CN117275644B - 基于深度学习的检测结果互认方法、系统及存储介质 - Google Patents
基于深度学习的检测结果互认方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117275644B CN117275644B CN202311122644.3A CN202311122644A CN117275644B CN 117275644 B CN117275644 B CN 117275644B CN 202311122644 A CN202311122644 A CN 202311122644A CN 117275644 B CN117275644 B CN 117275644B
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- detection
- detection result
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 362
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000013499 data model Methods 0.000 claims abstract description 46
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 238000000611 regression analysis Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 23
- 238000007667 floating Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012896 Statistical algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 10
- 238000007689 inspection Methods 0.000 description 8
- 238000004949 mass spectrometry Methods 0.000 description 8
- 239000000427 antigen Substances 0.000 description 6
- 102000036639 antigens Human genes 0.000 description 6
- 108091007433 antigens Proteins 0.000 description 6
- 230000004071 biological effect Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229960005309 estradiol Drugs 0.000 description 2
- 229930182833 estradiol Natural products 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000003163 gonadal steroid hormone Substances 0.000 description 2
- 238000010324 immunological assay Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101710098119 Chaperonin GroEL 2 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000159 protein binding assay Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的检测结果互认方法、系统及存储介质，应用于信息处理技术领域，能够实现不同平台检测结果互认，提高检测结果互认的可靠性和准确性。该方法包括：构建第一数据模型库，并获取相应的预设医疗平台提供的检测比对样本；将检测比对样本发送至各个预设医疗平台，获取返回的检测结果数据；根据检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值；根据检测结果数据进行回归分析，拟合得到预设标准曲线；当确定可信度评估值的数量达到预设数据量，根据可信度评估值和预设标准曲线构建可信度分级模型；通过可信度分级模型和预设标准曲线对待互认数据分析，生成检测结果互认报告。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种基于深度学习的检测结果互认方法、系统及存储介质。
背景技术
随着诊断医学的蓬勃发展和询证医学的需求，检查结果越来越重要。但相关技术中，由于医疗市场的扩容，使得医疗平台的数量也随之增长，不同品牌或不同型号间的检查结果往往存在一定的差异，即同一个项目的检测结果可能会出现明显的不一致，这也大大地影响了不同医疗平台检测结果的互认。因此，以上技术问题亟需解决。
发明内容
为了解决上述技术问题的至少之一，本发明提出一种基于深度学习的检测结果互认方法、系统及存储介质，能够实现不同平台检测结果的互认，有效提高了检测结果互认的可靠性和准确性。
一方面，本发明实施例提供了一种基于深度学习的检测结果互认方法，包括以下步骤：
构建第一数据模型库；其中，所述第一数据模型库包括若干个预设医疗平台；
根据所述第一数据模型库获取所述预设医疗平台提供的检测比对样本；
将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台，并获取各个所述预设医疗平台返回的检测结果数据；
根据所述检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值；
根据所述检测结果数据进行回归分析，拟合得到预设标准曲线；
当确定预测得到的所述可信度评估值的数量达到预设数据量，根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型；
通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告；其中，所述检测结果互认报告包括可信度分级数据和检测结果修正值。
根据本发明的一些实施例，在执行所述将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台这一步骤时，所述方法还包括：
对所述检测比对样本进行预设编号，得到对应的标本编号；
根据所述标本编号和所述预设医疗平台的平台身份码构建保护标本号；其中，所述第一数据模型库中的各个所述预设医疗平台分配有对应的平台身份码。
根据本发明的一些实施例，在执行所述将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台，并获取各个所述预设医疗平台返回的所述检测结果数据这一步骤时，所述方法还包括：
设置预设检测阈值，并将所述预设检测阈值发送至各个所述预设医疗平台；其中，所述预设检测阈值与所述检测比对样本对应；
记录各个所述预设医疗平台的检测时间值；其中，所述检测时间值包括所述预设医疗平台接收到所述检测比对样本的第一时刻和上传所述检测结果数据的第二时刻；
根据所述预设检测阈值和所述检测时间值验证所述检测结果数据，得到验证结果；
根据所述验证结果对所述检测结果数据进行预设处理操作；其中，所述预设处理操作包括保存数据操作和剔除数据操作。
根据本发明的一些实施例，所述根据所述检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值，包括：
构建临时数据池；
通过所述临时数据池对不同的所述预设医疗平台的检测结果数据进行比较，得到数据比较结果；
根据所述数据比较结果通过所述第一深度学习模型对所述检测结果数据进行可信度预测，得到所述可信度评估值。
根据本发明的一些实施例，所述方法还包括：
构建检测项目类；其中，通过对不同的检测项目进行划分得到所述检测项目类；
根据所述检测项目类划分对应的系统模块和存储模块。
根据本发明的一些实施例，所述当确定预测得到的所述可信度评估值的数量达到预设数据量，根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型，包括：
根据所述预设标准曲线对所述检测结果数据进行调整，得到预设调整数据；
对各个所述检测项目类的所述预设调整数据进行统计，并构建对应的数值分布图；
通过所述数值分布图划分各个所述检测项目类的预设比对数值分段；
根据所述预设比对数值分段对不同的所述预设医疗平台的所述检测结果数据进行均值分析，得到第一均值数据；
计算各个所述预设医疗平台的所述检测结果相对于所述第一均值数据的浮动比例值；
根据所述浮动比例值通过预设统计算法计算得到浮动阈值；
计算各个所述预设医疗平台的检测结果数据相对于所述浮动阈值的偏差比；
根据所述偏差比结合预设检测参数对所述第二深度学习模型进行训练，构建得到所述可信度分级模型；其中，所述预设检测参数包括所述检测项目类、检测时间值、所述可信度评估值、所述预设医疗平台、所述检测结果数据以及所述预设调整数据。
根据本发明的一些实施例，所述通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告，包括：
根据所述预设标准曲线构建预设调整因子；
通过所述预设调整因子对所述待互认数据进行调整，得到检测结果修正值；
通过所述可信度分级模型对所述待互认数据进行可信度分析，得到可信度分级数据；
根据所述检测结果修正值和所述可信度分级数据生成所述检测结果互认报告。
另一方面，本发明实施例还提供了一种基于深度学习的检测结果互认系统，包括：
第一模块，用于构建第一数据模型库；其中，所述第一数据模型库包括若干个预设医疗平台；
第二模块，用于根据所述第一数据模型库获取所述预设医疗平台提供的检测比对样本；
第三模块，用于将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台，并获取各个所述预设医疗平台返回的检测结果数据；
第四模块，用于根据所述检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值；
第五模块，用于根据所述检测结果数据进行回归分析，拟合得到预设标准曲线；
第六模块，用于当确定预测得到的所述可信度评估值的数量达到预设数据量，根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型；
第七模块，用于通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告；其中，所述检测结果互认报告包括可信度分级数据和检测结果修正值。
另一方面，本发明实施例还提供了一种基于深度学习的检测结果互认系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如上述实施例所述的基于深度学习的检测结果互认方法。
另一方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的基于深度学习的检测结果互认方法。
根据本发明实施例的一种基于深度学习的检测结果互认方法，至少具有如下有益效果：本发明实施例首先构建包括若干个预设医疗平台的第一数据模型库，以根据第一数据模型库获取预设医疗平台提供的检测比对样本。接着，本发明实施例将检测比对样本发送至第一数据模型库中的各个预设医疗平台，以进行相应的数据检测，从而获取得到各个预设医疗平台返回的检测结果数据。然后，本发明实施例通过第一深度学习模型对检测结果数据进行可信度预测，得到可信度评估值，以通过结合深度学习算法的方式，对各个检测结果数据的可信度进行评估。相应地，本发明实施例根据检测结果数据进行回归分析，从而拟合得到预设标准曲线。进一步地，当确定预测得到的可信度评估值的数量达到预设数据量时，本发明实施例根据预测得到的可信度评估值以及预设标准曲线进行第二深度学习模型的构建，从而构建得到可信度分级模型，进而本发明实施例通可信度分级模型以及预设标准曲线对待互认数据进行分析，生成包括可信度分级数据和检测结果修正值的检测结果互认报告，实现对不同平台检测结果的互认，有效提高了检测结果互认的可靠性和准确性。
附图说明
图1是本发明实施例提供的基于深度学习的检测结果互认方法流程图；
图2是本发明实施例提供的基于深度学习的检测结果互认系统模块化示意图；
图3是本发明实施例提供的基于深度学习的检测结果互认系统原理框图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在对本申请实施例进行介绍说明之前，首先对本申请中涉及的相关名词进行解释说明。
深度学习：是一种机器学习的方法，通过模拟人脑神经网络的结构和功能，利用多层次的神经网络进行识别、分类以及预测。深度学习的关键是深层次的神经网络模型，这些模型由多个神经网络层组成。其中，多个神经网络层中的每一层都对输入数据进行一系列的非线性变换和特征提取。通过层级结构的设计使得深度学习可以处理高维度、非线性和大规模的数据，并且能够学习到更加抽象和复杂的特征。
随着诊断医学的蓬勃发展和询证医学的需求，检查结果越来越重要。但相关技术中心，由于医疗市场的扩容，使得医疗平台的数量也随之增长，不同品牌或不同型号间的检查结果往往存在一定的差异，即同一个项目的检测结果可能会出现明显的不一致，这也大大地影响了不同医疗平台检测结果的互认。目前，主要通过寻找一个标准方法(比如质谱法)作为标准，其他仪器和品牌型号都往这个标准靠拢，通过加上和调整转换系数来尽可能将结果转换到同一个拟合标准上，但是该方法并不完全可行。例如，在免疫学检测上，由于免疫学检测依赖于抗原抗体的结合进行检测的，不同的品牌型号生产的抗体结合的是被结合检测抗原的不同的位点，这就导致了其特异性并不一致。示例性地，对于某一指标，两种品牌型号的抗体结合检测，在位点特异性一致的情况下(比如没干扰物质的时候)，在10的数值上，抗体A和抗体B检测出来的结果都是10，而在2的数值上，检测出来的数值都是2。然而，对于存在干扰物质(跟被检测抗原很相似，甚至生物效应都一样的物质)，抗原的浓度真值是10，但抗体A结合的时候结合到了该抗原，而该结合位点并没有存在于干扰物上，因此这时候抗原A就检测到准确的数值10。但是，对于抗体B，其不单单结合了该抗原，由于抗体B的结合位点在干扰物质上也存在，导致抗体B的检测体系将干扰物质也当成了被检测抗原一起检测，得到的检测值是12。然而，抗体的结合位点其实在生产的时候很难控制。因此，这个情况并不能表明抗体B的体系的检测性能比抗体A的差，因为可能在其他干扰物的情况下，其他干扰物有A的结合位点而没有B的结合位点，这时候B检测到的数值才是准确的。并且抗原抗体检测虽然存在这种问题，但是却是一种非常优秀的检测技术，很多物质的检测都无法绕过，如何对这类的结果进行互认没有很好的方法。因此，以上技术问题亟需解决。
基于此，本发明的一个实施例提供了一种基于深度学习的检测结果互认方法、系统及存储介质，能够实现不同平台检测结果的互认，有效提高了检测结果互认的可靠性和准确性。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160和步骤S170。
具体地，本发明实施例的方法应用过程包括但不限于以下步骤：
S110：构建第一数据模型库。其中，第一数据模型库包括若干个预设医疗平台。
S120：根据第一数据模型库获取预设医疗平台提供的检测比对样本。
S130：将检测比对样本发送至第一数据模型库中的各个预设医疗平台，并获取各个预设医疗平台返回的检测结果数据。
S140：根据检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值。
S150：根据检测结果数据进行回归分析，拟合得到预设标准曲线。
S160：当确定预测得到的可信度评估值的数量达到预设数据量，根据可信度评估值和预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型。
S170：通过可信度分级模型和预设标准曲线对待互认数据进行分析，生成检测结果互认报告。其中，检测结果互认报告包括可信度分级数据和检测结果修正值。
在本具体实施例工作过程中，本发明实施例首先构建第一数据模型库。具体地，本发明实施例中第一数据模型库包括若干个预设医疗平台。本发明实施例中预设医疗平台是指具备预设要求资质的医疗平台，如医院，且第一数据模型库中的医疗平台包含不同品牌型号的检测仪器或设备。另外，每个品牌型号的检测仪器或设备需要至少有两个以上的预设医疗平台在使用。示例性地，本发明实施例召集20个预设医疗平台进行初始数据的签约建立，即构建第一数据模型库，这些预设医疗平台包含主流的检测仪器或设备的品牌型号，并由选举组成联盟管理委员会进行管理。接着，本发明实施例根据第一数据模型库获取预设医疗平台提供的检测比对样本。具体地，本发明实施例中第一数据模型库会收集需要进行检测比对的样本。其中，本发明实施例中的检测比对样本由各个预设医疗平台提供。示例性地，本发明实施例的第一数据模型库定期进行检测比对样本的收集，各个预设医疗平台主动进行检测比对样本的推荐，并记录相关的推荐理由。进一步地，本发明实施例将检测比对样本发送至第一数据模型库中的各个预设医疗平台，并获取各个预设医疗平台返回的检测结果数据。具体地，当第一数据模型库收集和登记完成一批检测比对样本后，本发明实施例将这一批次的检测比对样本下发至各个预设医疗平台。相应地，各个预设医疗平台在获取到相应的检测比对样本后进行对应的样本检测，得到检测结果数据，并将检测结果数据反馈至云端的第一数据模型库。
接着，本发明实施例根据检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值。本发明实施例通过深度学习自动为每个上传的检测结果数据赋予数据可信度的评估值，即可信度评估值。然后，本发明实施例根据检测结果数据进行回归分析，拟合得到预设标准曲线。具体地，本发明实施例通过对可信度评估值满足预设可信度的检测结果数据进行回归分析，拟合得到预设标准曲线。需要说明的是，本发明实施例对所有可信度较高的比对数值，即对可信度评估值大于预设可信度的检测结果数据，进行回归分析，从而拟合得到一条曲线，即预设标准曲线。其中，本发明实施例中预设标准曲线是一个去中心化的虚拟标准曲线。容易理解的是，相关技术中进行检测结果互认的方案一般是使用质谱法作为检测标准方法。例如，在性激素的检测结果互认中，所有品牌对同一系列的标准品进行检测得到结果和标准曲线，然后对质谱法的检测结果和每个品牌的方法的差异系数进行修正，或者对每个品牌的曲线进行修正来重新计算结果。但是以质谱法作为中心标准的方案并不能排除每个品牌抗体的特性导致的非比例相关的问题。而在某些干扰的情况下，修正后的结果的差异非常大。但是，本发明实施例回归得到的这条曲线(预设标准曲线)使用的元素点并不以任何一个预设医疗平台或品牌作为标准，而是同时使用所有预设医疗平台或品牌的可信高的结果进行均值作为标准，构建得到的一条虚拟曲线，跟所有预设医疗平台或品牌更相关，而且每个预设医疗平台或品牌的结果对这条曲线都有一定的影响力，因此能够更具有代表性。
需要说明的是，在本发明的一些实施例中，预设标准曲线也可以通过传统的方式获取得到。例如，本发明实施例还可以采用质谱法的方式构建相应的标准曲线，其他品牌或型号的检测结果向该曲线进行靠拢，以通过该标准曲线进行可信度分级模型的构建，实现检测结果互认。
进一步地，当确定预测得到的可信度评估值的数量达到预设数据量，本发明实施例根据可信度评估值和预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型。本发明实施例在可信度评估值累计到一定数据量时，即达到预设数据量，开始通过积累的可信度评估值结合预设标准曲线进行人工智能深度学习的构建，即进行第二深度学习模型的训练，进而构建得到可信度分级模型。最后，本发明实施例通过可信度分级模型和预设标准曲线对待互认数据进行分析，生成检测结果互认报告，其中，检测结果互认报告包括可信度分级数据和检测结果修正值，从而实现不同平台检测结果的互认。例如，本发明实施例通过可信度分析模型对待互认数据的可信度分级数据进行预测，并通过预设标准曲线进行待互认数据的修正，得到相应的检测结果修正值，进而根据可信度分级数据和检测结果修正值生成检测结果互认报告。相应地，本发明实施例中待互认数据是指需要进行检测结果互认的数据，本发明实施例通过将相应的待互认数据输入可信度分级模型，并结合预设标准曲线进行分析，从而生成对应的检测结果互认报告，缓解了不同医疗平台互认偏差的问题，有效提高了检测结果互认的可靠性和准确性。
