CN117038091A - 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 - Google Patents
一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 Download PDFInfo
- Publication number
- CN117038091A CN117038091A CN202311020064.3A CN202311020064A CN117038091A CN 117038091 A CN117038091 A CN 117038091A CN 202311020064 A CN202311020064 A CN 202311020064A CN 117038091 A CN117038091 A CN 117038091A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- diagnosis
- model
- patient
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 145
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 69
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000010276 construction Methods 0.000 claims abstract description 14
- 210000002700 urine Anatomy 0.000 claims description 52
- 210000004369 blood Anatomy 0.000 claims description 47
- 239000008280 blood Substances 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 27
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 206010012601 diabetes mellitus Diseases 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 18
- 229940109239 creatinine Drugs 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000005353 urine analysis Methods 0.000 claims description 13
- 238000004159 blood analysis Methods 0.000 claims description 12
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 11
- 102000004169 proteins and genes Human genes 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 210000003734 kidney Anatomy 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 210000002966 serum Anatomy 0.000 claims 2
- 238000012937 correction Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000003748 differential diagnosis Methods 0.000 abstract description 2
- 208000017169 kidney disease Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000024924 glomerular filtration Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000003907 kidney function Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 102000009027 Albumins Human genes 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- 206010027525 Microalbuminuria Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 201000001474 proteinuria Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000002485 urinary effect Effects 0.000 description 2
