CN116665883A - 一种预测神经退行性疾病风险的方法及其系统 - Google Patents
一种预测神经退行性疾病风险的方法及其系统 Download PDFInfo
- Publication number
- CN116665883A CN116665883A CN202310637186.0A CN202310637186A CN116665883A CN 116665883 A CN116665883 A CN 116665883A CN 202310637186 A CN202310637186 A CN 202310637186A CN 116665883 A CN116665883 A CN 116665883A
- Authority
- CN
- China
- Prior art keywords
- information
- patient
- result
- pupil
- brain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004770 neurodegeneration Effects 0.000 title claims abstract description 41
- 208000015122 neurodegenerative disease Diseases 0.000 title claims abstract description 41
- 210000004556 brain Anatomy 0.000 claims abstract description 86
- 238000003745 diagnosis Methods 0.000 claims abstract description 78
- 210000001747 pupil Anatomy 0.000 claims abstract description 71
- 230000001149 cognitive effect Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 17
- 201000010099 disease Diseases 0.000 claims abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000012634 fragment Substances 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 28
- 208000024891 symptom Diseases 0.000 claims description 19
- 230000003902 lesion Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000002610 neuroimaging Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000000626 neurodegenerative effect Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004410 intraocular pressure Effects 0.000 description 3
- 230000004064 dysfunction Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000001691 amnion Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 208000002352 blister Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003007 myelin sheath Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036573 scar formation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 210000003954 umbilical cord Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G16H50/20—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医疗系统技术领域，具体公开了一种预测神经退行性疾病风险的方法及其系统，所述方法包括：步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库；步骤S2：定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息；步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分；本发明通过结合定期检测脑部影像、患者眼部图片以及认知问卷的方式，实现对患者进行持续观察预测，结合多重方法，有利于提高预测几率；同时本发明提供的系统还可实现线下上传数据，实现异地就诊，方便患者就医和长期观察。
Description
技术领域
本发明涉及医疗系统技术领域，具体是一种预测神经退行性疾病风险的方法及其系统。
背景技术