在本发明的一些实施例中，在执行将检测比对样本发送至第一数据模型库中的各个预设医疗平台这一步骤时，本发明实施例提供的基于深度学习的检测结果互认方法还包括但不限于以下步骤：
对检测比对样本进行预设编号，得到对应的标本编号。
根据标本编号和预设医疗平台的平台身份码构建保护标本号。其中，第一数据模型库中的各个预设医疗平台分配有对应的平台身份码。
在本具体实施例中，本发明实施例构建的第一数据模型库中的各个预设医疗平台分配有对应的平台身份码，即各个预设医疗平台分配有对应的唯一id，如101。本发明实施例在将检测比对样本发送至第一数据模型库前，首先对检测比对样本进行预设编号，得到对应的标本编号。例如，某一批检测比对样本有5个，则其对应的标本编号分别为1001-1005。进一步地，本发明实施例根据标本编号和预设医疗平台的平台身份码构建保护标本号。具体地，本发明实施例中通过将检测比对样本的标本编号与预设医疗平台的平台身份码进行结合的方式，以构建得到对应的保护标本号，将检测比对样本与日常患者的检测标本进行区别，防止日常检测标本数据污染和干扰检测比对样本的数据，提高检测结果互认的可靠性。例如，本发明实施例中某一预设医疗平台的平台身份码为102，接收到的检测比对样本的标本编号分别为2001-2005，则本发明实施例将其整合成1022001-1022005，从而构建得到相应的保护标本号。
在本发明的一些实施例中，在执行将检测比对样本发送至第一数据模型库中的各个预设医疗平台，并获取各个预设医疗平台返回的检测结果数据这一步骤时，本发明实施例提供的基于深度学习的检测结果互认方法还包括但不限于以下步骤：
设置预设检测阈值，并将预设检测阈值发送至各个预设医疗平台。其中，预设检测阈值与检测比对样本对应。
记录各个预设医疗平台的检测时间值。其中，检测时间值包括预设医疗平台接收到检测比对样本的第一时刻和上传检测结果数据的第二时刻。
根据预设检测阈值和检测时间值验证检测结果数据，得到验证结果。
根据验证结果对检测结果数据进行预设处理操作。其中，预设处理操作包括保存数据操作和剔除数据操作。
在本具体实施例中，为了提高检测结果数据的可靠性和有效性，本发明实施例对上传的检测结果数据进行验证。具体地，本发明实施例首先设置预设检测阈值，并将预设检测阈值发送至各个预设医疗平台。其中，本发明实施例中设置的预设检测阈值与检测比对样本对应，即不同的检测比对样本或不同批次的检测比对样本所对应的预设检测阈值可能不同。本发明实施例中预设检测阈值是指检测时间阈值，当各个预设医疗平台接收到相应的检测比对样本后，需要在该检测时间阈值内完成检测。接着，本发明实施例记录各个预设医疗平台的检测时间值。具体地，本发明实施例中检测时间值包括预设医疗平台接收到检测比对样本的第一时刻和上传检测结果数据的第二时刻。容易理解的是，本发明实施例在各个预设医疗平台接收到相应的检测比对数据时，进行时间记录，得到第一时刻。然后，在各个预设医疗平台完成检测，上传检测结果数据时，记录相应的时间数据，得到第二时刻。进一步地，本发明实施例根据预设检测阈值和检测时间验证检测结果数据，得到验证结果。具体地，本发明实施例根据第一时刻和第二时刻计算相应的预设医疗平台接收到检测比对样本到上传检测结果数据的时间间隔长度，然后通过比较该时间间隔长度和预设检测阈值，判断时间间隔长度是否大于预设检测阈值，从而得到验证结果。然后，本发明实施例根据验证结果对检测结果数据进行预设处理操作，如保持数据操作和剔除数据操作。具体地，当确定验证结果为预设医疗平台接收到检测比对样本到上传检测结果数据的时间间隔长度比预设检测阈值大，则本发明实施例将相应的检测结果数据进行剔除。反之，当确定验证结果为预设医疗平台接收到检测比对样本到上传检测结果数据的时间间隔长度比预设检测阈值小，则本发明实施例将相应的检测结果进行存储。本发明实施例通过验证预设医疗平台的数据检测和上传时间，以判断相应的检测结果数据的有效性，进而提高检测结果数据的可靠性。
在本发明的一些实施例中，根据检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值，包括但不限于以下步骤：
构建临时数据池。
通过临时数据池对不同的预设医疗平台的检测结果数据进行比较，得到数据比较结果。
根据数据比较结果通过第一深度学习模型对检测结果数据进行可信度预测，得到可信度评估值。
在本具体实施例中，本发明实施例首先构建临时数据池，以通过临时数据池对不同的预设医疗平台的检测结果数据进行比较，得到数据比较结果。接着，本发明实施例根据数据比较结果通过第一深度学习模型对检测结果数据进行可信度预测，得到相应的可信度评估值。具体地，本发明实施例中设置有一个云端平台，用于检测结果互认的检测结果数据上传接收、保存以及分析。其中，本发明实施例中检测结果数据保存在临时数据池中。本发明实施例每次建立新的样本比对和阈值时都建立一个新的数据池，以承载该次检测比对上传的数据。相应地，在该次检测数据比对过程中，本发明实施例自动比较不同预设医疗平台但相同仪器的检测结果的一致性，得到数据比较结果。接着，本发明实施例对每个数据比较结果结合历史的比对数据，通过深度学习自动给每个上传上来的检测结果数据赋予相应的可信度评估值。示例性地，在多次历史比对中，预设医疗平台A和预设医疗平台B都使用品牌型号X的检测仪器，检测同一个数值为2的样本，且都是得到结果2.3。而在当前的比对中，也是一个数值为2的结果，但预设医疗平台A检测得到的数值为2.3，预设医疗平台B检测得到的数值为3.2，则可以推断出该次比对中，预设医疗平台B的检测结果可能不可靠。相应地，按照预设的评分规则，如按照预设医疗平台A和预设医疗平台B相同数值的检测次数越多，则历史一致性越高，且越可疑，本发明实施例计算后赋予本次预设医疗平台A的结果可信度为90分，预设医疗平台B的本次结果的可信度为20分，如此类推。
在本发明的一些实施例中，当确定预测得到的可信度评估值的数量达到预设数据量，根据可信度评估值和预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型，包括但不限于以下步骤：
根据预设标准曲线对检测结果数据进行调整，得到预设调整数据。
对各个检测项目类的预设调整数据进行统计，并构建对应的数值分布图。
通过数值分布图划分各个检测项目类的预设比对数值分段。
根据预设比对数值分段对不同的预设医疗平台的检测结果数据进行均值分析，得到第一均值数据。
计算各个预设医疗平台的检测结果相对于第一均值数据的浮动比例值。
根据浮动比例值通过预设统计算法计算得到浮动阈值。
计算各个预设医疗平台的检测结果数据相对于浮动阈值的偏差比。
根据偏差比结合预设检测参数对第二深度学习模型进行训练，构建得到可信度分级模型。其中，预设检测参数包括检测项目类、检测时间值、可信度评估值、预设医疗平台、检测结果数据以及预设调整数据。
