JP7843414B2 - 出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステム - Google Patents
出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステムInfo
- Publication number
- JP7843414B2 JP7843414B2 JP2025503466A JP2025503466A JP7843414B2 JP 7843414 B2 JP7843414 B2 JP 7843414B2 JP 2025503466 A JP2025503466 A JP 2025503466A JP 2025503466 A JP2025503466 A JP 2025503466A JP 7843414 B2 JP7843414 B2 JP 7843414B2
- Authority
- JP
- Japan
- Prior art keywords
- edema
- patient
- data
- treatment
- curve
- 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
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
各患者の異なる時点での浮腫量データを収集し、前処理を行うことと、
ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算することと、
深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することと、
浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別することとを含む。
前処理された浮腫量データを患者及び時点に基づきソートし、構造化されたデータセットを形成し、各行が患者ごとの特定の時点での浮腫体積を表すことと、
ガウス関数を選択する式が、以下の通りであり、
(1)
ただし、vが発症から検査までの時点を表し、a、b及びcがフィッティング後の、患者の浮腫の時間に対するガウス関数曲線のパラメータであり、aが曲線のピーク値を表し、bが曲線の平均値を表し、cが曲線の幅を表することと、
各患者のデータについて、最小二乗法を用いてガウスモデルのパラメータa、b及びcを推定し、且つ、勾配降下法により反復パラメータ最適化を行うことと、
各患者の時系列データにガウス関数を適用して、浮腫体積の経時的変化のフィッティング曲線を生成することとを含む。
残差をガウスフィッティング曲線の予測値と実際の観測値との間の差として定義し、計算式が以下の通りであり、
(2)
ただし、Riが時点iでのフィッティング残差を表し、Yiが時点iでの浮腫体積の実際値を表し、
がガウスフィッティング曲線の同じ時点での予測値を表すことと、
各患者の各時点での浮腫体積データについて、ガウスフィッティング曲線の対応する点との残差を計算することとを含む。
異なる患者の個人情報特徴に対して、自己符号化器を用いて患者データに対して特徴抽出を行い、符号化の過程において、元の各種の特徴データxを符号化器によって低次元潜在変数hに変換し、計算式が以下の通りであり、
(3)
ただし、W1及びb1が、それぞれ符号化器の重み及びバイアスであり、σが活性化関数であり、mが特徴符号化器での特徴値であることと、
復号化の過程において、符号化の過程を経た後の潜在変数hが元のデータ次元に復号化され、再構成データ
を得、計算式が以下の通りであり、
(4)
ただし、W2が特徴復号化器の重みを表し、b2が特徴復号化器のバイアスを表すことと、
自己符号化器のパラメータが損失関数によって反復的に最適化され、損失関数が、元のデータxと再構成データ
との間の差を最小化するように定義され、その式が以下の通りであり、
(5)
ただし、Gが元の各患者の特徴情報データセットを表し、GRが符号化器によって再構成された元の各患者の特徴情報データセットを表すことと、
自己符号化器のトレーニングにより得られた低次元表現hをK-Meansクラスタリングに用い、予め設定されたクラスタの数kに基づき、アルゴリズムが患者をk個のクラスタに分け、各クラスタが、類似する特徴を有する患者で構成され、(C1,C2…Ck)に表され、最小化二乗誤差Eが、以下のように表され、
(6)
ただし、
がベクトルのノルムを表し、lが患者情報の低次元表現を表し、μiがクラスタCiの平均値ベクトルを表すこととを含む。
深層学習クラスタリングアルゴリズムによって分けられたそれぞれのサブグループ内の患者データに対してガウスフィッティングを行い、各サブグループのガウスフィッティング曲線に対して、サブグループ内の各患者の実際の浮腫量データとの残差をそれぞれ計算することを含む。
前処理されたデータセットから浮腫体積の変化量及び対応する治療計画情報を抽出することと、
項目セットX及びYを定義し、Xが特定の治療計画を表し、Yが特定の浮腫体積の変化傾向を表すことと、
支持度計算を行い、データの項目セットXの支持度Support(X)がDにおけるXを含むトランザクション数とDの総トランザクション数との比であり、式が以下のように示され、
(7)
ただし、Dが浮腫の進展状況を表し、xが選択された特定の治療計画を表し、count(x)が選択された特定の治療計画の数を表し、count(D)が、浮腫の進展傾向が抑制された数を表すことと、
相関ルールX=>Yの支持度が、項目セット
の支持度に等しく、式が以下のように示され、
(8)
ただし、Xが選択された特定の治療計画を表し、Yが別の選択された特定の治療計画を表し、
が選択された2つの治療計画の数を表すことと、
X=>Yの信頼度を計算し、以下の式を用い、
(9)
特定の治療計画を含む場合、別の治療計画が現れる可能性のルールを評価し、ただし、
が2つの治療方式がいずれも存在する支持度を表し、Support(x)が前者の治療方式がいずれも存在する支持度を表すことと、
Aprioriアルゴリズムを用いて頻出項目セット及び対応する相関ルールを反復的に生成し、生成された相関ルールから、最も高い支持度及び信頼度のルールを識別することとを含む。
データ前処理モジュールと、ガウスフィッティングモジュールと、患者サブグループ分類モジュールと、治療計画関連分析モジュールとを備え、
前記データ前処理モジュールは、各患者の異なる時点での浮腫量データに対して、前処理を行い、
前記ガウスフィッティングモジュールは、ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算し、
前記患者サブグループ分類モジュールは、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算し、
前記治療計画関連分析モジュールは、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する。
前記コンピュータプログラムがプロセッサによって実行させると、上記方法のステップが実現される。
図1、2を参照し、それらは、本発明の一実施例であり、出血性脳卒中後の浮腫分析及び治療計画の分析方法が提供され、当該方法は、
S1において、各患者の異なる時点での浮腫量データに対して、前処理を行う。
ガウス関数を選択する式は、以下の通りであり、
(1)
ただし、xは、発症から検査までの時点を表し、a、b及びcは、ガウス関数のパラメータであり、それぞれ曲線のピーク値、平均値及び記述曲線の幅を表す。
各患者の時系列データにガウス関数を適用して、浮腫体積の経時的変化のフィッティング曲線を生成する。
(2)
ただし、Riは、i個目のデータ点の残差を表し、Yiは、実際の観測値を表し、
は、ガウスフィッティング曲線の同じ時点での予測値を表す。
各患者の各時点での浮腫体積データについて、ガウスフィッティング曲線の対応する点との残差を計算する。
(3)
ただし、W1及びb1は、それぞれ符号化器の重み及びバイアスであり、σは、活性化関数であり、
復号化の過程において、潜在変数hは、元のデータ次元に復号化され、再構成データ
を得、計算式は、以下の通りであり、
(4)
ただし、W2及びb2は、復号化器の重み及びバイアスであり、自己符号化器のパラメータを最適化して元のデータxと再構成データ
との間の差を最小化し、式は、以下の通りであり、
(5)
自己符号化器のトレーニングにより得られた低次元表現hをK-Meansクラスタリングに用い、予め設定されたクラスタの数kに基づき、アルゴリズムが患者をk個のクラスタに分け、各クラスタが類似する特徴を有する患者で構成され、(C1,C2…Ck)に表され、最小化二乗誤差Eは、以下のように表され、
(6)
ただし、μiは、クラスタciの平均値ベクトルであり、以下の式で表され、
(10)
深層学習クラスタリングアルゴリズムによって分けられたそれぞれのサブグループ内の患者データに対して、ガウスフィッティングを行い、各サブグループのガウスフィッティング曲線に対して、サブグループ内の各患者の実際の浮腫量データとの残差を計算する。
支持度計算を行い、データ項目セットXの支持度Support(X)は、DにおけるXを含むトランザクション数とDの総トランザクション数との比であり、式は、以下のように示され、
(7)
ただし、Dは、浮腫の進展状況を表し、xは、選択された特定の治療計画を表し、count(x)は、選択された特定の治療計画の数を表し、count(D)は、浮腫の進展傾向が抑制された数であり、相関ルールX=>Yの支持度は、項目セット
の支持度に等しく、以下の式に示される通りであり、
(8)
ただし、Xは、選択された特定の治療計画を表し、Yは、別の選択された特定の治療計画を表し、
は、選択された2種の治療計画の数を表し、X=>Yの信頼度を計算し、以下の式を用い、
(9)
特定の治療計画を含む場合、別の治療計画が現れる可能性のルールを評価し、ただし、
は、2種の治療方式がいずれも存在する支持度を表し、Support(X)は、全社の治療方式がいずれも存在する支持度を表す。
データ前処理モジュールは、各患者の異なる時点での浮腫量データに対して、前処理を行う。
ガウスフィッティングモジュールは、ガウスフィッティングアルゴリズムを用いて上記前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算する。
患者サブグループ分類モジュールは、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算する。
治療計画関連分析モジュールは、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する。
図3~図7は、本発明の一実施例であり、出血性脳卒中後の浮腫分析及び治療計画の分析方法が提供され、本発明の有益な効果を検証するために、経済効果の計算及びシミュレーション/比較実験によって科学的な論証を行う。
Claims (10)
- コンピュータによって実行される、出血性脳卒中後の浮腫分析及び治療計画の分析方法であって、
各患者の異なる時点での浮腫量データを収集し、前処理を行うことと、
ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算することと、
深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することと、
浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別することとを含む、ことを特徴とする出血性脳卒中後の浮腫分析及び治療計画の分析方法。 - 前記前処理は、各患者の異なる時点での浮腫量データをクレンジングし、エラー及び異常値を修正し、欠落した浮腫量データに対して、平均値充填及び線形補間を行い、患者の検査時間及び発症時間に基づき、浮腫量データに対して時間合わせを行い、そして、浮腫量データに対して標準化処理を行うことを含む、ことを特徴とする請求項1に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
- 前記ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングすることは、
前処理された浮腫量データを患者及び時点に基づきソートし、構造化されたデータセットを形成し、各行が患者ごとの特定の時点での浮腫体積を表すことと、
ガウス関数を選択する式が、以下の通りであり、
ただし、vが発症から検査までの時点を表し、a、b及びcがフィッティング後の、患者の浮腫の時間に対するガウス関数曲線のパラメータであり、aが曲線のピーク値を表し、bが曲線の平均値を表し、cが曲線の幅を表することと、
各患者のデータについて、最小二乗法を用いてガウスモデルのパラメータa、b及びcを推定し、且つ、勾配降下法により反復パラメータ最適化を行うことと、
各患者の時系列データにガウス関数を適用して、浮腫体積の経時的変化のフィッティング曲線を生成することとを含む、ことを特徴とする請求項2に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。 - 前記曲線と実際値との間の残差を計算することは、
残差をガウスフィッティング曲線の予測値と実際の観測値との間の差として定義し、計算式が以下の通りであり、
ただし、Riが時点iでのフィッティング残差を表し、Yiが時点iでの浮腫体積の実際値を表し、
がガウスフィッティング曲線の同じ時点での予測値を表すことと、
各患者の各時点での浮腫体積データについて、ガウスフィッティング曲線の対応する点との残差を計算することとを含む、ことを特徴とする請求項3に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。 - 前記深層学習クラスタリングアルゴリズムにより患者を複数のサブグループに分けることは、
異なる患者の個人情報特徴に対して、自己符号化器を用いて患者データに対して特徴抽出を行い、符号化の過程において、元の各種の特徴データxを符号化器によって低次元潜在変数hに変換し、計算式が以下の通りであり、
ただし、W1及びb1が、それぞれ符号化器の重み及びバイアスであり、σが活性化関数であり、mが特徴符号化器での特徴値であることと、
復号化の過程において、符号化の過程を経た後の潜在変数hが元のデータ次元に復号化され、再構成データ
を得、計算式が以下の通りであり、
ただし、W2が特徴復号化器の重みを表し、b2が特徴復号化器のバイアスを表すことと、
自己符号化器のパラメータが損失関数によって反復的に最適化され、損失関数が、元のデータxと再構成データ
との間の差を最小化するように定義され、その式が以下の通りであり、
ただし、Gが元の各患者の特徴情報データセットを表し、GRが符号化器によって再構成された元の各患者の特徴情報データセットを表すことと、
自己符号化器のトレーニングにより得られた低次元表現hをK-Meansクラスタリングに用い、予め設定されたクラスタの数kに基づき、アルゴリズムが患者をk個のクラスタに分け、各クラスタが、類似する特徴を有する患者で構成され、(C1,C2…Ck)に表され、最小化二乗誤差Eが、以下のように表され、
ただし、
がベクトルのノルムを表し、lが患者情報の低次元表現を表し、μiがクラスタCiの平均値ベクトルを表すこととを含む、ことを特徴とする請求項4に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。 - フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することは、
深層学習クラスタリングアルゴリズムによって分けられたそれぞれのサブグループ内の患者データに対してガウスフィッティングを行い、各サブグループのガウスフィッティング曲線に対して、サブグループ内の各患者の実際の浮腫量データとの残差をそれぞれ計算することを含む、ことを特徴とする請求項5に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。 - 前記相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析することは、
前処理されたデータセットから浮腫体積の変化量及び対応する治療計画情報を抽出することと、
項目セットX及びYを定義し、Xが特定の治療計画を表し、Yが特定の浮腫体積の変化傾向を表すことと、
支持度計算を行い、データの項目セットXの支持度Support(X)がDにおけるXを含むトランザクション数とDの総トランザクション数との比であり、式が以下のように示され、
ただし、Dが浮腫の進展状況を表し、xが選択された特定の治療計画を表し、count(x)が選択された特定の治療計画の数を表し、count(D)が、浮腫の進展傾向が抑制された数を表すことと、
相関ルールX=>Yの支持度が、項目セット
の支持度に等しく、式が以下のように示され、
ただし、Xが選択された特定の治療計画を表し、Yが別の選択された特定の治療計画を表し、
が選択された2種の治療計画の数を表すことと、
X=>Yの信頼度を計算し、以下の式を用い、
特定の治療計画を含む場合、別の治療計画が現れる可能性のルールを評価し、ただし、
が2種の治療方式がいずれも存在する支持度を表し、Support(x)が前者の治療方式がいずれも存在する支持度を表すことと、
Aprioriアルゴリズムを用いて頻出項目セット及び対応する相関ルールを反復的に生成し、生成された相関ルールから、最も高い支持度及び信頼度のルールを識別することとを含む、ことを特徴とする請求項6に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。 - 請求項1に記載の方法を用いる出血性脳卒中後の浮腫分析及び治療計画の分析システムであって、
データ前処理モジュールと、ガウスフィッティングモジュールと、患者サブグループ分類モジュールと、治療計画関連分析モジュールとを備え、
前記データ前処理モジュールは、各患者の異なる時点での浮腫量データに対して、前処理を行い、
前記ガウスフィッティングモジュールは、ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算し、
前記患者サブグループ分類モジュールは、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算し、
前記治療計画関連分析モジュールは、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する、ことを特徴とする出血性脳卒中後の浮腫分析及び治療計画の分析システム。 - コンピュータ装置であって、
メモリ及びプロセッサを含み、
前記メモリにコンピュータプログラムが記憶され、
前記プロセッサが前記コンピュータプログラムを実行すると、請求項1に記載の方法のステップが実現される、ことを特徴とするコンピュータ装置。 - コンピュータ可読記憶媒体であって、
前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶され、
前記コンピュータプログラムがプロセッサによって実行させると、請求項1に記載の方法のステップが実現される、ことを特徴とするコンピュータ可読記憶媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311652126 | 2023-12-05 | ||
| CN202311652126.2 | 2023-12-05 | ||
| PCT/CN2024/105483 WO2025118607A1 (zh) | 2023-12-05 | 2024-07-15 | 一种出血性脑卒中后水肿分析与治疗方案分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2026502318A JP2026502318A (ja) | 2026-01-22 |
| JP7843414B2 true JP7843414B2 (ja) | 2026-04-09 |
Family
ID=95981184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2025503466A Active JP7843414B2 (ja) | 2023-12-05 | 2024-07-15 | 出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7843414B2 (ja) |
| WO (1) | WO2025118607A1 (ja) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210127529A (ko) | 2020-04-14 | 2021-10-22 | 충북대학교 산학협력단 | 당뇨성황반부종 등급 분류 방법 및 이를 이용한 장치 |
| JP2021532936A (ja) | 2018-08-08 | 2021-12-02 | ミネトロニクス ニューロ インコーポレイテッドMinnetronix Neuro, Inc. | 中枢神経系に沿って治療するためのシステム、カテーテル、および方法 |
| CN114520055A (zh) | 2022-02-15 | 2022-05-20 | 苏州大学附属第一医院 | 一种患者脑出血预后的预测方法、装置、设备及产品 |
| CN115578347A (zh) | 2022-10-12 | 2023-01-06 | 河北医科大学第二医院 | 基于深度学习对lhi脑水肿的定量分析方法、系统及设备 |
| US20230134886A1 (en) | 2019-10-10 | 2023-05-04 | University Of Kentucky Research Foundation | A machine learning algorithm for predicting clinical outcomes and identifying drug targets in ischemic stroke |
| KR20230112355A (ko) | 2022-01-20 | 2023-07-27 | 가톨릭대학교 산학협력단 | 머신 러닝 기반으로 뇌부종 발생을 예측하는 방법, 이를 위한 장치 및 프로그램 |
| US20230355199A1 (en) | 2022-05-04 | 2023-11-09 | Washington University | Systems and methods for evaluation and prediction of risk of malignant edema after stroke |
-
2024
- 2024-07-15 JP JP2025503466A patent/JP7843414B2/ja active Active
- 2024-07-15 WO PCT/CN2024/105483 patent/WO2025118607A1/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021532936A (ja) | 2018-08-08 | 2021-12-02 | ミネトロニクス ニューロ インコーポレイテッドMinnetronix Neuro, Inc. | 中枢神経系に沿って治療するためのシステム、カテーテル、および方法 |
| US20230134886A1 (en) | 2019-10-10 | 2023-05-04 | University Of Kentucky Research Foundation | A machine learning algorithm for predicting clinical outcomes and identifying drug targets in ischemic stroke |
| KR20210127529A (ko) | 2020-04-14 | 2021-10-22 | 충북대학교 산학협력단 | 당뇨성황반부종 등급 분류 방법 및 이를 이용한 장치 |
| KR20230112355A (ko) | 2022-01-20 | 2023-07-27 | 가톨릭대학교 산학협력단 | 머신 러닝 기반으로 뇌부종 발생을 예측하는 방법, 이를 위한 장치 및 프로그램 |
| CN114520055A (zh) | 2022-02-15 | 2022-05-20 | 苏州大学附属第一医院 | 一种患者脑出血预后的预测方法、装置、设备及产品 |
| US20230355199A1 (en) | 2022-05-04 | 2023-11-09 | Washington University | Systems and methods for evaluation and prediction of risk of malignant edema after stroke |
| CN115578347A (zh) | 2022-10-12 | 2023-01-06 | 河北医科大学第二医院 | 基于深度学习对lhi脑水肿的定量分析方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2026502318A (ja) | 2026-01-22 |
| WO2025118607A1 (zh) | 2025-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118609743B (zh) | 基于人工智能的医疗数据管理方法、系统及存储介质 | |
| TWI814154B (zh) | 基於醫學影像的疾病預測方法 | |
| US11783950B2 (en) | System and method for providing a medical data structure for a patient | |
| US11887736B1 (en) | Methods for evaluating clinical comparative efficacy using real-world health data and artificial intelligence | |
| Zhou et al. | Optimizing autoencoders for learning deep representations from health data | |
| CN117079093B (zh) | 一种基于多模态影像数据的异动症预测方法、装置及设备 | |
| Anaya-Isaza et al. | CrossTransUnet: a new computationally inexpensive tumor segmentation model for brain MRI | |
| CN120613110A (zh) | 一种基于人工智能的辅助诊疗系统 | |
| CN119560155B (zh) | 基于电子健康记录的临床预测方法、系统、设备及介质 | |
| KR20230068717A (ko) | 입원 환자의 퇴원 예측을 위한 장치 및 방법 | |
| CN119887801A (zh) | 结合脑窗和血窗图像的ich区域的分割方法、系统、设备 | |
| Sünkel et al. | Hybrid quantum machine learning assisted classification of COVID-19 from computed tomography scans | |
| CN118471484B (zh) | 一种急诊重症患者分级分诊方法及系统 | |
| CN119361141A (zh) | 慢性胃炎演化趋势的预测方法及装置 | |
| CN121236073B (zh) | 一种用于增强阿尔茨海默症分类的深度学习系统 | |
| CN117153422A (zh) | 基于深度学习和ChatGPT的脓毒症早期检测装置 | |
| Lakshmi et al. | A leakyrelu based effective brain mri segmentation using u-net | |
| Rahman et al. | Prediction of diabetes induced complications using different machine learning algorithms | |
| CN120781653A (zh) | 一种细粒度事件级医疗时间序列分析方法、系统及存储介质 | |
| Florez et al. | Augmentation techniques for sequential clinical data to improve deep learning prediction techniques | |
| CN120072171B (zh) | 一种临床护理监测信息录入方法、系统及设备 | |
| Tang et al. | Biomarker change-point estimation with right censoring in longitudinal studies | |
| KR102748088B1 (ko) | 욕창 발생 예측 시스템 | |
| CN116385804B (zh) | 一种基于深度学习的复合影像特征分类检测方法 | |
| JP2025097311A (ja) | 診断時間ウィンドウを使用した構造化電子健康記録補完のためのシステム、方法、および装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20250122 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20260123 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20260209 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20260209 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20260209 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20260324 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20260330 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7843414 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |