CN117690584B - 基于智能ai的慢性病患者管理系统及方法 - Google Patents
基于智能ai的慢性病患者管理系统及方法 Download PDFInfo
- Publication number
- CN117690584B CN117690584B CN202410146318.4A CN202410146318A CN117690584B CN 117690584 B CN117690584 B CN 117690584B CN 202410146318 A CN202410146318 A CN 202410146318A CN 117690584 B CN117690584 B CN 117690584B
- Authority
- CN
- China
- Prior art keywords
- patient
- feature
- bronchiectasis
- clinical symptom
- feature map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 26
- 208000024891 symptom Diseases 0.000 claims abstract description 144
- 201000009267 bronchiectasis Diseases 0.000 claims abstract description 119
- 238000002591 computed tomography Methods 0.000 claims abstract description 96
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 229940124630 bronchodilator Drugs 0.000 claims description 80
- 239000013598 vector Substances 0.000 claims description 75
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 25
- 230000007883 bronchodilation Effects 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 22
- 230000003182 bronchodilatating effect Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 206010011224 Cough Diseases 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 206010036790 Productive cough Diseases 0.000 claims description 14
- 208000000059 Dyspnea Diseases 0.000 claims description 13
- 206010013975 Dyspnoeas Diseases 0.000 claims description 13
- 208000013220 shortness of breath Diseases 0.000 claims description 11
- 230000036760 body temperature Effects 0.000 claims description 10
- 230000036387 respiratory rate Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 abstract description 48
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 4
- 230000001684 chronic effect Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 7
- 239000000168 bronchodilator agent Substances 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 210000000621 bronchi Anatomy 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000014085 Chronic respiratory disease Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000013116 chronic cough Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 208000017574 dry cough Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于智能AI的慢性病患者管理系统及方法,涉及慢性病的智能管理领域,其将采集到的待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据作为输入数据,然后通过深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到用于表示待检测支气管扩张患者为轻度扩张、中度扩张或者重度扩张的分类结果。也就是,通过深度学习技术综合分析这些输入数据,可以更全面地了解到支气管扩张患者的病情和病情发展趋势。这样,根据分类结果,能够更全面地判断出患者支气管扩张的程度,以实现更精准和个性化的诊疗服务。
Description
技术领域
本申请涉及慢性病的智能管理领域,且更为具体地,涉及一种基于智能AI的慢性病患者管理系统及方法。
背景技术
慢性病患者数据的处理需要从数据采集、存储和管理、数据分析、数据可视化以及随访和监测等方面进行综合考虑,以实现更好地管理和治疗慢性病患者。
支气管扩张是一种常见的慢性病,对支气管扩张患者的数据进行处理和分析具有重要意义,有利于医院了解患者的病情和病情发展趋势,从而制定个性化的治疗和预防干预方案。这有助于改善患者的健康状况,减少病情的进展和并发症的发生。
目前,现有的支气管扩张患者数据处理方法主要依据医学影像和化验报告等数据进行支气管扩张患者的病情诊断。然而,患者的临床症状和生活环境等因素也会对病情产生影响,这些因素在现有方法中往往被忽视,导致病情诊断结果具有片面性。为了更好地应对这些问题,需要进一步发展和完善支气管扩张患者数据的处理方法,以实现更精准、全面和个性化的诊疗服务。
因此,期待一种基于智能AI的慢性病患者管理系统及方法,通过对支气管扩张患者的CT扫描图像、临床症状数据以及生活空气环境数据进行综合性分析,判断出患者支气管扩张的程度,以实现更精准和个性化的诊疗服务。
发明内容
为了解决上述技术问题,提出了本申请。
根据本申请的第一方面,提供了一种基于智能AI的慢性病患者管理系统,其包括:
支气管扩张患者数据采集模块,用于采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率;
支气管扩张患者特征提取模块,用于分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图;
支气管扩张患者特征融合模块,用于将所述CT扫描全局特征图以及所述临床症状-空气环境关联特征图进行融合以得到支气管扩张患者分类特征图;
支气管扩张患者特征优化模块,用于对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
支气管扩张患者分类结果生成模块,用于基于所述优化支气管扩张患者分类特征图,以得到分类结果;
其中,所述支气管扩张患者特征优化模块,用于:以如下公式对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
其中,所述公式为:
;
;
其中,表示所述支气管扩张患者分类特征图的/>位置的特征值,/>、/>和分别表示所述支气管扩张患者分类特征图的宽度、高度和通道数,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示以2为底的对数函数值,/>表示所述优化支气管扩张患者分类特征图的/>的特征值。
在上述基于智能AI的慢性病患者管理系统中,所述支气管扩张患者特征提取模块,包括:CT扫描特征获取单元,用于对所述待检测支气管扩张患者的CT扫描图像进行卷积编码以得到所述CT扫描全局特征图;临床症状特征获取单元,用于对所述待检测支气管扩张患者的临床症状数据进行卷积编码以得到临床症状特征向量;生活空气环境特征获取单元,用于对所述待检测支气管扩张患者的生活空气环境数据进行卷积编码以得到生活空气环境特征向量;关联特征获取单元,用于将所述临床症状特征向量和所述生活空气环境特征向量进行融合以得到所述临床症状-空气环境关联特征图。
在上述基于智能AI的慢性病患者管理系统中,所述CT扫描特征获取单元,包括:CT扫描局部特征获取子单元,用于将所述待检测支气管扩张患者的CT扫描图像通过基于深浅特征融合模块的CT扫描特征提取器以得到CT扫描局部特征图;CT扫描全局特征获取子单元,用于将所述CT扫描局部特征图通过基于非局部神经网络模型的CT扫描全局特征提取模块以得到CT扫描全局特征图。
在上述基于智能AI的慢性病患者管理系统中,所述临床症状特征获取单元,包括:临床症状数据嵌入编码子单元,用于对所述待检测支气管扩张患者的临床症状数据进行词嵌入编码以得到一维临床症状向量;临床症状特征提取子单元,用于将所述一维临床症状向量通过多尺度临床特征提取模块以得到所述临床症状特征向量。
在上述基于智能AI的慢性病患者管理系统中,所述生活空气环境特征获取单元,包括:生活空气环境数据排列子单元,用于将所述待检测支气管扩张患者的生活空气环境数据排列为一维生活空气环境输入向量;生活空气环境特征提取子单元,用于将所述一维生活空气环境输入向量通过基于第一卷积神经网络模型的环境特征提取模块以得到所述生活空气环境特征向量。
在上述基于智能AI的慢性病患者管理系统中,所述关联特征获取单元,包括:特征相乘子单元,用于将所述临床症状特征向量以及所述生活空气环境特征向量的转置进行相乘,以得到临床症状-空气环境特征矩阵;关联特征获取子单元,用于将所述临床症状-空气环境特征矩阵通过基于第二卷积神经网络模型的关联特征提取模块以得到所述临床症状-空气环境关联特征图。
在上述基于智能AI的慢性病患者管理系统中,所述支气管扩张患者特征融合模块,包括:特征融合单元,用于将所述CT扫描全局特征图和所述临床症状-空气环境关联特征图进行特征融合以得到支气管扩张患者综合特征图;综合特征获取单元,用于将所述支气管扩张患者综合特征图通过基于三维卷积神经网络模型的患者特征提取模块以得到支气管扩张患者分类特征图。
在上述基于智能AI的慢性病患者管理系统中,所述分类结果用于表示待检测支气管扩张患者为轻度扩张、中度扩张或者重度扩张。
根据本申请的第二方面,提供了一种基于智能AI的慢性病患者管理方法,其包括:
采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率;
分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图;
将所述CT扫描全局特征图以及所述临床症状-空气环境关联特征图进行融合以得到支气管扩张患者分类特征图;
对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
基于所述优化支气管扩张患者分类特征图,以得到分类结果;
其中,对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图,用于:以如下公式对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
其中,所述公式为:
;
;
其中,表示所述支气管扩张患者分类特征图的/>位置的特征值,/>、/>和分别表示所述支气管扩张患者分类特征图的宽度、高度和通道数,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示以2为底的对数函数值,/>表示所述优化支气管扩张患者分类特征图的/>的特征值。
与现有技术相比,本申请提供的一种基于智能AI的慢性病患者管理系统及方法,其将采集到的待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据作为输入数据,然后通过深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到用于表示待检测支气管扩张患者为轻度扩张、中度扩张或者重度扩张的分类结果。也就是,通过深度学习技术综合分析这些输入数据,可以更全面地了解到支气管扩张患者的病情和病情发展趋势。这样,根据分类结果,能够更全面地判断出患者支气管扩张的程度,以实现更精准和个性化的诊疗服务。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于智能AI的慢性病患者管理系统的示意性框图。
图2图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块的示意性框图。
图3图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中CT扫描特征获取单元的示意性框图。
图4图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中临床症状特征获取单元的示意性框图。
图5图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中生活空气环境特征获取单元的示意性框图。
图6图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中关联特征获取单元的示意性框图。
图7图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征融合模块的示意性框图。
图8图示了根据本申请实施例的基于智能AI的慢性病患者管理方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性系统
图1图示了根据本申请实施例的基于智能AI的慢性病患者管理系统的示意性框图。如图1所示,根据本申请实施例的基于智能AI的慢性病患者管理系统100,包括:支气管扩张患者数据采集模块110,用于采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率;支气管扩张患者特征提取模块120,用于分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图;支气管扩张患者特征融合模块130,用于将所述CT扫描全局特征图以及所述临床症状-空气环境关联特征图进行融合以得到支气管扩张患者分类特征图;支气管扩张患者特征优化模块140,用于对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;支气管扩张患者分类结果生成模块150,用于基于所述优化支气管扩张患者分类特征图,以得到分类结果。
支气管扩张是一种慢性呼吸系统疾病,也被称为慢性阻塞性肺疾病(ChronicObstructive Pulmonary Disease,COPD)的一种类型。它主要影响支气管,导致气道狭窄、气流受限和呼吸困难。支气管扩张的主要原因是长期吸烟,但也可能与其他因素有关,如长期暴露在有害化学物质或空气污染中。遗传因素也可能在一定程度上增加患病风险。因此,对支气管扩张患者的数据进行处理和分析具有重要意义。这样可以为医生和患者提供更准确、全面和个性化的诊疗服务,并促进支气管扩张的研究和治疗水平的提高。
然而,如上述背景技术所述,目前,现有的支气管扩张患者数据处理方法主要依据医学影像和化验报告等数据进行支气管扩张患者的病情诊断。然而,患者的临床症状和生活环境等因素也会对病情产生影响,这些因素在现有方法中往往被忽视,导致病情诊断结果具有片面性。为了更好地应对这些问题,需要进一步发展和完善支气管扩张患者数据的处理方法,以实现更精准、全面和个性化的诊疗服务。因此,期待一种基于智能AI的慢性病患者管理系统及方法,通过对支气管扩张患者的CT扫描图像、临床症状数据以及生活空气环境数据进行综合性分析,判断出患者支气管扩张的程度,以实现更精准和个性化的诊疗服务。
深度学习是一种机器学习的分支,通过模拟人脑神经网络的结构和功能,以处理复杂的数据和任务。它可以自动从大量的数据中学习和提取特征,从而实现对数据的高级抽象和理解。在本系统中,深度学习技术发挥重要作用。深度学习技术可以对支气管扩张患者的CT图像、临床症状数据和生活空气环境数据进行综合性分析,实现更精准和个性化的诊疗服务。通过深度学习模型的应用,可以提高病情评估的准确性,改善患者的治疗效果和生活质量。因此,在本申请的具体实施例中,通过深度学习技术对输入数据进行特征提取和分析。
在本申请实施例中,所述支气管扩张患者数据采集模块110,用于采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率。应可以理解,支气管扩张患者的CT扫描图像可以显示支气管的病变位置、程度和范围,帮助医生判断患者的扩张程度。例如,CT扫描可以提供更详细的支气管结构信息,包括支气管壁的增厚、支气管扩张的程度和范围等。除此之外,支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率和心率等指标可以反映患者的症状严重程度和病情稳定性。例如,咳嗽的频率和性质、咳痰的颜色和量、气促的程度等可能表示支气管扩张的不同严重程度,需要采取不同的治疗措施。因此,还需要采集支气管扩张患者的临床症状数据。进一步地,考虑到支气管扩张患者常常伴有慢性咳嗽和痰的症状。这些症状的频率、程度和黏稠度可能与生活环境有关。例如,患者在受到刺激性气体或粉尘的环境中生活,可能会导致咳嗽和痰增加。而且家庭环境中的二手烟、潮湿和霉菌等因素可能导致支气管炎症加重也就是,支气管扩张患者的临床症状数据和生活空气环境数据之间相互作用。因此,还需要采集气管扩张患者的生活空气环境数据。这样,通过了解患者生活中的空气环境,可以评估潜在的环境暴露对支气管扩张的影响程度。
具体地,采集待检测支气管扩张患者的CT扫描图像时,可以通过与医院、诊所或影像中心等合作,获取支气管扩张患者的CT扫描图像。与医疗机构的合作可以确保获得高质量和可靠的CT图像数据。而采集待检测支气管扩张患者的临床症状数据时,可以利用医疗机构的电子健康记录系统,收集患者的临床症状数据。另外,采集待检测支气管扩张患者的生活空气环境数据时,可以通过室内环境监测设备,如空气质量监测仪、温湿度计或霉菌检测仪等实时监测环境参数,并记录数据供分析使用,所有数据都经患者同意之后进行采集供分析使用。
在本申请实施例中,所述支气管扩张患者特征提取模块120,用于分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图。应可以理解,采集到这些输入数据之后,进一步对这些输入数据进行特征提取和分析任务。
具体地,图2图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块的示意性框图。如图2所示,所述支气管扩张患者特征提取模块120,包括:CT扫描特征获取单元121,用于对所述待检测支气管扩张患者的CT扫描图像进行卷积编码以得到所述CT扫描全局特征图;临床症状特征获取单元122,用于对所述待检测支气管扩张患者的临床症状数据进行卷积编码以得到临床症状特征向量;生活空气环境特征获取单元123,用于对所述待检测支气管扩张患者的生活空气环境数据进行卷积编码以得到生活空气环境特征向量;关联特征获取单元124,用于将所述临床症状特征向量和所述生活空气环境特征向量进行融合以得到所述临床症状-空气环境关联特征图。
首先对所述待检测支气管扩张患者的CT扫描图像进行特征提取和分析。具体地,图3图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中CT扫描特征获取单元的示意性框图。如图3所示,所述CT扫描特征获取单元121,包括:CT扫描局部特征获取子单元121-1,用于将所述待检测支气管扩张患者的CT扫描图像通过基于深浅特征融合模块的CT扫描特征提取器以得到CT扫描局部特征图;CT扫描全局特征获取子单元121-2,用于将所述CT扫描局部特征图通过基于非局部神经网络模型的CT扫描全局特征提取模块以得到CT扫描全局特征图。
应可以理解,支气管扩张是一种与肺部解剖结构相关的疾病,其特征主要表现在肺部的局部区域。CT扫描图像可以提供详细的肺部结构信息,但整个图像的信息可能包含大量与支气管扩张无关的背景信息。因此,提取CT扫描图像的局部特征可以更准确地捕捉到与支气管扩张相关的信息。进一步地,考虑到待检测支气管扩张患者的CT扫描图像中不仅包含小血管的细节、支气管的形态等浅层特征,还包含肺部的形态、大血管的位置和支气管的分支情况等深层特征。基于此,为了充分利用深层特征和浅层特征的优势,以提高对支气管扩张的诊断准确性,通过基于深浅特征融合模块的CT扫描特征提取器对所述待检测支气管扩张患者的CT扫描图像的局部特征进行特征提取和分析。这样,能够提高对支气管扩张患者CT扫描图像的特征提取能力,并实现更精准和个性化的诊疗服务。
在本申请的一个具体实施例中,所述CT扫描局部特征获取子单元121-1,用于:从所述CT扫描特征提取器的第i层提取浅层特征图,所述第i层为所述CT扫描特征提取器的第一层至第六层;从所述CT扫描特征提取器的第j层提取深层特征图,所述第j层与所述第i层之间的比值大于等于5;以及使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述CT扫描局部特征图。
接着,应可以理解,仅仅依靠局部特征可能无法全面地描述整个图像的特征。有时,支气管扩张的程度可能不仅仅取决于局部区域的变化,还与整个肺部的结构和形态有关。因此,为了充分的分析图像的局部细节和整体结构,通过基于非局部神经网络模型的CT扫描全局特征提取模块提取图像的全局特征。这样,可以提供对整体结构和形态的把握,从而更好地理解和评估支气管扩张的程度。
在本申请的一个具体实施例中,所述CT扫描全局特征获取子单元121-2,用于:分别对所述CT扫描局部特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图;将所述融合特征图输入Softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化融合特征图;计算所述归一化融合特征图和所述第三特征图之间的按位置点乘,以得到再融合特征图;将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图;对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图;以及计算所述通道调整全局相似特征图和所述CT扫描局部特征图的按位置加权和以得到所述CT扫描全局特征图。
接着对所述待检测支气管扩张患者的临床症状数据进行特征提取和分析。具体地,图4图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中临床症状特征获取单元的示意性框图。如图4所示,所述临床症状特征获取单元122,包括:临床症状数据嵌入编码子单元122-1,用于对所述待检测支气管扩张患者的临床症状数据进行词嵌入编码以得到一维临床症状向量;临床症状特征提取子单元122-2,用于将所述一维临床症状向量通过多尺度临床特征提取模块以得到所述临床症状特征向量。
应可以理解,在所述的待检测支气管扩张患者的临床症状数据中,可以将以下内容归类为文本数据和数值数据:1、文本数据:(1)咳嗽:咳嗽的描述,如干咳、咳痰、咳嗽频率等。(2)咳痰:咳痰的特征,如黏稠度、颜色、气味等。(3)气促:气促的描述,如呼吸困难、气喘等。2、数值数据:(1)体温:患者的体温值,通常以摄氏度(℃)表示。(2)呼吸频率:患者每分钟的呼吸次数。(3)心率:患者每分钟的心跳次数。也就是,所述待检测支气管扩张患者的临床症状数据不仅包含文本数据,还包含数值数据。如果直接对这些数据进行特征提取,机器可能难以同时识别和分析不同类型的数据。因此,首先对临床症状数据进行词嵌入编码,将其转化为向量表示。其中,词嵌入是一种将词汇映射到低维实数向量空间的技术。它通过训练神经网络模型或使用预训练的嵌入模型(如Word2Vec、GloVe或BERT)来学习词汇的分布式表示。词嵌入能够捕捉到词汇之间的语义和语法关系,提供更丰富的词汇表示。这样,可以统一数据的格式,使得不同类型的临床症状数据可以以相同的方式进行处理和分析。这样,可以简化系统的设计和实现,并提高系统的可扩展性和灵活性。
在本申请的一个具体实施例中,所述临床症状数据嵌入编码子单元122-1,具体的编码步骤为:1、构建词汇表:首先,需要构建一个词汇表,包含系统中可能出现的所有词汇。词汇表可以由系统预定义,也可以根据实际数据进行动态构建。2、文本分词:将待编码的临床症状数据进行分词,将文本划分为一个个单词或词组。分词可以使用现有的分词工具或算法进行,如基于规则的分词、统计分词或基于深度学习的分词模型。3、词嵌入映射:利用预训练的词嵌入模型(如Word2Vec、GloVe或BERT)或自己训练的嵌入模型,将每个分词映射为一个固定长度的实数向量。这些向量包含了词汇的语义和语法信息。4、编码生成:对于待编码的临床症状数据,将每个分词根据词嵌入映射得到的向量进行拼接或平均操作,生成一个一维的临床症状向量。可以根据具体需求和数据特点选择合适的拼接或平均策略。
通过以上步骤,就可以将待检测支气管扩张患者的临床症状数据转换为一维的临床症状向量。这个向量可以包含了临床症状的语义信息,可以作为输入用于系统中的综合性分析和诊断模型。
接着,应可以理解,患者的临床症状数据中可能包含着不同尺度的特征信息。例如,例如特定症状的出现频率、持续时间、强度等局部信息;症状序列的总体趋势、周期性变化等全局信息。基于此,为了更全面、准确地捕捉患者的临床症状特征,通过多尺度临床特征提取模块对所述一维临床症状向量的不同尺度特征进行提取和分析。这样,可以获取更全面、准确地描述患者的症状情况,并为后续的诊疗服务提供更丰富的信息支持。
在本申请的一个具体实施例中,所述临床症状特征提取子单元122-2,用于:将所述一维临床症状向量输入所述多尺度临床特征提取模块的第一卷积层以得到第一尺度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述一维临床症状向量输入所述多尺度临床特征提取模块的第二卷积层以得到第二尺度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及使用所述多尺度临床特征提取模块的级联层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述临床症状特征向量。
再接着对所述待检测支气管扩张患者的生活空气环境数据进行特征提取和分析。具体地,图5图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中生活空气环境特征获取单元的示意性框图。如图5所示,所述生活空气环境特征获取单元123,包括:生活空气环境数据排列子单元123-1,用于将所述待检测支气管扩张患者的生活空气环境数据排列为一维生活空气环境输入向量;生活空气环境特征提取子单元123-2,用于将所述一维生活空气环境输入向量通过基于第一卷积神经网络模型的环境特征提取模块以得到所述生活空气环境特征向量。
应可以理解,所述待检测支气管扩张患者的生活空气环境数据可以通过室内环境监测设备,如空气质量监测仪、温湿度计或霉菌检测仪等实时监测环境参数。通过这些设备通常会获得多个参数的数值数据,如空气质量、温度、湿度、霉菌数量等。考虑到不同的参数可能需要不同的特征获取方法,基于此,首先将其排列为向量表示形式。这样,将这些数据排列为一维向量,可以将不同参数的数据整合在一起,形成一个统一的输入向量,使得数据具有一致的结构。这样可以方便地将数据输入到机器学习模型中进行处理,而无需针对每个参数设计不同的处理方式。
在本申请的一个具体实施例中,所述生活空气环境数据排列子单元123-1,具体的排列步骤为:1、收集环境参数数据:使用室内环境监测设备(如空气质量监测仪、温湿度计、霉菌检测仪等)实时监测待检测患者所在环境的参数数据,包括空气质量、温度、湿度、霉菌数量等。2、归一化处理:对收集到的环境参数数据进行归一化处理,将不同参数的取值范围映射到统一的区间,例如[0, 1]或[-1, 1]。这样可以消除不同参数之间的量纲差异,使得它们具有可比性。3、排列为向量:将归一化后的环境参数数据按照一定顺序排列为一维向量。可以根据实际需求选择参数的顺序,例如先将空气质量数据排在前面,然后是温度、湿度和霉菌数量数据。4、补齐和截断:如果环境参数数据的数量不足或超过了预设的向量长度,可以进行补齐或截断操作。补齐是在向量的末尾添加零或其他默认值,使其达到预设长度;截断是保留向量中的前几个参数数据,将其余的数据丢弃。5、输入模型:将排列好的一维生活空气环境输入向量作为输入,输入到基于CNN的环境特征提取模块或其他机器学习/深度学习模型中进行进一步的处理和分析。
接着,考虑到生活空气环境数据通常具有一定的空间关系,例如室内不同位置的空气质量可能存在差异。通过使用卷积神经网络模型,可以利用卷积层的滤波器来捕捉空间上的相关性,从而更好地建模生活空气环境数据中的空间关系。因此,进一步通过基于第一卷积神经网络模型的环境特征提取模块对所述一维生活空气环境输入向量进行深度卷积编码以得到所述生活空气环境特征向量。其中,所述第一卷积神经网络模型可以学习到较高级别的特征表示。在环境特征提取模块中,通过多层卷积和池化操作,网络可以逐渐提取出更抽象和语义丰富的特征。这些高级特征可以更好地捕捉生活空气环境数据中的重要信息,有助于更精确地判断支气管扩张的程度。
在本申请的一个具体实施例中,所述生活空气环境特征提取子单元123-2,用于:使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的第一层的输入为所述一维生活空气环境输入向量,所述第一卷积神经网络模型的最后一层的输出为所述生活空气环境特征向量。
进一步地,考虑到临床症状和生活空气环境可能存在一定的关联性。例如,某些症状可能与特定的环境因素相关,或者环境因素可能对患者的症状产生影响。通过将这两个方面的特征进行融合,可以更好地捕捉这种关联性,提高模型对患者情况的理解和判断能力。因此,将所述临床症状特征向量和所述生活空气环境特征向量进行特征融合。
具体地,图6图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征提取模块中关联特征获取单元的示意性框图。如图6所示,所述关联特征获取单元124,包括:特征相乘子单元124-1,用于将所述临床症状特征向量以及所述生活空气环境特征向量的转置进行相乘,以得到临床症状-空气环境特征矩阵;关联特征获取子单元124-2,用于将所述临床症状-空气环境特征矩阵通过基于第二卷积神经网络模型的关联特征提取模块以得到所述临床症状-空气环境关联特征图。
特别地,所述特征相乘子单元124-1,用于:以如下公式对所述临床症状特征向量以及所述生活空气环境特征向量进行联合编码以生成所述临床症状-空气环境特征矩阵;其中,所述公式为:,其中/>表示向量相乘,/>表示所述临床症状-空气环境特征矩阵,/>表示所述临床症状特征向量,/>表示所述生活空气环境特征向量,/>表示所述生活空气环境特征向量的转置。
更特别地,所述关联特征获取子单元124-2,具体的特征获取过程为:1、构建卷积神经网络模型:首先,构建一个基于卷积神经网络(Convolutional Neural Network,CNN)的模型。CNN模型在处理图像数据方面具有出色的表现,可以用于提取特征。2、输入特征矩阵:将临床症状-空气环境特征矩阵作为输入传递给CNN模型。特征矩阵的维度可以根据实际情况进行调整,其中行表示样本(患者),列表示特征。3、特征提取:通过CNN模型的卷积层和池化层,对特征矩阵进行特征提取。卷积层可以捕捉特征的空间关系,而池化层可以对特征进行降维和选择性保留。4、关联特征提取:在CNN模型的特定层(通常是卷积层)之后添加一个关联特征提取模块。该模块可以进一步分析临床症状和空气环境特征之间的关联性,并提取关联特征。例如,可以使用卷积操作、全连接层或其他适当的方法来捕捉特征之间的相关性。5、生成关联特征图:通过关联特征提取模块,从特征矩阵中提取出临床症状-空气环境关联特征。这些关联特征可以表示临床症状和空气环境之间的重要关系,有助于更好地理解和判断患者的情况。
需要注意的是,具体的关联特征提取模块的设计和实现可以根据任务的需求和数据的特点进行调整和优化。可以尝试不同的网络结构、激活函数、损失函数等,以提高关联特征的表达能力和模型的性能。此外,模型的训练需要使用带有标签的数据进行监督学习,以使模型能够学习到临床症状和空气环境之间的关联规律。
在本申请实施例中,所述支气管扩张患者分类结果生成模块150,用于基于所述优化支气管扩张患者分类特征图,以得到分类结果。
具体地,图7图示了根据本申请实施例的基于智能AI的慢性病患者管理系统中支气管扩张患者特征融合模块的示意性框图。如图7所示,所述支气管扩张患者特征融合模块130,包括:特征融合单元131,用于将所述CT扫描全局特征图和所述临床症状-空气环境关联特征图进行特征融合以得到支气管扩张患者综合特征图;综合特征获取单元132,用于将所述支气管扩张患者综合特征图通过基于三维卷积神经网络模型的患者特征提取模块以得到支气管扩张患者分类特征图。
应可以理解,支气管扩张是一个复杂的疾病,受到多个因素的影响,包括患者的解剖结构、临床症状和生活环境等。将CT扫描全局特征图和临床症状-空气环境关联特征图进行融合可以综合考虑这些方面的影响,提高对支气管扩张患者情况的理解和判断能力。因此,为了更好地捕捉支气管扩张患者的结构特征、临床症状和环境因素之间的关联关系,提高模型的判断性能,将所述CT扫描全局特征图和所述临床症状-空气环境关联特征图进行特征融合以得到支气管扩张患者综合特征图。
接着,应可以理解,三维卷积神经网络模型在处理三维数据方面具有优势,能够更好地处理体积数据,提取特征并学习数据的表示。通过使用这样的模型,可以更全面、更准确地表示支气管扩张患者的特征,从而提高分类特征图的质量和性能。因此,进一步通过基于三维卷积神经网络模型的患者特征提取模块对所述支气管扩张患者综合特征图进行特征获取。
在本申请的一个具体实施例中,所述综合特征获取单元132,用于:使用所述三维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述三维卷积神经网络模型的第一层的输入为所述支气管扩张患者综合特征图,所述三维卷积神经网络模型的最后一层的输出为所述支气管扩张患者分类特征图。
在本申请实施例中,所述支气管扩张患者特征优化模块140,用于对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图。
特别地,在本申请的技术方案中,考虑到在高维特征空间中,数据流形是指数据点在特征空间中的分布形状和结构。对于支气管扩张患者分类特征图,它是通过多个模块和网络提取得到的高维特征表示。由于数据的多样性和复杂性,存在一些异常值或噪声值,这些异常值可能会引起支气管扩张患者分类特征图在高维特征空间的数据流形出现几何非连续性,即断裂面或断裂点的情况。异常值或噪声值可能是由于多种原因引起的,例如数据采集过程中的误差、数据处理过程中的错误或者真实数据中的异常情况。这些异常值可能导致特征空间中的数据流形出现断裂,即某些数据点之间的连接关系被破坏或者数据点的分布出现不连续的情况。当存在断裂面或断裂点时,分类特征图的分类判断可能会受到影响,具体表现为鲁棒性和准确性的下降。首先,断裂面或断裂点可能导致特征空间中的数据点分布出现不连续的情况,这会使得分类器在判断边界位置时出现不确定性。分类器可能无法准确地区分位于断裂面或断裂点附近的数据点属于哪个类别,从而降低了分类判断的准确性。其次,异常值或噪声值可能导致特征空间中的数据流形出现断裂,这会使得特征空间中的数据点在局部区域的分布变得稀疏或不连续。这种情况下,分类器在进行决策时可能无法充分利用局部区域的信息,而只能依赖于较远的数据点,从而导致分类判断的鲁棒性下降。此外,异常值或噪声值可能会对特征提取模块和网络的训练过程产生负面影响,进而影响分类特征图的质量。异常值可能引起训练过程中的梯度异常或模型参数的不稳定性,导致特征提取模块和网络无法充分学习到有效的特征表示,从而进一步降低了分类判断的鲁棒性和准确性。因此,为了提高分类判断的鲁棒性和准确性,对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图,可以检测和修复特征图中的异常值或噪声值,从而改善分类结果的准确性和鲁棒性。
具体地,在本申请的一个具体实施例中,所述支气管扩张患者特征优化模块140,用于:以如下公式对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
其中,所述公式为:
;
;
其中,表示所述支气管扩张患者分类特征图的/>位置的特征值,/>、/>和分别表示所述支气管扩张患者分类特征图的宽度、高度和通道数,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示以2为底的对数函数值,/>表示所述优化支气管扩张患者分类特征图的/>的特征值。
也就是,考虑到所述支气管扩张患者分类特征图在高维特征空间的数据流形存在几何非连续性,即异常值或噪声值会引起所述支气管扩张患者分类特征图在高维特征空间的数据流形存在断裂面或者断裂点,从而影响所述支气管扩张患者分类特征图的分类判断的鲁棒性和准确性。针对上述技术问题,在本申请的技术方案中,对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化,其通过构建一个超凸的流形优化函数,使得特征图中的每个位置都能够在其子维度上保持超凸的兼容性,从而实现特征图的流形修复,这样,可以有效地检测和修复特征图中的异常值或噪声值,以有效地消除特征图中的几何非连续性,提高特征图的结构完整性,增强所述支气管扩张患者分类特征图的分类能力。
在本申请实施例中,所述支气管扩张患者分类结果生成模块150,用于基于所述优化支气管扩张患者分类特征图,以得到分类结果。其中,所述分类结果用于表示待检测支气管扩张患者为轻度扩张、中度扩张或者重度扩张。
应可以理解,优化支气管扩张患者分类特征图可能包含大量的信息,包括结构、形态、临床症状和环境关联等多个方面。通过使用分类器,可以将这些复杂的特征图转化为简单的分类结果,将问题的复杂度降低到一个离散的分类任务上,更易于理解和应用。因此,在本申请实施例中,通过分类器对所述优化支气管扩张患者分类特征图进行特征分类以得到分类结果。这样,可以将支气管扩张患者的分类特征图转化为直观且可解释的分类结果,为医生提供决策依据,并促进对患者的个体化治疗和管理。
在本申请的一个具体实施例中,所述支气管扩张患者分类结果生成模块150,用于:使用所述分类器以如下公式对所述优化支气管扩张患者分类特征图进行处理以获得所述分类结果;其中,所述公式为:,其中/>表示将所述优化支气管扩张患者分类特征图投影为向量,/>为权重矩阵,/>表示偏置向量,表示归一化指数函数,/>表示所述分类结果。
值得一提的是,除了使用分类器对所述优化支气管扩张患者分类特征图进行特征分类之外,还可以使用回归模型。回归模型可以根据输入的分类特征图,直接输出一个连续的数值,表示支气管扩张的程度。
这种方法的优势在于可以提供更精细的程度预测结果,而不仅仅是离散的分类结果。回归模型可以输出一个连续的数值,例如预测支气管扩张的程度分数或指数,可以更好地捕捉患者的病情变化和严重程度。
实施回归模型的步骤如下:1、数据准备:将支气管扩张患者的优化分类特征图作为输入数据,同时准备对应的支气管扩张程度的标签数据,可以是连续的数值表示。2、模型选择和训练:选择适当的回归模型,如线性回归、决策树回归、支持向量回归等,并使用标签数据对模型进行训练和优化,以建立特征图和支气管扩张程度之间的关系。3、预测和评估:使用训练好的回归模型对新的支气管扩张患者的分类特征图进行预测,得到对应的支气管扩张程度预测结果。可以使用评估指标如均方误差(Mean Squared Error)或平均绝对误差(Mean Absolute Error)来评估模型的预测性能。
这种基于回归模型的实施方式可以提供更加连续和精细的支气管扩张程度预测结果,适用于需要更精确程度划分的情况。但需要注意的是,回归模型的输出结果需要进行适当的解释和转化,以便医生和患者能够理解和应用。
综上,根据本申请实施例的所述基于智能AI的慢性病患者管理系统被阐明,其将采集到的待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据作为输入数据,然后通过深度学习技术分别对这些输入数据进行特征提取和分析,并结合这些特征得到用于表示待检测支气管扩张患者为轻度扩张、中度扩张或者重度扩张的分类结果。也就是,通过深度学习技术综合分析这些输入数据,可以更全面地了解到支气管扩张患者的病情和病情发展趋势。这样,根据分类结果,能够更全面地判断出患者支气管扩张的程度,以实现更精准和个性化的诊疗服务。
如上所述,根据本申请实施例的基于智能AI的慢性病患者管理系统100可以实现在各种无线终端中,例如用于基于智能AI的慢性病患者管理的服务器等。在一个示例中,根据本申请实施例的基于智能AI的慢性病患者管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于智能AI的慢性病患者管理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于智能AI的慢性病患者管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于智能AI的慢性病患者管理系统100与该无线终端也可以是分立的设备,并且基于智能AI的慢性病患者管理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
示例性方法
图8图示了根据本申请实施例的基于智能AI的慢性病患者管理方法的流程图。如图8所示,根据本申请实施例的所述基于智能AI的慢性病患者管理方法,包括:S1,采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率;S2,分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图;S3,将所述CT扫描全局特征图以及所述临床症状-空气环境关联特征图进行融合以得到支气管扩张患者分类特征图;S4,对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;S5,基于所述优化支气管扩张患者分类特征图,以得到分类结果。
这里,本领域技术人员可以理解,上述基于智能AI的慢性病患者管理方法中的各个步骤的具体功能和操作已经在上面参考图1的基于智能AI的慢性病患者管理系统的描述中得到了详细介绍,并因此,将省略其重复描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等 )执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory )、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于智能AI的慢性病患者管理系统,其特征在于,包括:
支气管扩张患者数据采集模块,用于采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率;
支气管扩张患者特征提取模块,用于分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图;
支气管扩张患者特征融合模块,用于将所述CT扫描全局特征图以及所述临床症状-空气环境关联特征图进行融合以得到支气管扩张患者分类特征图;
支气管扩张患者特征优化模块,用于对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
支气管扩张患者分类结果生成模块,用于基于所述优化支气管扩张患者分类特征图,以得到分类结果;
其中,所述支气管扩张患者特征优化模块,用于:以如下公式对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
其中,所述公式为:
;
;
其中,表示所述支气管扩张患者分类特征图的/>位置的特征值,/>、/>和/>分别表示所述支气管扩张患者分类特征图的宽度、高度和通道数,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示以2为底的对数函数值,/>表示所述优化支气管扩张患者分类特征图的/>的特征值。
2.根据权利要求1所述的基于智能AI的慢性病患者管理系统,其特征在于,所述支气管扩张患者特征提取模块,包括:
CT扫描特征获取单元,用于对所述待检测支气管扩张患者的CT扫描图像进行卷积编码以得到所述CT扫描全局特征图;
临床症状特征获取单元,用于对所述待检测支气管扩张患者的临床症状数据进行卷积编码以得到临床症状特征向量;
生活空气环境特征获取单元,用于对所述待检测支气管扩张患者的生活空气环境数据进行卷积编码以得到生活空气环境特征向量;
关联特征获取单元,用于将所述临床症状特征向量和所述生活空气环境特征向量进行融合以得到所述临床症状-空气环境关联特征图。
3.根据权利要求2所述的基于智能AI的慢性病患者管理系统,其特征在于,所述CT扫描特征获取单元,包括:
CT扫描局部特征获取子单元,用于将所述待检测支气管扩张患者的CT扫描图像通过基于深浅特征融合模块的CT扫描特征提取器以得到CT扫描局部特征图;
CT扫描全局特征获取子单元,用于将所述CT扫描局部特征图通过基于非局部神经网络模型的CT扫描全局特征提取模块以得到CT扫描全局特征图。
4.根据权利要求3所述的基于智能AI的慢性病患者管理系统,其特征在于,所述临床症状特征获取单元,包括:
临床症状数据嵌入编码子单元,用于对所述待检测支气管扩张患者的临床症状数据进行词嵌入编码以得到一维临床症状向量;
临床症状特征提取子单元,用于将所述一维临床症状向量通过多尺度临床特征提取模块以得到所述临床症状特征向量。
5.根据权利要求4所述的基于智能AI的慢性病患者管理系统,其特征在于,所述生活空气环境特征获取单元,包括:
生活空气环境数据排列子单元,用于将所述待检测支气管扩张患者的生活空气环境数据排列为一维生活空气环境输入向量;
生活空气环境特征提取子单元,用于将所述一维生活空气环境输入向量通过基于第一卷积神经网络模型的环境特征提取模块以得到所述生活空气环境特征向量。
6.根据权利要求5所述的基于智能AI的慢性病患者管理系统,其特征在于,所述关联特征获取单元,包括:
特征相乘子单元,用于将所述临床症状特征向量以及所述生活空气环境特征向量的转置进行相乘,以得到临床症状-空气环境特征矩阵;
关联特征获取子单元,用于将所述临床症状-空气环境特征矩阵通过基于第二卷积神经网络模型的关联特征提取模块以得到所述临床症状-空气环境关联特征图。
7.根据权利要求6所述的基于智能AI的慢性病患者管理系统,其特征在于,所述支气管扩张患者特征融合模块,包括:
特征融合单元,用于将所述CT扫描全局特征图和所述临床症状-空气环境关联特征图进行特征融合以得到支气管扩张患者综合特征图;
综合特征获取单元,用于将所述支气管扩张患者综合特征图通过基于三维卷积神经网络模型的患者特征提取模块以得到支气管扩张患者分类特征图。
8.根据权利要求7所述的基于智能AI的慢性病患者管理系统,其特征在于,所述支气管扩张患者分类结果生成模块,用于:将所述优化支气管扩张患者分类特征图通过分类器以得到分类结果。
9.根据权利要求8所述的基于智能AI的慢性病患者管理系统,其特征在于,所述分类结果用于表示待检测支气管扩张患者为轻度扩张、中度扩张或者重度扩张。
10.一种基于智能AI的慢性病患者管理方法,其特征在于,包括:
采集待检测支气管扩张患者的CT扫描图像、待检测支气管扩张患者的临床症状数据以及待检测支气管扩张患者的生活空气环境数据,其中,所述临床症状数据包括支气管扩张患者的咳嗽、咳痰、气促、体温、呼吸频率以及心率;
分别对所述待检测支气管扩张患者的CT扫描图像、所述待检测支气管扩张患者的临床症状数据以及所述待检测支气管扩张患者的生活空气环境数据进行提取和分析以得到CT扫描全局特征图以及临床症状-空气环境关联特征图;
将所述CT扫描全局特征图以及所述临床症状-空气环境关联特征图进行融合以得到支气管扩张患者分类特征图;
对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
基于所述优化支气管扩张患者分类特征图,以得到分类结果;
其中,对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图,用于:以如下公式对所述支气管扩张患者分类特征图进行流形超凸兼容性衍生表示优化以得到优化支气管扩张患者分类特征图;
其中,所述公式为:
;
;
其中,表示所述支气管扩张患者分类特征图的/>位置的特征值,/>、/>和/>分别表示所述支气管扩张患者分类特征图的宽度、高度和通道数,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示1到/>的自然数集合,/>表示以2为底的对数函数值,/>表示所述优化支气管扩张患者分类特征图的/>的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146318.4A CN117690584B (zh) | 2024-02-02 | 2024-02-02 | 基于智能ai的慢性病患者管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146318.4A CN117690584B (zh) | 2024-02-02 | 2024-02-02 | 基于智能ai的慢性病患者管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117690584A CN117690584A (zh) | 2024-03-12 |
CN117690584B true CN117690584B (zh) | 2024-04-12 |
Family
ID=90139458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146318.4A Active CN117690584B (zh) | 2024-02-02 | 2024-02-02 | 基于智能ai的慢性病患者管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690584B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582511A (zh) * | 2022-05-07 | 2022-06-03 | 中国人民解放军总医院第八医学中心 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
KR20220137436A (ko) * | 2021-04-02 | 2022-10-12 | 강원대학교산학협력단 | 뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치 |
CN116612891A (zh) * | 2023-07-14 | 2023-08-18 | 营动智能技术(山东)有限公司 | 一种慢性病患者数据处理系统 |
-
2024
- 2024-02-02 CN CN202410146318.4A patent/CN117690584B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220137436A (ko) * | 2021-04-02 | 2022-10-12 | 강원대학교산학협력단 | 뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치 |
CN114582511A (zh) * | 2022-05-07 | 2022-06-03 | 中国人民解放军总医院第八医学中心 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
CN116612891A (zh) * | 2023-07-14 | 2023-08-18 | 营动智能技术(山东)有限公司 | 一种慢性病患者数据处理系统 |
Non-Patent Citations (2)
Title |
---|
支气管扩张症的分类诊断和外科治疗;冯华青;;海南医学;20060128(01);第1-2页 * |
肺移植受者的健康相关生活质量现状调查及其影响因素分析;吴婷;蔡英华;周海琴;朱雪芬;许正红;;实用器官移植电子杂志;20200520(03);第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117690584A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
EP3641635A1 (en) | Dynamic self-learning medical image method and system | |
CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
CN111430025B (zh) | 一种基于医疗影像数据扩增的疾病诊断模型训练方法 | |
CN111932540B (zh) | 一种针对新冠肺炎临床分型的ct影像对比特征学习方法 | |
CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN114582496A (zh) | 一种常见妇科疾病预测模型构建方法和预测系统 | |
CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
CN117690584B (zh) | 基于智能ai的慢性病患者管理系统及方法 | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
JP2024061599A (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 | |
CN115938593A (zh) | 病历信息的处理方法、装置、设备及计算机可读存储介质 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
Sideris et al. | A data-driven feature extraction framework for predicting the severity of condition of congestive heart failure patients | |
CN111599427B (zh) | 一种一元化诊断的推荐方法、装置、电子设备及存储介质 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、介质 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
CN118173270B (zh) | 患者术后感染风险评估系统及方法 | |
CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 |
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 |