CN116884552A - 一种云区域放射信息管理系统 - Google Patents
一种云区域放射信息管理系统 Download PDFInfo
- Publication number
- CN116884552A CN116884552A CN202310860000.8A CN202310860000A CN116884552A CN 116884552 A CN116884552 A CN 116884552A CN 202310860000 A CN202310860000 A CN 202310860000A CN 116884552 A CN116884552 A CN 116884552A
- Authority
- CN
- China
- Prior art keywords
- patient
- module
- index
- medical image
- value
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000003759 clinical diagnosis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 235000019987 cider Nutrition 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000011282 treatment Methods 0.000 abstract description 9
- 238000007726 management method Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000013519 translation Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002604 ultrasonography 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Tourism & Hospitality (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种云区域放射信息管理系统,属于数据处理技术领域,包括:登记模块,用于接收患者的医学影像采集请求,并登记患者的基本信息,基本信息包括优先权信息;智能排队模块,用于在患者为普通患者的情况下,直接将患者排到队尾;在患者为优先患者的情况下,根据患者类别、已经等待时间、当前排队位置,重新计算队列中各个患者的优先权值;根据各个患者的优先权值更新队列;报告生成模块,用于根据患者的医学影像,自动生成医学影像报告;加密模块,用于对医学影像报告进行加密处理;身份验证模块,用于在用户的身份验证通过的情况下,对医学影像报告进行下载。可以减少患者的平均等待时间过长,提升医院的就诊排队效率。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种云区域放射信息管理系统。
背景技术
随着现代医学的发展,医院诊疗工作的开展越来越依赖于医学影像检查(例如CT、DR、CR、MR、数字乳腺、介人造影、超声、内窥镜、病理等),而传统的影像资料(例如胶片、纸质报告)存在影像胶片的清晰度差、携带困难、存储困难等问题。随着计算机通讯技术发展,数字化影像成为解决送一问题的重要突破点。放射信息管理系统(Radiology InformationSystem,RIS)得到了进一步地发展,实现无胶片放射科和数字化医院,己经成为现代医疗不可阻挡的潮流。
然而现有的放射信息管理系统在安排患者进行医学影像采集时往往只是按照登记在系统中的顺序进行采集,部分现有技术考虑了将复诊患者、老年人、军人等特殊人群患者以及预约患者作为一个新的队列进行优先采集,这会导致频繁的有特殊患者插队,普通患者难以及时地进行医学影像采集,普通患者的平均等待时间过长,产生觉得不公平的负面情绪,进而影响医院的就诊排队效率。
发明内容
为了解决现有技术存在的普通患者的平均等待时间过长,医院的就诊排队效率的技术问题,本发明提供一种云区域放射信息管理系统。
本发明提供了一种云区域放射信息管理系统(Radiology Information System,RIS),包括:
登记模块,用于接收患者的医学影像采集请求,并登记患者的基本信息,基本信息包括优先权信息;
智能排队模块,用于按照患者的优先权信息将患者加入到队列中,依据队列顺序对患者进行医学影像采集;
其中,按照患者的优先权信息将患者加入到队列中具体包括:
在患者为普通患者的情况下,直接将患者排到队尾;
在患者为优先患者的情况下,根据患者类别、已经等待时间、当前排队位置,重新计算队列中各个患者的优先权值;
根据各个患者的优先权值更新队列;
报告生成模块,用于根据患者的医学影像,自动生成医学影像报告;
加密模块,用于对医学影像报告进行加密处理;
身份验证模块,用于在用户的身份验证通过的情况下,对医学影像报告进行下载。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,每次有复诊患者、老年人、军人等特殊人群患者以及预约患者等优先患者进入队列时,会根据患者类别、已经等待时间和当前排队位置,重新计算各个患者的优先权值,根据各个患者的优先权值更新队列,尽量减少已经等待时间过长、当前排队位置靠前的普通患者被插队,同时兼顾优先患者的特殊情况,减少患者的平均等待时间过长,提升医院的就诊排队效率。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种云区域放射信息管理系统的结构示意图。
图2是本发明提供的一种患者的优先权值计算方法的流程示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在一个实施例中,参照图1,示出了本发明提供的云区域放射信息管理系统的结构示意图。
本发明提供的一种云区域放射信息管理系统(Radiology Information System,RIS),包括:登记模块1、智能排队模块2、报告生成模块3、加密模块4和身份验证模块5。
其中,云区域放射信息管理系统是指基于云计算技术的区域性信息系统,通常具备以下功能:(1)影像数据管理:包括图像采集、存储、检索和归档等。(2)患者信息管理:记录患者的身份、病历、检查记录和诊断结果等。(3)排程和预约管理:安排患者的放射影像检查时间和设备资源分配。(4)工作流管理:协调影像科室内的工作流程,包括图像审查、报告编写和结果分发。(5)数据分析和报告:提供统计分析、报告生成和数据可视化等功能,用于质量控制和业务决策。
登记模块1,用于接收患者的医学影像采集请求,并登记患者的基本信息,基本信息包括优先权信息。
其中,登记模块1主要用于记录患者的相关信息,以便后续的处理和管理。
智能排队模块2,用于按照患者的优先权信息将患者加入到队列中,依据队列顺序对患者进行医学影像采集。
其中,按照患者的优先权信息将患者加入到队列中具体包括:
在患者为普通患者的情况下,直接将患者排到队尾。
在患者为优先患者的情况下,根据患者类别、已经等待时间、当前排队位置,重新计算队列中各个患者的优先权值。
其中,优先患者包括:当日复诊患者、老年人、军人等特殊人群患者、预约患者、医师确定的特殊患者。当日复诊患者通常需要在较短的时间内进行进一步的医学影像检查或治疗,因为他们已经接受了先前的诊断和治疗。为了维持他们的医疗计划和连续性,将他们作为优先患者可以确保他们得到及时的医学影像服务。老年人、军人等作为特殊人群理应受到优待。预约患者已经提前安排了特定的医学影像检查时间。为了避免他们的等待时间过长并保证服务质量,将他们作为优先患者可以优先安排他们的医学影像检查。医师可能会根据患者的具体状况和临床需要,将某些患者确定为特殊患者,需要优先进行医学影像检查。
其中,优先权值可以理解为患者在队列中需要进行医学影像检查的迫切性,优先权值越高,患者在队列中越靠前。
参照图2,示出了本发明提供的一种患者的优先权值计算方法的流程示意图。
在一种可能的实施方式中,智能排队模块2具体用于执行以下步骤201至步骤205:
步骤201:根据患者类别、已经等待时间、当前排队位置构建决策矩阵A:
其中,ai1表示第i个患者的已经等待时间,ai2表示第i个患者的当前排队位置,ai3表示第i个患者的类别。
进一步地,患者类别的指标值确定方式为:
当患者为普通患者时,患者类别的指标值为1。
当患者为当日复诊患者或者老年人、军人等特殊人群患者时,患者类别的指标值为2。
当患者为预约患者时,患者类别的指标值为3。
当患者为医师确定的特殊患者时,患者类别的指标值为4。
也就是说,不同类型的患者在队列中受到的优待程度是不同的。医师可能会根据患者的具体状况和临床需要,将某些患者确定为特殊患者,需要最优先进行医学影像检查。预约患者已经提前安排了特定的医学影像检查时间,如果不能保证在预约时间范围内得到医学检查,预约将失去意义,会进一步导致排队效率的进一步下降。老年人、军人等作为特殊人群理应受到优待。
需要说明的是,已经等待时间越久和当前排队位置越靠前的患者,越不愿意接受被插队,也越容易产生负面情绪,应当考虑提升已经等待时间过长和当前排队位置较靠前的患者的优先权值,减少等待时间过长和当前排队位置较靠前的患者被插队的情况,减少患者的平均等待时长,并提高医院的排队效率。
在本发明中,综合考虑患者类别、剩余等待时间和当前排队位置等因素,可以更加公平地确定患者的优先级,优化医学影像采集的排队和调度过程。通过合理分配资源和优化流程,可以提高患者的满意度,并提高医疗机构的效率和服务质量。
步骤202:对决策矩阵A中的各个决策指标的指标值进行归一化处理,得到归一化决策矩阵B:
其中,bij表示第i个患者第j个决策指标归一化后的指标值,j=1或2或3,aij表示第i个患者第j个决策指标归一化前的指标值,amaxj表示第j个决策指标中的最大值,aminj表示第j个决策指标中的最小值。
需要说明的是,对决策矩阵A中的各个决策指标的指标值进行归一化处理的目的是为了消除指标之间的量纲和差异,以便能够进行比较和权衡。
步骤203:取归一化决策矩阵B的各列指标中的最大值组成列向量作为正理想解B+,取归一化决策矩阵B的各列指标中的最小值组成列向量作为负理想解B-。
其中,正理想解B+代表了在每个决策指标上取得最大值时的理想情况,而负理想解B-则代表了在每个决策指标上取得最小值时的理想情况。
步骤204:计算各个患者的指标值到正理想解B+和负理想解B-之间的距离:
其中,各个患者的指标值到正理想解B+和负理想解B-之间的距离反映了患者的指标值在各个决策指标上与理想情况之间的差异程度。
步骤205:根据各个患者的指标值到正理想解B+和负理想解B-之间的距离,计算各个患者的优先权值Pi:
其中,根据患者的指标值与理想情况之间的差异程度来确定患者的优先权值,与理想情况之间的差异越小,优先权值越高。
根据各个患者的优先权值更新队列。
其中,按照优先权值Pi的大小对患者进行排序,并更新队列的顺序。可以使得优先权值较高的患者将排在队列的前面,以便更早地进行医学影像采集。
在本发明中,综合考虑多个决策指标,实现个性化的优先级排序,减少患者的平均等待时间过长,提升医院的就诊排队效率,从而优化医学影像采集的过程。
报告生成模块3,用于根据患者的医学影像,自动生成医学影像报告。
具体而言,首先,从患者的医学影像中提取相关的特征,将提取的特征转化为可用于自动生成报告的表示形式。之后,使用自然语言处理(NLP)技术,结合特定的模型和算法,将特征表示转化为自然语言文本。将生成的文本报告进行结构化处理,使其符合医学报告的规范和标准。最后,将最终生成的医学影像报告以可视化形式输出,以便医生和其他医疗专业人员进行查看和解读。这可以包括在医学影像系统中展示报告,或将其导出为PDF或其他格式的文档。
在一种可能的实施方式中,报告生成模块3,具体用于执行以下步骤301至步骤308:
步骤301:获取样本数据集,样本数据集中包括多张结论已知的医学训练影像。
步骤302:将医学训练影像输入至编码器模块中,编码器模块包括影像表现编码器、影像结论编码器和临床诊断编码器。
其中,编码器模块用于将医学训练影像转化为表示形式,以便后续的处理和分析。
在一种可能的实施方式中,报告生成模块3,具体用于:
通过卷积神经网络构建影像表现编码器,通过影像表现编码器将医学训练影像的视觉表现信息转化为固定长度的向量表示,以作为嵌入特征。
通过文本嵌入技术构建影像结论编码器,通过影像结论编码器将医学训练影像的结论信息编码转化为固定长度的向量表示,以作为嵌入特征。
通过循环神经网络构建临床诊断编码器,通过临床诊断编码器将临床诊断信息转化为固定长度的向量表示,以作为嵌入特征。
步骤303:将编码器模块输出的嵌入特征输入至循环神经网络中。
其中,循环神经网络(Recurrent Neural Network,RNN)是一类在序列数据处理中广泛应用的神经网络模型。与传统的前馈神经网络不同,RNN具有自循环的结构,允许信息在网络中进行传递和共享。循环神经网络根据前一个时间步的隐藏状态和当前时间步的输入,生成一个新的隐藏状态和输出。
其中,嵌入特征是对影像进行了编码和转换后的高级表示形式,通常是一个向量或矩阵,这些嵌入特征包含了医学影像的重要信息。
步骤304:将循环神经网络输出的隐藏状态和编码器模块输出的嵌入特征输入至解码器模块中。
步骤305:通过解码器模块输出医学训练影像的描述词的预测结果。
在整个编码解码的过程中,编码器模块负责将影像转化为嵌入特征,循环神经网络负责在时间序列上建模,并生成隐藏状态,而解码器模块则将隐藏状态和嵌入特征转化为最终的输出结果。
步骤306:构建解码器模块的目标函数,并通过目标函数调整解码器模块的参数θ,目标函数f(θ)可表示为:
其中,w表示进行蒙特卡罗采样获取的词语,x表示所述预测结果,w服从于根据预测结果x得到的文本概率pθ,ri(w)表示在第i个评估指标下获得的当前奖励,表示在第i个评估指标下推理时的奖励,λi表示第i个评估指标的权重。7个评估指标包括:BLEU-1、BLEU-2、BLEU-3、BLEU-4、METEOR、ROUGE-L和CIDEr。
其中,BLEU-1、BLEU-2、BLEU-3和BLEU-4是BLEU的不同变体,BLEU-1用于衡量自动翻译结果与参考翻译之间在单个词(unigram)级别的匹配情况。BLEU-2用于衡量自动翻译结果与参考翻译之间在连续两个词(bigram)级别的匹配情况。BLEU-3用于衡量自动翻译结果与参考翻译之间在连续三个词(trigram)级别的匹配情况。BLEU-4用于衡量自动翻译结果与参考翻译之间在连续四个词(4-gram)级别的匹配情况。
其中,METEOR结合了精确匹配、词汇、短语和句法结构等多个层面的比较,对参考答案和候选翻译之间的匹配程度进行度量。
其中,ROUGE-L通过计算候选摘要与参考摘要之间的最长公共子序列来度量它们的相似度。
其中,CIDEr通过计算候选描述与参考描述之间的相似度,并结合了多样性和相关性的度量,来衡量候选描述的质量。
其中,目标函数用于衡量解码器模块在生成文本时的性能。
其中,预测结果概率pθ表示根据解码器模块生成的文本,其在给定条件下的概率。这个概率可以通过蒙特卡罗采样来估计。
需要说明的是,通过最大化目标函数,可以调整解码器模块的参数θ,以优化生成的文本质量。参数调整的过程通常使用梯度下降等优化方法来进行。通过不断迭代和调整参数,可以使解码器模块生成更符合预期的文本,并在各个评估指标下获得更高的奖励。
进一步地,各个评估指标的权重λi的确定方式为:
对每个评估指标设置相同的权重值,并逐个对每个评估指标的权重值加1,通过比较向各个评估指标增加权重值后的评估结果,确定出最具影响力的评估指标。
从最具影响力的评估指标开始,以c为预设增量逐步增加最具影响力的评估指标的权重值,通过比较不断增加权重值后的评估结果,确定出最具影响力的评估指标的最优权重,c为正整数。
固定最具影响力的评估指标的最优权重,并重复上述步骤,逐个确定剩余最具影响力的指标,并确定它们的最优权重。
将各个评估指标的最优权重作为最优权重组合,并对最优权重组合进行归一化处理,得到各个评估指标最终的权重λi。
在本发明中,综合考虑各个评估指标的重要性,并确定它们的最优权重。最后,将各个评估指标的最优权重进行归一化处理,可以得到最终的权重λi,用于综合评估解码器模块的性能。这种方法可以根据评估指标的实际影响程度来确定它们的权重,使评估结果更加准确和可靠。
进一步地,本发明提供的权重的确定方法,有效减少了权重搜索的计算复杂度,能够快速准确地确定各个评估指标的权重。
步骤307:获取患者的医学影像,通过编码器模块、循环神经网络和解码器模块,得到影像表现结果、影像结论结果和临床诊断结果。
步骤308:根据影像表现结果、影像结论结果和临床诊断结果自动生成医学影像报告。
加密模块4,用于对医学影像报告进行加密处理。
需要说明的是,对医学影像报告进行加密处理可以提供数据隐私保护、数据安全性、合规性和传输安全等方面的好处,有助于确保医疗数据的保密性和安全性。
在一种可能的实施方式中,加密模块4,具体用于执行以下步骤401至步骤407:
步骤401:构建椭圆曲线,椭圆曲线的参数包括:p,a,b,G,n,h,其中,p表示素数,a表示第一椭圆系数,b表示第二椭圆系数,G表示基点,基点G可表示为(X0,Y0),n表示G的阶数,h表示余因子。
其中,在密码学中,椭圆曲线提供了一种安全的加密和数字签名方案,这些方案比传统的加密算法更加安全,而且需要更短的密钥长度。这是因为,与传统加密算法相比,椭圆曲线在有限域上的离散对数问题更难解决,因此攻击者需要更长的时间和更高的计算能力才能破解密码系统。
步骤402:选择一个随机数k,计算kG=(kX0,kY0)=(X1,Y1),将坐标X1转换为整数。
步骤403:计算r=X1mod n,若r=0,则回到步骤402,否则进入步骤404。
步骤404:计算l=SHA-1(M),并将l转换成整数,M表示原始数据,SHA-1(M)表示使用SHA-1计算的M的数字摘要。
其中,SHA-1是一种安全散列算法,可以将任意长度的消息转换为一个160位的数字指纹。SHA-1算法被广泛应用于数字签名、认证和数据完整性检查等领域,具有高强度的安全性和广泛的应用性。数字摘要是将任意长度的消息(比如文本、文件等)通过特定的算法转换成固定长度的数字串。数字摘要可以看做是原始数据的"指纹",具有唯一性、不可逆性、敏感性等特点。通过比较两个数字摘要是否相同,可以判断原始数据是否被篡改过。
步骤405:构建签名方程,k=l+s+rdmodn,利用私钥d计算s=k-l-rd(mod n),若s=0,则回到步骤402,否则进入步骤406。
步骤406:将(r,s)作为医学影像报告的数字签名,以对医学影像报告进行加密处理。
需要说明的是,本发明涉及到的数字签名方程中只有1次乘法运算,相对于现有技术中数字签名算法,降低了乘法运算,在保证可以检测和防止伪造数字签名的同时,签名方程更简单,计算量更小,通信成本更低,在实际使用过程中,提高了数字签名的速度且占用计算资源少。
需要说明的是,本发明在生成数字签名的过程中,存在随机数k,使得第三方无法窃取私钥d,因为随机数k和私钥d都是未知的,一个方程中,存在两个未知数是无法求解的,从而保证了攻击者无法通过窃取发送者的私钥伪造数字签名,也就是说,攻击者通过伪造假的私钥伪造出的数字签名,而伪造的数字签名是需要经过接收者验证的,私钥对应的公钥只有一个,而假的私钥生成的数字签名是不可能正确的,从而实现了对用户的身份的鉴别。攻击者如果篡改发送者发送的消息,得到不同的数字摘要,进而得到不同的r值,而真实的r值在数字签名中是唯一的,篡改后的消息生成的数字摘要生成的r值,与真实的数字摘要生成的r值是不同的,因此在消息接收端对数字签名进行验证时,假的r值与数字签名里真实的r值不同,则消息不能通过,实现了消息的真实性和完整性的校验。
在一种可能的实施方式中,加密模块4,还用于执行以下步骤:
步骤407:构建关于随机数k和私钥d的混沌映射关系式:
其中,n表示下载次数,λ1、λ2、λ3、λ4和λ5表示控制参数且均为常数。
需要说明的是,混沌映射关系式的作用是为了保护随机数和私钥,现有技术中的混沌映射关系式,现有的二维混沌映射存在混沌参数范围不连续,参数空间中存在许多周期窗口,混沌行为较脆弱,当参数受到干扰时,会出现混沌行为很容易消失,发生混沌退化的问题。而本发明首先初始化两个参数多项式,然后通过模运算将任意值折叠到一个固定的范围内,最后从非线性多项式生成混沌映射,生成具有鲁棒混沌性的二维混沌映射,弥补了现有混沌映射关系式中存在的缺点。
身份验证模块5,用于在用户的身份验证通过的情况下,对医学影像报告进行下载。
在一种可能的实施方式中,身份验证模块5,具体用于执行以下步骤501至步骤505:
步骤501:根据用户的私钥d计算公钥Q,其中,Q=dG,d表示私钥,G表示基点。
步骤502:计算l=SHA-1(M),其中,SHA-1(M)表示使用SHA-1计算的M的数字摘要。
步骤503:计算P=(s+l)G+rQ=(X1,Y1),若X1=0且Y1=0,则签名无效。
步骤504:将坐标X1转换为整数,令r’=X1 modn。
步骤505:若r=r’,则确定数字签名验证通过,允许用户对医学影像报告进行下载。
在一种可能的实施方式中,云区域放射信息管理系统还包括:
调取模块6,用于接收医师的调取请求,调取医学影像报告。
具体而言,当医师需要查看某个患者的医学影像报告时,他们可以通过调取模块提交请求。调取模块接收到请求后,会根据患者的身份信息或其他标识符,检索系统中存储的医学影像报告,并将相关报告返回给医师。通过调取模块,医师可以方便地获取他们所需的医学影像报告,以便进行诊断、治疗或其他医疗决策。这个模块的存在可以简化医师的工作流程,减少他们在获取医学影像报告方面的时间和努力。同时,调取模块可以确保医学影像报告的安全性和可控性,只有经过授权的医师才能获取到相应的报告。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,每次有复诊患者、老年人、军人等特殊人群患者以及预约患者等优先患者进入队列时,会根据患者类别、已经等待时间和当前排队位置,重新计算各个患者的优先权值,根据各个患者的优先权值更新队列,尽量减少已经等待时间过长、当前排队位置靠前的普通患者被插队,同时兼顾优先患者的特殊情况,减少患者的平均等待时间过长,提升医院的就诊排队效率。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种云区域放射信息管理系统,其特征在于,包括:
登记模块,用于接收患者的医学影像采集请求,并登记患者的基本信息,所述基本信息包括优先权信息;
智能排队模块,用于按照患者的优先权信息将患者加入到队列中,依据队列顺序对患者进行医学影像采集;
其中,所述按照患者的优先权信息将患者加入到队列中具体包括:
在患者为普通患者的情况下,直接将患者排到队尾;
在患者为优先患者的情况下,根据患者类别、已经等待时间、当前排队位置,重新计算队列中各个患者的优先权值;
根据各个患者的优先权值更新队列;
报告生成模块,用于根据患者的医学影像,自动生成医学影像报告;
加密模块,用于对所述医学影像报告进行加密处理;
身份验证模块,用于在用户的身份验证通过的情况下,对所述医学影像报告进行下载。
2.根据权利要求1所述的云区域放射信息管理系统,其特征在于,所述智能排队模块,具体用于执行以下步骤:
步骤201:根据患者类别、已经等待时间、当前排队位置构建决策矩阵A:
其中,ai1表示第i个患者的已经等待时间,ai2表示第i个患者的当前排队位置,ai3表示第i个患者的类别;
步骤202:对所述决策矩阵A中的各个决策指标的指标值进行归一化处理,得到归一化决策矩阵B:
其中,bij表示第i个患者第j个决策指标归一化后的指标值,j=1或2或3,aij表示第i个患者第j个决策指标归一化前的指标值,amaxj表示第j个决策指标中的最大值,aminj表示第j个决策指标中的最小值;
步骤203:取所述归一化决策矩阵B的各列指标中的最大值组成列向量作为正理想解B+,取所述归一化决策矩阵B的各列指标中的最小值组成列向量作为负理想解B-;
步骤204:计算各个患者的指标值到所述正理想解B+和所述负理想解B-之间的距离:
步骤205:根据各个患者的指标值到所述正理想解B+和所述负理想解B-之间的距离,计算各个患者的优先权值Pi:
3.根据权利要求1所述的云区域放射信息管理系统,其特征在于,所述患者类别的指标值确定方式为:
当患者为普通患者时,所述患者类别的指标值为1;
当患者为当日复诊患者或者老年人、军人等特殊人群患者时,所述患者类别的指标值为2;
当患者为预约患者时,所述患者类别的指标值为3;
当患者为医师确定的特殊患者时,所述患者类别的指标值为4。
4.根据权利要求1所述的云区域放射信息管理系统,其特征在于,所述报告生成模块,具体用于执行以下步骤:
步骤301:获取样本数据集,所述样本数据集中包括多张结论已知的医学训练影像;
步骤302:将所述医学训练影像输入至编码器模块中,所述编码器模块包括影像表现编码器、影像结论编码器和临床诊断编码器;
步骤303:将所述编码器模块输出的嵌入特征输入至循环神经网络中;
步骤304:将所述循环神经网络输出的隐藏状态和所述编码器模块输出的嵌入特征输入至解码器模块中;
步骤305:通过所述解码器模块输出所述医学训练影像的描述词的预测结果;
步骤306:构建所述解码器模块的目标函数,并通过所述目标函数调整所述解码器模块的参数θ,所述目标函数f(θ)可表示为:
其中,w表示进行蒙特卡罗采样获取的词语,x表示所述预测结果,w服从于根据所述预测结果x得到的文本概率pθ,ri(w)表示在第i个评估指标下获得的当前奖励,表示在第i个评估指标下推理时的奖励,λi表示第i个评估指标的权重;7个评估指标包括:BLEU-1、BLEU-2、BLEU-3、BLEU-4、METEOR、ROUGE-L和CIDEr;
步骤307:获取患者的医学影像,通过所述编码器模块、所述循环神经网络和所述解码器模块,得到影像表现结果、影像结论结果和临床诊断结果;
步骤308:根据所述影像表现结果、所述影像结论结果和所述临床诊断结果自动生成医学影像报告。
5.根据权利要求4所述的云区域放射信息管理系统,其特征在于,各个评估指标的权重λi的确定方式为:
对每个评估指标设置相同的权重值,并逐个对每个评估指标的权重值加1,通过比较向各个评估指标增加权重值后的评估结果,确定出最具影响力的评估指标;
从最具影响力的评估指标开始,以c为预设增量逐步增加最具影响力的评估指标的权重值,通过比较不断增加权重值后的评估结果,确定出最具影响力的评估指标的最优权重,c为正整数;
固定最具影响力的评估指标的最优权重,并重复上述步骤,逐个确定剩余最具影响力的指标,并确定它们的最优权重;
将各个评估指标的最优权重作为最优权重组合,并对所述最优权重组合进行归一化处理,得到各个评估指标最终的权重λi。
6.根据权利要求4所述的云区域放射信息管理系统,其特征在于,所述报告生成模块,具体用于:
通过卷积神经网络构建所述影像表现编码器,通过所述影像表现编码器将医学训练影像的视觉表现信息转化为固定长度的向量表示,以作为嵌入特征;
通过文本嵌入技术构建所述影像结论编码器,通过所述影像结论编码器将医学训练影像的结论信息编码转化为固定长度的向量表示,以作为嵌入特征;
通过循环神经网络构建所述临床诊断编码器,通过所述临床诊断编码器将临床诊断信息转化为固定长度的向量表示,以作为嵌入特征。
7.根据权利要求1所述的云区域放射信息管理系统,其特征在于,所述加密模块,具体用于执行以下步骤:
步骤401:构建椭圆曲线,所述椭圆曲线的参数包括:p,a,b,G,n,h,其中,p表示素数,a表示第一椭圆系数,b表示第二椭圆系数,G表示基点,所述基点G可表示为(X0,Y0),n表示G的阶数,h表示余因子;
步骤402:选择一个随机数k,计算kG=(kX0,kY0)=(X1,Y1),将坐标X1转换为整数;
步骤403:计算r=X1mod n,若r=0,则回到步骤402,否则进入步骤404;
步骤404:计算l=SHA-1(M),并将l转换成整数,M表示原始数据,SHA-1(M)表示使用SHA-1计算的M的数字摘要;
步骤405:构建签名方程,k=l+s+rdmodn,利用私钥d计算s=k-l-rd(mod n),若s=0,则回到步骤402,否则进入步骤406;
步骤406:将(r,s)作为所述医学影像报告的数字签名,以对所述医学影像报告进行加密处理。
8.根据权利要求7所述的云区域放射信息管理系统,其特征在于,所述加密模块,还用于执行以下步骤:
步骤407:构建关于随机数k和私钥d的混沌映射关系式:
其中,n表示下载次数,λ1、λ2、λ3、λ4和λ5表示控制参数且均为常数。
9.根据权利要求7所述的云区域放射信息管理系统,其特征在于,所述身份验证模块,具体用于执行以下步骤:
步骤501:根据用户的私钥d计算公钥Q,其中,Q=dG,d表示私钥,G表示基点;
步骤502:计算l=SHA-1(M),其中,SHA-1(M)表示使用SHA-1计算的M的数字摘要;
步骤503:计算P=(s+l)G+rQ=(X1,Y1),若X1=0且Y1=0,则签名无效;
步骤504:将坐标X1转换为整数,令r’=X1 modn;
步骤505:若r=r’,则确定所述数字签名验证通过,允许用户对所述医学影像报告进行下载。
10.根据权利要求1所述的云区域放射信息管理系统,其特征在于,还包括:
调取模块,用于接收医师的调取请求,调取所述医学影像报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860000.8A CN116884552A (zh) | 2023-07-13 | 2023-07-13 | 一种云区域放射信息管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860000.8A CN116884552A (zh) | 2023-07-13 | 2023-07-13 | 一种云区域放射信息管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116884552A true CN116884552A (zh) | 2023-10-13 |
Family
ID=88263936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860000.8A Pending CN116884552A (zh) | 2023-07-13 | 2023-07-13 | 一种云区域放射信息管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116884552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763140A (zh) * | 2024-02-22 | 2024-03-26 | 神州医疗科技股份有限公司 | 基于计算特征网络的精准医学信息结论生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300620A1 (en) * | 2016-04-18 | 2017-10-19 | Imaging Advantage Llc | System and device for pre-caching of related medical imaging |
CN110600109A (zh) * | 2019-09-10 | 2019-12-20 | 秦学玉 | 一种彩色图像融合的诊断监控综合医疗系统及其融合方法 |
CN112116499A (zh) * | 2020-08-22 | 2020-12-22 | 张梦静 | 一种餐饮后厨订单智能管理系统及其排单方法 |
CN113792920A (zh) * | 2021-09-02 | 2021-12-14 | 清华大学 | 一种面向单诊室的医院就诊顺序优化方法及装置 |
CN114255859A (zh) * | 2021-12-23 | 2022-03-29 | 四川大学华西医院 | 一种放射科急诊检查报告危急值排序方法和系统 |
CN114842951A (zh) * | 2022-03-25 | 2022-08-02 | 北京赛迈特锐医疗科技有限公司 | 一种区域中心ai排程管理方法及系统 |
-
2023
- 2023-07-13 CN CN202310860000.8A patent/CN116884552A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300620A1 (en) * | 2016-04-18 | 2017-10-19 | Imaging Advantage Llc | System and device for pre-caching of related medical imaging |
CN110600109A (zh) * | 2019-09-10 | 2019-12-20 | 秦学玉 | 一种彩色图像融合的诊断监控综合医疗系统及其融合方法 |
CN112116499A (zh) * | 2020-08-22 | 2020-12-22 | 张梦静 | 一种餐饮后厨订单智能管理系统及其排单方法 |
CN113792920A (zh) * | 2021-09-02 | 2021-12-14 | 清华大学 | 一种面向单诊室的医院就诊顺序优化方法及装置 |
CN114255859A (zh) * | 2021-12-23 | 2022-03-29 | 四川大学华西医院 | 一种放射科急诊检查报告危急值排序方法和系统 |
CN114842951A (zh) * | 2022-03-25 | 2022-08-02 | 北京赛迈特锐医疗科技有限公司 | 一种区域中心ai排程管理方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763140A (zh) * | 2024-02-22 | 2024-03-26 | 神州医疗科技股份有限公司 | 基于计算特征网络的精准医学信息结论生成方法 |
CN117763140B (zh) * | 2024-02-22 | 2024-05-28 | 神州医疗科技股份有限公司 | 基于计算特征网络的精准医学信息结论生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kallus et al. | Assessing algorithmic fairness with unobserved protected class using data combination | |
EP2365458B1 (en) | A computer implemented method for determining the presence of a disease in a patient | |
US11688015B2 (en) | Using de-identified healthcare data to evaluate post-healthcare facility encounter treatment outcomes | |
CN104115158B (zh) | 用于检索和管理加密生物计量数据的方法和系统 | |
Durham | A framework for accurate, efficient private record linkage | |
WO2021159761A1 (zh) | 病理数据的分析方法、装置、计算机设备和存储介质 | |
Reidy et al. | Testing the predictive validity of the Personality Assessment Inventory (PAI) in relation to inmate misconduct and violence. | |
US20150149362A1 (en) | Encryption and Distribution of Health-related Data | |
US9529968B2 (en) | System and method of integrating mobile medical data into a database centric analytical process, and clinical workflow | |
US20100082371A1 (en) | Patient Document Privacy And Disclosure Engine | |
US20210375409A1 (en) | Systems and methods for blockchain-based health data validation and access management | |
EP1950684A1 (en) | Anonymity measuring device | |
US10937160B1 (en) | Dental images processed with artificial intelligence | |
EP3534287A1 (en) | Inserting a further data block into a first ledger | |
CN116884552A (zh) | 一种云区域放射信息管理系统 | |
CN116646046B (zh) | 一种基于互联网诊疗的电子病历处理方法和系统 | |
Algarni et al. | A fuzzy multi-objective covering-based security quantification model for mitigating risk of web based medical image processing system | |
US10936962B1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
Al-Safi et al. | Patient privacy in smart cities by blockchain technology and feature selection with Harris Hawks Optimization (HHO) algorithm and machine learning | |
KR20210083478A (ko) | 모바일기반 자가 구강검진장치 | |
Smith et al. | The first positive: computing positive predictive value at the extremes | |
CN115907026A (zh) | 用于联邦学习的隐私保护数据策管 | |
Li et al. | Leveraging standards based ontological concepts in distributed ledgers: a healthcare smart contract example | |
CN115985436B (zh) | 基于智慧医疗的医疗信息共享方法 | |
WO2024091695A1 (en) | Apparatus and a method for anonymizing user data |
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 |