CN116564547B - 一种呼吸道传染病的早期预警方法及系统 - Google Patents
一种呼吸道传染病的早期预警方法及系统 Download PDFInfo
- Publication number
- CN116564547B CN116564547B CN202310451262.9A CN202310451262A CN116564547B CN 116564547 B CN116564547 B CN 116564547B CN 202310451262 A CN202310451262 A CN 202310451262A CN 116564547 B CN116564547 B CN 116564547B
- Authority
- CN
- China
- Prior art keywords
- unit
- image
- early warning
- disease
- ray
- 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
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 28
- 208000015181 infectious disease Diseases 0.000 claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 47
- 201000010099 disease Diseases 0.000 claims abstract description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 46
- 206010035664 Pneumonia Diseases 0.000 claims abstract description 29
- 230000002458 infectious effect Effects 0.000 claims abstract description 19
- 210000000038 chest Anatomy 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000003384 imaging method Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 208000020029 respiratory tract infectious disease Diseases 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000011841 epidemiological investigation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000002601 radiography Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 210000000115 thoracic cavity Anatomy 0.000 claims description 3
- 230000003612 virological effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 208000036981 active tuberculosis Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 201000008827 tuberculosis Diseases 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000528 statistical test Methods 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30008—Bone
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及病症数据处理技术领域，具体涉及一种呼吸道传染病的早期预警方法及系统；其包括从基层医疗机构中采集影像数据、对采集的病例数据进行病情的筛查、对筛查过的病例进行病症相似度判断、医生对根据系统判断的结果进行复核、根据S2和S3中的相似度风险值和复核结果进行危险程度的评估。本发明通过将X线影像数据进行自动化传染性肺炎识别的系统，输出疑似概率；再由医生进行复核，以此来确定病症情况，提高病症确定的准确性，且在病症识别后进行医疗机构的数据互享，使整个系统都接收到病症的情况，其他地区出现此类病症后，可以进行快速的处理，同时当同一个病症在多个地方出现，系统便可以及时的做出反应。
