TWI755731B - 生醫資料預測風險系統與方法 - Google Patents
生醫資料預測風險系統與方法 Download PDFInfo
- Publication number
- TWI755731B TWI755731B TW109116140A TW109116140A TWI755731B TW I755731 B TWI755731 B TW I755731B TW 109116140 A TW109116140 A TW 109116140A TW 109116140 A TW109116140 A TW 109116140A TW I755731 B TWI755731 B TW I755731B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- information
- judgment
- unit
- value
- Prior art date
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一種生醫資料預測風險系統,其中包括:一資料收集單元,該資料收集單元用於接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料;一資料處理單元,該資料處理單元用於接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行一資料檢測,該資料檢測後的每一筆資料再進行排列與統整進而生成複數判斷資訊;以及一判斷單元,該判斷單元係由一儲存單元與一預測單元所組成,其中該複數判斷資訊儲存於該儲存單元之中,該預測單元根據該複數判斷資訊進行預估從而產生一風險評估資訊。
Description
本發明係關於一種預測風險系統與方法,特別是關於一種生醫資料預測風險系統與方法。
慢性疾病如心血管疾病等都可以經由檢查而讓醫師診斷出來,從而得到適當治療,以心血管疾病診斷為例,檢查方法包含:問診、胸腔X光、抽血檢驗、心電圖、心臟電腦斷層掃描(cardiac-CT)、心肌灌流掃描(myocardial perfusion scan)、X光血管攝影術(angiography)等,初階檢查發現罹病特徵後才會推薦高階檢查。
而健康檢查目的在「早期發現,早期治療」,並強調「預防勝於治療」的觀念,是當今比較能被接受的增加壽命的科學方案,但一般健檢僅止於初階檢查而不含高階檢查,醫師被要求以初階的健檢結果來判讀,由於健檢人數眾多,僅能從有限資訊來提出健檢報告,往往在資訊未能充分明顯的狀況下,難免產生漏網之魚,錯過病人最佳保健良機。在這背景下,電腦輔助診斷系統成為輔助醫師決策的重要工具。
傳統電腦輔助診斷系統大多使用統計模型來估
算趨勢,其軟體開發奠基在眾多病患的長期追蹤資料,藉數據統計來估算罹病風險。例如坊間一套醫界奉為圭臬的心血管疾病風險評估規則發源自美國國立衛生研究院(National Institutes of Health,NIH)的國家心、肺、血液研究所(National Heart Lung and Blood Institute),該單位援引1948年延續至今的弗雷明罕心血管研究(Framingham heart study),於官方網站公開心血管疾病風險評估公式,標的包含綜合心血管疾病風險、動脈硬化、冠心症、心衰竭、心肌梗塞、高血壓、…等。
另一類電腦輔助診斷系統為專家系統(expert system),此類軟體依照專家定義的程式規則計算因果關係,若程式規則鉅細靡遺且內容豐富,則軟體表現有機會趨近人類專家的診斷決策結果。例如美國猶他大學伊里亞德診斷決策支援系統(ILIAD)耗時8年時間完成,內建2,200種疾病、10,000種以上症狀的相關資訊。
近年新上市的電腦輔助診斷系統開始採用人工智慧(artificial intellgence,AI)技術,包含機器學習、深度學習等方法,此方法需要大量數據來訓練AI模型,讓AI模型自行達到趨近甚至優於人類專家的診斷決策性能,且基本上不需要人為制定程式規則,例如於2018年通過美國食品藥物管理局核准上市的HealthCCS心臟冠狀動脈硬化評估軟體。
機器學習決策支援系統需要品質穩定的數據來源供電腦運算,然而外在原因(例如:設備老化、設備更換、
人員更迭、操作失誤、資料缺失)可能導致數據品質變化,造成模型預測誤差,醫院數據品質通常有內部品保規則管理,然而不同醫療單位的品保規則不盡相同,相關規則亦可能隨時間演進,使得品質均等的數據集取得不易,為平衡數據品質,減少劣質數據對預測模型的不良影響,機器學習決策支援系統需增加數據品質前處理功能。
鑒於上述習知技術之缺點,本發明提出使用一種生醫資料預測風險系統,可從個人健康記錄預測疾病風險來解決上述的缺點,以及透過演算法可修正資料一致性和修補缺失值,提升預測準確度。
為了達到上述目的,根據本發明所提出之一種生醫資料預測風險系統,其中包括:一資料收集單元,該資料收集單元用於接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料;一資料處理單元,該資料處理單元用於接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行一資料檢測,該資料檢測後的每一筆資料再進行排列與統整進而生成複數判斷資訊;以及一判斷單元,該判斷單元係由一儲存單元與一預測單元所組成,其中該複數判斷資訊儲存於該儲存單元之中,該預測單元根據該複數判斷資訊進行預估從而產生一風險評估資訊。
