CN118098482A - 基于5g技术的智慧医疗管理系统及方法 - Google Patents
基于5g技术的智慧医疗管理系统及方法 Download PDFInfo
- Publication number
- CN118098482A CN118098482A CN202410480706.6A CN202410480706A CN118098482A CN 118098482 A CN118098482 A CN 118098482A CN 202410480706 A CN202410480706 A CN 202410480706A CN 118098482 A CN118098482 A CN 118098482A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- training
- text
- medical record
- sign data
- 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.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000007726 management method Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims description 266
- 238000012360 testing method Methods 0.000 claims description 135
- 238000012549 training Methods 0.000 claims description 134
- 238000012512 characterization method Methods 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000010219 correlation analysis Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 20
- 238000007405 data analysis Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011282 treatment Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于5G技术的智慧医疗管理系统及方法,涉及智能管理领域,其通过采集患者对象的病历、体征数据和检验结果,并将采集的数据通过5G技术传输至后台服务器,以便于在后台服务器中引入数据处理和语义理解算法来进行所述患者对象的病历、体征数据和检验结果的语义联合分析,以此来生成诊断报告。这样,能够实现实时、远程的患者数据分析和协同工作,从而更好地辅助医生进行决策,以提高诊断效率。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种基于5G技术的智慧医疗管理系统及方法。
背景技术
医疗管理系统是为了提高医疗服务的效率和质量而设计的系统,它涵盖了患者数据的收集、存储、分析和处理等方面。然而。传统的医疗管理系统通常采用纸质或电子形式存储患者的病历、体征和检验结果等数据,并且,医生需要手动分析这些数据并做出诊断决策。这种方式存在着信息传递不及时、数据分析效率低下等问题。此外,由于患者数据的多样性、复杂性和高维度,传统的数据分析方法难以有效地提取患者数据的关键信息和特征,导致生成的诊断报告的质量和准确性不高。
因此,期望一种基于5G技术的智慧医疗管理系统及方法。
发明内容
为了解决上述技术问题,提出了本申请。
根据本申请的一个方面,提供了一种基于5G技术的智慧医疗管理系统,其包括:
患者数据采集模块,用于获取待分析患者对象的病历、体征数据和检验结果;
数据传输模块,用于将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器;
病历文本语义编码模块,用于在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;
检验文本语义编码模块,用于提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;
体征数据编码模块,用于对所述体征数据进行特征编码以得到体征数据编码特征向量;
患者对象多模态表征模块,用于使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;
诊断报告生成模块,用于基于所述患者对象多模态表征特征,生成诊断报告;
其中,所述患者对象多模态表征模块,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;
其中,所述融合公式为:
;
;
;
;
其中,表示所述病历文本语义理解特征向量,/>为所述病历文本语义理解特征向量的转换矩阵,/>表示所述检验结果文本语义理解特征向量,/>为所述检验结果文本语义理解特征向量的转换矩阵,/>表示所述体征数据编码特征向量,/>为所述体征数据编码特征向量的转换矩阵,/>、/>、/>分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,/>表示所述患者对象多模态表征特征向量。
在上述基于5G技术的智慧医疗管理系统中,所述病历文本语义编码模块,包括:
第一分词单元,用于对所述病历中的文本信息进行分词处理以将所述病历中的文本信息转化为由多个词组成的词序列;
第一词嵌入单元,用于使用包含嵌入层的病历文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
第一上下文编码单元,用于使用所述包含嵌入层的病历文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;
第一级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述病历文本语义理解特征向量。
在上述基于5G技术的智慧医疗管理系统中,所述检验文本语义编码模块,包括:
第二分词单元,用于对所述检验结果中的文本部分进行分词处理以将所述检验结果中的文本部分转化为由多个词组成的词序列;
第二词嵌入单元,用于使用包含嵌入层的检验结果文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
第二上下文编码单元,用于使用所述包含嵌入层的检验结果文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;
第二级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述检验结果文本语义理解特征向量。
在上述基于5G技术的智慧医疗管理系统中,所述体征数据编码模块,包括:使用基于全连接层的体征数据特征编码器对所述体征数据进行编码以得到所述体征数据编码特征向量。
在上述基于5G技术的智慧医疗管理系统中,所述诊断报告生成模块,用于:将所述患者对象多模态表征特征向量通过基于AIGC模型的诊断报告生成器以得到诊断报告。
在上述基于5G技术的智慧医疗管理系统中,还包括用于对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练的训练模块。
在上述基于5G技术的智慧医疗管理系统中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括待分析患者对象的训练病历、训练体征数据和训练检验结果;
训练数据传输单元,用于将所述待分析患者对象的训练病历、所述训练体征数据和所述训练检验结果通过5G通信网络传输至后台服务器;
训练病历文本语义编码单元,用于在所述后台服务器,提取所述训练病历中的文本信息,并对所述训练病历中的文本信息进行语义编码以得到训练病历文本语义理解特征向量;
训练检验文本语义编码单元,用于提取所述训练检验结果中的文本部分,并对所述训练检验结果中的文本部分进行语义编码以得到训练检验结果文本语义理解特征向量;
训练体征数据编码单元,用于使用基于全连接层的体征数据特征编码器对所述训练体征数据进行编码以得到训练体征数据编码特征向量;
训练多模态表征单元,用于使用稀疏联合相关分析模块来融合所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量以得到训练患者对象多模态表征特征向量;
优化单元,用于对所述训练患者对象多模态表征特征向量进行优化以得到优化训练患者对象多模态表征特征向量;
损失计算单元,用于将所述优化训练患者对象多模态表征特征向量通过基于AIGC模型的诊断报告生成器以得到均方误差值;
训练单元,用于基于所述均方误差值对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练。
在上述基于5G技术的智慧医疗管理系统中,所述优化单元,用于:以如下优化公式对所述训练患者对象多模态表征特征向量进行优化以得到所述优化训练患者对象多模态表征特征向量;其中,所述优化公式为:
;
;
其中,表示所述训练患者对象多模态表征特征向量,/>和/>分别是所述训练患者对象多模态表征特征向量的第/>和第/>位置的特征值,/>表示第一中间矩阵,表示第二中间矩阵,/>表示第一中间矩阵的/>位置的特征值,/>表示第二中间矩阵的/>位置的特征值,/>表示按位置相加,/>表示矩阵乘法,/>表示优化训练患者对象多模态表征特征向量。
根据本申请的另一个方面,提供了一种基于5G技术的智慧医疗管理方法,其包括:
获取待分析患者对象的病历、体征数据和检验结果;
将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器;
在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;
提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;
对所述体征数据进行特征编码以得到体征数据编码特征向量;
使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;
基于所述患者对象多模态表征特征,生成诊断报告;
其中,使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;
其中,所述融合公式为:
;
;
;
;
其中,表示所述病历文本语义理解特征向量,/>为所述病历文本语义理解特征向量的转换矩阵,/>表示所述检验结果文本语义理解特征向量,/>为所述检验结果文本语义理解特征向量的转换矩阵,/>表示所述体征数据编码特征向量,/>为所述体征数据编码特征向量的转换矩阵,/>、/>、/>分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,/>表示所述患者对象多模态表征特征向量。
与现有技术相比,本申请提供的一种基于5G技术的智慧医疗管理系统及方法,其通过采集患者对象的病历、体征数据和检验结果,并将采集的数据通过5G技术传输至后台服务器,以便于在后台服务器中引入数据处理和语义理解算法来进行所述患者对象的病历、体征数据和检验结果的语义联合分析,以此来生成诊断报告。这样,能够实现实时、远程的患者数据分析和协同工作,从而更好地辅助医生进行决策,以提高诊断效率。
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为根据本申请实施例的基于5G技术的智慧医疗管理系统的框图;
图2为根据本申请实施例的基于5G技术的智慧医疗管理系统的系统架构图;
图3为根据本申请实施例的基于5G技术的智慧医疗管理系统的训练模块的框图;
图4为根据本申请实施例的基于5G技术的智慧医疗管理方法的流程图。
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。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
智慧医疗管理系统是基于现代信息技术和通信技术的医疗管理系统,旨在提高医疗服务的效率和质量。5G技术作为第五代移动通信技术,具有高速、低延迟和大容量的特点,为智慧医疗管理系统提供了强大的支持。随着5G技术的发展和应用,智慧医疗管理系统成为了一种新的医疗服务模式,它能够利用5G技术的高速、低延迟、大容量等特点,实现对患者的远程监测、诊断和治疗。
在本申请的技术方案中,提出了一种基于5G技术的智慧医疗管理系统。图1为根据本申请实施例的基于5G技术的智慧医疗管理系统的框图。图2为根据本申请实施例的基于5G技术的智慧医疗管理系统的系统架构图。如图1和图2所示,根据本申请的实施例的基于5G技术的智慧医疗管理系统300,包括:患者数据采集模块310,用于获取待分析患者对象的病历、体征数据和检验结果;数据传输模块320,用于将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器;病历文本语义编码模块330,用于在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;检验文本语义编码模块340,用于提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;体征数据编码模块350,用于对所述体征数据进行特征编码以得到体征数据编码特征向量;患者对象多模态表征模块360,用于使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;诊断报告生成模块370,用于基于所述患者对象多模态表征特征,生成诊断报告。
特别地,所述患者数据采集模块310,用于获取待分析患者对象的病历、体征数据和检验结果。其中,所述患者的病历记录了患者的病史、症状、就诊经历、诊断和治疗过程等信息。病历提供了对患者疾病发展和治疗响应的详细描述。通过分析病历,医生可以了解患者的病情背景、病史和相关因素;所述检验结果通常包含了患者的实验室检验数据、影像学报告、病理学结果等重要信息,通过分析检验结果,医生可以了解患者的病情严重程度和指导治疗方案;所述体征数据包括患者的生理指标,如血压、心率、体温、呼吸频率等。通过监测和记录患者的体征数据,可以了解患者的生理状态和变化趋势。
特别地,所述数据传输模块320,用于将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器。应可以理解,将采集的数据通过5G技术传输至后台服务器,以便于在后台服务器中引入数据处理和语义理解算法来进行所述患者对象的病历、体征数据和检验结果的语义联合分析,以此来生成诊断报告。这样,能够实现实时、远程的患者数据分析和协同工作,从而更好地辅助医生进行决策,以提高诊断效率。
特别地,所述病历文本语义编码模块330,用于在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量。考虑到所述病历中通常包含了患者对象的病史、症状描述、诊断结果等重要语义信息。因此,需要在所述后台服务器,提取所述病历中的文本信息。然而,所述病历中的文本信息往往是非结构化的自然语言文本,其中包含大量的上下文信息和专业术语。基于此,在本申请的技术方案中,为了能够进一步对于所述患者对象的病历中的文本信息进行语义理解,需要进一步对所述病历中的文本信息进行语义编码,以提取出所述病历的文本信息中的语义理解特征信息,从而得到病历文本语义理解特征向量。通过语义编码,可以捕捉到所述病历的文本信息中的语义关系、主题信息和重要语义特征,如病情描述、病史、诊断结果等。这可以帮助系统理解和解释病历中的专业术语和上下文信息,提高对患者对象的病历文本语义理解的精准度,从而为智慧医疗管理系统的数据分析和处理提供基础,提高诊断报告的生成质量和准确性。具体地,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量,包括:对所述病历中的文本信息进行分词处理以将所述病历中的文本信息转化为由多个词组成的词序列;使用包含嵌入层的病历文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的病历文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述病历文本语义理解特征向量。更具体地,使用所述包含嵌入层的病历文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量,包括:将所述词嵌入向量的序列进行一维排列以得到全局特征向量;计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量;以及,将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
特别地,所述检验文本语义编码模块340,用于提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量。应可以理解,所述检验结果通常包含了患者的实验室检验数据、影像学报告、病理学结果等重要信息。这些结果往往以文本形式记录,其中包含了各种指标、数值和描述。因此,在本申请的技术方案中,进一步提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码,以提取出所述检验结果的文本语义理解特征信息,从而得到检验结果文本语义理解特征向量。通过对所述检验结果中的文本部分进行语义编码可以帮助系统自动识别和提取文本中的关键信息,如检验指标、异常数值、诊断结论等,从而提供更全面的患者表征和诊断支持。具体地,对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量 ,包括:对所述检验结果中的文本部分进行分词处理以将所述检验结果中的文本部分转化为由多个词组成的词序列;使用包含嵌入层的检验结果文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的检验结果文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述检验结果文本语义理解特征向量。
特别地,所述体征数据编码模块350,用于对所述体征数据进行特征编码以得到体征数据编码特征向量。考虑到所述体征数据包含了患者对象的生理参数,如血压、心率、体温等。这些数据通常以数字形式记录,并且所述体征数据中的各个参数之间具有着相互的关联关系。因此,为了能够捕捉到所述体征数据中的各个参数之间的关联特征,以更为充分和准确地理解患者对象的体征语义,从而提高诊断报告的质量和准确性,在本申请的技术方案中,进一步使用基于全连接层的体征数据特征编码器对所述体征数据进行编码以得到体征数据编码特征向量。通过使用所述基于全连接层的体征数据特征编码器对所述体征数据进行编码可以帮助系统自动提取体征数据中的各个参数之间的关联编码特征,为智慧医疗管理系统的数据分析和处理提供基础。
相应的,在一种可能的实现方式中,可通过以下步骤使用基于全连接层的体征数据特征编码器对所述体征数据进行编码以得到所述体征数据编码特征向量,例如:输入所述体征数据;构建一个基于全连接层的特征编码器模型。该模型由多个全连接层组成,每个全连接层包含一组可学习的权重参数;将多个全连接层按顺序堆叠在一起,形成一个深度的特征编码器模型。每个全连接层将输入特征映射到更高级的特征表示;在每个全连接层之后应用一个非线性激活函数,如ReLU,以引入非线性特征;在编码器的最后一层添加一个全连接层作为输出层,该层的输出大小决定了编码后的特征向量的维度;将体征数据输入特征编码器模型中,通过前向传播计算得到编码后的特征向量。特征编码器模型将逐层处理输入数据,每一层都会对输入进行线性变换和非线性激活操作,最终得到编码后的特征向量;输出所述体征数据编码特征向量。
特别地,所述患者对象多模态表征模块360,用于使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征。考虑到病历文本、检验结果文本和体征数据是来自关于患者对象的不同数据源的多模态数据,这些数据具有着不同的特征表示和信息内容。因此,为了能够综合利用患者对象的不同模态的数据语义特征来进行患者对象的诊断报告生成,从而提高诊断报告生成的质量和效率,需要融合所述病历文本的语义理解特征、所述检验结果文本的语义理解特征和所述体征数据的关联编码特征,以此来得到患者对象的多模态数据综合表征。具体地,在本申请的技术方案中,进一步使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量。通过使用所述稀疏联合相关分析模块进行处理,可以将患者对象的病历文本、检验结果文本和体征数据的语义特征进行联合分析,找到它们之间的相关性和重要特征。这样可以综合利用关于患者对象的不同模态的信息,提供更全面、准确的患者多模态数据语义表征。同时,所述稀疏联合相关分析模块还可以通过稀疏表示的方式减少特征维度,提高数据的效率和处理速度,以提供更全面、准确的患者信息支持。具体地,使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;其中,所述融合公式为:
;
;
;
;
其中,表示所述病历文本语义理解特征向量,/>为所述病历文本语义理解特征向量的转换矩阵,/>表示所述检验结果文本语义理解特征向量,/>为所述检验结果文本语义理解特征向量的转换矩阵,/>表示所述体征数据编码特征向量,/>为所述体征数据编码特征向量的转换矩阵,/>、/>、/>分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,/>表示所述患者对象多模态表征特征向量。
特别地,所述诊断报告生成模块370,用于基于所述患者对象多模态表征特征,生成诊断报告。在本申请的技术方案中,将所述患者对象多模态表征特征向量通过基于AIGC模型的诊断报告生成器以得到诊断报告。也就是说,利用患者对象的多模态数据综合表征特征来进行诊断报告的生成,特别地,通过应用所述基于AIGC模型的诊断报告生成器,智慧医疗管理系统可以自动化地生成诊断报告,减轻医生的工作负担,并提供标准化、一致性的报告结果。同时,AIGC模型还可以通过学习大量的医学文本数据,提高报告的质量和准确性,使其更符合临床实践和专业标准。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练。也就是说,根据本申请的基于5G技术的智慧医疗管理系统300,还包括训练模块400,用于对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练。
图3为根据本申请实施例的基于5G技术的智慧医疗管理系统的训练模块的框图。如图3所示,根据本申请实施例的基于5G技术的智慧医疗管理系统300,包括:训练模块400,包括:训练数据获取单元410,用于获取训练数据,所述训练数据包括待分析患者对象的训练病历、训练体征数据和训练检验结果;训练数据传输单元420,用于将所述待分析患者对象的训练病历、所述训练体征数据和所述训练检验结果通过5G通信网络传输至后台服务器;训练病历文本语义编码单元430,用于在所述后台服务器,提取所述训练病历中的文本信息,并对所述训练病历中的文本信息进行语义编码以得到训练病历文本语义理解特征向量;训练检验文本语义编码单元440,用于提取所述训练检验结果中的文本部分,并对所述训练检验结果中的文本部分进行语义编码以得到训练检验结果文本语义理解特征向量;训练体征数据编码单元450,用于使用基于全连接层的体征数据特征编码器对所述训练体征数据进行编码以得到训练体征数据编码特征向量;训练多模态表征单元460,用于使用稀疏联合相关分析模块来融合所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量以得到训练患者对象多模态表征特征向量;优化单元470,用于对所述训练患者对象多模态表征特征向量进行优化以得到优化训练患者对象多模态表征特征向量;损失计算单元480,用于将所述优化训练患者对象多模态表征特征向量通过基于AIGC模型的诊断报告生成器以得到均方误差值;训练单元490,用于基于所述均方误差值对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练。
在本申请的技术方案中,所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量分别表达所述训练病历中的文本信息、所述训练检验结果中的文本部分的文本语义特征和所述训练体征数据的全关联编码特征,因此,考虑到所述训练病历中的文本信息、所述训练检验结果中的文本部分的文本语义差异及其与所述训练体征数据的数据模态差异,在使用稀疏联合相关分析模块来融合所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量时,所述训练患者对象多模态表征特征向量也会具有与所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量对应的局部特征分布非均一化,从而影响所述训练患者对象多模态表征特征向量通过AIGC模型的诊断报告生成器时到生成文本语义概率空间的收敛效果,从而影响诊断报告的生成速度和生成质量。因此,本申请在每次模型迭代时,对所述训练患者对象多模态表征特征向量进行优化。具体地,所述优化单元470,用于:以如下优化公式对所述训练患者对象多模态表征特征向量进行优化以得到所述优化训练患者对象多模态表征特征向量;其中,所述优化公式为:
;
;
其中,表示所述训练患者对象多模态表征特征向量,/>和/>分别是所述训练患者对象多模态表征特征向量的第/>和第/>位置的特征值,/>表示第一中间矩阵,表示第二中间矩阵,/>表示第一中间矩阵的/>位置的特征值,/>表示第二中间矩阵的/>位置的特征值,/>表示按位置相加,/>表示矩阵乘法,/>表示优化训练患者对象多模态表征特征向量。
也就是,通过引入所述训练患者对象多模态表征特征向量的局部统计信息分布作为外部信息源来进行特征向量的检索增强,以基于局部统计密集信息结构化来避免局部溢出信息分布导致所述训练患者对象多模态表征特征向量/>的分布非均一化幻觉,从而获得所述训练患者对象多模态表征特征向量/>以局部分布组维度保留为基础的信息可信响应推理,也就是,获得所述训练患者对象多模态表征特征向量/>基于非均一化局部特征分布的在生成文本语义概率空间内的可信分布响应,从而提升概率空间收敛效果,以提升诊断报告的生成速度和生成质量。这样,能够根据患者的病历、体征和检验结果来自动生成诊断报告,从而实现实时、远程的患者数据分析和协同工作,以便于更好地辅助医生进行决策,提高智慧医疗管理效率。
如上所述,根据本申请实施例的基于5G技术的智慧医疗管理系统300可以实现在各种无线终端中,例如具有基于5G技术的智慧医疗管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于5G技术的智慧医疗管理系统300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5G技术的智慧医疗管理系统300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5G技术的智慧医疗管理系统300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5G技术的智慧医疗管理系统300与该无线终端也可以是分立的设备,并且该基于5G技术的智慧医疗管理系统300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。
进一步地,还提供一种基于5G技术的智慧医疗管理方法。
图4为根据本申请实施例的基于5G技术的智慧医疗管理方法的流程图。如图4所示,根据本申请实施例的基于5G技术的智慧医疗管理方法,包括步骤:S1,获取待分析患者对象的病历、体征数据和检验结果;S2,将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器;S3,在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;S4,提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;S5,对所述体征数据进行特征编码以得到体征数据编码特征向量;S6,使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;S7,基于所述患者对象多模态表征特征,生成诊断报告。
综上,根据本申请实施例的基于5G技术的智慧医疗管理方法被阐明,其通过采集患者对象的病历、体征数据和检验结果,并将采集的数据通过5G技术传输至后台服务器,以便于在后台服务器中引入数据处理和语义理解算法来进行所述患者对象的病历、体征数据和检验结果的语义联合分析,以此来生成诊断报告。这样,能够实现实时、远程的患者数据分析和协同工作,从而更好地辅助医生进行决策,以提高诊断效率。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种基于5G技术的智慧医疗管理系统,其特征在于,包括:
患者数据采集模块,用于获取待分析患者对象的病历、体征数据和检验结果;
数据传输模块,用于将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器;
病历文本语义编码模块,用于在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;
检验文本语义编码模块,用于提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;
体征数据编码模块,用于对所述体征数据进行特征编码以得到体征数据编码特征向量;
患者对象多模态表征模块,用于使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;
诊断报告生成模块,用于基于所述患者对象多模态表征特征,生成诊断报告;
其中,所述患者对象多模态表征模块,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;
其中,所述融合公式为:
;
;
;
;
其中,表示所述病历文本语义理解特征向量,/>为所述病历文本语义理解特征向量的转换矩阵,/>表示所述检验结果文本语义理解特征向量,/>为所述检验结果文本语义理解特征向量的转换矩阵,/>表示所述体征数据编码特征向量,/>为所述体征数据编码特征向量的转换矩阵,/>、/>、/>分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,/>表示所述患者对象多模态表征特征向量。
2.根据权利要求1所述的基于5G技术的智慧医疗管理系统,其特征在于,所述病历文本语义编码模块,包括:
第一分词单元,用于对所述病历中的文本信息进行分词处理以将所述病历中的文本信息转化为由多个词组成的词序列;
第一词嵌入单元,用于使用包含嵌入层的病历文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
第一上下文编码单元,用于使用所述包含嵌入层的病历文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;
第一级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述病历文本语义理解特征向量。
3.根据权利要求2所述的基于5G技术的智慧医疗管理系统,其特征在于,所述检验文本语义编码模块,包括:
第二分词单元,用于对所述检验结果中的文本部分进行分词处理以将所述检验结果中的文本部分转化为由多个词组成的词序列;
第二词嵌入单元,用于使用包含嵌入层的检验结果文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
第二上下文编码单元,用于使用所述包含嵌入层的检验结果文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;
第二级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述检验结果文本语义理解特征向量。
4.根据权利要求3所述的基于5G技术的智慧医疗管理系统,其特征在于,所述体征数据编码模块,包括:使用基于全连接层的体征数据特征编码器对所述体征数据进行编码以得到所述体征数据编码特征向量。
5.根据权利要求4所述的基于5G技术的智慧医疗管理系统,其特征在于,所述诊断报告生成模块,用于:将所述患者对象多模态表征特征向量通过基于AIGC模型的诊断报告生成器以得到诊断报告。
6.根据权利要求5所述的基于5G技术的智慧医疗管理系统,其特征在于,还包括用于对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练的训练模块。
7.根据权利要求6所述的基于5G技术的智慧医疗管理系统,其特征在于,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括待分析患者对象的训练病历、训练体征数据和训练检验结果;
训练数据传输单元,用于将所述待分析患者对象的训练病历、所述训练体征数据和所述训练检验结果通过5G通信网络传输至后台服务器;
训练病历文本语义编码单元,用于在所述后台服务器,提取所述训练病历中的文本信息,并对所述训练病历中的文本信息进行语义编码以得到训练病历文本语义理解特征向量;
训练检验文本语义编码单元,用于提取所述训练检验结果中的文本部分,并对所述训练检验结果中的文本部分进行语义编码以得到训练检验结果文本语义理解特征向量;
训练体征数据编码单元,用于使用基于全连接层的体征数据特征编码器对所述训练体征数据进行编码以得到训练体征数据编码特征向量;
训练多模态表征单元,用于使用稀疏联合相关分析模块来融合所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量以得到训练患者对象多模态表征特征向量;
优化单元,用于对所述训练患者对象多模态表征特征向量进行优化以得到优化训练患者对象多模态表征特征向量;
损失计算单元,用于将所述优化训练患者对象多模态表征特征向量通过基于AIGC模型的诊断报告生成器以得到均方误差值;
训练单元,用于基于所述均方误差值对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于AIGC模型的诊断报告生成器进行训练。
8.根据权利要求7所述的基于5G技术的智慧医疗管理系统,其特征在于,所述优化单元,用于:以如下优化公式对所述训练患者对象多模态表征特征向量进行优化以得到所述优化训练患者对象多模态表征特征向量;其中,所述优化公式为:
;
;
其中,表示所述训练患者对象多模态表征特征向量,/>和/>分别是所述训练患者对象多模态表征特征向量的第/>和第/>位置的特征值,/>表示第一中间矩阵,/>表示第二中间矩阵,/>表示第一中间矩阵的/>位置的特征值,/>表示第二中间矩阵的/>位置的特征值,/>表示按位置相加,/>表示矩阵乘法,/>表示优化训练患者对象多模态表征特征向量。
9.一种基于5G技术的智慧医疗管理方法,其特征在于,包括:
获取待分析患者对象的病历、体征数据和检验结果;
将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5G通信网络传输至后台服务器;
在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;
提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;
对所述体征数据进行特征编码以得到体征数据编码特征向量;
使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;
基于所述患者对象多模态表征特征,生成诊断报告;
其中,使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;
其中,所述融合公式为:
;
;
;
;
其中,表示所述病历文本语义理解特征向量,/>为所述病历文本语义理解特征向量的转换矩阵,/>表示所述检验结果文本语义理解特征向量,/>为所述检验结果文本语义理解特征向量的转换矩阵,/>表示所述体征数据编码特征向量,/>为所述体征数据编码特征向量的转换矩阵,/>、/>、/>分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,/>表示所述患者对象多模态表征特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410480706.6A CN118098482B (zh) | 2024-04-22 | 2024-04-22 | 基于5g技术的智慧医疗管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410480706.6A CN118098482B (zh) | 2024-04-22 | 2024-04-22 | 基于5g技术的智慧医疗管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118098482A true CN118098482A (zh) | 2024-05-28 |
CN118098482B CN118098482B (zh) | 2024-06-28 |
Family
ID=91160038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410480706.6A Active CN118098482B (zh) | 2024-04-22 | 2024-04-22 | 基于5g技术的智慧医疗管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118098482B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118299075A (zh) * | 2024-05-31 | 2024-07-05 | 吉林大学 | 昏迷患者的实时体征监测系统及其方法 |
CN118486468A (zh) * | 2024-07-10 | 2024-08-13 | 吉林大学 | 基于5g物联网技术的患者护理智能预警系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272029A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 井控稀疏表征大规模谱聚类地震相划分方法 |
CN114708976A (zh) * | 2022-03-11 | 2022-07-05 | 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) | 辅助诊断技术的方法、装置、设备及存储介质 |
CN115879777A (zh) * | 2023-03-03 | 2023-03-31 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
CN116130721A (zh) * | 2023-04-11 | 2023-05-16 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池的状态诊断系统及方法 |
CN116230154A (zh) * | 2023-03-03 | 2023-06-06 | 华东师范大学 | 基于记忆强化Transformer的胸腔X光诊断报告生成方法 |
CN116580849A (zh) * | 2023-05-30 | 2023-08-11 | 杭州医初科技有限公司 | 医疗数据的采集分析系统及其方法 |
CN117251699A (zh) * | 2023-11-17 | 2023-12-19 | 北京无极慧通科技有限公司 | 基于人工智能的医疗大数据分析方法及系统 |
CN117457134A (zh) * | 2023-11-06 | 2024-01-26 | 广东信拓人工智能研究院有限公司 | 基于智能ai的医疗数据管理方法及其系统 |
CN117598674A (zh) * | 2024-01-24 | 2024-02-27 | 吉林大学 | 多参数心脏功能监测系统及方法 |
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
-
2024
- 2024-04-22 CN CN202410480706.6A patent/CN118098482B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272029A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 井控稀疏表征大规模谱聚类地震相划分方法 |
CN114708976A (zh) * | 2022-03-11 | 2022-07-05 | 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) | 辅助诊断技术的方法、装置、设备及存储介质 |
CN115879777A (zh) * | 2023-03-03 | 2023-03-31 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
CN116230154A (zh) * | 2023-03-03 | 2023-06-06 | 华东师范大学 | 基于记忆强化Transformer的胸腔X光诊断报告生成方法 |
CN116130721A (zh) * | 2023-04-11 | 2023-05-16 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池的状态诊断系统及方法 |
CN116580849A (zh) * | 2023-05-30 | 2023-08-11 | 杭州医初科技有限公司 | 医疗数据的采集分析系统及其方法 |
CN117457134A (zh) * | 2023-11-06 | 2024-01-26 | 广东信拓人工智能研究院有限公司 | 基于智能ai的医疗数据管理方法及其系统 |
CN117251699A (zh) * | 2023-11-17 | 2023-12-19 | 北京无极慧通科技有限公司 | 基于人工智能的医疗大数据分析方法及系统 |
CN117598674A (zh) * | 2024-01-24 | 2024-02-27 | 吉林大学 | 多参数心脏功能监测系统及方法 |
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118299075A (zh) * | 2024-05-31 | 2024-07-05 | 吉林大学 | 昏迷患者的实时体征监测系统及其方法 |
CN118486468A (zh) * | 2024-07-10 | 2024-08-13 | 吉林大学 | 基于5g物联网技术的患者护理智能预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118098482B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
CN113314205B (zh) | 一种高效的医学影像标注与学习系统 | |
CN113241135A (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN111738302B (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 | |
CN111008957A (zh) | 医疗信息处理方法和装置 | |
CN115293128A (zh) | 基于多模态对比学习放射学报告生成模型训练方法及系统 | |
CN117253611B (zh) | 基于多模态知识蒸馏的癌症智能早期筛查方法及系统 | |
CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及系统 | |
WO2023110477A1 (en) | A computer implemented method and a system | |
CN117558397B (zh) | 用于肾病患者恶化情况分析的报告生成系统 | |
CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
CN116844687A (zh) | 一种基于舌像和知识图谱的处方推荐方法及系统 | |
CN117391092B (zh) | 一种基于对比学习的电子病历多模态医疗语义对齐方法 | |
CN118230038A (zh) | 基于影像分析的眼眶淋巴增生病分类鉴别方法及系统 | |
CN117727467A (zh) | 基于大数据的护理临床决策支持系统及方法 | |
CN112990270B (zh) | 一种传统特征与深度特征的自动融合方法 | |
CN112802598A (zh) | 基于语音诊疗数据的实时辅助诊疗方法及系统 | |
CN112749277A (zh) | 医学数据的处理方法、装置及存储介质 | |
CN116631626A (zh) | 一种患者临床风险评估方法、装置、设备及介质 | |
CN115547502A (zh) | 基于时序数据的血透病人风险预测装置 | |
CN114974554A (zh) | 融合图谱知识强化病历特征的方法、装置及存储介质 | |
CN110289065A (zh) | 一种辅助生成医学电子报告的控制方法以及装置 |
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 |