- 208000013901 Nephropathies and tubular disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009103 reabsorption Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及肾脏病鉴别诊断领域,公开了一种通过预测模型对糖尿病性肾病的快速诊断系统及方法,包括云端处理器,所述云端处理器连接有数据采集和整理模块,所述数据采集和整理模块用于收集患者的信息,并进行整理和存储,所述云端处理器连接有特征提取和选择模块,所述特征提取和选择模块用于提取患者相关的检测数据,所述云端处理器连接有模型构建和训练模块,所述模型构建和训练模块用于构建和训练糖尿病性肾病的预测模型。通过模型构建和训练模块、诊断对比模块和肾内科云平台模块的配合,使得系统在运行时赋予预测模型自主更新和学习的能力,并保证诊断模型的权威性和准确性,提高对各个类别的糖尿病性肾病的诊断能力。
Description
技术领域
本发明涉及肾脏病鉴别诊断领域,具体为一种通过预测模型对糖尿病性肾病的快速诊断系统及方法。
背景技术
糖尿病性肾病是指由于慢性高血糖导致的肾脏损伤的一种并发症。当一个人患有糖尿病时,高血糖会损害肾小球,这是肾脏的过滤单元。随着时间的推移,肾小球损伤会导致肾功能恶化,出现糖尿病性肾病的症状和并发症。一些医院在诊断患者是否患有糖尿病性肾病时,为了提高诊断的效率,通常会采用相应的诊断系统和预测模型进行辅助诊断,将提取的患者数据和预测模型对比,从而快速判断患者是否患有糖尿病性肾病。
目前大多的糖尿病性肾病的诊断系统在运行时,多是通过模型内预先建立的预测模型进行匹配诊断,预测模型无法随着诊断数据和不同患者的具体信息进行更迭和自主学习,导致一些类别的糖尿病性肾病在系统内缺少相应的预测模型进行对比,需要医师多次进行对比和验证患者的数据,诊断效率不够高效,为此提出一种通过预测模型对糖尿病性肾病的快速诊断系统及方法。
发明内容
针对现有技术的不足,本发明提供了一种通过预测模型对糖尿病性肾病的快速诊断系统及方法,解决了预测模型因缺少自我更迭和学习的能力,导致系统诊断时,因缺少相应的预测模型而导致诊断效率变慢的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种通过预测模型对糖尿病性肾病的快速诊断系统,包括云端处理器,所述云端处理器连接有数据采集和整理模块,所述数据采集和整理模块用于收集患者的信息,并进行整理和存储,所述云端处理器连接有特征提取和选择模块,所述特征提取和选择模块用于提取患者相关的检测数据,所述云端处理器连接有模型构建和训练模块,所述模型构建和训练模块用于构建和训练糖尿病性肾病的预测模型,所述云端处理器连接有诊断对比模块,所述诊断对比模块用于判断患者是否确诊糖尿病性肾病,所述云端处理器连接有肾内科云平台模块,所述肾内科云平台模块用于区域内肾内科相关的医师对患者进行联合诊断,所述云端处理器连接有错误数据更新模块,所述错误数据更新模块用于修正和更新系统内出现的错误数据。
优选的,所述数据采集和整理模块包括患者糖尿病病史筛查单元、糖尿病持续时间筛查单元、血糖控制情况筛查单元、尿液和血液分析模块和数据存储管理单元,所述患者糖尿病病史筛查单元用于筛查患者家族内是否存在遗传情况,所述糖尿病持续时间筛查单元用于筛查患者糖尿病的患病时长,所述血糖控制情况筛查单元用于了解患者对自身血糖数值的控制详细情况,所述尿液和血液分析模块用于分析患者尿液和血液中和糖尿病性肾病相关的物质组分含量数据,所述数据存储和管理单元用于将采集的信息分类存储并管理。
优选的,所述尿液和血液分析模块包括尿蛋白含量检测单元、微量尿蛋白含量检测单元、血肌酐含量检测单元和尿素氮含量检测单元,所述尿蛋白含量检测单元用于分析患者尿液中尿蛋白的含量,所述微量尿蛋白含量检测单元用于分析患者尿液中微量尿蛋白的含量,所述血肌酐含量检测单元用于分析患者血液中血肌酐的含量,所述尿素氮含量检测单元用于分析患者血液中尿素氮的含量。
优选地,所述特征提取和选择模块包括特征提取单元、特征选择单元、特征表示和编码单元和特征降维单元,所述特征提取单元用于采集数据中提取与糖尿病性肾病相关的特征,所述特征选择单元用于选择最具有预测能力和相关性的特征,所述特征表示和编码单元用于将选择的特征转换为合适的表示形式,以便机器学习算法的输入,所述特征降维单元用于降低特征空间的维度,以减少计算复杂度和消除冗余信息。
优选的,所述模型构建和训练模块包括模型选择单元、模型配置单元、数据参数划分单元、模型训练单元、模型评估单元、模型调优单元和训练数据导入单元,所述模型选择单元用于选择适合糖尿病性肾病诊断的模型架构,所述模型配置单元用于配置模型的参数和超参数,所述数据划分单元用于将模型内或接收的数据集划分为训练集、验证集和测试集,所述模型训练单元用于使用训练集对模型进行训练,所述模型评估单元用于使用验证集对训练好的模型进行性能评估,所述模型调优单元用于根据评估结果对模型进行调优,所述训练数据导入单元用于导入新的训练集数据。
优选的,所述诊断对比模块包括模型数据输入单元、患者数据输入单元、对比诊断单元、报告生成和可视化单元和结果输出单元,所述模型数据输入单元用于将构建的预测模型数据输入至对比诊断单元,所述患者数据输入单元用于将提取的患者糖尿病性肾病的相关特征信息输入至对比诊断单元,所述对比诊断单元用于将特征信息和预测模型进行对比匹配,确认患者是否确诊糖尿病性肾病,所述报告生成和可视化单元用于根据预测和诊断结果生成诊断报告,所述结果输出单元用于将未匹配到预测模型的患者特征数据发送至云端处理器。