在本具体实施例中，本发明实施例首先根据预设标准曲线对检测结果数据进行调整，得到预设调整数据。具体地，本发明实施例通过预设标准曲线，将各个预设医疗平台的检测曲线进行调整，进而将各个预设医疗平台的监测结果数据进行按比例调整，从而使得各个预设医疗平台的所有数值都尽可能与预设标准曲线靠拢。相应地，本发明实施例基于调整后的曲线进行分析。进一步地，本发明实施例对各个检测项目类的调整后的检测结果数据，即预设调整数据，进行统计，并构建对应的数值分布图。具体地，本发明实施例对每个项目(即检测项目类)的检测数据结果，即在下发检测比对样本时由提供的预设医疗平台检测得到的数值，进行统计制作数值分布图，以展示不同数值在整体样本中的分布情况。然后，本发明实施例通过数值分布图划分各个检测项目类的预设比对数值分段。具体地，本发明实施例根据制作得到的数值分布图结合相关的专业知识，对各个检测项目类的预设比对数值分段进行划分。例如，本发明实施例根据雌二醇的分布情况将其分为20-50、50-100、100-300、300-500、500-1000等段，从而能够尽可能地使每个分段的分布情况接近正态分布。需要说明的是，本发明实施例划分的预设比对数值分段中，每一段尽可能包含一个分布相对峰值在段的中间，即尽可能每一段的分布都正态分布，这样的分段更有价值。或者，本发明实施例中还可以按照临床决定水平和专业理解进行分段后使用正态曲线直接截取数据(正态曲线外的直接剔除)进行分析，并通过多次不同的分段方案得到不同的分析数据集。
进一步地，本发明实施例根据预设比对数值分段对不同的预设医疗平台的检测结果数据进行均值分析，得到第一均值数据，并计算各个预设医疗平台的检测结果相对于第一均值数据的浮动比例值，从而根据浮动比例值通过预设统计算法计算得到浮动阈值，进而能够计算各个预设医疗平台的检测结果数据相对于浮动阈值的偏差比。具体地，本发明实施例中对所有检测点进行分析，并获取各个检测点相应的预设医疗平台信息(如仪器品牌型号)。然后，本发明实施例统计出其他预设医疗平台对其检测的检测结果数据进行均值分析，并根据所有预设医疗平台，即所有品牌型号，相对于该均值的浮动比例值，从而对这些浮动比例值通过预设统计算法计算得到一个新的浮动阈值，进而计算得到该检测点每个品牌型号相对于浮动阈值的偏差比。最后，本发明实施例根据偏差比结合预设检测参数对第二深度学习模型进行训练，构建得到可信度分级模型。具体地，本发明实施例中预设检测参数包括检测项目类、检测时间值、可信度评估值、预设医疗平台、检测结果数据以及预设调整数据。本发明实施例根据计算得到的各个检测点的偏差比，结合相应的预设医疗平台(如医院、仪器品牌型号等)、检测时间值、检测项目类、可信度评估值、检测结果数据、预设调整数据，通过深度学习分析和人工智能能训练，即进行第二深度学习模型的训练，从而得到每个预设医疗平台在每个数值上的可信度分级模型，即互认数值可信度。
容易理解的是，本发明实施例中通过使用去中心化的虚拟曲线(预设标准曲线)作为标准，并增加了互认数值的可信度作为关键参数，对临床提供更多的更多专业的思考空间，对临床的判断解放了思维束缚，更适合于临床对检测结果的思考，减少了专业偏差的困扰。另外，本发明实施例回归得到的预设标准曲线使用的元素点并不以任何一个预设医疗平台作为标准，但是却也同时使用所有预设医疗平台中可信度评估值满足预设可信度的检测结果进行均值作为标准，其是一条虚拟的曲线，并且跟所有预设医疗平台都更相关，而且每个预设医疗平台的检测结果数据都对这条曲线都有一定的影响力，所以比传统的方法更具有品牌代表性。在传统的互认方法中认为只有一个方法是准的，其他方法和医疗平台或品牌检测出来的结果都应该被丢弃的，而本发明实施例中检测结果是面向于临床生物效应，而生物效应往往在极其相似的物质会有相同的生物效应，而传统的方法中通过使用质谱法作为标准虽然让检测的物质更单一准确化，但是并不能更有效评价这些极其相似的物质一起产生的生物效应，为临床的使用带来了困扰和束缚。相应地，本发明实施例能够较好地让临床和对检验结果的理解更开放和更准确中间取到更可靠的判断的平衡点。
需要说明的是，本发明实施例生成的检测结果互认报告包括相应的可信度分级数据以及检测结果修正值。其中，本发明实施例中可信度分级数据为通过可信度分级模型分析得到的待互认数据的可信度。相应地，本发明实施例中检测结果修正值通过拟合得到的预设标准曲线对待互认数据进行修正调整得到。容易理解的是，在传统的互认方案中，主要通过一个具体的方法(比如性激素会使用质谱法)作为一个标准，其他仪器设备均与该方法进行比对。然后，每个检测机构(预设医疗平台)在通过某个品牌型号相应的方法进行检测后，按照该比对转化成近似质谱法数值的结果。而本发明实施例并不以具体或实在的方法作为标准，因为这样会减弱了其他的品牌型号检测方法的影响力，因此本发明实施例使用所有医疗平台检测方法相应的可信值进行均值等方式，回归得到一条不属于任何品牌型号以及检测方法的虚拟曲线，即预设标准曲线，并得到每个预设医疗平台相应的仪器品牌型号方法以及该虚拟曲线的最近似的转化因子和算式，即预设调整因子。进一步地，本发明实施例所有检测机构(预设医疗平台)以后的检测值都通过这转化因子和算式来转化成最近似这条虚拟曲线值的数值，从而实现不同医疗平台检测结果的互认。
在本发明的一些实施例中，通过可信度分级模型和预设标准曲线对待互认数据进行分析，生成检测结果互认报告，包括但不限于以下步骤：
根据预设标准曲线构建预设调整因子。
通过预设调整因子对待互认数据进行调整，得到检测结果修正值。
通过可信度分级模型对待互认数据进行可信度分析，得到可信度分级数据。
根据检测结果修正值和可信度分级数据生成检测结果互认报告。
在本具体实施例中，本发明实施例通过构建调整因子，以计算检测结果数据，即待互认数据的互认数值。具体地，本发明实施例首先通过预设标准曲线计算各个预设医疗平台(如不同医院使用的检测仪器的品牌型号)对应的调整因子。示例性地，本发明实施例中调整因子也可以称为调整算式，在得到预设标准曲线后，因为每个预设医疗平台都有相应的曲线(比如，预设医疗平台a、b、c的项目X的计算曲线分别是B1、B2、B3……)，因此，本发明实施例再次使用统计学的回归算出一个调整算式(调整因子)，可以计算当预设医疗平台a检测出来项目X的结果x之后，通过这个调整算式能够转换成曲线S的标准的结果。例如，对于项目E，预设标准曲线S是y＝x，而预设医疗平台B的标准曲线是y＝2x。相应地，当预设医疗平台B检测出来项目E的结果6pg/ml，则经过虚拟曲线标准化修正后，即发报告的时候的去中心化转化值(经过调整因子修正的值)，为3pg/ml，如此类推。接着，本发明实施例根据计算得到的预设调整因子对相应的待互认数据进行修正调整，从而计算得到修正后的检测结果数据，即检测结果修正值。同时，本发明实施例通过可信度分级模型对待互认数据进行可信度分级，即对待互认数据进行可信度分析，从而得到相应的可信度分级数据。进而，本发明实施例根据待互认数据的可信度分级数据以及检测结果修正值形成对应的检测结果互认报告，完成对不同平台检测结果的互认。
需要说明的是，本发明实施例中，每个加入该检测结果互认体系的医疗检测机构(预设医疗平台)，都需要提前备案和维护其使用的仪器品牌型号，检测出一个结果后，该检测结果数据(只需要结果即可，无需包含相应的预设医疗平台或者患者等信息)将自动请求上传值云端。然后，云端将返回匹配结果，返回的结果至少包括：原始上传的数值、该数值的品牌型号、根据上述的品牌调整因子调整后的数值(去中心转化值)、根据上述持续训练的模型匹配得到的该结果的“互认数值可信度”。
参照图2，本发明的一个实施例还提供了一种基于深度学习的检测结果互认系统，包括：
第一模块210，用于构建第一数据模型库。其中，第一数据模型库包括若干个预设医疗平台。
第二模块220，用于根据第一数据模型库获取预设医疗平台提供的检测比对样本。
第三模块230，用于将检测比对样本发送至第一数据模型库中的各个预设医疗平台，并获取各个预设医疗平台返回的检测结果数据。
第四模块240，用于根据检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值。
第五模块250，用于根据检测结果数据进行回归分析，拟合得到预设标准曲线。
第六模块260，用于当确定预测得到的可信度评估值的数量达到预设数据量，根据可信度评估值和预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型。
第七模块270，用于通过可信度分级模型和预设标准曲线对待互认数据进行分析，生成检测结果互认报告。其中，检测结果互认报告包括可信度分级数据和检测结果修正值。
参照图3，本发明的一个实施例还提供了一种基于深度学习的检测结果互认系统，包括：
至少一个处理器310。
至少一个存储器320，用于存储至少一个程序。
当至少一个程序被至少一个处理器310执行，使得至少一个处理器310实现如上述实施例描述的基于深度学习的检测结果互认方法。
本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (9)
1.一种基于深度学习的医疗平台检测结果互认方法，其特征在于，包括以下步骤：
构建第一数据模型库；其中，所述第一数据模型库包括若干个预设医疗平台；
根据所述第一数据模型库获取所述预设医疗平台提供的检测比对样本；
将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台，并获取各个所述预设医疗平台返回的检测结果数据；
根据所述检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值；其中，所述第一深度学习模型包括可信度预测深度学习模型；
根据所述检测结果数据进行回归分析，拟合得到预设标准曲线；
当确定预测得到的所述可信度评估值的数量达到预设数据量，根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型；
通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告；
其中，所述通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告，包括：
根据所述预设标准曲线构建预设调整因子；
通过所述预设调整因子对所述待互认数据进行调整，得到检测结果修正值；
通过所述可信度分级模型对所述待互认数据进行可信度分析，得到可信度分级数据；
根据所述检测结果修正值和所述可信度分级数据生成所述检测结果互认报告。
2.根据权利要求1所述的基于深度学习的医疗平台检测结果互认方法，其特征在于，在执行所述将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台这一步骤时，所述方法还包括：
对所述检测比对样本进行预设编号，得到对应的标本编号；
根据所述标本编号和所述预设医疗平台的平台身份码构建保护标本号；其中，所述第一数据模型库中的各个所述预设医疗平台分配有对应的平台身份码。
3.根据权利要求1所述的基于深度学习的医疗平台检测结果互认方法，其特征在于，在执行所述将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台，并获取各个所述预设医疗平台返回的所述检测结果数据这一步骤时，所述方法还包括：
设置预设检测阈值，并将所述预设检测阈值发送至各个所述预设医疗平台；其中，所述预设检测阈值与所述检测比对样本对应；
记录各个所述预设医疗平台的检测时间值；其中，所述检测时间值包括所述预设医疗平台接收到所述检测比对样本的第一时刻和上传所述检测结果数据的第二时刻；
根据所述预设检测阈值和所述检测时间值验证所述检测结果数据，得到验证结果；
根据所述验证结果对所述检测结果数据进行预设处理操作；其中，所述预设处理操作包括保存数据操作和剔除数据操作。
4.根据权利要求1所述的基于深度学习的医疗平台检测结果互认方法，其特征在于，所述根据所述检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值，包括：
构建临时数据池；
通过所述临时数据池对不同的所述预设医疗平台的检测结果数据进行比较，得到数据比较结果；
根据所述数据比较结果通过所述第一深度学习模型对所述检测结果数据进行可信度预测，得到所述可信度评估值。
5.根据权利要求1所述的基于深度学习的医疗平台检测结果互认方法，其特征在于，所述方法还包括：
构建检测项目类；其中，通过对不同的检测项目进行划分得到所述检测项目类；
根据所述检测项目类划分对应的系统模块和存储模块。
6.根据权利要求5所述的基于深度学习的医疗平台检测结果互认方法，其特征在于，所述当确定预测得到的所述可信度评估值的数量达到预设数据量，根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型，包括：
根据所述预设标准曲线对所述检测结果数据进行调整，得到预设调整数据；
对各个所述检测项目类的所述预设调整数据进行统计，并构建对应的数值分布图；
通过所述数值分布图划分各个所述检测项目类的预设比对数值分段；
根据所述预设比对数值分段对不同的所述预设医疗平台的所述检测结果数据进行均值分析，得到第一均值数据；
计算各个所述预设医疗平台的所述检测结果相对于所述第一均值数据的浮动比例值；
根据所述浮动比例值通过预设统计算法计算得到浮动阈值；
计算各个所述预设医疗平台的检测结果数据相对于所述浮动阈值的偏差比；
根据所述偏差比结合预设检测参数对所述第二深度学习模型进行训练，构建得到所述可信度分级模型；其中，所述预设检测参数包括所述检测项目类、检测时间值、所述可信度评估值、所述预设医疗平台、所述检测结果数据以及所述预设调整数据。
7.一种基于深度学习的医疗平台检测结果互认系统，其特征在于，包括：
第一模块，用于构建第一数据模型库；其中，所述第一数据模型库包括若干个预设医疗平台；
第二模块，用于根据所述第一数据模型库获取所述预设医疗平台提供的检测比对样本；
第三模块，用于将所述检测比对样本发送至所述第一数据模型库中的各个所述预设医疗平台，并获取各个所述预设医疗平台返回的检测结果数据；
第四模块，用于根据所述检测结果数据通过第一深度学习模型进行可信度预测，得到可信度评估值；其中，所述第一深度学习模型包括可信度预测深度学习模型；
第五模块，用于根据所述检测结果数据进行回归分析，拟合得到预设标准曲线；
第六模块，用于当确定预测得到的所述可信度评估值的数量达到预设数据量，根据所述可信度评估值和所述预设标准曲线进行第二深度学习模型的构建，得到可信度分级模型；
第七模块，用于通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告；其中，所述检测结果互认报告包括可信度分级数据和检测结果修正值；
其中，所述通过所述可信度分级模型和所述预设标准曲线对待互认数据进行分析，生成检测结果互认报告，包括：
根据所述预设标准曲线构建预设调整因子；
通过所述预设调整因子对所述待互认数据进行调整，得到检测结果修正值；
通过所述可信度分级模型对所述待互认数据进行可信度分析，得到可信度分级数据；
根据所述检测结果修正值和所述可信度分级数据生成所述检测结果互认报告。
8.一种基于深度学习的医疗平台检测结果互认系统，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1至6任一项所述的基于深度学习的医疗平台检测结果互认方法。
9.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至6任一项所述的基于深度学习的医疗平台检测结果互认方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122644.3A CN117275644B (zh) | 2023-08-31 | 2023-08-31 | 基于深度学习的检测结果互认方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122644.3A CN117275644B (zh) | 2023-08-31 | 2023-08-31 | 基于深度学习的检测结果互认方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117275644A CN117275644A (zh) | 2023-12-22 |
| CN117275644B true CN117275644B (zh) | 2024-04-16 |
Family
ID=89209592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311122644.3A Active CN117275644B (zh) | 2023-08-31 | 2023-08-31 | 基于深度学习的检测结果互认方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275644B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016061864A1 (zh) * | 2014-10-20 | 2016-04-28 | 深圳市前海安测信息技术有限公司 | 一种医院双向转诊系统、方法和平台 |
| CN210380924U (zh) * | 2019-04-01 | 2020-04-21 | 广东职业技术学院 | 一种智能远程医疗服务云计算平台的体检数据互认系统 |
| CN112053756A (zh) * | 2020-08-26 | 2020-12-08 | 浙江省人民医院 | 基于临床标本检验数据的检验结果质量评价方法及系统 |
| EP3786966A1 (en) * | 2019-08-26 | 2021-03-03 | F. Hoffmann-La Roche AG | Automated validation of medical data |
| CN113113130A (zh) * | 2021-03-15 | 2021-07-13 | 湖南医云智享医疗科技有限公司 | 一种肿瘤个体化诊疗方案推荐方法 |
| CN113689925A (zh) * | 2021-09-30 | 2021-11-23 | 浙江和仁科技股份有限公司 | 一种医学检查结果互认方法、系统、电子设备及介质 |
| CN114819666A (zh) * | 2022-05-05 | 2022-07-29 | 浙江飞图影像科技有限公司 | 基于图神经网络的影像检查互认的评估方法和系统 |
| CN115115876A (zh) * | 2022-06-22 | 2022-09-27 | 山东骏腾医疗科技有限公司 | 基于深度学习的病理图像质控方法、装置、设备及介质 |
| CN115691722A (zh) * | 2022-04-15 | 2023-02-03 | 首都医科大学附属北京朝阳医院 | 医疗数据检测的质控方法、装置、设备、介质及程序产品 |
| CN115719334A (zh) * | 2022-10-26 | 2023-02-28 | 中电通商数字技术(上海)有限公司 | 基于人工智能的医学影像评价方法、装置、设备及介质 |
| CN115719333A (zh) * | 2022-10-26 | 2023-02-28 | 中电通商数字技术(上海)有限公司 | 基于神经网络的影像质控评价方法、装置、设备、介质 |
| CN115762721A (zh) * | 2022-10-26 | 2023-03-07 | 中电通商数字技术(上海)有限公司 | 一种基于计算机视觉技术的医疗影像质控方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230008936A1 (en) * | 2021-07-06 | 2023-01-12 | Koninklijke Philips N.V. | System and method for adaptive learning for hospital census simulation |
| US20230068560A1 (en) * | 2021-08-25 | 2023-03-02 | Canon Medical Systems Corporation | Medical information processing system, medical information processing method, and storage medium |
-
2023
- 2023-08-31 CN CN202311122644.3A patent/CN117275644B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016061864A1 (zh) * | 2014-10-20 | 2016-04-28 | 深圳市前海安测信息技术有限公司 | 一种医院双向转诊系统、方法和平台 |
