CN116705300A - 基于体征数据分析的医疗决策辅助方法、系统及存储介质 - Google Patents

基于体征数据分析的医疗决策辅助方法、系统及存储介质 Download PDF

Info

Publication number
CN116705300A
CN116705300A CN202310688698.XA CN202310688698A CN116705300A CN 116705300 A CN116705300 A CN 116705300A CN 202310688698 A CN202310688698 A CN 202310688698A CN 116705300 A CN116705300 A CN 116705300A
Authority
CN
China
Prior art keywords
patient
sign
human body
disease
model
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
CN202310688698.XA
Other languages
English (en)
Inventor
王欣
刘志岩
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.)
Harbin Haijiya Technology Co ltd
Original Assignee
Harbin Haijiya Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Haijiya Technology Co ltd filed Critical Harbin Haijiya Technology Co ltd
Priority to CN202310688698.XA priority Critical patent/CN116705300A/zh
Publication of CN116705300A publication Critical patent/CN116705300A/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
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了基于体征数据分析的医疗决策辅助方法、系统及存储介质，涉及医疗辅助诊断技术领域，包括：基于神经网络进行训练获得人体体征数据识别模型；基于历史诊断经验数据，建立辅助诊断模型；通过人体体征数据识别模型，获得患者的人体体征图像集；通过辅助诊断模型，计算患者可能出现的各种疾病的概率值；判断患者可能出现的疾病的概率值是否大于风险预设值；确定每一项检查项目能够检查到的疾病种类；确定并输出患者的检查项目。本发明的优点在于：可实现对病人的针对化检查项目规划，使病人可以根据自身情况获得最佳的诊疗方案，可有效的提高病人获得的治疗水平。

Description

基于体征数据分析的医疗决策辅助方法、系统及存储介质
技术领域
本发明涉及医疗辅助诊断技术领域，具体是涉及基于体征数据分析的医疗决策辅助方法、系统及存储介质。
背景技术
国内外医学界的诊疗决策尤其是诊断决策方法大都是根据各种医疗仪器对病人的检查结果,由医生凭借自身的医学知识和多年积累的临床诊断经验,对病情进行分析判断,从而做出相应的决策。
因此，为保证诊断的精准性，通常需要对病人进行多项检查才能进行疾病的准确诊断，这种方式会造成病人耗费大量的时间和金钱，造成医疗诊断效率下降，病人难以获得最佳的治疗水平。
发明内容
为解决上述技术问题，提供基于体征数据分析的医疗决策辅助方法、系统及存储介质，本技术方案结合人体体征数据，对患者可能出现的疾病进行初步的诊断判断，形成初步诊断方案，进而辅助医护工作人员进行医疗决策，可有效的解决上述的为保证诊断的精准性，通常需要对病人进行多项检查才能进行疾病的准确诊断，这种方式会造成病人耗费大量的时间和金钱，造成医疗诊断效率下降，病人难以获得最佳的治疗水平的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于体征数据分析的医疗决策辅助方法，包括：
基于神经网络进行训练获得人体体征数据识别模型，所述人体体征数据识别模型以人体图像数据作为输入，以人体体征图像集作为输出；
基于历史诊断经验数据，建立辅助诊断模型，所述辅助诊断模型以患者的人体体征图像集作为输入，以患者可能出现的各种疾病的概率值作为输出；
通过图像采集装置进行采集患者的人体图像数据，并将患者的人体图像数据输入人体体征数据识别模型，获得患者的人体体征图像集；
将患者的人体体征图像集输入辅助诊断模型，计算患者可能出现的各种疾病的概率值，获取患者患病概率值；
判断患者可能出现的疾病的概率值是否大于风险预设值，若是，则判定为出现对应疾病的风险高，若否，则判定为出现对应疾病的风险低；
确定每一项检查项目能够检查到的疾病种类；
基于所有风险高的疾病和检查项目能够检查到的疾病种类确定并输出患者的检查项目。
优选的，所述基于神经网络进行训练获得人体体征数据识别模型具体包括：
基于医学诊断经验，获取每种疾病可能出现的一个或多个病态体征及每个病态体征所对应的人体体征区域，获得若干模型样本数据；
将模型样本数据按照8:2的比例随机分成模型训练数据和模型验证数据；
以模型训练数据中的人体图像数据作为神经网络输入层预设值，以模型训练数据中的每种疾病对应的一个或多个病态体征所对应的人体体征图像集作为神经网络输出层预设值，其中，每个人体体征图像对应一个病态体征所对应的人体体征区域，进行神经网络隐含层的运算逻辑训练，获得待验证模型；
通过模型验证数据验证待验证模型是否满足识别精准度需求，若是，则将待验证模型作为人体体征数据识别模型，若否，则重新抽选若干模型训练数据，并重复进行训练待验证模型。
优选的，所述基于历史诊断经验数据，建立辅助诊断模型具体包括：
基于历史诊断经验数据，确定每种疾病可能出现的一个或多个病态体征标准图像，获得与疾病种类一一对应的病态体征标准图像集合；
基于Logistic回归模型进行建立与疾病种类一一对应的患病风险预测模型；
基于历史诊断病例，获取若干个历史病态体征图像集合；
基于病态体征拟合计算方法，计算历史病态体征图像集合与病态体征标准图像集合中每个元素的拟合度，获取若干个训练求解拟合度集；
基于训练求解拟合度集，通过最大似然法进行求解患病风险预测模型的参数；
其中，所述患病风险预测模型的表达式为：
式中，P为患者可能出现疾病的概率值，n为疾病对应的病态体征标准集合中的元素总数，xi为病态体征集合中第i个元素对应的拟合度，α、β1、β2、…、βi、…、βn均为患病风险预测模型的参数。
优选的，所述病态体征拟合计算方法具体包括：
按照相同的网格划分逻辑对病态体征标准图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素进行网格划分，获得若干个病态体征标准网格图像和若干个待计算匹配网格图像；
基于图像匹配逻辑，分别计算每个病态体征标准网格图像和待计算匹配网格图像的匹配度，获取若干个网格图像匹配度数据；
基于拟合计算公式，通过若干个网格图像匹配度数据进行计算病态体征图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素的拟合度；
其中，所述拟合计算公式为：
式中，x为病态体征图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素的拟合度，m为病态体征标准网格图像或待计算匹配网格图像的数量，Mj为第j个病态体征标准网格图像和待计算匹配网格图像的匹配度。
优选的，所述将患者的人体体征图像集输入辅助诊断模型，计算患者可能出现的各种疾病的概率值，获取患者患病概率值具体包括：
从患者的人体体征图像集中调取与待匹配疾病种类相关的一个或多个病态体征所对应的人体体征区域图片，获取与待匹配疾病种类对应的患者体态图像集；
基于病态体征拟合计算方法，计算患者体态图像集与待匹配疾病种类对应的病态体征图像集合中每个元素的拟合度；
基于与待匹配疾病种类对应的患病风险预测模型进行计算患者可能患有待匹配疾病种类的概率值。
优选的，所述基于所有风险高的疾病和检查项目能够检查到的疾病种类确定并输出患者的检查项目具体包括：
基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，每个备选检查项目组合能够检查到的疾病种类须要包括所有风险高的疾病；
基于患者的实际情况进行确定影响因素的权重值，所述影响因素至少包括备选检查项目的总检查耗时和备选检查项目的总检查费用；
通过正向化计算公式，基于若干个备选检查项目组合分别计算每个备选检查项目组合中每个影响因素的正向化系数；
通过适配度计算公式计算每一个备选检查项目组合与患者的实际情况的适配度；
筛选出与患者的实际情况的适配度最大的备选检查项目组合，输出该备选检查项目组合作为患者的检查项目；
其中，所述适配度计算公式为：
式中，S为备选检查项目组合与患者的实际情况的适配度，tk为第k个备选检查项目组合中总检查耗时的正向化系数，wk为第k个备选检查项目组合中总检查费用的正向化系数，l为备选检查项目组合总数，σ1为总检查耗时的权重值，σ2为总检查费用的权重值。
优选的，所述正向化计算公式为：
式中，tmax为所有备选检查项目组中的总检查耗时的最大值，tmin为所有备选检查项目组中的总检查耗时的最小值，tk0为第k个备选检查项目组合中总检查耗时的初始值，wmax为所有备选检查项目组中的总检查费用的最大值，wmin为所有备选检查项目组中的总检查费用的最小值，wk0为第k个备选检查项目组合中总检查费用的初始值。
进一步的，提出一种基于体征数据分析的医疗决策辅助系统，用于实现如上述的基于体征数据分析的医疗决策辅助方法，包括：
处理器，所述处理器用于实现基于神经网络进行训练获得人体体征数据识别模型、基于历史诊断经验数据，建立辅助诊断模型、计算患者可能出现的各种疾病的概率值、判断患者可能出现的疾病的概率值是否大于风险预设值、确定患者的检查项目；
图像采集装置，图像采集装置与所述处理器电性连接，所述图像采集装置用于采集患者的人体图像数据，并将采集的人体图像数据输送至处理器；
输出模块，输出模块与所述处理器电性连接，所述输出模块用于输出处理器确定的患者的检查项目。
可选的，所述处理器内部集成有：
第一模型训练单元，所述第一模型训练单元用于基于神经网络进行训练获得人体体征数据识别模型；
第二模型训练单元，所述第二模型训练单元用于基于历史诊断经验数据，建立辅助诊断模型；
图像分析单元，所述图像分析单元用于基于人体体征数据识别模型，对图像采集装置采集的人体图像数据进行识别分隔，获得患者的人体体征图像集；
风险预测单元，所述风险预测单元用于将患者的人体体征图像集代入辅助诊断模型，进行计算患者可能出现的各种疾病的概率值；
判断单元，所述判断单元用于判断患者可能出现的疾病的概率值是否大于风险预设值，若是，则判定为出现对应疾病的风险高，若否，则判定为出现对应疾病的风险低；
检查项目规划单元，所述检查项目规划单元基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，其中每个备选检查项目组合能够检查到的疾病种类须要包括所有风险高的疾病；
权重分配单元，所述权重分配单元用于基于患者的实际情况进行确定影响因素的权重值，其中影响因素至少包括备选检查项目的总检查耗时和备选检查项目的总检查费用；
适配度计算单元，所述适配度计算单元用于计算每一个备选检查项目组合与患者的实际情况的适配度；
筛选单元，所述筛选单元用于筛选出与患者的实际情况的适配度最大的备选检查项目组合，输出该备选检查项目组合作为患者的检查项目。
再进一步的，提出一种计算机可读存储介质，其上存储有计算机可读程序，所述计算机可读程序被调用时执行如上述的基于体征数据分析的医疗决策辅助方法。
与现有技术相比，本发明的有益效果在于：
本发明提出一种基于体征数据分析的医疗决策辅助方案，基于各种疾病可能对人体造成的体征变化，例如肝脏出现病变炎症时导致的周身发黄、皮肤出现蜘蛛痣等体征变化，对病人的体征图像进行拟合匹配，通过此方式进行预先判断病人可能出现的风险较高的疾病种类，再通过风险较高的疾病种类进行针对化的确定病人的检查项目，通过此方式，可有效的辅助医生的诊疗，实现对病人的针对化检查项目规划，使病人可以根据自身情况获得最佳的诊疗方案，可有效的提高病人获得的治疗水平。
附图说明
图1为本发明提出的基于体征数据分析的医疗决策辅助方法流程图；
图2为本发明中的基于神经网络进行训练获得人体体征数据识别模型的方法流程图；
图3为本发明中的建立辅助诊断模型的方法流程图；
图4为本发明中的病态体征拟合计算方法流程图；
图5为本发明中的计算患者可能出现的各种疾病的概率值的方法流程图；
图6为本发明中的确定并输出患者的检查项目的方法流程图；
图7为本发明提出的基于体征数据分析的医疗决策辅助系统结构框图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
请参阅图1所示，一种基于体征数据分析的医疗决策辅助方法，包括：
基于神经网络进行训练获得人体体征数据识别模型，人体体征数据识别模型以人体图像数据作为输入，以人体体征图像集作为输出；
基于历史诊断经验数据，建立辅助诊断模型，辅助诊断模型以患者的人体体征图像集作为输入，以患者可能出现的各种疾病的概率值作为输出；
通过图像采集装置进行采集患者的人体图像数据，并将患者的人体图像数据输入人体体征数据识别模型，获得患者的人体体征图像集；
将患者的人体体征图像集输入辅助诊断模型，计算患者可能出现的各种疾病的概率值，获取患者患病概率值；
判断患者可能出现的疾病的概率值是否大于风险预设值，若是，则判定为出现对应疾病的风险高，若否，则判定为出现对应疾病的风险低；
确定每一项检查项目能够检查到的疾病种类；
基于所有风险高的疾病和检查项目能够检查到的疾病种类确定并输出患者的检查项目。
需要说明的是，部分疾病会导致患者身体出现体征变化，例如肝脏出现病变炎症时导致的周身发黄、皮肤出现蜘蛛痣，肾脏出现病变炎症会从面部开始逐渐发展为下肢和全身水肿，本方案针对的是对于使身体出现体征变化的疾病的预先辅助诊断方案制定，通过对病人的体征进行规划病人进行对应的针对化检查项目，进而实现辅助医生的诊疗的效果，实现对病人的针对化检查项目规划，保障病人获得最佳治疗水平。
请参阅图2所示，基于神经网络进行训练获得人体体征数据识别模型具体包括：
基于医学诊断经验，获取每种疾病可能出现的一个或多个病态体征及每个病态体征所对应的人体体征区域，获得若干模型样本数据；
将模型样本数据按照8:2的比例随机分成模型训练数据和模型验证数据；
以模型训练数据中的人体图像数据作为神经网络输入层预设值，以模型训练数据中的每种疾病对应的一个或多个病态体征所对应的人体体征图像集作为神经网络输出层预设值，其中，每个人体体征图像对应一个病态体征所对应的人体体征区域，进行神经网络隐含层的运算逻辑训练，获得待验证模型；
通过模型验证数据验证待验证模型是否满足识别精准度需求，若是，则将待验证模型作为人体体征数据识别模型，若否，则重新抽选若干模型训练数据，并重复进行训练待验证模型。
采用训练神经计算网络模型进行训练评分模型，人工神经网络(ArtificialNeural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionModel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，本方案中通过训练神经网络，获取可按照每种疾病所需的体征区域进行人体图像分割的人体体征数据识别模型，进而便于后续诊疗时获取人体体征图像集。
请参阅图3所示，基于历史诊断经验数据，建立辅助诊断模型具体包括：
基于历史诊断经验数据，确定每种疾病可能出现的一个或多个病态体征标准图像，获得与疾病种类一一对应的病态体征标准图像集合；
基于Logistic回归模型进行建立与疾病种类一一对应的患病风险预测模型；
基于历史诊断病例，获取若干个历史病态体征图像集合；
基于病态体征拟合计算方法，计算历史病态体征图像集合与病态体征标准图像集合中每个元素的拟合度，获取若干个训练求解拟合度集；
基于训练求解拟合度集，通过最大似然法进行求解患病风险预测模型的参数；
其中，患病风险预测模型的表达式为：
式中，P为患者可能出现疾病的概率值，n为疾病对应的病态体征标准集合中的元素总数，xi为病态体征集合中第i个元素对应的拟合度，α、β1、β2、…、βi、…、βn均为患病风险预测模型的参数。
Logistic回归模型是一种广义的线性回归分析模型，常用于数据挖掘，结果预测等领域，本方案中，通过以患者体态数据中的各个区域的图像与病态体征标准图像之间的拟合度作为输入参数，可通过Logistic回归模型进行计算病人患上对应疾病的概率。
请参阅图4所示，病态体征拟合计算方法具体包括：
按照相同的网格划分逻辑对病态体征标准图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素进行网格划分，获得若干个病态体征标准网格图像和若干个待计算匹配网格图像；
基于图像匹配逻辑，分别计算每个病态体征标准网格图像和待计算匹配网格图像的匹配度，获取若干个网格图像匹配度数据；
基于拟合计算公式，通过若干个网格图像匹配度数据进行计算病态体征图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素的拟合度；
其中，拟合计算公式为：
式中，x为病态体征图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素的拟合度，m为病态体征标准网格图像或待计算匹配网格图像的数量，Mj为第j个病态体征标准网格图像和待计算匹配网格图像的匹配度。
本方案中采用网格化划分的方式进行病态体征标准图像与病态体征图像进行综合拟合度匹配，在进行网格图像匹配时，采用SIFT算法进行匹配计算，SIFT算法可有效查找关键特征点，避免图形变换、光照和遮挡等因素影响，可有效的保证在进行图像匹配时的准确度，SIFT算法的计算过程包括：构建尺度空间、关键点定位、方向分配、关键点特征描述、特征向量匹配、相似度计算，通过构建尺度空间，在该空间内检测局部极值点，消除偏移量过大的极值点及边缘响应，获得关键点，以此确定主方向，生成关键点描述子，并依据特征描述符向量进行匹配，计算出两幅图像之间的匹配度；
通过获得每个网格图像的匹配度，进行综合计算对应体征图像的拟合度，以拟合度来展示病人与对应病态体征的相似度，拟合度越高，说明病人的体征与对应的病态体征之间相似度越高。
请参阅图5所示，将患者的人体体征图像集输入辅助诊断模型，计算患者可能出现的各种疾病的概率值，获取患者患病概率值具体包括：
从患者的人体体征图像集中调取与待匹配疾病种类相关的一个或多个病态体征所对应的人体体征区域图片，获取与待匹配疾病种类对应的患者体态图像集；
基于病态体征拟合计算方法，计算患者体态图像集与待匹配疾病种类对应的病态体征图像集合中每个元素的拟合度；
基于与待匹配疾病种类对应的患病风险预测模型进行计算患者可能患有待匹配疾病种类的概率值。
请参阅图6所示，基于所有风险高的疾病和检查项目能够检查到的疾病种类确定并输出患者的检查项目具体包括：
基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，每个备选检查项目组合能够检查到的疾病种类须要包括所有风险高的疾病；
基于患者的实际情况进行确定影响因素的权重值，影响因素至少包括备选检查项目的总检查耗时和备选检查项目的总检查费用；
通过正向化计算公式，基于若干个备选检查项目组合分别计算每个备选检查项目组合中每个影响因素的正向化系数；
通过适配度计算公式计算每一个备选检查项目组合与患者的实际情况的适配度；
筛选出与患者的实际情况的适配度最大的备选检查项目组合，输出该备选检查项目组合作为患者的检查项目；
其中，适配度计算公式为：
式中，S为备选检查项目组合与患者的实际情况的适配度，tk为第k个备选检查项目组合中总检查耗时的正向化系数，wk为第k个备选检查项目组合中总检查费用的正向化系数，l为备选检查项目组合总数，σ1为总检查耗时的权重值，σ2为总检查费用的权重值。
可以理解的是，对于不同的检查项目通常有着不同的检查耗时和检查费用，因此针对于患者的不同情况，其检查项目通常需要进行针对性调整，对于症状紧急的病人，为保证诊断时效性，需要进行快速的检查，实现快速的诊疗，此时需要提高总检查耗时的权重值，以保证与患者的实际情况的适配度最大的备选检查项目组合为时效性最优方案，通过这种方式，可有效的保证最终确定的检查项目可最大化的符合病人的自身情况，使病人可以根据自身情况获得最佳的诊疗方案，提高病人获得的治疗水平。
正向化计算公式为：
式中，tmax为所有备选检查项目组中的总检查耗时的最大值，tmin为所有备选检查项目组中的总检查耗时的最小值，tk0为第k个备选检查项目组合中总检查耗时的初始值，wmax为所有备选检查项目组中的总检查费用的最大值，wmin为所有备选检查项目组中的总检查费用的最小值，wk0为第k个备选检查项目组合中总检查费用的初始值。
可以理解的是，对于总检查费用和总检查耗时的评价中，两者的数值越低，代表着其处于越优的状态，基于此，本方案中将总检查费用和总检查耗时的原始数据进行正向化转化，通过该方式，可有效的使总检查费用和总检查耗时评价数值的大小与指标的优化程度处于正向相关，便于后续的适配度计算。
进一步的，请参阅图7所示，本方案基于与上述基于体征数据分析的医疗决策辅助方法相同的发明构思，还提出一种基于体征数据分析的医疗决策辅助系统，包括：
处理器，处理器用于实现基于神经网络进行训练获得人体体征数据识别模型、基于历史诊断经验数据，建立辅助诊断模型、计算患者可能出现的各种疾病的概率值、判断患者可能出现的疾病的概率值是否大于风险预设值、确定患者的检查项目；
图像采集装置，图像采集装置与处理器电性连接，图像采集装置用于采集患者的人体图像数据，并将采集的人体图像数据输送至处理器；
输出模块，输出模块与处理器电性连接，输出模块用于输出处理器确定的患者的检查项目。
处理器内部集成有：
第一模型训练单元，第一模型训练单元用于基于神经网络进行训练获得人体体征数据识别模型；
第二模型训练单元，第二模型训练单元用于基于历史诊断经验数据，建立辅助诊断模型；
图像分析单元，图像分析单元用于基于人体体征数据识别模型，对图像采集装置采集的人体图像数据进行识别分隔，获得患者的人体体征图像集；
风险预测单元，风险预测单元用于将患者的人体体征图像集代入辅助诊断模型，进行计算患者可能出现的各种疾病的概率值；
判断单元，判断单元用于判断患者可能出现的疾病的概率值是否大于风险预设值，若是，则判定为出现对应疾病的风险高，若否，则判定为出现对应疾病的风险低；
检查项目规划单元，检查项目规划单元基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，其中每个备选检查项目组合能够检查到的疾病种类须要包括所有风险高的疾病；
权重分配单元，权重分配单元用于基于患者的实际情况进行确定影响因素的权重值，其中影响因素至少包括备选检查项目的总检查耗时和备选检查项目的总检查费用；
适配度计算单元，适配度计算单元用于计算每一个备选检查项目组合与患者的实际情况的适配度；
筛选单元，筛选单元用于筛选出与患者的实际情况的适配度最大的备选检查项目组合，输出该备选检查项目组合作为患者的检查项目。
上述基于体征数据分析的医疗决策辅助系统的使用过程为：
步骤一：第一模型训练单元基于神经网络进行训练获得人体体征数据识别模型；
步骤二：第二模型训练单元基于历史诊断经验数据，建立辅助诊断模型，辅助诊断模型包括病态体征拟合计算和患病风险预测；
步骤三：图像采集装置采集患者的人体图像数据，并将采集的人体图像数据输送至处理器；
步骤四：图像分析单元接收图像采集装置采集的人体图像数据，并基于人体体征数据识别模型，对图像采集装置采集的人体图像数据进行识别分隔，获得患者的人体体征图像集；
步骤五：风险预测单元将患者的人体体征图像集代入辅助诊断模型，基于患者的人体体征图像集与各个疾病之间的病态体征标准图像集合，进行计算患者可能出现的各种疾病的概率值；
步骤六：判断单元判断患者可能出现的疾病的概率值是否大于风险预设值，将所有大于风险预设值的疾病组成高风险疾病集合；
步骤七：检查项目规划单元基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，可以理解的是，不同的检查项目可以检测不同疾病，例如腹部CT可以检测腹部器官的状态，其中每个备选检查项目组合能够检查到的疾病种类须要包括高风险疾病集合中的所有元素；
步骤八：权重分配单元基于患者的实际情况进行确定影响因素的权重值，对于症状紧急的病人，为保证诊断时效性，需要进行快速的检查，实现快速的诊疗，此时需要提高总检查耗时的权重值，对于经济不宽裕的病人，需要尽量降低检查成本，因此需要提高总检查费用的权重值；
步骤九：适配度计算单元计算每一个备选检查项目组合与患者的实际情况的适配度，筛选单元筛选出与患者的实际情况的适配度最大的备选检查项目组合，作为患者的检查项目；
步骤十：输出模块输出筛选单元筛选出的患者的检查项目。
再进一步的，本发明还提出一种计算机可读存储介质，其上存储有计算机可读程序，计算机可读程序被调用时执行如上述的基于体征数据分析的医疗决策辅助方法；
可以理解的是，计算机可读存储介质可以是磁性介质，例如，软盘、硬盘、磁带；光介质例如，DVD；或者半导体介质例如固态硬盘SolidStateDisk，SSD等。
综上所述，本发明的优点在于：可实现对病人的针对化检查项目规划，使病人可以根据自身情况获得最佳的诊疗方案，可有效的提高病人获得的治疗水平。
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只是本发明的原理，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的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (10)

1.一种基于体征数据分析的医疗决策辅助方法，其特征在于，包括：
基于神经网络进行训练获得人体体征数据识别模型，所述人体体征数据识别模型以人体图像数据作为输入，以人体体征图像集作为输出；
基于历史诊断经验数据，建立辅助诊断模型，所述辅助诊断模型以患者的人体体征图像集作为输入，以患者可能出现的各种疾病的概率值作为输出；
通过图像采集装置进行采集患者的人体图像数据，并将患者的人体图像数据输入人体体征数据识别模型，获得患者的人体体征图像集；
将患者的人体体征图像集输入辅助诊断模型，计算患者可能出现的各种疾病的概率值，获取患者患病概率值；
判断患者可能出现的疾病的概率值是否大于风险预设值，若是，则判定为出现对应疾病的风险高，若否，则判定为出现对应疾病的风险低；
确定每一项检查项目能够检查到的疾病种类；
基于所有风险高的疾病和检查项目能够检查到的疾病种类确定并输出患者的检查项目。
2.根据权利要求1所述的一种基于体征数据分析的医疗决策辅助方法，其特征在于，所述基于神经网络进行训练获得人体体征数据识别模型具体包括：
基于医学诊断经验，获取每种疾病可能出现的一个或多个病态体征及每个病态体征所对应的人体体征区域，获得若干模型样本数据；
将模型样本数据按照8:2的比例随机分成模型训练数据和模型验证数据；
以模型训练数据中的人体图像数据作为神经网络输入层预设值，以模型训练数据中的每种疾病对应的一个或多个病态体征所对应的人体体征图像集作为神经网络输出层预设值，其中，每个人体体征图像对应一个病态体征所对应的人体体征区域，进行神经网络隐含层的运算逻辑训练，获得待验证模型；
通过模型验证数据验证待验证模型是否满足识别精准度需求，若是，则将待验证模型作为人体体征数据识别模型，若否，则重新抽选若干模型训练数据，并重复进行训练待验证模型。
3.根据权利要求2所述的一种基于体征数据分析的医疗决策辅助方法，其特征在于，所述基于历史诊断经验数据，建立辅助诊断模型具体包括：
基于历史诊断经验数据，确定每种疾病可能出现的一个或多个病态体征标准图像，获得与疾病种类一一对应的病态体征标准图像集合；
基于Logistic回归模型进行建立与疾病种类一一对应的患病风险预测模型；
基于历史诊断病例，获取若干个历史病态体征图像集合；
基于病态体征拟合计算方法，计算历史病态体征图像集合与病态体征标准图像集合中每个元素的拟合度，获取若干个训练求解拟合度集；
基于训练求解拟合度集，通过最大似然法进行求解患病风险预测模型的参数；
其中，所述患病风险预测模型的表达式为：
式中，P为患者可能出现疾病的概率值，n为疾病对应的病态体征标准集合中的元素总数，xi为病态体征集合中第i个元素对应的拟合度，α、β1、β2、…、βi、…、βn均为患病风险预测模型的参数。
4.根据权利要求3所述的一种基于体征数据分析的医疗决策辅助方法，其特征在于，所述病态体征拟合计算方法具体包括：
按照相同的网格划分逻辑对病态体征标准图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素进行网格划分，获得若干个病态体征标准网格图像和若干个待计算匹配网格图像；
基于图像匹配逻辑，分别计算每个病态体征标准网格图像和待计算匹配网格图像的匹配度，获取若干个网格图像匹配度数据；
基于拟合计算公式，通过若干个网格图像匹配度数据进行计算病态体征图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素的拟合度；
其中，所述拟合计算公式为：
式中，x为病态体征图像集合中的元素和待进行拟合计算的病态体征图像集合中对应元素的拟合度，m为病态体征标准网格图像或待计算匹配网格图像的数量，Mj为第j个病态体征标准网格图像和待计算匹配网格图像的匹配度。
5.根据权利要求4所述的一种基于体征数据分析的医疗决策辅助方法，其特征在于，所述将患者的人体体征图像集输入辅助诊断模型，计算患者可能出现的各种疾病的概率值，获取患者患病概率值具体包括：
从患者的人体体征图像集中调取与待匹配疾病种类相关的一个或多个病态体征所对应的人体体征区域图片，获取与待匹配疾病种类对应的患者体态图像集；
基于病态体征拟合计算方法，计算患者体态图像集与待匹配疾病种类对应的病态体征图像集合中每个元素的拟合度；
基于与待匹配疾病种类对应的患病风险预测模型进行计算患者可能患有待匹配疾病种类的概率值。
6.根据权利要求5所述的一种基于体征数据分析的医疗决策辅助方法，其特征在于，所述基于所有风险高的疾病和检查项目能够检查到的疾病种类确定并输出患者的检查项目具体包括：
基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，每个备选检查项目组合能够检查到的疾病种类须要包括所有风险高的疾病；
基于患者的实际情况进行确定影响因素的权重值，所述影响因素至少包括备选检查项目的总检查耗时和备选检查项目的总检查费用；
通过正向化计算公式，基于若干个备选检查项目组合分别计算每个备选检查项目组合中每个影响因素的正向化系数；
通过适配度计算公式计算每一个备选检查项目组合与患者的实际情况的适配度；
筛选出与患者的实际情况的适配度最大的备选检查项目组合，输出该备选检查项目组合作为患者的检查项目；
其中，所述适配度计算公式为：
式中，S为备选检查项目组合与患者的实际情况的适配度，tk为第k个备选检查项目组合中总检查耗时的正向化系数，wk为第k个备选检查项目组合中总检查费用的正向化系数，l为备选检查项目组合总数，σ1为总检查耗时的权重值，σ2为总检查费用的权重值。
7.根据权利要求6所述的一种基于体征数据分析的医疗决策辅助方法，其特征在于，所述正向化计算公式为：
式中，tmax为所有备选检查项目组中的总检查耗时的最大值，tmin为所有备选检查项目组中的总检查耗时的最小值，tk0为第k个备选检查项目组合中总检查耗时的初始值，wmax为所有备选检查项目组中的总检查费用的最大值，wmin为所有备选检查项目组中的总检查费用的最小值，wk0为第k个备选检查项目组合中总检查费用的初始值。
8.一种基于体征数据分析的医疗决策辅助系统，用于实现如权利要求1-7任一项所述的基于体征数据分析的医疗决策辅助方法，其特征在于，包括：
处理器，所述处理器用于实现基于神经网络进行训练获得人体体征数据识别模型、基于历史诊断经验数据，建立辅助诊断模型、计算患者可能出现的各种疾病的概率值、判断患者可能出现的疾病的概率值是否大于风险预设值、确定患者的检查项目；
图像采集装置，图像采集装置与所述处理器电性连接，所述图像采集装置用于采集患者的人体图像数据，并将采集的人体图像数据输送至处理器；
输出模块，输出模块与所述处理器电性连接，所述输出模块用于输出处理器确定的患者的检查项目。
9.根据权利要求8所述的一种基于体征数据分析的医疗决策辅助系统，其特征在于，所述处理器内部集成有：
第一模型训练单元，所述第一模型训练单元用于基于神经网络进行训练获得人体体征数据识别模型；
第二模型训练单元，所述第二模型训练单元用于基于历史诊断经验数据，建立辅助诊断模型；
图像分析单元，所述图像分析单元用于基于人体体征数据识别模型，对图像采集装置采集的人体图像数据进行识别分隔，获得患者的人体体征图像集；
风险预测单元，所述风险预测单元用于将患者的人体体征图像集代入辅助诊断模型，进行计算患者可能出现的各种疾病的概率值；
判断单元，所述判断单元用于判断患者可能出现的疾病的概率值是否大于风险预设值，若是，则判定为出现对应疾病的风险高，若否，则判定为出现对应疾病的风险低；
检查项目规划单元，所述检查项目规划单元基于所有风险高的疾病和检查项目能够检查到的疾病种类生成若干个备选检查项目组合，其中每个备选检查项目组合能够检查到的疾病种类须要包括所有风险高的疾病；
权重分配单元，所述权重分配单元用于基于患者的实际情况进行确定影响因素的权重值，其中影响因素至少包括备选检查项目的总检查耗时和备选检查项目的总检查费用；
适配度计算单元，所述适配度计算单元用于计算每一个备选检查项目组合与患者的实际情况的适配度；
筛选单元，所述筛选单元用于筛选出与患者的实际情况的适配度最大的备选检查项目组合，输出该备选检查项目组合作为患者的检查项目。
10.一种计算机可读存储介质，其上存储有计算机可读程序，其特征在于，所述计算机可读程序被调用时执行如权利要求1-7任一项所述的基于体征数据分析的医疗决策辅助方法。
CN202310688698.XA 2023-06-12 2023-06-12 基于体征数据分析的医疗决策辅助方法、系统及存储介质 Pending CN116705300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310688698.XA CN116705300A (zh) 2023-06-12 2023-06-12 基于体征数据分析的医疗决策辅助方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310688698.XA CN116705300A (zh) 2023-06-12 2023-06-12 基于体征数据分析的医疗决策辅助方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116705300A true CN116705300A (zh) 2023-09-05

Family

ID=87840636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310688698.XA Pending CN116705300A (zh) 2023-06-12 2023-06-12 基于体征数据分析的医疗决策辅助方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116705300A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133450A (zh) * 2023-10-27 2023-11-28 深圳市力牧生物科技有限公司 基于数据共享的宠物医疗智能诊断方法、系统及存储介质
CN117558449A (zh) * 2023-11-24 2024-02-13 启康保(北京)健康科技有限公司 基于大数据的医疗健康数据管理系统
CN118522429A (zh) * 2024-07-25 2024-08-20 万链指数(青岛)信息科技有限公司 一种基于云边协同的医疗大数据管理方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133450A (zh) * 2023-10-27 2023-11-28 深圳市力牧生物科技有限公司 基于数据共享的宠物医疗智能诊断方法、系统及存储介质
CN117133450B (zh) * 2023-10-27 2024-02-06 深圳市力牧生物科技有限公司 基于数据共享的宠物医疗智能诊断方法、系统及存储介质
CN117558449A (zh) * 2023-11-24 2024-02-13 启康保(北京)健康科技有限公司 基于大数据的医疗健康数据管理系统
CN118522429A (zh) * 2024-07-25 2024-08-20 万链指数(青岛)信息科技有限公司 一种基于云边协同的医疗大数据管理方法及系统

Similar Documents

Publication Publication Date Title
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
US10470659B2 (en) Systems, methods, and computer-readable media for gene and genetic variant prioritization
CN116705300A (zh) 基于体征数据分析的医疗决策辅助方法、系统及存储介质
CN109544518B (zh) 一种应用于骨骼成熟度评估的方法及其系统
Aslam et al. Neurological Disorder Detection Using OCT Scan Image of Eye
Tobias et al. CNN-based deep learning model for chest X-ray health classification using tensorflow
Sadasivan et al. High accuracy patch-level classification of wireless capsule endoscopy images using a convolutional neural network
CN113096127A (zh) 一种脑网络演化模型的生成系统及方法
Oğuz et al. Determination of Covid-19 possible cases by using deep learning techniques
Nagadeepa et al. Artificial intelligence based cervical cancer risk prediction using m1 algorithms
Herath et al. Autism spectrum disorder diagnosis support model using Inception V3
Chiwariro et al. Comparative analysis of deep learning convolutional neural networks based on transfer learning for pneumonia detection
CN116452592B (zh) 脑血管病ai认知功能评测模型的构建方法、装置及系统
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
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
WO2024103284A1 (zh) 脑肿瘤患者生存分析方法及系统
Jing et al. Optimization of Deep-learning network using Resnet50 based model for corona virus disease (COVID-19) histopathological image classification
CN113476065A (zh) 一种多类肺炎诊断系统
Hossain et al. A hybrid neural network model for brain tumor detection in brain MRI images
Pavithra et al. Systemic Lupus Erythematosus Detection using Deep Learning with Auxiliary Parameters
Khaing et al. Lung disease classification from chest X-ray images using convolutional neural network and long short-term memory model
Jasim A Review of COVID-19 Diagnosis and Detection Using Artificial Intelligence
Jaganathan et al. Modelling an effectual feature selection approach for predicting down syndrome using machine learning approaches
CN116612885B (zh) 一种基于多模态的慢性阻塞性肺病急性加重的预测装置
Misra et al. Prediction and Detection of COVID-19 from Chest X-Rays using Transfer Learning based Deep Convolutional Neural Networks

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