神经退行性疾病是由神经元和(或)其髓鞘的丧失所致，随着时间的推移而恶化，出现功能障碍，鉴于神经退行性疾病致病因素的多样性。阻断一个或两个途径不能明显减少神经元全面的功能障碍和损失。随着对神经退行性疾病研究的不断深入，利用多途径、多靶点的优势治疗，对改善神经退行性疾病患者的症状，调理脑功能，起到很好的治疗作用。另一方面，神经退行性疾病发病所伴随的病理变化是不可逆的，在患者出现认知障碍时，病程往往已到中晚期，此时治疗只能减缓疾病的发展，不能从根本上逆转神经网络的损伤。因此，对于神经退行性疾病应该尽量做到早诊断、早治疗，防止疾病进一步发展。
目前，人们主要以肌电图、脑电图、颅脑核磁和眼部神经等方法进行临床检测。现有预测的手段过于单一，并且有时候预测不准，延误病情。如现有技术(202210083266.1)该发明公开了一种神经退行性疾病预测系统及使用方法，其中一种神经退行性疾病预测系统的使用方法包括：定期采集用户双眼的虹膜图像；提取所述虹膜图像的局部特征；将当前采集的虹膜图像的局部特征与上一次采集的虹膜图像的局部特征进行比对，得到比对结果；根据比对结果判断局部特征是否发生变化，若所述局部特征发生变化，则发出提示信息；基于所述提示信息，采用第一检测手段，检测所述用户的眼部数据；基于所述眼部数据，提供所述用户罹患神经退行性疾病的置信度，并基于所述置信度对所述用户罹患神经退行性疾病进行预测。该发明通过眼部虹膜图像判断是否存在神经退行性疾病，能够提高检测的准确性，同时可以节省大量的检测费用，但是相对性的方法的检测依然过于局限，仅限于通过虹膜进行判断。
为了解决，我们提出一种预测神经退行性疾病风险的方法及其系统。
发明内容
本发明的目的在于提供一种预测神经退行性疾病风险的方法及其系统，通过结合定期检测脑部影像、患者眼部图片以及认知问卷的方式，实现对患者进行持续观察预测，结合多重方法，有利于提高预测几率；同时本发明提供的系统还可实现线下上传数据，实现异地就诊，方便患者就医和长期观察。
为实现上述目的，本发明提供如下技术方案：一种预测神经退行性疾病风险的方法，所述方法包括：
步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库；
步骤S2：定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息；
步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分；
步骤S4：将患者瞳孔局部特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出瞳孔诊断结果；
步骤S5:将患者脑部细节特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出脑部诊断结果；
步骤S6：报告结果信息，结合认知问卷诊断情况，输出预测结果给医生，接着通过医生再次进行确定结果情况，并将诊断结果反馈给用户。
作为本发明所述的一种优选实施方案，所述步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库的详细步骤如下：
获取医院资源库中神经退行性患者病情信息，所述病情信息包括脑部图像信息、瞳孔信息、认知问卷信息和诊断结果信息；
对脑部图像信息和瞳孔信息分片并编号，并依据其诊断结果建立脑部信息和瞳孔信息对应的症状模型库；
实验训练，导入预设脑部图像和瞳孔信息，将症状模型库中获取对应诊断结果，并与预设信息对比，判断是否评价吃否准确，若不准确则，将该组脑部图像信息和瞳孔信息评价状态进行修正。
作为本发明所述的一种优选实施方案，所述步骤S2定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息的详细步骤如下：
确定信息采集周期，按周或者按月确定患者诊断信息采集周期；
在到达信息采集周期的时候，分别采集患者瞳孔信息、脑部图像信息，并同时进行认知问卷调查；
其中瞳孔信息通过高清摄像头采集，脑部图像信息通过脑CT检查，且瞳孔信息和认知问卷在远程进行。
作为本发明所述的一种优选实施方案，所述步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分的详细步骤如下：
对患者瞳孔信息的图片进行分片，并进行编号标记，生成局部特征信息；
对患者脑部图像信息的托进行分片，并进行编号标记，生成局部特征信息；
对认知问卷答案进行评分；
对该患者建立病例信息，并将瞳孔信息和脑部图像信息以及答题评分导入该患者病例信息中。
作为本发明所述的一种优选实施方案，所述步骤S4：将患者瞳孔局部特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出瞳孔诊断结果的详细步骤如下：
获取步骤患者的瞳孔局部特征信息，依照该特征信息的编号,检索模型库中类似的局部特征图像信息；
依据模型库中局部特征图像信息，匹配对应症状，判断是否存在症状；
将瞳孔局部特征信息与历史信息进行对比，即上次检测结果进行对比，判断是否存在病变，若发生病变，且在库中没有记录，则录入库中。
作为本发明所述的一种优选实施方案，所述步骤S5:将患者脑部细节特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出脑部诊断结果的详细步骤如下：
获取步骤患者的脑部图像特征信息，依照该特征信息的编号,检索模型库中类似的局部特征图像信息；
依据模型库中局部特征图像信息，匹配对应症状，判断是否存在症状；
将脑部图像特征信息与历史信息进行对比，即上次检测结果进行对比，判断是否存在病变，若发生病变，且在库中没有记录，则录入库中。
作为本发明所述的一种优选实施方案，所述步骤S6：报告结果信息，结合认知问卷诊断情况，输出预测结果给医生，接着通过医生再次进行确定结果情况，并将诊断结果反馈给用户详细步骤如下：
输出报告结果信息和诊断情况给医生，所述诊断情况包括瞳孔检测是否异常，脑部检测是否异常，以及自我认知评分；
医生再次结合示例确定检测结果，并将最终结果反馈给用户。
一种预测神经退行性疾病风险的系统，包括：
对比预测服务器，所述预测服务器用于进行数据比对，并输出预测结果；
用户检测端，所述用户端用于居家采集患者眼部图像和脑部影像、进行认知问卷调查，接收预测结果
医院检测端，所述医院检测端用于采集患者眼部图像、脑部影像、进行认知问卷调查，确认预测结果。
作为本发明所述的一种优选实施方案，所述对比服务器包括：
数据库模块，所述数据库模块用于储存基础数据库信息；
数据处理模块，用于将图像信息分片并进行命名生成待处理信息；
对比模块，所述对比模块用于对比眼部信息、脑部信息；
评分模块，所述评分模块用于对认知问卷进行评分；
报告模块，所述报告模块，用于汇总眼部信息对比结果、脑部信息对比结果和问卷评分，并输出报告。
作为本发明所述的一种优选实施方案，所述用户检测端包括：
上传模块，所述上传模块用于上传异地检测的眼部图像和脑部图像信息；
问卷调查模块，所述问卷调查模块用于进行认知问卷调查；
预测结果模块，所述报告模块用于展示预测结果；
所述医院检测端包括：
照片采集模块，所述照片采集模块用于采集患者眼部图片信息；
脑部影像系统，所述脑部影像系统用于采集患者脑部影像学信息；
问卷调查模块，所述问卷调查模块用于进行认知问卷调查；
确认报告模块，用于确认报告预测结果。
与现有技术相比，本发明的有益效果是：
本发明可实现对单纯小梁切除术和行小梁切除联合脐带羊膜移植术分组对比；收集其相关临床资料，分析其效果加以统计分析，得到相关数据结论；还有利于记录手术并发症，如滤过泡瘢痕化，眼压控制不佳等，以及眼压、最佳矫正视力、降眼压眼水使用数量较术前好转等情况。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例。
图1为本发明一种预测神经退行性疾病风险的方法流程图；
图2为本发明一种预测神经退行性疾病风险的系统结构图；
图3为本发明一种预测神经退行性疾病风险的系统对比服务器结构图；
图4为本发明一种预测神经退行性疾病风险的系统用户检测端结构图；
图5为本发明一种预测神经退行性疾病风险的系统医院检测端结构图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1-图5，本发明为实现上述目的对本发明所述技术方案进行详细说明。
本发明提出一种预测神经退行性疾病风险的方法，所述方法包括：
步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库；
步骤S2：定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息；
步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分；
步骤S4：将患者瞳孔局部特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出瞳孔诊断结果；
步骤S5:将患者脑部细节特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出脑部诊断结果；
步骤S6：报告结果信息，结合认知问卷诊断情况，输出预测结果给医生，接着通过医生再次进行确定结果情况，并将诊断结果反馈给用户。
进一步的，所述步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库的详细步骤如下：
获取医院资源库中神经退行性患者病情信息，所述病情信息包括脑部图像信息、瞳孔信息、认知问卷信息和诊断结果信息；
对脑部图像信息和瞳孔信息分片并编号，并依据其诊断结果建立脑部信息和瞳孔信息对应的症状模型库；
实验训练，导入预设脑部图像和瞳孔信息，将症状模型库中获取对应诊断结果，并与预设信息对比，判断是否评价吃否准确，若不准确则，将该组脑部图像信息和瞳孔信息评价状态进行修正。
进一步的，所述步骤S2定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息的详细步骤如下：
确定信息采集周期，按周或者按月确定患者诊断信息采集周期；
在到达信息采集周期的时候，分别采集患者瞳孔信息、脑部图像信息，并同时进行认知问卷调查；
其中瞳孔信息通过高清摄像头采集，脑部图像信息通过脑CT检查，且瞳孔信息和认知问卷在远程进行。
进一步的，所述步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分的详细步骤如下：
对患者瞳孔信息的图片进行分片，并进行编号标记，生成局部特征信息；
对患者脑部图像信息的托进行分片，并进行编号标记，生成局部特征信息；
对认知问卷答案进行评分；
对该患者建立病例信息，并将瞳孔信息和脑部图像信息以及答题评分导入该患者病例信息中。
进一步的，所述步骤S4：将患者瞳孔局部特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出瞳孔诊断结果的详细步骤如下：
获取步骤患者的瞳孔局部特征信息，依照该特征信息的编号,检索模型库中类似的局部特征图像信息；
依据模型库中局部特征图像信息，匹配对应症状，判断是否存在症状；
将瞳孔局部特征信息与历史信息进行对比，即上次检测结果进行对比，判断是否存在病变，若发生病变，且在库中没有记录，则录入库中。
进一步的，所述步骤S5:将患者脑部细节特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出脑部诊断结果的详细步骤如下：
获取步骤患者的脑部图像特征信息，依照该特征信息的编号,检索模型库中类似的局部特征图像信息；
依据模型库中局部特征图像信息，匹配对应症状，判断是否存在症状；
将脑部图像特征信息与历史信息进行对比，即上次检测结果进行对比，判断是否存在病变，若发生病变，且在库中没有记录，则录入库中。
进一步的，所述步骤S6：报告结果信息，结合认知问卷诊断情况，输出预测结果给医生，接着通过医生再次进行确定结果情况，并将诊断结果反馈给用户详细步骤如下：
输出报告结果信息和诊断情况给医生，所述诊断情况包括瞳孔检测是否异常，脑部检测是否异常，以及自我认知评分；
医生再次结合示例确定检测结果，并将最终结果反馈给用户。
进一步的，如图2-5所示，本发明还提供一种预测神经退行性疾病风险的系统，包括：
对比预测服务器，所述预测服务器用于进行数据比对，并输出预测结果；
用户检测端，所述用户端用于居家采集患者眼部图像和脑部影像、进行认知问卷调查，接收预测结果
医院检测端，所述医院检测端用于采集患者眼部图像、脑部影像、进行认知问卷调查，确认预测结果。
进一步的，所述对比服务器包括：
数据库模块，所述数据库模块用于储存基础数据库信息；
数据处理模块，用于将图像信息分片并进行命名生成待处理信息；
对比模块，所述对比模块用于对比眼部信息、脑部信息；
评分模块，所述评分模块用于对认知问卷进行评分；
报告模块，所述报告模块，用于汇总眼部信息对比结果、脑部信息对比结果和问卷评分，并输出报告。
进一步的，所述用户检测端包括：
上传模块，所述上传模块用于上传异地检测的眼部图像和脑部图像信息；
问卷调查模块，所述问卷调查模块用于进行认知问卷调查；
预测结果模块，所述报告模块用于展示预测结果；
所述医院检测端包括：
照片采集模块，所述照片采集模块用于采集患者眼部图片信息；
脑部影像系统，所述脑部影像系统用于采集患者脑部影像学信息；
问卷调查模块，所述问卷调查模块用于进行认知问卷调查；
确认报告模块，用于确认报告预测结果。
综上所述，本发明通过结合定期检测脑部影像、患者眼部图片以及认知问卷的方式，实现对患者进行持续观察预测，结合多重方法，有利于提高预测几率；同时本发明提供的系统还可实现线下上传数据，实现异地就诊，方便患者就医和长期观察。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器(Read-Only Memory，ROM)，所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述为本发明的较佳实施例，并不用于限制本发明。在本发明原理及实施范围内所作的任何修改、等同替换及改进等均应包含在本发明的保护范围内。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种预测神经退行性疾病风险的方法，其特征在于，所述方法包括：
步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库；
步骤S2：定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息；
步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分；
步骤S4：将患者瞳孔局部特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出瞳孔诊断结果；
步骤S5:将患者脑部细节特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出脑部诊断结果；
步骤S6：报告结果信息，结合认知问卷诊断情况，输出预测结果给医生，接着通过医生再次进行确定结果情况，并将诊断结果反馈给用户。
2.根据权利要求1所述的一种预测神经退行性疾病风险的方法，其特征在于，所述步骤S1：训练模型，获取历史神经退行性疾病的患病病例信息，训练并建立模型库的详细步骤如下：
获取医院资源库中神经退行性患者病情信息，所述病情信息包括脑部图像信息、瞳孔信息、认知问卷信息和诊断结果信息；
对脑部图像信息和瞳孔信息分片并编号，并依据其诊断结果建立脑部信息和瞳孔信息对应的症状模型库；
实验训练，导入预设脑部图像和瞳孔信息，将症状模型库中获取对应诊断结果，并与预设信息对比，判断是否评价吃否准确，若不准确则，将该组脑部图像信息和瞳孔信息评价状态进行修正。
3.根据权利要求2所述的一种预测神经退行性疾病风险的方法，其特征在于，所述步骤S2定时采集患者诊断信息，所述诊断信息包括瞳孔信息、脑部图像信息和认知问卷诊断信息的详细步骤如下：
确定信息采集周期，按周或者按月确定患者诊断信息采集周期；
在到达信息采集周期的时候，分别采集患者瞳孔信息、脑部图像信息，并同时进行认知问卷调查；
其中瞳孔信息通过高清摄像头采集，脑部图像信息通过脑CT检查，且瞳孔信息和认知问卷在远程进行。
4.根据权利要求3所述的一种预测神经退行性疾病风险的方法，其特征在于，所述步骤S3：对诊断信息进行提取，对患者瞳孔信息的局部特征进行分片提取，对患者脑部图像信息进行分片提取，对于认知问卷诊断信息进行评分的详细步骤如下：
对患者瞳孔信息的图片进行分片，并进行编号标记，生成局部特征信息；
对患者脑部图像信息的托进行分片，并进行编号标记，生成局部特征信息；
对认知问卷答案进行评分；对该患者建立病例信息，并将瞳孔信息和脑部图像信息以及答题评分导入该患者病例信息中。
5.根据权利要求4所述的一种预测神经退行性疾病风险的方法，其特征在于，所述步骤S4：将患者瞳孔局部特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出瞳孔诊断结果的详细步骤如下：
获取步骤患者的瞳孔局部特征信息，依照该特征信息的编号,检索模型库中类似的局部特征图像信息；
依据模型库中局部特征图像信息，匹配对应症状，判断是否存在症状；
将瞳孔局部特征信息与历史信息进行对比，即上次检测结果进行对比，判断是否存在病变，若发生病变，且在库中没有记录，则录入库中。
6.根据权利要求5所述的一种预测神经退行性疾病风险的方法，其特征在于，所述步骤S5:将患者脑部细节特征与模型库中特征进行对比，判断是否发生变化得出，变化结果，则将变化结果与历史信息进行对比，得出脑部诊断结果的详细步骤如下：
获取步骤患者的脑部图像特征信息，依照该特征信息的编号,检索模型库中类似的局部特征图像信息；
依据模型库中局部特征图像信息，匹配对应症状，判断是否存在症状；
将脑部图像特征信息与历史信息进行对比，即上次检测结果进行对比，判断是否存在病变，若发生病变，且在库中没有记录，则录入库中。
7.根据权利要求6所述的一种预测神经退行性疾病风险的方法，其特征在于，所述步骤S6：报告结果信息，结合认知问卷诊断情况，输出预测结果给医生，接着通过医生再次进行确定结果情况，并将诊断结果反馈给用户详细步骤如下：
输出报告结果信息和诊断情况给医生，所述诊断情况包括瞳孔检测是否异常，脑部检测是否异常，以及自我认知评分；
医生再次结合示例确定检测结果，并将最终结果反馈给用户。
8.一种预测神经退行性疾病风险的系统，其特征在于，所述系统用于执行权利要求1-7所述方法,包括：
对比预测服务器，所述预测服务器用于进行数据比对，并输出预测结果；
用户检测端，所述用户端用于居家采集患者眼部图像和脑部影像、进行认知问卷调查，接收预测结果
医院检测端，所述医院检测端用于采集患者眼部图像、脑部影像、进行认知问卷调查，确认预测结果。
9.根据权利要求8所述的一种预测神经退行性疾病风险的系统，其特征在于，所述对比服务器包括：
数据库模块，所述数据库模块用于储存基础数据库信息；数据处理模块，用于将图像信息分片并进行命名生成待处理信息；
对比模块，所述对比模块用于对比眼部信息、脑部信息；评分模块，所述评分模块用于对认知问卷进行评分；
报告模块，所述报告模块，用于汇总眼部信息对比结果、脑部信息对比结果和问卷评分，并输出报告。
10.根据权利要求9所述的一种预测神经退行性疾病风险的系统，其特征在于，
所述用户检测端包括：上传模块，所述上传模块用于上传异地检测的眼部图像和脑部图像信息；
问卷调查模块，所述问卷调查模块用于进行认知问卷调查；预测结果模块，所述报告模块用于展示预测结果；
所述医院检测端包括：照片采集模块，所述照片采集模块用于采集患者眼部图片信息；
脑部影像系统，所述脑部影像系统用于采集患者脑部影像学信息；问卷调查模块，所述问卷调查模块用于进行认知问卷调查；确认报告模块，用于确认报告预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310637186.0A CN116665883A (zh) | 2023-05-31 | 2023-05-31 | 一种预测神经退行性疾病风险的方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310637186.0A CN116665883A (zh) | 2023-05-31 | 2023-05-31 | 一种预测神经退行性疾病风险的方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116665883A true CN116665883A (zh) | 2023-08-29 |
Family
ID=87716661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310637186.0A Pending CN116665883A (zh) | 2023-05-31 | 2023-05-31 | 一种预测神经退行性疾病风险的方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665883A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238483A (zh) * | 2023-11-10 | 2023-12-15 | 哈尔滨海鸿基业科技发展有限公司 | 一种儿童脑瘫诊断设备 |
| CN117457234A (zh) * | 2023-11-20 | 2024-01-26 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤等级预测方法与系统 |
-
2023
- 2023-05-31 CN CN202310637186.0A patent/CN116665883A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238483A (zh) * | 2023-11-10 | 2023-12-15 | 哈尔滨海鸿基业科技发展有限公司 | 一种儿童脑瘫诊断设备 |
| CN117238483B (zh) * | 2023-11-10 | 2024-02-27 | 哈尔滨海鸿基业科技发展有限公司 | 一种儿童脑瘫诊断设备 |
| CN117457234A (zh) * | 2023-11-20 | 2024-01-26 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116665883A (zh) | 一种预测神经退行性疾病风险的方法及其系统 | |
| KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| Niemeijer et al. | Automated detection and differentiation of drusen, exudates, and cotton-wool spots in digital color fundus photographs for diabetic retinopathy diagnosis | |
| US8548823B2 (en) | Automatically determining ideal treatment plans for complex neuropsychiatric conditions | |
| CN114514585A (zh) | 疾病预测系统、保险费计算系统以及疾病预测方法 | |
| US9524304B2 (en) | Systems and methods for diagnosing inherited retinal diseases | |
| RU2011116406A (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
| DE112014000897T5 (de) | Lernende Gesundheitssysteme und -verfahren | |
| DE102008002882A1 (de) | System und Verfahren zu von einer elektronischen Krankenakte beeinflusster Datenerfassung, -verarbeitung und -anzeige | |
| WO2010005656A2 (en) | Brain condition assessment | |
| US20200065967A1 (en) | Computer system, method, and program for diagnosing subject | |
| CN110674773A (zh) | 一种痴呆症的识别系统、装置及存储介质 | |
| CN110767283A (zh) | 精神疾病影像学自动化报告系统及其方法 | |
| EP3706136A1 (en) | Computerized systems for prediction of geographic atrophy progression using deep learning applied to clinical imaging | |
| Tobin et al. | Using a patient image archive to diagnose retinopathy | |
| Viscaino et al. | Computer-aided ear diagnosis system based on CNN-LSTM hybrid learning framework for video otoscopy examination | |
| US11817216B2 (en) | Search method and information processing system | |
| CN112236832A (zh) | 诊断辅助系统、诊断辅助方法以及诊断辅助程序 | |
| CN111540442A (zh) | 基于计算机视觉的医学图像诊断调度管理系统 | |
| US20230144621A1 (en) | Capturing diagnosable video content using a client device | |
| EP4374333A1 (en) | Systems and methods for processing images for image matching | |
| CN111403013B (zh) | 用于能力评定的方法及装置 | |
| US11983871B2 (en) | Automated system for rapid detection and indexing of critical regions in non-contrast head CT | |
| RU2693160C1 (ru) | Телемедицинская система для дистанционного обследования здоровья и способ оценки риска наличия заболевания | |
| Mohan et al. | Using artificial intelligence in diabetic retinopathy |
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 |