| CN210380924U (zh) * | 2019-04-01 | 2020-04-21 | 广东职业技术学院 | 一种智能远程医疗服务云计算平台的体检数据互认系统 |
| EP3786966A1 (en) * | 2019-08-26 | 2021-03-03 | F. Hoffmann-La Roche AG | Automated validation of medical data |
| CN112053756A (zh) * | 2020-08-26 | 2020-12-08 | 浙江省人民医院 | 基于临床标本检验数据的检验结果质量评价方法及系统 |
| CN113113130A (zh) * | 2021-03-15 | 2021-07-13 | 湖南医云智享医疗科技有限公司 | 一种肿瘤个体化诊疗方案推荐方法 |
| CN113689925A (zh) * | 2021-09-30 | 2021-11-23 | 浙江和仁科技股份有限公司 | 一种医学检查结果互认方法、系统、电子设备及介质 |
| CN115691722A (zh) * | 2022-04-15 | 2023-02-03 | 首都医科大学附属北京朝阳医院 | 医疗数据检测的质控方法、装置、设备、介质及程序产品 |
| CN114819666A (zh) * | 2022-05-05 | 2022-07-29 | 浙江飞图影像科技有限公司 | 基于图神经网络的影像检查互认的评估方法和系统 |
| CN115115876A (zh) * | 2022-06-22 | 2022-09-27 | 山东骏腾医疗科技有限公司 | 基于深度学习的病理图像质控方法、装置、设备及介质 |
| CN115719334A (zh) * | 2022-10-26 | 2023-02-28 | 中电通商数字技术(上海)有限公司 | 基于人工智能的医学影像评价方法、装置、设备及介质 |
| CN115719333A (zh) * | 2022-10-26 | 2023-02-28 | 中电通商数字技术(上海)有限公司 | 基于神经网络的影像质控评价方法、装置、设备、介质 |
| CN115762721A (zh) * | 2022-10-26 | 2023-03-07 | 中电通商数字技术(上海)有限公司 | 一种基于计算机视觉技术的医疗影像质控方法和系统 |
Non-Patent Citations (6)
| Title |
|---|
| "基于预加载的医院检查检验结果互认系统设计与实现";程雪松, 郑雅卿, 张琼瑶;;《中国数字医学》;20230715(2023年第07期);第65-68页 * |
| 4种检测系统测定血清胆红素的差异性研究;张鲍虎;张玲玲;郑耿镇;张莉;杨书才;周杰;《标记免疫分析与临床》;20220325(2023年第3期);第517-522页 * |
| 利用室间质量评价数据进行两种常见CRP检测系统间检测结果互认的可行性探讨;李瑶;沈菁;吴文冰;陈发林;;《福建医药杂志》;20200415(2020年第02期);第48-51页 * |
| 基于云平台的区域医联体信息系统研究与实现;王淼;于广军;刘海峰;刘永斌;凌琦鸣;王淑;;《中国医院》;20170801(2017年第08期);第19-23页 * |
| 程雪松,郑雅卿,张琼瑶 * |
| 重庆市区域化检验结果互认可行性及质量控制研究;汤荣睿;李娟;刘张玲;蒲然;王丹枫;熊曼;易小翠;;《国际检验医学杂志》;20181115(2018年第21期);第2637-2640页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117275644A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107077413A (zh) | 数据驱动的测试框架 | |
| KR101953190B1 (ko) | 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템 | |
| US20150220868A1 (en) | Evaluating Data Quality of Clinical Trials | |
| CN112185468B (zh) | 一种用于基因数据分析和处理的云端管理系统及方法 | |
| CN115691722B (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
| EP3401858A1 (en) | Method for reducing failure rate | |
| CN112989990A (zh) | 医疗票据识别方法、装置、设备及存储介质 | |
| 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 | |
| CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
| CN113242213B (zh) | 一种电力通信骨干网节点脆弱性诊断方法 | |
| CN110751996A (zh) | 基于递归分区计算的高血压用药推荐模型及其构建方法 | |
| CN112711757B (zh) | 一种基于大数据平台的数据安全集中管控方法及系统 | |
| CN117275644B (zh) | 基于深度学习的检测结果互认方法、系统及存储介质 | |
| KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
| CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
| CN109615204B (zh) | 医疗数据的质量评估方法、装置、设备及可读存储介质 | |
| 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 | |
| CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
| CN105320748B (zh) | 一种匹配用户的主观标准的检索方法与检索系统 | |
| CN109411038A (zh) | 一种输血中血液信息采集比对系统及比对方法、储存介质 | |
| CN112732690B (zh) | 一种用于慢病检测及风险评估的稳定系统及方法 | |
| CN112152968B (zh) | 网络威胁检测方法和装置 | |
| CN116994647A (zh) | 用于分析变异检测结果的模型的构建方法 | |
| Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) | |
| CN112039715A (zh) | 一种网络系统容量预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |