网络模型得到预测结果。
在一个优选实施例中，第一样本集为元数据集、面部图像数据集或二者组合而成的融合数据集，其中，元数据至少包括以下一种或多种的组合：年龄、性别、身高或体重，面部图像数据集包括样本用户的面部图像，但不以此为限。
在一个优选实施例中，S120，包括：
S121、对第一样本集进行数据压缩和特征提取；
S122、基于得到的特征向量进行分类回归；
S123、第一神经网络模型输出是否具有甲状腺疾病的分类结果，但不以此为限。
在一个优选实施例中，S130，包括：
S131、对第一样本集进行数据压缩和特征提取；
S132、基于得到的特征向量进行分类回归；
S133、第二神经网络模型输出具有何种甲状腺疾病的分类结果，但不以此为限。
在一个优选实施例中，S140，包括：
S141、对第一样本集进行数据压缩和特征提取；
S142、基于得到的特征向量进行分类回归；
S143、第三神经网络模型输出甲状腺功能七项指标的预测值，但不以此为限。
在一个优选实施例中，S150，包括：
S151、将待检测用户的数据输入第一神经网络模型，当输出为患有甲状腺疾病时，执行S152，否则执行S153；
S152、将待检测用户的数据输入第二神经网络模型，得到待检测用户具有何种甲状腺疾病的分类结果；
S153、将待检测用户的数据输入第三神经网络模型，得到待检测用户的甲状腺功能七项指标的预测结果，但不以此为限。
在一个优选实施例中，具有何种甲状腺疾病的分类结果至少包括：甲状腺功能减退、甲状腺功能亢进、甲状腺结节、甲状腺炎或甲状腺癌，但不以此为限。
本发明实施例的目的在于提供基于深度学习的甲状腺疾病筛查方法，通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源，避免对患者的侵入性诊断。
图2是本发明的TabNet深度网络的工作流程图。图3是本发明的TabNet深度网络中Feature Transformer结构的示意图。图4是本发明的TabNet深度网络中AttentiveTransformer结构的示意图。图5是本发明的CoAtNet网络的结构示意图。图6是本发明的多模态融合的双流模型的示意图。图7是本发明的XGBoost算法的基础架构示意图。
参考图1至7，本发明的具体实施步骤如下：
第一步：采集甲状腺检查数据库信息，建立第一样本集，第一样本集中具有甲状腺疾病的数据构成患者集。
本发明中，第一样本集可以为元数据集、面部图像数据集或二者组合而成的融合数据集三者之一。具体地，可以从医院的数据库中，采集接受过甲状腺功能检查(或甲状腺B超)的患者和正常人的元数据。其中，元数据至少包括以下一种或多种的组合：年龄、性别、身高或体重，面部图像数据集包含的即为患者和正常人的面部图像。
具体地，将采集到的面部图像首先按是否具有甲状腺疾病分类，若具有，则进一步按照五类甲状腺疾病进行分类，并给每一张面部图像都标记上相对应的元数据，最后获得带有标签(包括甲功七项值等元数据、甲状腺疾病类别)的面部图像数据集。将患病的数据单独取出，作为患者集。由此，得到了第一样本集和患者数据集，并将这两个数据集分别分为内部训练集和外部测试集。
对于标签数据，可以采用两种不同的处理方法。对甲功七项值等数值型数据进行归一化(标准化)处理，以去除量纲，化为无量纲的表达式，同时把数据映射到0至1范围内；对于性别等类别型数据，采用独热编码(one-hot)，将所有的one-hot编码特征首尾相连，构成输入向量，并乘以一个权重矩阵，得到一个输出向量。将这些元数据按照以上方法处理后，拼接成一个向量，作为TabNet的输入。
对于图像数据，先缩放为224*224大小的三通道彩色图片，再输入CoAtNet进行训练。
第一样本集中用于训练得到第一神经网络，患者集用于训练得到第二神经网络和第三神经网络。
第二步：基于第一样本集训练初始神经网络，得到第一神经网络模型，以使第一神经网络模型输出是否具有甲状腺疾病的分类。具体地，对第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；第一神经网络模型输出是否具有甲状腺疾病的分类结果。
具体地，由于第一样本集具有三种可能，即元数据集、面部图像数据集或二者组合而成的融合数据集。虽然三种数据集形式略有不同，但都是高层的语义层面上的不同应用，在低层的特征提取上并无区别。因此，可以将第一神经网络模型划分为两个部分，即特征提取模型和分类回归模型两类。特征提取模型，使用深度神经网络，对元数据、面部图像进行数据压缩和特征提取，再将得到的特征向量输入分类回归模型，完成识别是否具有甲状腺疾病的任务。
(一)特征提取模型的实现
1、第一样本集是元数据
元数据可以视作表格数据集，模型的输入是一列向量。一般而言，表格数据采用决策树模型进行特征提取，但此处为了保证后续多模态融合可以顺利进行，采用特殊的深度网络，称为TabNet，进行特征提取。该网络能够在保证深度网络的优点前提下，吸收决策树模型的可解释性和稀疏特征选择等优点。
参考图2，TabNet的工作流程为，输入原始数据，经过BN(批标准化)层，再经过Feature Transformer，用于提取对样本属性更加有效的信息特征，接着经过Split层，对信息表征进行切分，其中一部分用作当前步骤的输入，另一部分用作下一步骤的输入。然后再通过Attentive Transformer，依托注意力机制，学习每个样本中每个特征的重要程度，得到mask矩阵。最后的输出是上图中经过ReLU激活函数的向量。另外，每一步中的Mask矩阵的值连乘起来，可以得到每个样本中每个特征的重要程度，具有充分的可解释性。
接下来，就上述过程中的重要结构进行解释，包括Feature Transformer和Attentive Transformer.
Feature Transformer用于提取表格数据的特征。参考图3，Feature Transformer由两部分组成，前半部分称为参数共享层，也就是所有的Feature Transformer中前半部分的模型参数全部共享，能够很好地提取出特征的共性；后半部分称为特征独立层，能够使得每个Feature Transformer具有不同的特征处理能力。Feature Transformer均由FC(全连接层)+BN(批标准化层)+GLU(GLU激活函数)组成。
Attentive Transformer用于对中间向量进行特征选择，保留重要的特征，将不重要的特征清零。参考图4，Attentive Transformer由FC+BN+Sparsemax组成，Sparsemax可以视作一个softmax层，并且可以比softmax得到更加稀疏的输出结果(取值集中在0或1附近)。
综上可得，TabNet可以对表格数据进行特征提取，在训练时对整个模型(包括最后一个FC层)进行优化，也可以单独用于推断。如果要用于多模态融合，则需要去掉最后一个FC层，也就是取经过最后一个FC层之前的向量，进行后续的融合操作。
2、第一样本集是面部图像数据集
当第一样本集是面部图像数据集时，采用一个称为CoAtNet的网络进行特征提取。CoAtNet结合了CNN(卷积神经网络)和Transformer的结构和优势，拥有很好的准确性和泛化性。
参考图5，CoAtNet模型由两大模块组成，即Conv(卷积)模块和Self Attention(自注意力)模块。卷积模块中，堆叠了常规的卷积层，以及特殊的Dconv层(Depthwise Conv，针对每一个通道，使用独立的卷积核进行特征提取)；自注意力模块中采用了相对注意力机制，使得不同重要性的特征拥有不同的权重。
最后，特征向量经过两大模块之后，再经过一个全局池化层和一个FC层，即可得到最终的分类结果。该模型可以单独使用，但如果要进行多模态融合，需要去掉最后一个FC层，即去除最后一个FC层之前的特征向量进行后续处理。
3、第一样本集是融合数据集
当第一样本集是融合数据集时，采取双流模型的方式，分别训练两个模型提取文本、图像两个模态的特征。其中，文本元数据输入TabNet，面部图像数据输入CoAtNet。去除上述两个模型的最后一个全连接层，得到两个输出特征矩阵。为了提高融合的效果，可以采取随机化融合的方法。将特征矩阵与权值均进行随机化融合，遵循对应位置不变的融合原则，将融合后的特征矩阵输入激活函数中，得到分类结果。具体参考图6，其中A、B、C代表不同模态的特征矩阵，WA、WB、WC代表对应的权值矩阵。
(二)分类回归模型的实现
在特征提取模型的基础上，通过分类回归模型实现特征到语义的转化。判断是否患有甲状腺疾病是一个二分类问题，只需要在特征提取网络(TabNet、CoAtNet)的基础上加入一层由单个神经元组成的输出层，通常采用sigmoid函数。若将患甲状腺疾病定义为1，未患病定义为0，则输出值大于0.5代表患病，小于0.5代表未患病。
第三步：基于患者集训练另一初始神经网络，得到第二神经网络模型，以使第二神经网络模型输出具有何种甲状腺疾病的分类。具体地，包括：对第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；第二神经网络模型输出具有何种甲状腺疾病的分类结果。
其中，特征提取的实现过程参考第二步，此处仅描述分类回归过程。
判断患者属于哪一种甲状腺疾病类型是一个五标签分类问题，患者可以同时患有五种疾病中的多种。多标签分类问题常采用sigmoid函数与交叉熵损失函数(binary_crossentropy)相结合的方法。在交叉熵损失函数中可以设定概率阈值，当sigmoid函数的输出大于该阈值时，认为属于此类别，否则不属于此类。输出层由五个神经元组成，每个神经元对应一种甲状腺疾病。根据每个神经元的输出是否大于阈值，即可判断患的甲状腺疾病类型。其中，二元交叉熵损失函数公式(binary_crossentropy)如下：
其中，y是二元标签0或者1，p(y)是输出属于y标签的概率。
第四步：基于患者集训练又一初始神经网络，得到第三神经网络模型，以使第三神经网络模型输出甲状腺功能七项指标的预测值。具体地，包括：对第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；第三神经网络模型输出甲状腺功能七项指标的预测值。
其中，特征提取的实现过程参考第二步，此处仅描述分类回归过程。
预测甲状腺功能指标这个任务，在本质上属于回归问题。输入为特征提取模型给出的特征向量，输出为某项甲状腺功能指标的值。可以采用XGBoost算法来解决该问题。
XGBoost的本质是一种梯度提升树，是将多个弱分类器(决策树)串联起来，合成一个强大的分类器的算法。
XGBoost模型的基础架构参考图7，其中每个方框代表一个决策树，原始数据经过第一个决策树之后，得到一个预测值和一个残差(真实值和预测值的差)，第二个决策树再对上一个树的残差进行拟合，以此类推，最终得到一个较好的结果。
用数学语言表示以上的过程就是，使得下面的目标函数最小化，目标函数的公式如下：
yi是第i个样本的真实值，是整个模型对第i个样本的预测值，/>是模型的损失函数，/>是全部n颗树的复杂度求和。
上述目标函数的第一项表示，每一个树需要尽可能地拟合上一个树给出的残差；第二项表示当前树的复杂度，复杂度越小越好。
最后，经过训练完成的XGBoost模型，就可以得到一个较为准确的回归结果。
第五步：将待检测用户的数据分别输入第一神经网络模型、第二神经网络模型和第三神经网络模型得到预测结果。具体地，将待检测用户的数据输入第一神经网络模型，当输出为患有甲状腺疾病时，则继续输入第二神经网络模型，判断用户具有何种甲状腺疾病，进而通过第三神经网络模型得到待检测用户的甲状腺功能七项指标的预测结果。当输出为不患有甲状腺疾病时，直接通过第三神经网络模型得到待检测用户的甲状腺功能七项指标的预测结果。
本发明可作为一种辅助眼科医生识别甲状腺疾病的手段。仅需采集一张患者的人脸图像，即可输出甲状腺疾病筛查结果，方便了用户对自身眼部健康情况进行评估，节省了大量的经济成本与时间成本，同时可以有效提升医院对甲状腺疾病筛查的工作效率，降低工作成本。
相较于其他现有甲状腺疾病筛查方法，本发明有效地将面部图像与甲状腺疾病结合，提供了一种基于面部图像的甲状腺疾病早期筛查方法，简单易用，所需图像采集、处理要求较低，无需专门的配套设备，克服了专业甲状腺疾病诊断系统检测时间长、产生较多医疗废物、对患者的有侵入性的缺点，从而减少因甲状腺疾病产生的社会危害和医疗资源消耗，以达到早诊、早治的效果，具有重要意义。本发明创新性地关注到了甲状腺疾病与眼部病理表现的关联，将面部图像采集纳入到甲状腺疾病患者的筛查体系中去，既为甲状腺疾病本身的筛诊治提供了新的思路，也可为其他类似疾病提供参考。
同时，本发明具有较广泛的应用场景。首先，可通过移动终端例如手机程序作为接口，利用手机摄像头采集待可疑患者的面部照片，待神经网络模型进行判别后返回筛查结果，并决定是否提出进一步前往医院诊治的建议，从而实现早期筛查潜在病例的目的。此外，为了更精准地进行人脸信息采集，可在特定医疗机构设置一专用面部信息采集和内置筛查程序的装置，对前来问诊的怀疑有甲状腺疾病主诉的患者进行筛查。
图8是本发明的基于深度学习的甲状腺疾病筛查系统的模块示意图。如图8所示，本发明的实施例还提供一种基于深度学习的甲状腺疾病筛查系统，用于实现上述的基于深度学习的甲状腺疾病筛查方法，基于深度学习的甲状腺疾病筛查系统包括：
样本采集模块51，采集甲状腺检查数据库信息，建立第一样本集，第一样本集中具有甲状腺疾病的数据构成患者集；
第一训练模块52，基于第一样本集训练初始神经网络，得到第一神经网络模型，以使第一神经网络模型输出是否具有甲状腺疾病的分类；
第二训练模块53，基于患者集训练另一初始神经网络，得到第二神经网络模型，以使第二神经网络模型输出具有何种甲状腺疾病的分类；
第三训练模块54，基于患者集训练又一初始神经网络，得到第三神经网络模型，以使第三神经网络模型输出甲状腺功能七项指标的预测值；
疾病预测模块55，将待检测用户的数据分别输入第一神经网络模型、第二神经网络模型和第三神经网络模型得到预测结果。
在一个优选实施例中，第一训练模块52被配置为对第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；第一神经网络模型输出是否具有甲状腺疾病的分类结果。
在一个优选实施例中，第二训练模块53被配置为对第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；第二神经网络模型输出具有何种甲状腺疾病的分类结果。
在一个优选实施例中，第三训练模块54被配置为对第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；第三神经网络模型输出甲状腺功能七项指标的预测值。
在一个优选实施例中，疾病预测模块55被配置为将待检测用户的数据输入第一神经网络模型，当输出为患有甲状腺疾病时，执行后一步，否则执行后两步；将待检测用户的数据输入第二神经网络模型，得到待检测用户具有何种甲状腺疾病的分类结果；将待检测用户的数据输入第三神经网络模型，得到待检测用户的甲状腺功能七项指标的预测结果。
本发明实施例的目的在于提供基于深度学习的甲状腺疾病筛查系统，通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源，避免对患者的侵入性诊断。
本发明实施例还提供一种基于深度学习的甲状腺疾病筛查设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的基于深度学习的甲状腺疾病筛查方法的步骤。
如上所示，本发明该实施例的基于深度学习的甲状腺疾病筛查设备，通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源，避免对患者的侵入性诊断。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
图9是本发明的基于深度学习的甲状腺疾病筛查设备的结构示意图。下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任一总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的基于深度学习的甲状腺疾病筛查方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示，本发明该实施例的一种计算机可读存储介质，通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源，避免对患者的侵入性诊断。
图10是本发明的计算机可读存储介质的结构示意图。参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任一组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任一以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任一合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任一合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任一合适的组合。
可以以一种或多种程序设计语言的任一组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任一种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上，本发明的目的在于提供基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质，通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源，避免对患者的侵入性诊断。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于深度学习的甲状腺疾病筛查方法，其特征在于，包括以下步骤：
采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中具有甲状腺疾病的数据构成患者集；
基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；
基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；
基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；
将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。
2.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述第一样本集为元数据集、面部图像数据集或二者组合而成的融合数据集，其中，所述元数据至少包括以下一种或多种的组合：年龄、性别、身高或体重，所述面部图像数据集包括样本用户的面部图像。
3.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类，包括：
对所述第一样本集进行数据压缩和特征提取；
基于得到的特征向量进行分类回归；
所述第一神经网络模型输出是否具有甲状腺疾病的分类结果。
4.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类，包括：
对所述第一样本集进行数据压缩和特征提取；
基于得到的特征向量进行分类回归；
所述第二神经网络模型输出具有何种甲状腺疾病的分类结果。
5.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值，包括：
对所述第一样本集进行数据压缩和特征提取；
基于得到的特征向量进行分类回归；
所述第三神经网络模型输出甲状腺功能七项指标的预测值。
6.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果，包括：
将待检测用户的数据输入所述第一神经网络模型，当所述输出为患有甲状腺疾病时，执行后一步，否则执行后两步；
将待检测用户的数据输入所述第二神经网络模型，得到待检测用户具有何种甲状腺疾病的分类结果；
将待检测用户的数据输入所述第三神经网络模型，得到待检测用户的甲状腺功能七项指标的预测结果。
7.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述具有何种甲状腺疾病的分类结果至少包括：甲状腺功能减退、甲状腺功能亢进、甲状腺结节、甲状腺炎或甲状腺癌。
8.一种基于深度学习的甲状腺疾病筛查系统，用于实现权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，包括：
样本采集模块，采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中具有甲状腺疾病的数据构成患者集；
第一训练模块，基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；
第二训练模块，基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；
第三训练模块，基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；
疾病预测模块，将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。
9.一种基于深度学习的甲状腺疾病筛查设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任意一项所述基于深度学习的甲状腺疾病筛查方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任意一项所述基于深度学习的甲状腺疾病筛查方法的步骤。
CN202310540069.2A 2023-05-12 2023-05-12 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质 Pending CN116564505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310540069.2A CN116564505A (zh) 2023-05-12 2023-05-12 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310540069.2A CN116564505A (zh) 2023-05-12 2023-05-12 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116564505A true CN116564505A (zh) 2023-08-08

Family

ID=87492766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310540069.2A Pending CN116564505A (zh) 2023-05-12 2023-05-12 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116564505A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117438096A (zh) * 2023-12-20 2024-01-23 天津医科大学第二医院 一种过敏性鼻炎预测模型的建模方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117438096A (zh) * 2023-12-20 2024-01-23 天津医科大学第二医院 一种过敏性鼻炎预测模型的建模方法
CN117438096B (zh) * 2023-12-20 2024-04-19 天津医科大学第二医院 一种过敏性鼻炎预测模型的建模方法

Similar Documents

Publication Publication Date Title
Prusty et al. SKCV: Stratified K-fold cross-validation on ML classifiers for predicting cervical cancer
Fujisawa et al. The possibility of deep learning-based, computer-aided skin tumor classifiers
Hassan et al. Classification of cardiac arrhythmia using a convolutional neural network and bi-directional long short-term memory
CN113284572B (zh) 多模态异构的医学数据处理方法及相关装置
Muhaba et al. Automatic skin disease diagnosis using deep learning from clinical image and patient information
Abas et al. Acne image analysis: lesion localization and classification
Zhang et al. A survey of wound image analysis using deep learning: Classification, detection, and segmentation
CN111028232A (zh) 基于眼底图像的糖尿病分类方法及设备
Gaikwad et al. Brain tumor detection: An application based on machine learning
Hamlili et al. Transfer learning with Resnet-50 for detecting COVID-19 in chest X-ray images
CN116564505A (zh) 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质
Luo et al. Artificial intelligence-assisted dermatology diagnosis: from unimodal to multimodal
Kirubakaran et al. Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform
Ángeles Rojas et al. Hybrid model of convolutional neural network and support vector machine to classify basal cell carcinoma
Refaee et al. A computing system that integrates deep learning and the internet of things for effective disease diagnosis in smart health care systems
Sivakumar et al. Deep learning in skin lesion analysis for malignant melanoma cancer identification
Venkatesan et al. NFU-Net: an automated framework for the detection of neurotrophic foot ulcer using deep convolutional neural network
CN111047590A (zh) 基于眼底图像的高血压分类方法及设备
Zhai et al. Retinal vessel image segmentation algorithm based on encoder-decoder structure
Alyami et al. Automatic skin lesions detection from images through microscopic hybrid features set and machine learning classifiers
Leopold et al. Segmentation and feature extraction of retinal vascular morphology
CN113705595A (zh) 异常细胞转移程度的预测方法、装置和存储介质
Huang et al. Deep learning-based clinical wound image analysis using a mask R-CNN architecture
Zhou et al. Two-phase non-invasive multi-disease detection via sublingual region
CN116664956A (zh) 基于多任务自动编码器的图像识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination