CN117423423B - 一种基于卷积神经网络的健康档案整合方法、设备及介质 - Google Patents
一种基于卷积神经网络的健康档案整合方法、设备及介质 Download PDFInfo
- Publication number
- CN117423423B CN117423423B CN202311734715.5A CN202311734715A CN117423423B CN 117423423 B CN117423423 B CN 117423423B CN 202311734715 A CN202311734715 A CN 202311734715A CN 117423423 B CN117423423 B CN 117423423B
- Authority
- CN
- China
- Prior art keywords
- health
- data
- model
- neural network
- convolutional neural
- 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
- 230000036541 health Effects 0.000 title claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000010354 integration Effects 0.000 title claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的健康档案整合方法、设备及介质，包括：收集个体的病历记录与医疗记录，生成健康数据集；对健康数据集进行预处理，对健康数据集进行特征提取，生成适合用于模型学习的信息表达；构建多通道卷积神经网络模型，通道用于处理单一类型的信息表达，基于该模型，对不同类型的数据特征进行通道融合，对融合后的所有特征维度进行特征提取以实现去重与分类，进一步整合形成个体的健康档案。针对健康档案信息数据的时间序列变化特征和历史就诊病历信息，通过本发明可以结合健康档案信息数据时间序列变化特征对健康档案信息数据缺失补充。提高医护对患者病历的检索情况，并提高对患者的问诊准确率。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种基于卷积神经网络的健康档案整合方法、设备及介质。
背景技术
当前患者的健康档案信息都是每次就诊由患者本人或者家属进行口述，医生进行录入。由于每次就诊的健康档案信息是患者本人或者家属进行口述，故会产生遗漏，或者有意隐瞒的情况。不能有效地将历史的相关健康档案信息和历史就诊信息(疾病诊断与治疗记录、医疗记录)进行有效的数据结合形成完整的健康档案信息数据。
发明内容
有鉴于此，本发明提供一种基于卷积神经网络的健康档案整合方法、设备及介质来解决上述问题。
为解决以上技术问题，本发明提供了一种基于卷积神经网络的健康档案整合方法，包括：
收集个体的病历记录与医疗记录，生成健康数据集；对健康数据集进行预处理，包括去除异常值、处理重复数据、数据归一化与标准化；
对健康数据集进行特征提取，生成适合用于模型学习的信息表达；
构建多通道卷积神经网络模型，通道用于处理单一类型的信息表达，基于该模型，对不同类型的数据特征进行通道融合，并设置卷积层与池化层，对融合后的所有特征维度进行特征提取以实现去重与分类，再通过全连接层进行进一步整合形成个体的健康档案。
作为一种可选方式，对健康数据集进行特征提取包括引入卷积神经网络进行文本类型的特征提取，包括如下方法：
检索数据库所有病历记录与医疗记录，将所有病历记录与医疗记录中的文本数据映射成向量进行表示，形成预训练词向量集；
设置病历记录与医疗记录关键词，将健康数据集中的文本数据转换为词嵌入向量，将关键词通过TF-IDF转化为关键词向量；
将词嵌入向量与关键词向量依次与预训练词向量集进行差异度识别，并剔除词嵌入向量与关键词向量中差异度超出预设区间的向量；
对符合预设区间的向量进行合并，生成文本维度集。
作为一种可选方式，对健康数据集进行特征提取还包括引入基于注意力机制的递归神经网络进行时序类型的特征提取，其采用一维卷积层捕捉医疗记录不同时间尺度的模式，并通过池化层进行降采样来获取医疗记录中的时序依赖关系，生成时序维度集。
作为一种可选方式，对健康数据集进行特征采集还包括图像类型的特征提取，包括如下方法：
引入卷积神经网络，遍历健康数据集中所有医学影像，设置预设卷积层来提取所有医学影像中的局部特征信息，生成图像维度集。
作为一种可选方式，通道融合包括：
使用不同的通道，依次对文本类型、时序类型与图像类型的数据进行特征提取后，通过连接和/或逐元素相加的方式，将文本维度集、时序维度集与图像维度集进行融合，产生个体的特征维度模型；
通过连接和/或加权平均的方式，对特征维度模型进行清洗与优化，生成个体的主观维度特征数据与客观维度特征数据。
作为一种可选方式，创建多通道卷积神经网络模型包括如下方法：
创建具有多通道的卷积神经网络架构后，在每个通道中分别添加的对应的卷积层与池化层，并设置全连接层用于进一步整合；进一步整合的结果输出层可以是二分类层和/或多分类层；
设置损失函数与优化器；并对上述模型进行编译，添加评估指标。
作为一种可选方式，还包括训练多通道卷积神经网络模型，其包括：
将主观维度特征数据与客观维度特征数据的集分割为训练集、验证集与测试集，通过批处理的方式输入到该模型中；
使用训练集对模型进行训练，调整模型参数以最小化损失函数；并监控模型在验证集上的性能，防止过拟合；其中，在每个训练周期结束后，计算损失值和评估指标的变化情况；
根据验证集的表现结果，实时调整模型的超参数；
使用测试集对训练后的模型进行评估，计算评估指标，并保存训练后的模型，用于对个体实现健康档案的整合，进行健康风险预测 、诊断分类任务。
另一方面，本发明还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明针对健康档案信息数据的时间序列变化特征和历史就诊病历信息，提出一套基于疾病诊断与治疗记录、医疗记录等病历数据分析的卷积神经网络模型，可以结合健康档案信息数据时间序列变化特征对健康档案信息数据缺失补充。提高医护对患者病历的检索情况，并提高对患者的问诊准确率。
附图说明
图1为本发明实施例提供的健康档案整合方法逻辑示意图；
图2为本发明实施例提供的卷积神经网络模型对健康档案的整合过程示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。
实施例
请参考图1与图2，本实施例提供了一种基于卷积神经网络的健康档案整合方法，包括：收集个体的病历记录与医疗记录，生成健康数据集。作为一种可选方式，病历数据可以包括出诊电子病历、急诊电子病历、出入院记录、护理记录、用药记录、症状描述等。医疗数据可以包括检查检验数据如DR/CT/MR/超声/内镜等检查数据或肝功、肾功、血常规等检验数据以及生理体征数据，如体温、心率、脉搏、呼吸等测量或者患者填写的数据。
将上述数据进行整理打包成数据集后进行预处理，包括去除异常值、处理重复数据、数据归一化与标准化。
对健康数据集进行特征提取，生成适合用于模型学习的信息表达。适用于模型学习的新表达是将不同类型的健康档案信息编码成适合CNN输入的形式。例如疾病诊断和治疗记录编码成独热编码、词嵌入或向量表示，医疗记录转换成时序序列。
之后，构建多通道卷积神经网络模型，通道用于处理单一类型的信息表达，基于该模型，对不同类型的数据特征进行通道融合，并设置卷积层与池化层，对融合后的所有特征维度进行特征提取以实现去重与分类，再通过全连接层进行进一步整合形成个体的健康档案。
创建多通道卷积神经网络模型具体而言，包括创建具有多通道的卷积神经网络架构后，在每个通道中分别添加卷积层、池化层等用于特征提取的层，在特征提取之后，添加全连接层用于进一步整合特征。最终的输出层的大小和任务需求相关，可以是二分类层、多分类层等。之后，根据需求，选择适当的损失函数。例如，对于二分类问题可以选择交叉熵损失。选择适当的优化器，如Adam、SGD等，用于调整模型参数以最小化损失函数。将构建好的模型编译起来。指定损失函数、优化器和评估指标（如准确率、精确率、召回率等）。
为了达到上述的效果，落实到本实施例中，对健康数据集进行特征提取包括文本类型的特征提取、时序类型的特征提取与图像类型的特征提取，其分别采用如下方式实现：
文本数据可以包括就诊过程中的过程记录，例如病例中的主诉、病情、诊断与发病过程中，本实施例引入卷积神经网络进行文本类型的特征提取，包括：
检索数据库所有病历记录与医疗记录，利用如Word2Vec、GloVe、BERT等方式，将文本数据映射到向量表示，从而将语义信息编码到特征中。即将所有病历记录与医疗记录中的文本数据映射成向量进行表示，形成预训练词向量集；
词嵌入是将词语映射到连续向量空间的技术，可以将语义信息编码到向量中。因此可以设置病历记录与医疗记录关键词，将健康数据集中的文本数据转换为词嵌入向量，将关键词通过TF-IDF（词频-逆文档频率）转化为关键词向量；
将词嵌入向量与关键词向量依次与预训练词向量集进行差异度识别，并剔除词嵌入向量与关键词向量中差异度超出预设区间的向量；对符合预设区间的向量进行合并，生成文本维度集。
时序数据是和时间有关的数据，例如体温、脉搏等测量数据。由于对于长序列数据，注意力机制可以强调重要的时间步。本实施例中，引入基于注意力机制的递归神经网络（如RNN或其辩题LSTM、GRU等）进行时序类型的特征提取，其采用一维卷积层捕捉医疗记录不同时间尺度的模式，并通过池化层进行降采样来获取医疗记录中的时序依赖关系，生成时序维度集。所述不同时间尺度的模式，是指在医疗过程中，某些数据特征会由于人为干扰的因素发生改变，不符合常态逻辑。例如服用降压药后的血压和常态血压。在健康数据集中是包括了该患者不同时期的血压数据的，那么所述不同时间尺度的模式，即指在规定的时间区间（如服药后半小时等）内对某项特定数据的筛选规则。
图像数据则是DR/CT/MR/超声/内镜等检查的影像照片数据，考虑到在CNN中，卷积层可以自动检测图像中的边缘、纹理等局部特征。因此本实施例引入卷积神经网络，遍历健康数据集中所有医学影像，设置预设卷积层来提取所有医学影像中的局部特征信息，生成图像维度集。作为一种可选方式，该处的提取医学影像的局部特征信息，例如是对CT后的肺部阴影、结节等进行分类，可以获取其磨砂或者玻璃的状态，用于结合上述的文本与时序数据，来佐证该患者在该段时间内确实存在相关联且匹配的病理特征。
上述过程中，分别是通过模型中的某一通道对某一类型数据进行处理，这样可以使模型在不同通道上学习到不同数据的特征。在完成了对三类数据的特征提取之后，相当于将患者的所有数据平铺在了本实施例的多通道卷积神经网络模型的输入端之前。因此，为了提高模型的效率，本实施例对三类数据进行通道融合。所述通道融合是指，通过连接和/或逐元素相加的方式，将文本维度集、时序维度集与图像维度集进行融合，产生个体的特征维度模型；通过连接和/或加权平均的方式，对特征维度模型进行清洗与优化，生成个体的主观维度特征数据与客观维度特征数据。
在上述维度特征的计算中，同个体的相关维度特征数据在融合过程中具有不一样的权重。例如，在一种实施方式中，过敏史、疾病史，客观特征数据占70%比重，主观特征数据占30%比重，家族史客观特征数据占45%比重，主观特征数据占55%比重。
之后将数据输入到模型的输入端开始对其进行训练。作为一种可选方式，本实施例将主观维度特征数据与客观维度特征数据的集分割为训练集、验证集与测试集，通过批处理的方式输入到该模型中；可以加快训练速度并提高模型泛化能力。
使用训练集对模型进行训练，调整模型参数以最小化损失函数；并监控模型在验证集上的性能，防止过拟合；并且，在每个训练周期结束后，计算损失值和评估指标的变化情况；根据验证集的表现结果，实时调整模型的超参数；如学习率、卷积核大小等，以提高模型性能。使用测试集对训练后的模型进行评估，计算评估指标，并保存训练后的模型，用于对个体实现健康档案的整合，进行健康风险预测 、诊断分类任务。
另一方面，本发明还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于卷积神经网络的健康档案整合方法，其特征在于，包括：
收集个体的病历记录与医疗记录，生成健康数据集；对所述健康数据集进行预处理，包括去除异常值、处理重复数据、数据归一化与标准化；
对所述健康数据集进行特征提取，生成适合用于模型学习的信息表达；
创建多通道卷积神经网络模型，所述通道用于处理单一类型的信息表达，基于该模型，对不同类型的数据特征进行通道融合，并设置卷积层与池化层，对融合后的所有特征维度进行特征提取以实现去重与分类，再通过全连接层进行进一步整合形成个体的健康档案；
其中，所述对所述健康数据集进行特征提取，生成适合用于模型学习的信息表达包括：
引入卷积神经网络进行文本类型的特征提取，检索数据库所有病历记录与医疗记录，将所有病历记录与医疗记录中的文本数据映射成向量进行表示，形成预训练词向量集；设置病历记录与医疗记录关键词，将所述健康数据集中的文本数据转换为词嵌入向量，将所述关键词通过TF-IDF转化为关键词向量；将所述词嵌入向量与关键词向量依次与所述预训练词向量集进行差异度识别，并剔除所述词嵌入向量与关键词向量中差异度超出预设区间的向量；对符合预设区间的向量进行合并，生成文本维度集；
引入基于注意力机制的递归神经网络进行时序类型的特征提取，其采用一维卷积层捕捉所述医疗记录不同时间尺度的模式，并通过池化层进行降采样来获取所述医疗记录中的时序依赖关系，生成时序维度集；
引入卷积神经网络，遍历所述健康数据集中所有医学影像，设置预设卷积层来提取所有所述医学影像中的局部特征信息，生成图像维度集；
其中，所述对不同类型的数据特征进行通道融合包括：
使用不同的通道，依次对所述文本类型、时序类型与图像类型的数据进行特征提取后，通过连接和/或逐元素相加的方式，将所述文本维度集、时序维度集与图像维度集进行融合，产生个体的特征维度模型；通过连接和/或加权平均的方式，对所述特征维度模型进行清洗与优化，生成个体的主观维度特征数据与客观维度特征数据。
2.根据权利要求1所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，创建所述多通道卷积神经网络模型包括如下方法：
创建具有多通道的卷积神经网络架构后，在每个通道中分别添加的对应的卷积层与池化层，并设置全连接层用于进一步整合；所述进一步整合的结果输出层是二分类层和/或多分类层；
设置损失函数与优化器；并对上述模型进行编译，添加评估指标。
3.根据权利要求2所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，还包括训练所述多通道卷积神经网络模型，其包括：
将所述主观维度特征数据与客观维度特征数据的集分割为训练集、验证集与测试集，通过批处理的方式输入到该模型中；
使用所述训练集对模型进行训练，调整模型参数以最小化损失函数；并监控模型在验证集上的性能，防止过拟合；其中，在每个训练周期结束后，计算损失值和评估指标的变化情况；
根据所述验证集的表现结果，实时调整模型的超参数；
使用所述测试集对训练后的模型进行评估，计算评估指标，并保存训练后的模型，用于对个体实现健康档案的整合，进行健康风险预测 、诊断分类任务。
4.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311734715.5A CN117423423B (zh) | 2023-12-18 | 2023-12-18 | 一种基于卷积神经网络的健康档案整合方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311734715.5A CN117423423B (zh) | 2023-12-18 | 2023-12-18 | 一种基于卷积神经网络的健康档案整合方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117423423A CN117423423A (zh) | 2024-01-19 |
| CN117423423B true CN117423423B (zh) | 2024-02-13 |
Family
ID=89528713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311734715.5A Active CN117423423B (zh) | 2023-12-18 | 2023-12-18 | 一种基于卷积神经网络的健康档案整合方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423423B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854664B (zh) * | 2024-03-07 | 2024-05-14 | 辽宁鑫浩医疗科技有限公司 | 电子孕妇健康档案管理方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
| CN112151137A (zh) * | 2020-09-26 | 2020-12-29 | 厦门波耐模型设计有限责任公司 | 医疗查房伴随机器人人机协同的方法、装置、系统、存储介质 |
| CN112597889A (zh) * | 2020-12-22 | 2021-04-02 | 张延雄 | 一种基于人工智能的情绪处理方法和装置 |
| CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
| CN113012774A (zh) * | 2019-12-18 | 2021-06-22 | 医渡云（北京）技术有限公司 | 病案自动编码方法、装置、电子设备及存储介质 |
| CN113569001A (zh) * | 2021-01-29 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 文本处理方法、装置、计算机设备及计算机可读存储介质 |
| CN113837036A (zh) * | 2021-09-09 | 2021-12-24 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
| CN114625908A (zh) * | 2022-03-24 | 2022-06-14 | 电子科技大学成都学院 | 基于多通道注意力机制的文本表情包情感分析方法及系统 |
| CN115862794A (zh) * | 2021-09-24 | 2023-03-28 | 腾讯科技（深圳）有限公司 | 病历文本生成方法、装置、计算机设备及存储介质 |
| CN116611439A (zh) * | 2023-07-19 | 2023-08-18 | 北京惠每云科技有限公司 | 医疗信息抽取方法、装置、电子设备及存储介质 |
| CN116959725A (zh) * | 2023-07-31 | 2023-10-27 | 马梦媛 | 一种多模态数据融合的疾病风险预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117059279A (zh) * | 2022-05-05 | 2023-11-14 | 神州医疗科技股份有限公司 | 基于虚拟数字人体模型的医疗服务平台、方法和装置 |
-
2023
- 2023-12-18 CN CN202311734715.5A patent/CN117423423B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012774A (zh) * | 2019-12-18 | 2021-06-22 | 医渡云（北京）技术有限公司 | 病案自动编码方法、装置、电子设备及存储介质 |
| CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
| CN112151137A (zh) * | 2020-09-26 | 2020-12-29 | 厦门波耐模型设计有限责任公司 | 医疗查房伴随机器人人机协同的方法、装置、系统、存储介质 |
| CN112597889A (zh) * | 2020-12-22 | 2021-04-02 | 张延雄 | 一种基于人工智能的情绪处理方法和装置 |
| CN113569001A (zh) * | 2021-01-29 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 文本处理方法、装置、计算机设备及计算机可读存储介质 |
| CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
| CN113837036A (zh) * | 2021-09-09 | 2021-12-24 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
| CN115862794A (zh) * | 2021-09-24 | 2023-03-28 | 腾讯科技（深圳）有限公司 | 病历文本生成方法、装置、计算机设备及存储介质 |
| CN114625908A (zh) * | 2022-03-24 | 2022-06-14 | 电子科技大学成都学院 | 基于多通道注意力机制的文本表情包情感分析方法及系统 |
| CN116611439A (zh) * | 2023-07-19 | 2023-08-18 | 北京惠每云科技有限公司 | 医疗信息抽取方法、装置、电子设备及存储介质 |
| CN116959725A (zh) * | 2023-07-31 | 2023-10-27 | 马梦媛 | 一种多模态数据融合的疾病风险预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Graph Based Multichannel Feature Fusion for Wrist Pulse Diagnosis;Qi Zhang 等;《IEEE Journal of Biomedical and Health Informatics》;20201216;第25卷(第10期);第3732-3743页 * |
| Research on Medical Data Feature Extraction and Intelligent Recognition Technology Based on Convolutional Neural Network;Weidong Liu 等;《IEEE Access》;20190926;第7卷;第2169-3536页 * |
| 基于数据科学的中医临床信息采集关键技术的研究进展;王舒怡 等;《中华中医药学刊》;20231102;第1-17页 * |
| 多特征融合的中文电子病历命名实体识别;孙振 等;《计算机工程与应用》;20221215;第59卷(第23期);第136-144页 * |
| 多通道融合可分离卷积神经网络下的脑部磁共振图像分割;郭彤宇 等;《中国图象图形学报》;20191130;第24卷(第11期);第2009-2020页 * |
| 电子健康档案数据挖掘与整合技术新进展;张宇 等;《中国数字医学》;20170915;第12卷(第9期);第41-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117423423A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohammed et al. | Multi-method analysis of medical records and MRI images for early diagnosis of dementia and Alzheimer’s disease based on deep learning and hybrid methods | |
| EP3734604A1 (en) | Method and system for supporting medical decision making | |
| JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
| Guo et al. | Using bayes network for prediction of type-2 diabetes | |
| Al Jarullah | Decision tree discovery for the diagnosis of type II diabetes | |
| CN111316281A (zh) | 基于机器学习的自然语言情境中数值数据的语义分类 | |
| Li et al. | Identifying informative risk factors and predicting bone disease progression via deep belief networks | |
| CN117423423B (zh) | 一种基于卷积神经网络的健康档案整合方法、设备及介质 | |
| CN109360658B (zh) | 一种基于词向量模型的疾病模式挖掘方法及装置 | |
| Tursynova et al. | Brain Stroke Lesion Segmentation Using Computed Tomography Images based on Modified U-Net Model with ResNet Blocks. | |
| WO2022059315A1 (ja) | 画像符号化装置、方法およびプログラム、画像復号化装置、方法およびプログラム、画像処理装置、学習装置、方法およびプログラム、並びに類似画像検索装置、方法およびプログラム | |
| RU2720363C2 (ru) | Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта | |
| US20240070440A1 (en) | Multimodal representation learning | |
| CN118402009A (zh) | 计算机实施的方法和系统 | |
| Rath et al. | LSTM-based cardiovascular disease detection using ECG signal | |
| Tuncer et al. | An automated Covid-19 respiratory sound classification method based on novel local symmetric Euclidean distance pattern and ReliefF iterative MRMR feature selector | |
| CN116779166A (zh) | 数据处理方法及装置、健康评估方法及装置、电子设备和可读存储介质 | |
| Hsu et al. | Predicting thorax diseases with NIH chest X-rays | |
| Kaya et al. | A CNN Based Method for Detecting Covid-19 from CT Images | |
| Vashisht et al. | Using Support Vector Machine to Detect and Classify the Alzheimer Disease | |
| Vijaya et al. | Classification of Pneumonia using InceptionNet, ResNet and CNN | |
| Kathiresan | Analysis on cardiovascular disease classification using machine learning framework | |
| Agrawal et al. | Classification of Vitiligo using CNN Autoencoder | |
| Kamardi et al. | Classification of Alzheimer’s Disease using Random Oversampling and Albumentations on Convolutional Neural Network | |
| Kabra et al. | A comparative analysis for detecting Alzheimer’s by CNN and SVM Algorithm |
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 |