本發明的該生醫資料預測風險系統,其中該複數
資料包括:一個人基本資料、一個人檢驗資料、一個人檢查資料與一診斷資料。
本發明的該生醫資料預測風險系統,其中該資料檢測包括:一資料品質單元,該資料品質單元係針對該複數醫療資料中的每一筆資料進行一均一化判斷,經過該均一化判斷後會產生一判斷資訊;一資訊擴充單元,該資訊擴充單元根據該判斷資訊進行資料擴充,進而產生一擴充資訊;一空白補值單元,該空白補值單元根據該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊;以及一資訊篩選單元,該資訊篩選單元根據該補值資訊進行排列與統整進而生成複數判斷資訊。
本發明的該生醫資料預測風險系統,其中該均一化判斷係將該複數醫療資料中的每一筆資料經一特徵工程判斷後產生一特徵值數列,而該特徵值數列根據一特徵資訊切分成複數個數據子集,接著將該複數個數據子集進行計算進而產生一特徵值,再接著透過一閾值來檢測該特徵值,最後產生該判斷資訊。
本發明的該生醫資料預測風險系統,其中該特徵工程包括:一數值資料、一文字編碼、一類別編碼與一深度學習。
本發明的該生醫資料預測風險系統,其中該補值規則判斷包括:一第一規則判斷與一第二規則判斷。
本發明的該生醫資料預測風險系統,其中該第一規則判斷係為當該擴充資訊標示為曾經接受過檢測時,其中若一空值係位於其中二次檢測之間則補以內差值,若該空值係位於檢測之前或檢測之後則補以外插值。
本發明的該生醫資料預測風險系統,其中該第二規則判斷係為為當該擴充資訊標示為未接受過檢測時,則補入資料所屬數據子集的數值。
本發明的該生醫資料預測風險方法,包括:利用該資料收集單元接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料;接著透過該資料處理單元接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行該資料檢測,並透過該資料處理單元的一資料品質單元係針對該複數醫療資料中的每一筆資料進行一均一化判斷,經過該均一化判斷後會產生一判斷資訊,接著該該資料處理單元的一資訊擴充單元根據該判斷資訊進行資料擴充,進而產生一擴充資訊,再接著利用該資料處理單元的一空白補值單元根據該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊,最後,利用該資料處理單元的一資訊篩選單元根據該補值資訊進行排列與統整進而生成複數判斷資訊;以及透過該預測單元根據該複數判斷資訊進行預估從而產生一風險評估資訊。
本發明的該生醫資料預測風險方法,其中該複數
資料包括:一個人基本資料、一個人檢驗資料、一個人檢查資料與一診斷資料。
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本創作達到預定目的所採取的方式、手段及功效。而有關本創作的其他目的及優點,將在後續的說明及圖式中加以闡述。
1:資料收集單元
2:資料處理單元
3:判斷單元
21:資料品質單元
22:資訊擴充單元
23:空白補值單元
24:資訊篩選單元
31:儲存單元
32:預測單元
第一圖係為本發明生醫資料預測風險系統之示意圖;第二圖係為KS檢定法之示意圖;第三圖係為VAE深度學習模型示意圖;
以下係藉由特定的具體實例說明本創作之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地了解本創作之優點及功效。
請參閱第一圖所示,本發明生醫資料預測風險系統之示意圖,該生醫資料預測風險系統係由資料收集單元1、資料處理單元2與判斷單元3所組成,其中,該資料收集單元1用於接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料,其中,該複數資料包括:一個人基本資料、一個人檢驗資料、一個人檢查資料與一
診斷資料;該資料處理單元2用於接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行一資料檢測,該資料檢測後的每一筆資料再進行排列與統整進而生成複數判斷資訊,以及該判斷單元3係由一儲存單元31與一預測單元32所組成,其中該複數判斷資訊儲存於該儲存單元31之中,該預測單元32根據該複數判斷資訊進行預估從而產生一風險評估資訊,而上述所述複數資料包括個人基本資料、個人檢驗資料與診斷資料不應本次實施例而有所限定。
接著,該資料檢測係透過資料品質單元21、資訊擴充單元22、空白補值單元23與資訊篩選單元24進行檢測,首先,透過該資料品質單元21係針對該複數醫療資料中的每一筆資料進行一均一化判斷,經過該均一化判斷後會產生一判斷資訊,接著,該資訊擴充單元22根據該判斷資訊進行資料擴充,進而產生一擴充資訊,再接著該空白補值單元23根據該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊,最後該資訊篩選單元24根據該補值資訊進行排列與統整進而生成複數判斷資訊。
再一較佳實施例中,該均一化判斷係將該複數醫療資料中的每一筆資料經一特徵工程判斷後產生一特徵值數列,其中,該特徵工程包括:一數值資料、一文字編碼、一類別編碼與一深度學習,而該特徵值數列根據一特徵資訊切分成複數個數據子集,接著將該複數個數據子集進行計算進
而產生一特徵值,再接著透過一閾值來檢測該特徵值,最後產生該判斷資訊,其中該判斷資訊為各子集內特徵數值的代表性中間值(M)和散度值(S),並將該中間值(M)和散度值(S)利用下列公式進行修正:
其中x old 為修正前的特徵值、x new 為修正後特徵值、k為x old 所屬數據子集的編號、k0為特定數據子集編號,而該中間值(M)可以是數據子集的平均數、中位數等,散度值(S)可以是數據子集的標準差、散度等,k0可以是某一年內的數據子集。
請參閱第二圖所示,而第二圖是根據第一圖為生醫資料預測風險系統之示意圖再進一步說明KS檢定法之示意圖;該複數醫療資料中的每一筆資料再進行均一化判斷時,並非所有特徵值都需要被均一化,其評估方法為比較某特徵值在k和k0數據子集內的統計分布,若統計差異超過一閾值則需均一化處理,否則保留原值;其中本發明透過KS檢定法(Kolmogorov-Smirnov test)定量分析數據品質,首先將特徵值分成測試組和對照組,經資料累積函數(cumulative function)轉換後在座標軸上重疊顯示,若二組資料累積函數品質相近(資料累積函數1、資料累積函數2),兩組資料累積函數的最大差異值(又稱:KS檢定值)越接近0,反之則越接近1,本方法的優點在於不需要假設資料母體的分布函數,優於T
檢定(T-test)的常態分布假設,因此適用大部分醫療數值資訊,本案發明採用KS檢定值應小於0.1的規則,否則須透過公式來修正數值。
請參閱第三圖所示,而第三圖是根據第一圖為生醫資料預測風險系統之示意圖再進一步說明VAE深度學習模型示意圖;對於X光影像、心電圖訊號及其他不易量化的資料,則可以透過深度學習將訊號資料轉換成特徵數列,而深度學習模型稱為VAE(variational autoencoder),在資料編碼的過程中迫使嵌入層數列[c1,c2,…,en]遵從高斯分布,並將數列解碼還原成輸入資料。由於VAE嵌入層包含可還原資料的特徵數列,因此訊號資料可被特徵數列取代,進而修正一致性;再一較佳實施例中,可修正的複數資料亦包含詞嵌入(word embedding)向量,該詞嵌入向量是透過神經網路、詞頻統計等方法將一個詞或一段文字投射到詞向量空間,形成數值向量
,當有s數值達到前述數值修正基準,則需使
用公式來修正s值,此方式適用醫囑、護理記錄等文字資料。
再一較佳實施例中,該資訊擴充單元22根據該判斷資訊進行資料擴充,進而產生一擴充資訊,其中,該資訊擴充單元22係透過一種或多種運算處理後產生新資訊,而該運算處理可以是臨床規則或數學公式,例如:身體質量指數、代謝症候群風險、十年心血管疾病風險。
再另一較佳實施例中,該空白補值單元23根據
該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊,其中,該補值規則判斷包括:一第一規則判斷與一第二規則判斷,該第一規則判斷係為當該擴充資訊標示為曾經接受過檢測時,其中若一空值係位於其中二次檢測之間則補以內差值,若該空值係位於檢測之前或檢測之後則補以外插值,而該第二規則判斷係為當該擴充資訊標示為未接受過檢測時,則補入資料所屬數據子集的數值。
再一較佳實施例中,該資訊篩選單元24根據該補值資訊進行排列與統整進而生成複數判斷資訊,然而該補值資訊包含可定量資訊與難定量資訊,該可定量資訊包含各種可定量的生理數值(例如身高、體重、血壓),其重要性可由臨床專家主觀判斷,亦可透過統計指標與機器學習等方法客觀排序,而難定量資訊包含各種不易定量的生理資訊(例如:心電圖、腦波圖),臨床專家僅能定性判斷,故需透過深度學習將資料轉換成特徵數列,再透過統計指標與機器學習等方法來排序特徵數值的重要性,因此可透過皮爾森相關係數或決策樹分析法來進行排列與統整,其中,該皮爾森相關係數,計算公式為:
其中x i 為第i個特徵數值、為該特徵的數值平均值、y i 為第i個預測目標值、為預測目標的數值平均值,該皮爾森相關係
數r的數值範圍介於-1到1,正值代表x、y數據分布為正相關,負值代表負相關,絕對值越大代表相關性越強,透過r數值落點可篩選特徵資料x;另外,該決策樹分析法,可使用隨機森林、LightGBM、XGBoost等決策樹理論與程式來幫助評估資料,該決策樹分析法由許多判斷節點組成,每個節點都有一個特徵、一個判斷邏輯和一個判斷後的分辨率,該決策樹分析法需要大量數據及反覆運算來優化節點配置,使整體準確率達到最高,由於節點優化過程會偏向使用分辨率較高的特徵資料,若決策樹訓練得當,可透過特徵的節點數量來評估該特徵重要性,因此透過皮爾森相關係數或決策樹分析法進行排列與統整後進而生成複數判斷資訊。
再另一較佳實施例中,該醫療資料透過該資料處理單元2處理後進而生成複數判斷資訊,而該複數判斷資訊最後透過該預測單元32進行預估從而產生一風險評估資訊,其中該預估方式係透過一組位於時序封裝層(time distributed wrapper)內的深度神經網路(deep neural network,DNN)、一組門控遞歸單元網路(gated recurrent units,GRUs)和一組神經網路(neural network,NN)進行預估,首先,該複數判斷資訊進入深度神經網路,並透過深度神經網路在時序封裝層的作用下會優先處理早期資料並輸出16組嵌入層資料,而門控遞歸單元網路承接資料後深度神經網路才會處理下一個時序資料,接著門控遞歸單元網路依序承接嵌入層資料,每次承接
資料並運算時會參照前次神經元記憶,並傳遞記憶至下一次運算。經過多個時間點運算,最後一個門控遞歸單元網路輸出64組數值至單層神經網路的2個神經元,經Softmax活化函數輸出一風險評估資訊(疾病的陰性率和陽性率預測值)。
再一較佳實施例中,一種生醫資料預測風險方法,包括:利用該資料收集單元1接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料;接著透過該資料處理單元2接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行該資料檢測,並透過該資料處理單元2的一資料品質單元21係針對該複數醫療資料中的每一筆資料進行一均一化判斷,經過該均一化判斷後會產生一判斷資訊,接著該該資料處理單元2的一資訊擴充單元22根據該判斷資訊進行資料擴充,進而產生一擴充資訊,再接著利用該資料處理單元2的一空白補值單元23根據該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊,最後,利用該資料處理單元2的一資訊篩選單元24根據該補值資訊進行排列與統整進而生成複數判斷資訊;以及透過該預測單元32根據該複數判斷資訊進行預估從而產生一風險評估資訊。
需陳明者,以上所述僅為本案之較佳實施例,並非用以限制本創作,若依本創作之構想所作之改變,在不脫離本創作精神範圍內,例如:對於構型或佈置型態加以變換,
對於各種變化,修飾與應用,所產生等效作用,均應包含於本案之權利範圍內,合予陳明。
1:資料收集單元
2:資料處理單元
3:判斷單元
21:資料品質單元
22:資訊擴充單元
23:空白補值單元
24:資訊篩選單元
31:儲存單元
32:預測單元
Claims (10)
- 一種生醫資料預測風險系統,其中包括:一資料收集單元,該資料收集單元用於接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料;一資料處理單元,該資料處理單元用於接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行一資料檢測,該資料檢測後的每一筆資料再進行排列與統整進而生成複數判斷資訊;以及一判斷單元,該判斷單元係由一儲存單元與一預測單元所組成,其中該複數判斷資訊儲存於該儲存單元之中,該預測單元根據該複數判斷資訊進行一預估從而產生一風險評估資訊,其中該預估是該複數判斷資訊進入一深度神經網路,透過該深度神經網路在時序封裝層的作用下會優先處理早期資料並輸出一嵌入層資料,接著一門控遞歸單元網路依序承接該嵌入層資料,每次承接資料並運算時會參照前次神經元記憶,並傳遞記憶至下一次運算,經過多個時間點運算,該門控遞歸單元網路輸出64組數值至單層神經網路,經活化函數輸出該風險評估資訊。
- 如申請專利範圍第1項生醫資料預測風險系統,其中該複數資料包括:一個人基本資料、一個人檢驗資料、一個人檢查資料與一診斷資料。
- 如申請專利範圍第1項生醫資料預測風險系統,其中該資料檢測包括:一資料品質單元,該資料品質單元係針對該複數醫療資料中的每一筆資料進行一均一化判斷,經過該均一化判斷後會產生一判斷資訊;一資訊擴充單元,該資訊擴充單元根據該判斷資訊進行資料擴充,進而產生一擴充資訊;一空白補值單元,該空白補值單元根據該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊;以及一資訊篩選單元,該資訊篩選單元根據該補值資訊進行排列與統整進而生成複數判斷資訊。
- 如申請專利範圍第3項生醫資料預測風險系統,其中該均一化判斷係將該複數醫療資料中的每一筆資料經一特徵工程判斷後產生一特徵值數列,而該特徵值數列根據一特徵資訊切分成複數個數據子集,接著將該複數個數據子集進行計算進而產生一特徵值,再接著透過一閾值來檢測該特徵值,最後產生該判斷資訊。
- 如申請專利範圍第4項生醫資料預測風險系統,其中該特徵工程包括:一數值資料、一文字編碼、一類別編碼與一深度學習。
- 如申請專利範圍第3項生醫資料預測風險系統,其中該補值規則判斷包括:一第一規則判斷與一第二規則判斷。
- 如申請專利範圍第6項生醫資料預測風險系統,其中該第一規則判斷係為當該擴充資訊標示為曾經接受過檢測時,其中若一空值係位於其中二次檢測之間則補以內差值,若該空值係位於檢測之前或檢測之後則補以外插值。
- 如申請專利範圍第6項生醫資料預測風險系統,其中該第二規則判斷係為當該擴充資訊標示為未接受過檢測時,則補入資料所屬數據子集的數值。
- 一種生醫資料預測風險方法,係實施於生醫資料預測風險系統,包括:利用該資料收集單元接收複數資料,並將該複數資料中的每一筆資料進行排列與統整進而生成複數醫療資料;接著透過該資料處理單元接收該複數醫療資料,並針對該複數醫療資料中的每一筆資料進行該資料檢測,並透過該資料處理單元的一資料品質單元係針對該複數醫療資料中的每一筆資料進行一均一化判斷,經過該均一化判斷後會產生一判斷資訊,接著該資料處理單元的一資訊擴充單元根據該判斷資訊進行資料擴充,進而產生一擴充資訊,再接著利用該資料處理單元的一空白補值單元根據該擴充資訊進行一補值規則判斷,經過該補值規則判斷後會產生一補值資訊,最後,利用該資料處理單元的一資訊篩選 單元根據該補值資訊進行排列與統整進而生成複數判斷資訊;以及透過該預測單元根據該複數判斷資訊進行該預估從而產生一風險評估資訊,其中該預估是該複數判斷資訊進入該深度神經網路,透過該深度神經網路在時序封裝層的作用下會優先處理早期資料並輸出該嵌入層資料,接著該門控遞歸單元網路依序承接該嵌入層資料,每次承接資料並運算時會參照前次神經元記憶,並傳遞記憶至下一次運算,經過多個時間點運算,該門控遞歸單元網路輸出64組數值至該單層神經網路,經活化函數輸出該風險評估資訊。
- 如申請專利範圍第9項生醫資料預測風險方法,其中該複數資料包括:一個人基本資料、一個人檢驗資料、一個人檢查資料與一診斷資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109116140A TWI755731B (zh) | 2020-05-13 | 2020-05-13 | 生醫資料預測風險系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109116140A TWI755731B (zh) | 2020-05-13 | 2020-05-13 | 生醫資料預測風險系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202143248A TW202143248A (zh) | 2021-11-16 |
TWI755731B true TWI755731B (zh) | 2022-02-21 |
Family
ID=80783369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109116140A TWI755731B (zh) | 2020-05-13 | 2020-05-13 | 生醫資料預測風險系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI755731B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI796275B (zh) * | 2022-08-24 | 2023-03-11 | 百醫醫材科技股份有限公司 | 疾病風險評估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109841278A (zh) * | 2017-11-28 | 2019-06-04 | 长庚医疗财团法人林口长庚纪念医院 | 一种以心血管标志及机械学习运算法进行冠心症筛检的方法 |
TW201941218A (zh) * | 2018-01-08 | 2019-10-16 | 美商普吉尼製藥公司 | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 |
-
2020
- 2020-05-13 TW TW109116140A patent/TWI755731B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109841278A (zh) * | 2017-11-28 | 2019-06-04 | 长庚医疗财团法人林口长庚纪念医院 | 一种以心血管标志及机械学习运算法进行冠心症筛检的方法 |
TW201941218A (zh) * | 2018-01-08 | 2019-10-16 | 美商普吉尼製藥公司 | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202143248A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Itchhaporia et al. | Artificial neural networks: current status in cardiovascular medicine | |
Khemphila et al. | Heart disease classification using neural network and feature selection | |
Wang et al. | A stacking-based model for non-invasive detection of coronary heart disease | |
Hannan et al. | Generalized regression neural network and radial basis function for heart disease diagnosis | |
US8554580B2 (en) | Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
Çolak et al. | Predicting coronary artery disease using different artificial neural network models/Koroner arter hastaliginin degisik yapay sinir agi modelleri ile tahmini | |
US20100217094A1 (en) | Point-of-care enactive medical system and method | |
Shukur et al. | Involving machine learning techniques in heart disease diagnosis: a performance analysis | |
Jang et al. | Unsupervised feature learning for electrocardiogram data using the convolutional variational autoencoder | |
Sun et al. | Artificial intelligence in cardiovascular diseases: diagnostic and therapeutic perspectives | |
Gupta et al. | Artificial intelligence in cardiology: The past, present and future | |
KR20220122588A (ko) | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 | |
Peng et al. | Heart disease prediction using artificial neural networks: a survey | |
Desai et al. | Application of ensemble classifiers in accurate diagnosis of myocardial ischemia conditions | |
TWI755731B (zh) | 生醫資料預測風險系統與方法 | |
Bajpai et al. | Early prediction of cardiac arrest using hybrid machine learning models | |
EP3896702A1 (en) | Cardiovascular assessment of patients suspected of having covid-19 | |
Sandeep et al. | Feasibility of artificial intelligence its current status, clinical applications, and future direction in cardiovascular disease | |
Shi et al. | Congestive heart failure detection based on attention mechanism-enabled bi-directional long short-term memory model in the internet of medical things | |
TWI680469B (zh) | 應用於臨床輔助診斷的模組化醫學檢驗決策支援系統及方法 | |
Chang et al. | Using machine learning algorithms in medication for cardiac arrest early warning system construction and forecasting | |
Bhavnani et al. | Multicenter validation of a machine learning phase space electro-mechanical pulse wave analysis to predict elevated left ventricular end diastolic pressure at the point-of-care | |
Bahuguna et al. | Statistical Analysis and Prediction of Heart Disease Using Machine Learning | |
Hounaida et al. | ST-based Deep Learning analysis of COVID-19 patients |