Description
技术领域
本发明涉及病症数据处理技术领域，具体地说，涉及一种呼吸道传染病的早期预警方法及系统。
背景技术
本世纪以来全球流行的重大疫情多数都属于呼吸道传染病，造成了传染性肺炎的传播。呼吸道传染病的传播途径很难监测和控制，当前的预警方法都是从病例监测入手。对呼吸道传染病病例进行确诊通常都需要实验室检验，等到检验结果出来后，很可能已经造成了疫情的传播。
但现有技术通常对数据源的要求比较高，通常至少要包含实验室检查的生化结果，从确诊病例的角度来识别风险及监测预警，这些数据主要来自哨点医院或者大城市的大医院，在广大的基层农村地区，很难具有符合要求的数据，从而在监测预警上有所缺失，而且造成预警的滞后，很难对疫情进行早期预警。
发明内容
本发明的目的在于提供一种呼吸道传染病的早期预警方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明目的之一在于，提供了一种呼吸道传染病的早期预警方法，包括以下步骤：
S1、数据采集步骤；从基层医疗机构中采集影像数据，获取基层医疗机构中的病例数据；
S2、病例筛查步骤；对采集的病例数据进行病情筛查，在筛查的过程中，对筛查病例图像进行病变部位的判断；
S3、相似性判断步骤；根据X射线影像辅助筛查算法对筛查病例进行病症相似性判断，基于筛查病例与传染病的相似性进行疑似阶段的预警；
S4、复核步骤；医生对根据系统判断的结果进行复核，并给出影像学诊断意见；
S5、上传步骤；根据S3和S4中的相似性判断结果进行危险程度的评估，并在评估后将信息上传。
进一步的，所述S2采集的病例数据为X线影像文件，在筛查时进行拦截式筛查。
进一步的，所述步骤S3包括：
S31、识别X线胸片信息，并识别X线胸片上显示内容所表示的胸腔位置；
S32、胸腔的位置确定后，采用AI算法对所观测的图像进行传染性肺炎筛查；
S33、计算出为病症阳性的概率。
进一步的，所述步骤S31中，AI算法在进行识别胸腔的方法为：
S311、对X线胸片的整体进行图像进行判断，确定拍摄胸腔时病人骨骼的位置，并根据病人骨骼拍摄出来的位置，确定拍摄的人体方向；
S312、根据识别出的人体方向，在数据库中找寻对应拍摄角度所存在观测的病症信息；
S313、将X线胸片采用图像分割算法分割为若干个小块，根据从数据库中找寻到的病症信息，对分隔成小块的图像进行逐个识别、筛查，确定X线胸片上是否存在病症。
进一步的，所述步骤S313中，所述图像分割算法分割采用灰度分割算法，包括：
S3131、设图像l(x,y)的灰度级分为L级，图像的邻域平均灰度也分为L级；
S3132、设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的K*K的像素点集合的灰度平均值；
令f(x,y)＝i，g(x,y)＝j，形成一个二元组(i,j)；
S3133、设二元组(i,j)出现的频数为fij，求出二元组对应的概率密度Pij，i、j＝1、2、...、L，其中N为图像像素素点总数；
S3134、任意选取一个阀值向量(s,t)，选取的阀值向量将图像的二维直方图划分成4个区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点，A、B、C、D依次摆放形成方形，A和D、B和C均相对设置；
S3135、设C、B两个区域对应的概率分别为w1，w2，对应的均值矢量为u1，u2，整个图片所对应的均值矢量为uT；
S3136、忽略远离对角线的点，则，且/>定义一个类件离散矩阵：
SB(w,t)＝w1(u1-u2)T(u1-uT)+w2(u2-uT)T(u2-uT)。
S3137、采用矩阵的迹来代表矩阵的值衡量离散矩阵的大小：
Tr(SB(s，t))＝w1[(u1i-uTi)2+(u1i-uTi)2]+w2[(u2i-uTi)2+(u2i-uTi)2]。
本发明目的之二在于，提供了一种实现包括上述所述的呼吸道传染病的早期预警方法的系统，包括数据采集智能终端(1)、呼吸道传染病拦截式筛查单元(2)、多点触发监测预警单元(3)、X线影像医生复核单元(4)和流行病学调查单元(5)；
所述数据采集智能终端(1)用于采集基层医疗机构中上传的影像数据；
所述呼吸道传染病拦截式筛查单元(2)采用X射线影像辅助筛查算法对数据采集智能终端(1)中上传的影视数据进行筛查，获取数据采集智能终端(1)中的影视数据是否存在呼吸道传染病，并在基层医疗机构在正常的诊疗流程中，实时地对X线胸片进行呼吸道传染病的拦截式筛查；
所述多点触发监测预警单元(3)使用大数据模型挖掘影像学特征，并且从时间规律和空间分布的角度识别群体的呼吸道传染病疑似度风险，进行疑似阶段的监测预警；
所述X线影像医生复核单元(4)根据对呼吸道传染病拦截式筛查单元(2)中处理后的数据进行接收，并由医生进行主动的复核，如呼吸道传染病拦截式筛查单元(2)传输来的病症显示为活动性肺结核阳性的判断结果；
所述流行病学调查单元(5)根据多点触发监测预警单元(3)中的风险值和X线影像医生复核单元(4)中医生复核过的影像学疑似结果来评估危险程度，并推荐流行病学调查方案。
进一步的，所述多点触发监测预警单元(3)中存在以下风险评估：
病毒风险：用传染性肺炎占所有肺炎的比例来度量，根据区域获得性肺炎中传染性肺炎的统计数据界定正常的范围；
异常风险：在时间序列中，关注异常值，一段时间内关注肺炎数目异常的增加情况；
增速风险：在一段时间内时间序列曲线的斜率衡量其变化速度；
趋势风险：一段时间内病例数的时间序列为非波动的，同时包含上升和下降的过程；
年龄风险：在某区域内，某种传染病的年龄分布是固定的；
聚集风险：在某区域内，不同的异常网点接近非随机分布；
进一步的，还包括传染病直报单元(6)，所述传染病直报单元(6)对流行病学调查单元(5)中记录的内容进行传输，使疾控机构收到该类病情的信息，且疾控疾控在收到多个地区的同一病例时，进行自主预警。
作为本技术方案的进一步改进，还包括传染病直报单元，所述传染病直报单元对流行病学调查单元中记录的内容进行传输，使疾控机构收到该类病情的信息，且疾控疾控在收到多个地区的同一病例时，进行自主预警。
与现有技术相比，本发明的有益效果：
1、该呼吸道传染病的早期预警方法及系统中，通过将X线影像数据进行自动化传染性肺炎识别的系统，输出疑似概率；再由医生进行复核，以此来确定病症情况，提高病症确定的准确性，且在病症识别后进行医疗机构的数据互享，使整个系统都接收到病症的情况，使当其他地区出现此类病症后，可以进行快速的处理，同时当同一个病症在多个地方出现，系统便可以及时的做出反应，做到及时的预警，减少病情的扩散。
附图说明
图1为本发明的整体示意框图；
图2为本发明的整体框图。
图中各个标号意义为：
1、数据采集智能终端；2、呼吸道传染病拦截式筛查单元；3、多点触发监测预警单元；4、X线影像医生复核单元；5、流行病学调查单元；6、传染病直报单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例目的之一在于，提供了一种呼吸道传染病的早期预警方法，包括以下步骤：
S1、数据采集步骤；从基层医疗机构中采集影像数据，获取基层医疗机构中的病例数据；
S2、病例筛查步骤；对采集的病例数据进行病情筛查，在筛查的过程中，对筛查病例图像进行病变部位的判断；集的病例数据为X线影像文件，在筛查时进行拦截式筛查；
S3、相似性判断步骤；根据X射线影像辅助筛查算法对筛查病例进行病症相似性判断，基于筛查病例与传染病的相似性进行疑似阶段的预警；包括：
S31、利用AI算法识别X线胸片信息，并识别X线胸片上显示内容所表示的胸腔位置；AI算法在进行识别胸腔的方法为：
S311、对X线胸片的整体进行图像进行判断，确定拍摄胸腔时病人骨骼的位置，并根据病人骨骼拍摄出来的位置，确定拍摄的人体方向；
S312、根据识别出的人体方向，在数据库中找寻对应拍摄角度所存在观测的病症信息；
S313、将X线胸片采用图像分割算法分割为若干个小块，根据从数据库中找寻到的病症信息，对分隔成小块的图像进行逐个识别、筛查，确定X线胸片上是否存在病症；所述图像分割算法分割采用灰度分割算法，包括：
S3131、设图像l(x,y)的灰度级分为L级，图像的邻域平均灰度也分为L级；
S3132、设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的K*K的像素点集合的灰度平均值；
令f(x,y)＝i，g(x,y)＝j，形成一个二元组(i,j)；
S3133、设二元组(i,j)出现的频数为fij，求出二元组对应的概率密度Pij， 其中N为图像像素素点总数；
S3134、任意选取一个阀值向量(s,t)，选取的阀值向量将图像的二维直方图划分成4个区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点，A、B、C、D依次摆放形成方形，A和D、B和C均相对设置；
S3135、设C、B两个区域对应的概率分别为w1，w2，对应的均值矢量为u1，u2，整个图片所对应的均值矢量为uT；
S3136、忽略远离对角线的点，则，且/>定义一个类件离散矩阵：
SB(s,t)＝w1(u1-u2)T(u1-uT)+w2(u2-uT)T(u2-uT)。
S3137、采用矩阵的迹来代表矩阵的值衡量离散矩阵的大小：
Tr(SB(s，t))＝w1[(u1i-uTi)2+(u1i-uTi)2]+w2[(u2i-uTi)2+(u2i-uTi)2]；
S32、胸腔的位置确定后，采用AI算法对所观测的图像进行传染性肺炎筛查；
S33、计算出为病症阳性的概率；
S4、复核步骤；医生对根据系统判断的结果进行复核，并给出影像学诊断意见；
S5、上传步骤；根据S3和S4中的相似性判断结果进行危险程度的评估，并在评估后将信息上传。
请参阅图1-图2所示，本实施例目的之二在于，提供了一种呼吸道传染病的早期预警方法，包括数据采集智能终端1、呼吸道传染病拦截式筛查单元2、多点触发监测预警单元3、X线影像医生复核单元4和流行病学调查单元5；
数据采集智能终端1用于采集基层医疗机构中上传的影像数据，其中，基层医疗机构包括乡镇卫生院、社区卫生服务中心等，基层医疗机构通过网线接入内网，并和医疗机构的X线设备进行连接，并将数据发送到云平台，使其他基层医疗机构通过云平台可以获取其他基层医疗机构或者其他医院的信息；
呼吸道传染病拦截式筛查单元2采用X射线影像辅助筛查算法对数据采集智能终端1中上传的影视数据进行筛查，获取数据采集智能终端1中的影视数据是否存在呼吸道传染病，并在基层医疗机构在正常的诊疗流程中，实时地对X线胸片进行呼吸道传染病的拦截式筛查；
X线影像文件上传到云平台之后，其中的部位算法会对图像进行部位判断，如果部位是正位胸片，AI算法会对图像进行传染性肺炎筛查，输出阳性的概率。由于数据采集智能终端直连X线设备，患者在正常就诊的流程中如果需要拍X线胸片时，系统后台就会自动运行传染性肺炎筛查算法，实现拦截式筛查，不干扰正常的就诊流程。
多点触发监测预警单元3使用大数据模型挖掘影像学特征，并且从时间规律和空间分布的角度识别群体的呼吸道传染病疑似度风险，进行疑似阶段的监测预警；
同时，用AI判断的传染性肺炎疑似度、患者的病史信息等数据会实时地上传到云平台，在病例确诊前就进行多点触发的监测预警，从而实现呼吸道传染病病例的早筛和早诊。
多点触发监测预警单元3中存在以下风险评估：
病毒风险：用传染性肺炎占所有肺炎的比例来度量，根据区域获得性肺炎中传染性肺炎的统计数据界定正常的范围，本系统采用固定阈值模型进行病毒风险预警，默认的传染性肺炎比例阈值为35％；
异常风险：在时间序列中，关注异常值，一段时间内关注肺炎数目异常的增加情况；通常可以使用机器学习中的异常侦测算法或者统计检验方法来检测异常值，但是在传染病应用领域需要考虑到季节因素的影响，同样的就诊人数，在冬天可能是正常的，在夏天可能就是异常的；本系统默认的模型根据历史资料进行时间序列分解，对就诊序列剔除季节因素后再进行异常值检验，此外还可以选择SARIMA模型和国家传染病自动预警系统中使用的移动百分位数模型和累积和控制图模型；
增速风险：在一段时间内时间序列曲线的斜率可以衡量其变化速度，本系统默认使用泊松回归模型，计算最近一段时间内就诊数据曲线的斜率，如果为正则说明增长，为负则说明下降，绝对值越大说明增速越高。此外还可以选择线性回归模型和广义线性混合模型；
趋势风险：一段时间内病例数的时间序列通常是波动的，同时包含上升和下降的过程，如果能检验是否有显著的增长趋势，也能衡量风险，有时候传染病发展初期时变化不明显，但是增加的趋势很显著，也值得关注，本系统默认使用Cox-Stuart检验模型；
年龄风险：在某区域内，一般某种传染病的年龄分布是比较固定的，例如呼吸类传染病影响的老人和儿童的比例会比较高，这样的分布通常称为“V”型，如果一段时间内该区域的肺炎患者中出现了年轻人比例很高，形成“W”型，也以为着传染病爆发的风险，需要进行预警；本系统默认使用Kolmogorov-Smirnov检验模型和不同疫情的经验分布进行比较；
聚集风险：在某区域内，不同的异常网点在正常的情况下应该接近随机的分布，如果出现某些位置接近的网点同时出现高风险的情况，说明存在聚集爆发的风险，需要进行预警；本系统默认使用Knox时空交互检验模型，此外也可以选择国家传染病自动预警系统中使用的Kulldorff空间扫描模型。
多点触发监测预警单元3在进行监测预警时，从病情发展的趋势风险、异常值风险、年龄风险、病毒风险、聚集风险等多角度建立风险识别模型，从而实现精确的监测预警，确保病情预测的准确性，减少医生复核的麻烦，同时也加快病症病情预测的速度，加快系统对病症病情的处理速度；
X线影像医生复核单元4根据对呼吸道传染病拦截式筛查单元2中处理后的数据进行接收，并由医生进行主动的复核，如呼吸道传染病拦截式筛查单元2传输来的病症显示为活动性肺结核阳性的判断结果，此时，医生进行人工复核，做到病症的准确判断，并在复核后留下影像学诊断意见，以便于后期其他医生的观看，同时在本项目中，对医生确认为影像学疑似病例的患者，可以上报疑似病例，以便于后期和其他医生讨论；
流行病学调查单元5根据多点触发监测预警单元3中的风险值和X线影像医生复核单元4中医生复核过的影像学疑似结果来评估危险程度，并推荐流行病学调查方案；如当疾控部门将疑似病例转诊到当地县定点医院，并对病例进行追踪，将调查结果记录到系统中，如果病例得到确诊，属于法定传染病，则进一步调查密接，将所有病例转入医院进入治疗流程；。
系统还包括传染病直报单元6，传染病直报单元6对流行病学调查单元5中记录的内容进行传输，使疾控机构收到该类病情的信息，以便于其他位置的医院通过接收疾控机构的内容来接收到此类病症，以便于后期可以快速的对症下药，且疾控疾控在收到多个地区的同一病例时，进行自主预警，使疾控机构可以及时的根据此类病症的情况，进行相应的处理，加快疾病病症的处理速度。
通过将X线影像数据进行自动化传染性肺炎识别的系统，输出疑似概率，再由医生进行复核，以此来确定病症情况，提高病症确定的准确性，且在病症识别后进行医疗机构的数据互享，使整个系统都接收到病症的情况，使当其他地区出现此类病症后，可以进行快速的处理，同时当同一个病症在多个地方出现，系统便可以及时的做出反应，做到及时的预警，减少病情的扩散。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种呼吸道传染病的早期预警系统，其特征在于：包括数据采集智能终端(1)、呼吸道传染病拦截式筛查单元(2)、多点触发监测预警单元(3)、X线影像医生复核单元(4)、流行病学调查单元(5)和传染病直报单元(6)；
所述传染病直报单元(6)对流行病学调查单元(5)中记录的内容进行传输，使疾控机构收到病情的信息，且疾控机构在收到多个地区的同一病例时，进行自主预警；
所述传染病直报单元(6)不与所述呼吸道传染病拦截式筛查单元(2)连接；
所述呼吸道传染病拦截式筛查单元(2)具有两条下游路径，第一条下游路径连接至所述所述X线影像医生复核单元(4)，第二条下游路径连接至多点触发监测预警单元(3)；
所述多点触发监测预警单元(3)和所述X线影像医生复核单元(4)均连接至所述流行病学调查单元(5)；
所述呼吸道传染病拦截式筛查单元(2)的第一条下游路径通过影像学方法判断疑似结果，评估危险程度并上报疑似病例，采用X射线影像辅助筛查算法对数据采集智能终端(1)中上传的影像数据进行筛查，获取数据采集智能终端(1)中的影像数据是否存在呼吸道传染病，并在基层医疗机构在正常的诊疗流程中，实时地对X线胸片进行呼吸道传染病的拦截式筛查；
所述呼吸道传染病拦截式筛查单元(2)的第二条下游路径通过非影像学方法判断疑似结果，所述多点触发监测预警单元(3)使用大数据模型挖掘影像学特征，并且从时间规律和空间分布的角度识别群体的呼吸道传染病疑似度风险，进行疑似阶段的监测预警；
第一条下游路径中的影像学方法包括以下步骤：
S1、数据采集步骤；从基层医疗机构中采集影像数据，获取基层医疗机构中的病例数据；
S2、病例筛查步骤；对采集的病例数据进行病情筛查，在筛查时进行拦截式筛查，对筛查病例图像进行病变部位的判断；
X线影像文件上传到云平台之后，其中的部位算法会对图像进行部位判断，如果部位是正位胸片，AI算法会对图像进行传染性肺炎筛查，输出阳性的概率；数据采集智能终端直连X线设备，患者在正常就诊的流程中如果需要拍X线胸片时，系统后台就会自动运行传染性肺炎筛查算法，实现拦截式筛查，不干扰正常的就诊流程；
S3、相似性判断步骤；根据X射线影像辅助筛查算法对筛查病例进行病症相似性判断，基于筛查病例与传染病的相似性进行疑似阶段的预警；包括：
S31、识别X线胸片信息，并识别X线胸片上显示内容所表示的胸腔位置；
S32、胸腔的位置确定后，采用AI算法对所观测的图像进行传染性肺炎筛查；包括：
S321、对X线胸片的整体图像进行判断，确定拍摄胸腔时病人骨骼的位置，并根据病人骨骼拍摄出来的位置，确定拍摄的人体方向；
S322、根据识别出的人体方向，在数据库中找寻对应拍摄角度所存在观测的病症信息；
S323、将X线胸片采用图像分割算法分割为若干个小块，根据从数据库中找寻到的病症信息，对分隔成小块的图像进行逐个识别、筛查，确定X线胸片上是否存在病症；
S33、计算出为病症阳性的概率；
S4、复核步骤；医生对根据系统判断的结果进行复核，并给出影像学诊断意见；
S5、上传步骤；根据S3和S4中的相似性判断结果进行危险程度的评估，并在评估后将信息上传；
第二条下游路径中的非影像学方法包括以下风险评估：
病毒风险：用传染性肺炎占所有肺炎的比例来度量，根据区域获得性肺炎中传染性肺炎的统计数据界定正常的范围；
异常风险：在时间序列中，关注异常值，一段时间内关注肺炎数目异常的增加情况；
增速风险：在一段时间内时间序列曲线的斜率衡量其变化速度；
趋势风险：一段时间内病例数的时间序列为非波动的，同时包含上升和下降的过程；
年龄风险：在某区域内，某种传染病的年龄分布是固定的；
聚集风险：在某区域内，不同的异常网点为非随机分布。
2.根据权利要求1所述的呼吸道传染病的早期预警系统，其特征在于：第一条下游路径中的影像学方法的步骤S323中的图像分割算法分割采用灰度分割算法，包括：
S3231、设图像l(x,y)的灰度级分为L级，图像的邻域平均灰度也分为L级；
S3232、设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的K*K的像素点集合的灰度平均值；
令f(x,y)＝i，g(x,y)＝j，形成一个二元组(i,j)；
S3233、设二元组(i,j)出现的频数为fij，求出二元组对应的概率密度Pij，i、j＝1、2、...、L，其中N为图像像素素点总数；
S3234、任意选取一个阈值向量(s,t)，选取的阈值向量将图像的二维直方图划分成4个区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点，A、B、C、D依次摆放形成方形，A和D、B和C均相对设置；
S3235、设C、B两个区域对应的概率分别为w1，w2，对应的均值矢量为u1，u2，整个图片所对应的均值矢量为uT；
S3236、忽略远离对角线的点，则且/>定义一个类件离散矩阵：
SB(s,t)＝w1(u1-u2)T(u1-uT)+w1(u2-uT)T(u2-uT)
S3237、采用矩阵的迹来代表矩阵的值衡量离散矩阵的大小：
Tr(SB(s，t))＝w1[(u1i-uTi)2+(u1i-uTi)2]+w2[(u2i-uTi)2+(u2i-uTi)2]。
3.根据权利要求2所述的呼吸道传染病的早期预警系统，其特征在于：其特征在于：
所述数据采集智能终端(1)用于采集基层医疗机构中上传的影像数据；
所述X线影像医生复核单元(4)根据对呼吸道传染病拦截式筛查单元(2)中处理后的数据进行接收，并由医生进行主动的复核；
所述流行病学调查单元(5)根据多点触发监测预警单元(3)中的风险值和X线影像医生复核单元(4)中医生复核过的影像学疑似结果来评估危险程度，并推荐流行病学调查方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310451262.9A CN116564547B (zh) | 2023-04-24 | 2023-04-24 | 一种呼吸道传染病的早期预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310451262.9A CN116564547B (zh) | 2023-04-24 | 2023-04-24 | 一种呼吸道传染病的早期预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116564547A CN116564547A (zh) | 2023-08-08 |
| CN116564547B true CN116564547B (zh) | 2024-02-09 |
Family
ID=87499324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310451262.9A Active CN116564547B (zh) | 2023-04-24 | 2023-04-24 | 一种呼吸道传染病的早期预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116564547B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104952071A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种基于灰度空间相关的最大类间方差图像分割算法 |
| CN110379504A (zh) * | 2018-04-11 | 2019-10-25 | 天启慧眼(北京)信息技术有限公司 | 一种肺结核的智能筛查和上报方法及系统 |
| CN110570445A (zh) * | 2019-09-09 | 2019-12-13 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、终端及可读介质 |
| CN112466473A (zh) * | 2020-09-28 | 2021-03-09 | 北京左医科技有限公司 | 新发传染病自动预警方法及系统 |
-
2023
- 2023-04-24 CN CN202310451262.9A patent/CN116564547B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104952071A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种基于灰度空间相关的最大类间方差图像分割算法 |
| CN110379504A (zh) * | 2018-04-11 | 2019-10-25 | 天启慧眼(北京)信息技术有限公司 | 一种肺结核的智能筛查和上报方法及系统 |
| CN110570445A (zh) * | 2019-09-09 | 2019-12-13 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、终端及可读介质 |
| CN112466473A (zh) * | 2020-09-28 | 2021-03-09 | 北京左医科技有限公司 | 新发传染病自动预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 灰度图像的二维Otsu自动阈值分割法;刘健庄 等;《自动化学报》;第19卷(第1期);第101-105页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116564547A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
| CN106851263B (zh) | 基于定时自学习模块的视频质量诊断方法及系统 | |
| US20220301159A1 (en) | Artificial intelligence-based colonoscopic image diagnosis assisting system and method | |
| CN116246778B (zh) | 一种肺功能检测智能诊断平台 | |
| CN107887002A (zh) | 一种医学影像诊断质量管理系统 | |
| CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
| Sultan et al. | Quantitative pleural line characterization outperforms traditional lung texture ultrasound features in detection of COVID‐19 | |
| CN116564547B (zh) | 一种呼吸道传染病的早期预警方法及系统 | |
| Ramadhan et al. | Fast and accurate detection of Covid-19-related pneumonia from chest X-ray images with novel deep learning model | |
| CN112784924A (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
| CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
| CN116844733A (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
| CN115019972B (zh) | 一种基于大数据分析的医疗影像数据共享系统 | |
| US11941811B2 (en) | Method for assessing cardiothoracic ratio and cardiothoracic ratio assessment system | |
| Tang et al. | CNN-based automatic detection of bone conditions via diagnostic CT images for osteoporosis screening | |
| 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 | |
| CN113130050B (zh) | 一种医学信息显示方法及显示系统 | |
| CN111652840B (zh) | 一种x光胸透图像肺部浑浊筛查分类装置 | |
| Groot Lipman et al. | Artificial intelligence-based diagnosis of asbestosis: analysis of a database with applicants for asbestosis state aid | |
| CN112712492B (zh) | 确定设备质量的方法、装置、服务器和存储介质 | |
| CN112690809B (zh) | 确定设备异常原因的方法、装置、服务器和存储介质 | |
| JP7387457B2 (ja) | 医用画像処理装置、プログラム、および医用画像処理システム | |
| CN107680670A (zh) | 一种无地域限制的医学图像辨识与诊断系统及方法 | |
| CN111261264A (zh) | 一种智能体质测试设备、方法及存储介质 | |
| Liu et al. | Improved PSP-net segmentation network for automatic detection of neovascularization in color fundus images |
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 |