优选的,所述肾内科云平台模块包括诊断结果输入单元、肾内科医师平台单元、联合诊断单元、结果输出和编码单元和编码数据转换和输出单元,所述诊断结果输入单元用于接收诊断对比模块中未匹配到预测模型的诊断数据,所述肾内科医师平台单元用于肾内科医师登录、交流患者相关的特征信息,所述联合诊断单元用于肾内科医师就接收的患者特征信息对患者进行诊断,所述结果输出和编码单元用于将联合诊断的结果生成可视化的报告,并将诊断结果重新编码,所述编码数据转换和输出单元用于将编码的联合诊断数据转换为训练集信息并发送至模型构建和训练模块。
优选的,所述错误数据更新模块包括数据采集和导入单元、元数据管理工具单元、源表和目标表单元、数据检查和整理单元、数据追溯和修正单元和数据更新报告单元,所述数据采集和导入单元用于将系统内生成的数据信息采集并接收,所述元数据管理工具单元用于对接收的数据信息进行数据血缘的分析,查找错误数据,所述源表和目标表单元用于记录数据血缘的关系,所述数据检查和整理单元用于检查源表和目标表中记录的错误数据,并对记录的数据进行分类整理,所述数据追溯和修正单元用于对出现的错误数据进行源头追溯,并将错误数据修正更新,所述数据更新报告单元用于定期生成更新数据的检测报告。
优选的,所述云端处理器搭载有卷积神经网络和循环神经网络,通过卷积神经网络和循环神经网络为系统的算法运行提供支持,所述元数据管理工具单元为ApacheAtlas、Collibra和InformaticaMetadataManager的组合,通过ApacheAtlas提供的元数据收集和血缘跟踪功能与Collibra和InformaticaMetadataManager进行数据集成和共享,并配合卷积神经网络和循环神经网络实现实时的数据监控和更新。
一种通过预测模型对糖尿病性肾病的快速诊断方法,包括以下步骤:
步骤一、通过数据采集和整理模块内的患者糖尿病病史筛查单元、糖尿病持续时间筛查单元和血糖控制情况筛查单元将患者的初步数据收集,同时通过尿液和血液分析模块获得患者尿液和血液内相关组分的信息,并将数据存储和分类整理,随后由特征提取单元将收集的患者数据中相关的特征提取,并通过特征选择单元选取糖尿病性肾病相关的数据,在经过特征表示和编码单元进行转化,随后使用特征降维单元对数据进行降维处理;
步骤二、通过卷积神经网络和循环神经网络与模型选择单元配合,构建合适的糖尿病性肾病的预测模型,随后通过模型配置单元设置好相关的参数,当诊断对比模块运行时,经过特征提取后的患者数据会经过患者数据输入单元进入对比诊断单元内,同时预测模型的数据也会经过模型数据输入单元进入对比诊断单元内,随后将患者的特征数据信息和预测模型进行对比,对比成功后便可将相关的诊断结果,通过报告生成和可视化单元将诊断结果呈现;
步骤三、当步骤三中对比诊断单元为找到合适的预测模型与患者的特征数据进行匹配时,此时结果输出单元会将患者的特征信息发送至肾内科云平台模块,并通过诊断结果输入单元将接收的信息发送至肾内科医师平台单元,随后便可召集相关的医师通过联合诊断单元对患者进行诊断,诊断的结果数据通过结果输出和编码单元可视化的呈现,同时将诊断结果数据重新编码,之后通过编码数据转化和输出单元将重新编码的诊断数据转换为训练集数据发送;
步骤四、步骤三中发送的训练集数据通过训练数据接收单元被模型构建和训练模块接收,同时数据参数划分单元会将接收的训练集数据再次的细化分,并生成对应的训练集、验证集和测试集,随后模型训练单元、模型评估单元和模型调优单元会在卷积神经网络和循环神经网络的支撑下,对构建的预测模型再次更新和训练,不断地优化预测模型;
步骤五、在系统进行运作过程中,数据采集和导入单元会不断地扫描系统内的数据,并将数据信息传递至元数据管理工具单元,随后元数据管理工具单元会不断的生成和更新源表和目标表单元,在卷积神经网络和循环神经网络的配合下利用数据血缘关系追踪出现的错误数据,通过数据检查和整理单元将源表和目标表数据分类整理,定位出错误数据,再由数据追溯和修正单元将错误点的数据修正更新,避免系统内出现错误数据。
本发明提供了一种通过预测模型对糖尿病性肾病的快速诊断系统及方法。具备以下有益效果:
1、本发明通过模型构建和训练模块、诊断对比模块和肾内科云平台模块的配合,使得诊断系统能够赋予预测模型自主更新和学习的能力,同时保证诊断模型的权威性和准确性,并提高系统对各个类别的糖尿病性肾病的诊断能力。
2、本发明通过数据采集和整理模块和错误数据更新模块的配合,使得系统运行时,实时对系统内产生的各项数据进行扫描,并去除系统内生成的冗余数据、重复数据、残余数据和缺失数据。提高数据的一致性和可比性,使得系统诊断时能够获得更加精准的数据,从而提高诊断的效率。
附图说明
图1为本发明的整体架构图;
图2为本发明的数据采集和整理模块结构示意图;
图3为本发明的尿液和血液分析模块结构示意图;
图4为本发明的特征提取和选择模块结构示意图;
图5为本发明的模型构建和训练模块结构示意图;
图6为本发明的诊断对比模块结构示意图;
图7为本发明的肾内科云平台模块结构示意图;
图8为本发明的错误数据更新模块结构示意图;
图9为本发明的流程图。
具体实施方式
下面将结合本发明说明书附图,对本发明实施例中的技术方案进行清楚、完整的描述,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:
请参阅附图1-附图9,本发明实施例提供一种通过预测模型对糖尿病性肾病的快速诊断系统,包括云端处理器,云端处理器连接有数据采集和整理模块,数据采集和整理模块用于收集患者的信息,并进行整理和存储,通过该模块可以获得患者自身的数据,为后续的诊断提供有力的数据支撑,从而提高患者的诊断效率。这些数据可以来自医院的电子病历系统或通过医学设备进行采集。云端处理器连接有特征提取和选择模块,特征提取和选择模块用于提取患者相关的检测数据,利用卷积神经网络、循环神经网络和模块内的特征工程方法对采集到的数据进行处理和特征提取。提取的特征通常包括肾功能指标、尿液分析结果、糖尿病的生物标志物等。云端处理器连接有模型构建和训练模块,模型构建和训练模块用于构建和训练糖尿病性肾病的预测模型,在通过卷积神经网络和循环神经网络构建预测模型时,需要对收集和导入的数据进行数据预处理、特征选择和模型优化等。云端处理器连接有诊断对比模块,诊断对比模块用于判断患者是否确诊糖尿病性肾病,通过已训练好的模型进行糖尿病性肾病的诊断。基于诊断结果,系统可以生成诊断报告,包括病情评估、风险预测、治疗建议等。报告可以供医师参考,辅助医师作出准确的诊断和制定治疗方案。云端处理器连接有肾内科云平台模块,肾内科云平台模块用于区域内肾内科相关的医师对患者进行联合诊断,当出现个别的糖尿病性肾病的患者时,系统可以选择借助科室的医师进行辅助诊断,并将诊断的数据记录,用于后续预测模型的构建标准,从而赋予系统内预测模型的自主更新的能力,同时多个医师沟通探讨拟出的诊断数据能够保证预测模型的权威性和准确性,云端处理器连接有错误数据更新模块,错误数据更新模块用于修正和更新系统内出现的错误数据,将系统运行时产生的冗余数据、重复数据、残余数据和缺失数据修正,采用数据血缘关系对错误数据进行追溯和精准的定位,保证数据更新的准确性。
数据采集和整理模块包括患者糖尿病病史筛查单元、糖尿病持续时间筛查单元、血糖控制情况筛查单元、尿液和血液分析模块和数据存储管理单元,患者糖尿病病史筛查单元用于筛查患者家族内是否存在遗传情况,以此可以确认患者患有糖尿病性肾病的概率。糖尿病持续时间筛查单元用于筛查患者糖尿病的患病时长,血糖控制情况筛查单元用于了解患者对自身血糖数值的控制详细情况,通过了解患者血糖的数值,可以判断出一段时间内患者糖尿病症状的变化,以此预测糖尿病性肾病的发病概率。尿液和血液分析模块用于分析患者尿液和血液中和糖尿病性肾病相关的物质组分含量数据,通过对尿液和血液分析,医生可以检测是否存在尿微量白蛋白(microalbuminuria)或尿蛋白(proteinuria)等其他组分的数据信息。尿液样本通常会收集多个时间点的尿液样本,以确定是否存在持续的蛋白尿。同时血液检测,包括测量肾功能指标,如血肌酐和尿素氮。这些指标可用于评估肾脏的滤过功能,如果肾功能异常,可能提示存在糖尿病性肾病。数据存储和管理单元用于将采集的信息分类存储并管理,将收集到的患者信息进行分类,方便后续的信息特征的提取,提高系统获取诊断信息的效率。
尿液和血液分析模块包括尿蛋白含量检测单元、微量尿蛋白含量检测单元、血肌酐含量检测单元和尿素氮含量检测单元,尿蛋白含量检测单元用于分析患者尿液中尿蛋白的含量,尿液中蛋白质的检测是检测糖尿病性肾病最常用的方法之一。正常情况下,尿液中只有微量的蛋白质存在,但在糖尿病性肾病患者中,肾小球滤过膜的损害会导致大量的蛋白质泄漏到尿液中,出现蛋白尿的现象。微量尿蛋白含量检测单元用于分析患者尿液中微量尿蛋白的含量,尿微量白蛋白是指尿液中白蛋白的微量泄漏,它是糖尿病性肾病早期的标志之一。尿微量白蛋白的检测比尿蛋白的检测更敏感,可以帮助早期发现糖尿病性肾病的存在。血肌酐含量检测单元用于分析患者血液中血肌酐的含量,血肌酐清除率是评估肾小球滤过功能的指标之一。在糖尿病性肾病中,肾小球滤过功能会受损,导致肌酐清除率降低。通过对尿液和血液中肌酐水平的测量,可以计算出肌酐清除率,从而评估肾小球滤过功能的变化。尿素氮含量检测单元用于分析患者血液中尿素氮的含量,尿素氮是评估肾脏排泄功能的指标之一。在糖尿病性肾病中,由于肾小管对尿液的重吸收能力下降,导致尿液中尿素氮的含量增加。
特征提取和选择模块包括特征提取单元、特征选择单元、特征表示和编码单元和特征降维单元,特征提取单元用于采集数据中提取与糖尿病性肾病相关的特征,特征提取可以基于领域知识和经验,也可以使用特征工程技术和云端处理器上搭载的卷积神经网络和循环神经网络实现。特征选择单元用于选择最具有预测能力和相关性的特征,减少特征空间的维度,并提高模型的性能和可解释性。特征表示和编码单元用于将选择的特征转换为合适的表示形式,以便机器学习算法的输入,使得卷积神经网络和循环神经网络能够轻松的获取特征信息。该单元还可包括独热编码和时间窗口化。特征降维单元用于降低特征空间的维度,以减少计算复杂度和消除冗余信息,通过使用PCA实现对数据的降维处理。
模型构建和训练模块包括模型选择单元、模型配置单元、数据参数划分单元、模型训练单元、模型评估单元、模型调优单元和训练数据导入单元,模型选择单元用于选择适合糖尿病性肾病诊断的模型架构,模型架构可依据卷积神经网络进行计算和构建。模型的选择需要根据问题的具体需求、数据的特点和可解释性的要求进行构建。模型配置单元用于配置模型的参数和超参数,参数是模型内部可以调整的变量,可以通过训练数据进行学习,从而使得模型可以更好地拟合数据。超参数则是模型的配置选项,需要手动设置,如学习率、正则化系数等。以便模型能够更好地适配系统进行诊断。数据划分单元用于将模型内或接收的数据集划分为训练集、验证集和测试集,训练集用于模型的参数学习,验证集用于调整模型的超参数,并评估模型的性能,测试集用于最终评估模型的泛化性能。划分时会通过模块内的设置的交叉验证法进行划分。模型训练单元用于使用训练集对模型进行训练,模型训练的目标是通过最小化损失函数来优化模型的参数,使其能够对糖尿病性肾病进行准确的预测。训练过程采用梯度下降法进行参数更新,确保最小化损失函数进行优化。模型评估单元用于使用验证集对训练好的模型进行性能评估,该单元使用验证集对训练好的模型进行性能评估。评估指标包括准确率、召回率、F1分数、ROC曲线等。通过评估模型在验证集上的性能,可以调整模型的参数和超参数,进而优化模型的准确性和泛化能力。模型调优单元用于根据评估结果对模型进行调优,根据评估结果对模型进行调优。以提高模型性能、减少过拟合和提高鲁棒性。训练数据导入单元用于导入新的训练集数据,从而使得模块内能够不断的获取准确的参数数据,使得预测模型能够不断的随着系统的运行自我完善。
诊断对比模块包括模型数据输入单元、患者数据输入单元、对比诊断单元、报告生成和可视化单元和结果输出单元,模型数据输入单元用于将构建的预测模型数据输入至对比诊断单元,患者数据输入单元用于将提取的患者糖尿病性肾病的相关特征信息输入至对比诊断单元,对比诊断单元用于将特征信息和预测模型进行对比匹配,确认患者是否确诊糖尿病性肾病,该单元通过预先设定的阈值或概率对结果进行分类,并依据卷积神经网络和循环神经网络对结果进行预测。报告生成和可视化单元用于根据预测和诊断结果生成诊断报告,报告内容包括患者的基本信息、诊断结果、患者的病情描述、建议的治疗方案等内容。生成报告的方式通过基于模板的自动化方法,需要将预测和诊断结果与相应的报告模板进行匹配和填充,确保生成的报告准确、清晰、易于理解。结果输出单元用于将未匹配到预测模型的患者特征数据发送至云端处理器,从而使得建立的肾内科云平台模块能够接收来自诊断对比模块发送的信息,之间通过蜂窝网络建立连接并实现信息的传输和交互。
肾内科云平台模块包括诊断结果输入单元、肾内科医师平台单元、联合诊断单元、结果输出和编码单元和编码数据转换和输出单元,诊断结果输入单元用于接收诊断对比模块中未匹配到预测模型的诊断数据,该单元可以将输入的数据转为可视化的表壳和图像信息,方便医师观看。肾内科医师平台单元用于肾内科医师登录、交流患者相关的特征信息,使得医院内对肾内科的诊治更加地准确。联合诊断单元用于肾内科医师就接收的患者特征信息对患者进行诊断,可以通过线上或线下的方式实现对患者的诊断,并将诊断的结果通过云平台保存。结果输出和编码单元用于将联合诊断的结果生成可视化的报告,并将诊断结果重新编码,重新编码后的联合诊断数据可以作为预测模型的训练集数据进行使用,编码数据转换和输出单元用于将编码的联合诊断数据转换为训练集信息并发送至模型构建和训练模块,使得预测模型能够不断地进行更新和升级,从而使得系统能够不断地自主完善诊断的准确性和效率。
错误数据更新模块包括数据采集和导入单元、元数据管理工具单元、源表和目标表单元、数据检查和整理单元、数据追溯和修正单元和数据更新报告单元,数据采集和导入单元用于将系统内生成的数据信息采集并接收,该单元通过元数据管理工具对系统内的数据进行实时的扫描,并将数据抓取和分类处理,元数据管理工具单元用于对接收的数据信息进行数据血缘的分析,查找错误数据,该单元提供了有关数据的信息,包括数据来源、数据格式、数据质量、数据结构等方面的描述。元数据管理工具单元负责收集、存储、维护和查询与糖尿病性肾病诊断相关的元数据。当数据集变化或发生更新时,会相应地更新元数据,以反映最新的数据状态和特征。源表和目标表单元用于记录数据血缘的关系,通过单元内搭载的查询工具,根据各种属性和标签进行查询,以找到所需的元数据信息。数据检查和整理单元用于检查源表和目标表中记录的错误数据,并对记录的数据进行分类整理,该单元负责通过对数据血缘信息的分析和检查,发现潜在的数据问题,如重复数据、错误数据、缺失数据等。这个单元可以与数据质量检查规则和数据清洗流程集成,用于实现数据治理和提高数据质量。数据追溯和修正单元用于对出现的错误数据进行源头追溯,并将错误数据修正更新,根据特定数据或数据流程获取相关数据的历史记录和衍生关系。从而实现追踪数据的源头、变换过程和使用情况,保证数据在进行更新和修正时不会影响其他数据的准确性。数据更新报告单元用于定期生成更新数据的检测报告,通过将定期产生的错误数据、修正更新的日期以及更新的内容等可视化的展现,并且根据相应的文字模板内容将信息填充,方便管理员查看,了解系统的运行状态。
云端处理器搭载有卷积神经网络和循环神经网络,通过卷积神经网络和循环神经网络为系统的算法运行提供支持,元数据管理工具单元为Apache Atlas、Collibra和InformaticaMetadataManager的组合,通过ApacheAtlas提供的元数据收集和血缘跟踪功能与Collibra和InformaticaMetadata Manager进行数据集成和共享,并配合卷积神经网络和循环神经网络实现实时的数据监控和更新。
一种通过预测模型对糖尿病性肾病的快速诊断方法,包括以下步骤:
步骤一、通过数据采集和整理模块内的患者糖尿病病史筛查单元、糖尿病持续时间筛查单元和血糖控制情况筛查单元将患者的初步数据收集,同时通过尿液和血液分析模块获得患者尿液和血液内相关组分的信息,并将数据存储和分类整理,随后由特征提取单元将收集的患者数据中相关的特征提取,并通过特征选择单元选取糖尿病性肾病相关的数据,在经过特征表示和编码单元进行转化,随后使用特征降维单元对数据进行降维处理;
步骤二、通过卷积神经网络和循环神经网络与模型选择单元配合,构建合适的糖尿病性肾病的预测模型,随后通过模型配置单元设置好相关的参数,当诊断对比模块运行时,经过特征提取后的患者数据会经过患者数据输入单元进入对比诊断单元内,同时预测模型的数据也会经过模型数据输入单元进入对比诊断单元内,随后将患者的特征数据信息和预测模型进行对比,对比成功后便可将相关的诊断结果,通过报告生成和可视化单元将诊断结果呈现;
步骤三、当步骤三中对比诊断单元为找到合适的预测模型与患者的特征数据进行匹配时,此时结果输出单元会将患者的特征信息发送至肾内科云平台模块,并通过诊断结果输入单元将接收的信息发送至肾内科医师平台单元,随后便可召集相关的医师通过联合诊断单元对患者进行诊断,诊断的结果数据通过结果输出和编码单元可视化的呈现,同时将诊断结果数据重新编码,之后通过编码数据转化和输出单元将重新编码的诊断数据转换为训练集数据发送;
步骤四、步骤三中发送的训练集数据通过训练数据接收单元被模型构建和训练模块接收,同时数据参数划分单元会将接收的训练集数据再次的细化分,并生成对应的训练集、验证集和测试集,随后模型训练单元、模型评估单元和模型调优单元会在卷积神经网络和循环神经网络的支撑下,对构建的预测模型再次更新和训练,不断地优化预测模型;
步骤五、在系统进行运作过程中,数据采集和导入单元会不断地扫描系统内的数据,并将数据信息传递至元数据管理工具单元,随后元数据管理工具单元会不断的生成和更新源表和目标表单元,在卷积神经网络和循环神经网络的配合下利用数据血缘关系追踪出现的错误数据,通过数据检查和整理单元将源表和目标表数据分类整理,定位出错误数据,再由数据追溯和修正单元将错误点的数据修正更新,避免系统内出现错误数据。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种通过预测模型对糖尿病性肾病的快速诊断系统,包括云端处理器,其特征在于,所述云端处理器连接有数据采集和整理模块,所述数据采集和整理模块用于收集患者的信息,并进行整理和存储,所述云端处理器连接有特征提取和选择模块,所述特征提取和选择模块用于提取患者相关的检测数据,所述云端处理器连接有模型构建和训练模块,所述模型构建和训练模块用于构建和训练糖尿病性肾病的预测模型,所述云端处理器连接有诊断对比模块,所述诊断对比模块用于判断患者是否确诊糖尿病性肾病,所述云端处理器连接有肾内科云平台模块,所述肾内科云平台模块用于区域内肾内科相关的医师对患者进行联合诊断,所述云端处理器连接有错误数据更新模块,所述错误数据更新模块用于修正和更新系统内出现的错误数据。
2.根据权利要求1所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述数据采集和整理模块包括患者糖尿病病史筛查单元、糖尿病持续时间筛查单元、血糖控制情况筛查单元、尿液和血液分析模块和数据存储管理单元,所述患者糖尿病病史筛查单元用于筛查患者家族内是否存在遗传情况,所述糖尿病持续时间筛查单元用于筛查患者糖尿病的患病时长,所述血糖控制情况筛查单元用于了解患者对自身血糖数值的控制详细情况,所述尿液和血液分析模块用于分析患者尿液和血液中和糖尿病性肾病相关的物质组分含量数据,所述数据存储和管理单元用于将采集的信息分类存储并管理。
3.根据权利要求2所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述尿液和血液分析模块包括尿蛋白含量检测单元、微量尿蛋白含量检测单元、血肌酐含量检测单元和尿素氮含量检测单元,所述尿蛋白含量检测单元用于分析患者尿液中尿蛋白的含量,所述微量尿蛋白含量检测单元用于分析患者尿液中微量尿蛋白的含量,所述血肌酐含量检测单元用于分析患者血液中血肌酐的含量,所述尿素氮含量检测单元用于分析患者血液中尿素氮的含量。
4.根据权利要求1所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述特征提取和选择模块包括特征提取单元、特征选择单元、特征表示和编码单元和特征降维单元,所述特征提取单元用于采集数据中提取与糖尿病性肾病相关的特征,所述特征选择单元用于选择最具有预测能力和相关性的特征,所述特征表示和编码单元用于将选择的特征转换为合适的表示形式,以便机器学习算法的输入,所述特征降维单元用于降低特征空间的维度,以减少计算复杂度和消除冗余信息。
5.根据权利要求1所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述模型构建和训练模块包括模型选择单元、模型配置单元、数据参数划分单元、模型训练单元、模型评估单元、模型调优单元和训练数据导入单元,所述模型选择单元用于选择适合糖尿病性肾病诊断的模型架构,所述模型配置单元用于配置模型的参数和超参数,所述数据划分单元用于将模型内或接收的数据集划分为训练集、验证集和测试集,所述模型训练单元用于使用训练集对模型进行训练,所述模型评估单元用于使用验证集对训练好的模型进行性能评估,所述模型调优单元用于根据评估结果对模型进行调优,所述训练数据导入单元用于导入新的训练集数据。
6.根据权利要求1所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述诊断对比模块包括模型数据输入单元、患者数据输入单元、对比诊断单元、报告生成和可视化单元和结果输出单元,所述模型数据输入单元用于将构建的预测模型数据输入至对比诊断单元,所述患者数据输入单元用于将提取的患者糖尿病性肾病的相关特征信息输入至对比诊断单元,所述对比诊断单元用于将特征信息和预测模型进行对比匹配,确认患者是否确诊糖尿病性肾病,所述报告生成和可视化单元用于根据预测和诊断结果生成诊断报告,所述结果输出单元用于将未匹配到预测模型的患者特征数据发送至云端处理器。
7.根据权利要求1所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述肾内科云平台模块包括诊断结果输入单元、肾内科医师平台单元、联合诊断单元、结果输出和编码单元和编码数据转换和输出单元,所述诊断结果输入单元用于接收诊断对比模块中未匹配到预测模型的诊断数据,所述肾内科医师平台单元用于肾内科医师登录、交流患者相关的特征信息,所述联合诊断单元用于肾内科医师就接收的患者特征信息对患者进行诊断,所述结果输出和编码单元用于将联合诊断的结果生成可视化的报告,并将诊断结果重新编码,所述编码数据转换和输出单元用于将编码的联合诊断数据转换为训练集信息并发送至模型构建和训练模块。
8.根据权利要求1所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述错误数据更新模块包括数据采集和导入单元、元数据管理工具单元、源表和目标表单元、数据检查和整理单元、数据追溯和修正单元和数据更新报告单元,所述数据采集和导入单元用于将系统内生成的数据信息采集并接收,所述元数据管理工具单元用于对接收的数据信息进行数据血缘的分析,查找错误数据,所述源表和目标表单元用于记录数据血缘的关系,所述数据检查和整理单元用于检查源表和目标表中记录的错误数据,并对记录的数据进行分类整理,所述数据追溯和修正单元用于对出现的错误数据进行源头追溯,并将错误数据修正更新,所述数据更新报告单元用于定期生成更新数据的检测报告。
9.根据权利要求1、8所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,其特征在于,所述云端处理器搭载有卷积神经网络和循环神经网络,通过卷积神经网络和循环神经网络为系统的算法运行提供支持,所述元数据管理工具单元为Apache Atlas、Collibra和Informatica Metadata Manager的组合,通过Apache Atlas提供的元数据收集和血缘跟踪功能与Collibra和Informatica Metadata Manager进行数据集成和共享,并配合卷积神经网络和循环神经网络实现实时的数据监控和更新。
10.一种通过预测模型对糖尿病性肾病的快速诊断方法,其特征在于,依据权利要求1-9任意一项所述的一种通过预测模型对糖尿病性肾病的快速诊断系统,包括以下步骤:
步骤一、通过数据采集和整理模块内的患者糖尿病病史筛查单元、糖尿病持续时间筛查单元和血糖控制情况筛查单元将患者的初步数据收集,同时通过尿液和血液分析模块获得患者尿液和血液内相关组分的信息,并将数据存储和分类整理,随后由特征提取单元将收集的患者数据中相关的特征提取,并通过特征选择单元选取糖尿病性肾病相关的数据,在经过特征表示和编码单元进行转化,随后使用特征降维单元对数据进行降维处理;
步骤二、通过卷积神经网络和循环神经网络与模型选择单元配合,构建合适的糖尿病性肾病的预测模型,随后通过模型配置单元设置好相关的参数,当诊断对比模块运行时,经过特征提取后的患者数据会经过患者数据输入单元进入对比诊断单元内,同时预测模型的数据也会经过模型数据输入单元进入对比诊断单元内,随后将患者的特征数据信息和预测模型进行对比,对比成功后便可将相关的诊断结果,通过报告生成和可视化单元将诊断结果呈现;
步骤三、当步骤三中对比诊断单元为找到合适的预测模型与患者的特征数据进行匹配时,此时结果输出单元会将患者的特征信息发送至肾内科云平台模块,并通过诊断结果输入单元将接收的信息发送至肾内科医师平台单元,随后便可召集相关的医师通过联合诊断单元对患者进行诊断,诊断的结果数据通过结果输出和编码单元可视化的呈现,同时将诊断结果数据重新编码,之后通过编码数据转化和输出单元将重新编码的诊断数据转换为训练集数据发送;
步骤四、步骤三中发送的训练集数据通过训练数据接收单元被模型构建和训练模块接收,同时数据参数划分单元会将接收的训练集数据再次的细化分,并生成对应的训练集、验证集和测试集,随后模型训练单元、模型评估单元和模型调优单元会在卷积神经网络和循环神经网络的支撑下,对构建的预测模型再次更新和训练,不断地优化预测模型;
步骤五、在系统进行运作过程中,数据采集和导入单元会不断地扫描系统内的数据,并将数据信息传递至元数据管理工具单元,随后元数据管理工具单元会不断的生成和更新源表和目标表单元,在卷积神经网络和循环神经网络的配合下利用数据血缘关系追踪出现的错误数据,通过数据检查和整理单元将源表和目标表数据分类整理,定位出错误数据,再由数据追溯和修正单元将错误点的数据修正更新,避免系统内出现错误数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020064.3A CN117038091A (zh) | 2023-08-14 | 2023-08-14 | 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020064.3A CN117038091A (zh) | 2023-08-14 | 2023-08-14 | 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117038091A true CN117038091A (zh) | 2023-11-10 |
Family
ID=88638706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311020064.3A Pending CN117038091A (zh) | 2023-08-14 | 2023-08-14 | 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117038091A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117954098A (zh) * | 2024-03-26 | 2024-04-30 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病鉴别诊断模型与系统 |
-
2023
- 2023-08-14 CN CN202311020064.3A patent/CN117038091A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117954098A (zh) * | 2024-03-26 | 2024-04-30 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病鉴别诊断模型与系统 |
CN117954098B (zh) * | 2024-03-26 | 2024-06-07 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病鉴别诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113707252B (zh) | 一种智能病例质控方法及系统 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN117038091A (zh) | 一种通过预测模型对糖尿病性肾病的快速诊断系统及方法 | |
CN112070239B (zh) | 基于用户数据建模的分析方法、系统、介质及设备 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
US20220172805A1 (en) | System and method for automatically determining serious adverse events | |
CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN115205601A (zh) | 一种基于人工智能与知识图谱的医学检验结果审核系统 | |
CN108595432B (zh) | 医疗文书纠错方法 | |
CN111553478A (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
CN117275644B (zh) | 基于深度学习的检测结果互认方法、系统及存储介质 | |
CN117038079A (zh) | 基于神经网络的儿童心脏病风险评估与预警系统 | |
CN113066549A (zh) | 基于人工智能的医疗器械的临床有效性评估方法及系统 | |
CN116936117A (zh) | 基于ai分析模型的慢性病大数据识别和分析处理方法 | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
CN109446192A (zh) | 数据测试方法及装置 | |
CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
CN114724720B (zh) | 一种基于深度学习的产前电子胎心监护自动识别系统 | |
CN117954098B (zh) | 一种糖尿病肾病鉴别诊断系统 | |
CN116612889A (zh) | 一种慢性肾病辅助筛查模型构建方法、筛查方法及系统 | |
CN117672508A (zh) | 一种女性围绝经期异常检测方法、系统、电子设备及介质 | |
CN117594208A (zh) | 一种医用耗材的质控方法、装置、设备及存储介质 | |
CN118280562A (zh) | 知识图谱驱动的医疗大模型诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |