TWI770591B - 用於預測癌症之電腦實施方法及計算裝置 - Google Patents
用於預測癌症之電腦實施方法及計算裝置 Download PDFInfo
- Publication number
- TWI770591B TWI770591B TW109128787A TW109128787A TWI770591B TW I770591 B TWI770591 B TW I770591B TW 109128787 A TW109128787 A TW 109128787A TW 109128787 A TW109128787 A TW 109128787A TW I770591 B TWI770591 B TW I770591B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- icd
- matrix
- electronic medical
- medical record
- Prior art date
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本發明提供一種用於預測癌症之電腦實施方法及計算裝置。該計算裝置:自資料庫中擷取使用者的電子病歷;將該電子病歷轉換為矩陣;並且根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
Description
本發明係關於一種用於預測使用者病狀之電腦實施方法及計算裝置,更特定言之,係關於一種用於預測使用者之癌症之電腦實施方法及計算裝置。
癌症可以被定義為涉及異常細胞生長的疾病,癌症有可能侵入或擴散至人體的其他部位。在習知診斷中,對人的癌症的判定通常取決於人的當前醫學影像(例如,x射線影像或x射線電腦斷層掃描影像),並且需要由有經驗的醫生來判斷。然而,仍然有很大的空間來提高癌症判定的準確性。
本發明之一些實施例提供了一種用於預測癌症之電腦實施方法。該電腦實施方法包括:自資料庫中擷取使用者的電子病歷;將該電子病歷轉換為矩陣;並且根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
本發明之一些實施例提供了一種用於產生癌症預測模型之電腦實施方法。該電腦實施方法包括:擷取複數個訓練資料,其中各訓練資料包括電子病歷及與該電子病歷相對應的癌症結果;將該電子病歷轉換為各訓練資料的矩陣;以及根據機器學習方案利用該複數個訓練資料產生癌症預測模型,其中各訓練資料的該矩陣用作訓練輸入資料,並且與該矩陣相對應的該癌症結果用作訓練輸出資料。
本發明之一些實施例提供了一種用於預測癌症的計算裝置。該計算裝置包括處理器及儲存單元。該儲存單元儲存程式,該程式當被執行時使該處理器:自資料庫中擷取使用者的電子病歷;將該電子病歷轉換為矩陣;並且根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
上述已經相當廣泛地概述了本發明的特徵及技術優點,以便可以更好地理解本發明的以下實施方式。下文中將對本發明的另外的特徵及優點進行描述,並且該等特徵及優點形成本發明的申請專利範圍的主題。熟習此項技術者應當理解的是,所揭示的概念及具體實施例可以容易地用作修改或設計用於實現本發明的相同目的的其他結構或製程的基礎。熟習此項技術者還應該認識到,此類等同的構造不脫離如所附申請專利範圍中所闡述的本發明的精神及範疇。
現在使用特定語言描述了附圖中展出的本發明的實施例或實例。應當理解的是,在此不意欲限制本發明的範疇。對於本發明所關聯的一般熟習此項技術者,所描述的實施例的任何改變或修改以及本文件所描述的原理的任何進一步應用都被認為是通常發生的。參考數字可以在整個實施例中重複,但這並不一定意味著一個實施例的一或多個特徵適用於另一個實施例,即使此等實施例共用相同的參考數字。
應當理解,儘管本文可以使用術語第一、第二、第三等來描述各種元件、組件、區域、層或部分,但是此等元件、組件、區域、層或部分不受此等術語的限制。相反,此等術語僅用於將一個元件、組件、區域、層或部分與另一個元件、組件、區域、層或部分進行區分。因此,在不脫離本發明構思的教導的情況下,下文所討論的第一元件、組件、區域、層或部分可以被稱為第二元件、組件、區域、層或部分。
本文所使用的術語只是為了描述特定示例實施例並且不意欲限制本發明構思。如這裏所使用的,除非上下文另外清楚地指明,否則單數形式「一個/種(a/an)」及「該(the)」意欲還包括複數形式。應進一步理解的是,當在本說明書中使用時,術語「包含(comprises及comprising)」指出所陳述的特徵、整數、步驟、操作、元件或組件的存在,但不排除存在或添加一或多個其他特徵、整數、步驟、操作、元件、組件或其組。
癌症被認為是致命疾病。然而,癌症的判定或者甚至預測仍然是不準確的。因此,需要用於相對精確地判定或預測癌症的新方法及裝置。
圖1A說明了根據本發明之一些實施例的計算裝置1的方塊圖。計算裝置1包括處理器11及儲存單元13。處理器11及儲存單元13經由通信匯流排17電耦接。
通信匯流排17可以允許處理器11執行儲存於儲存單元13中的程式PG。程式PG當被執行時可以產生一或多個中斷(例如,軟體中斷),以使處理器11執行用於產生及利用癌症預測模型的程式PG函式。下文將進一步描述程式PG函式。
在一些實施例中,癌症預測模型ML可以包括根據機器學習方案利用複數個訓練資料TD產生的機器學習模型。特定言之,在此等實施例中,因為癌症預測模型ML可以用於接收使用者資料並為使用者輸出癌症預測結果,所以使用者的一些資料及此等使用者的對應癌症結果可以用作訓練資料TD以訓練(亦即,產生)癌症預測模型ML。
在一些實施例中,訓練資料TD可以包括:(1)使用者資料;及(2)與此等使用者相對應的癌症結果。詳言之,使用者資料中的各者可以包括電子病歷。電子病歷可以包括與對應使用者的既往病歷相關聯的非影像資料(例如,文字資料)。癌症結果中的各者可以包括用於指示癌症診斷為陽性或癌症診斷為陰性的指標。
應當注意,在一些實施方案中,可以將訓練資料儲存於內部資料庫(例如,圖1A所示的儲存單元13的資料庫)中。在一些實施方案中,可以將訓練資料TD儲存於外部資料庫(例如,圖1B所示的外部儲存裝置或雲端儲存裝置的資料庫DB)中。
然後,在被執行時,程式PG使處理器11自資料庫中擷取訓練資料TD的電子病歷並將電子病歷轉換為矩陣。接下來,程式PG使處理器11根據以下產生(亦即,訓練)癌症預測模型ML:(1)自訓練資料TD的電子病歷轉換的矩陣;及(2)與電子病歷相對應的癌症結果。
特定言之,自電子病歷轉換的矩陣可以在訓練階段期間用作訓練輸入資料。與電子病歷相對應的癌症結果可以在訓練階段期間用作訓練輸出資料。在處理器11產生癌症預測模型ML之後,儲存單元13可以儲存癌症預測模型ML以備後用。
應當注意,在一些實施例中,引入能夠基於訓練資料構建用於預測結果的模型的迴旋神經網路(CNN)演算法,以用於產生癌症預測模型ML。
特定言之,在用於訓練癌症預測模型ML的CNN演算法的實施方案(例如,程式碼)中,可以存在用於訓練癌症預測模型ML的訓練函式(例如,程式碼的函式)。在癌症預測模型ML的訓練期間,訓練函式可以包括用於接收訓練資料TD的部分(例如,函式的一部分)。
進一步地,自電子病歷轉換的矩陣可以用作訓練輸入資料。與電子病歷相對應的癌症結果可以用作訓練輸出資料。接下來,可以在利用實現CNN演算法的主要函式(例如,程式碼的主要部分)執行訓練函式之後訓練癌症預測模型ML。
在根據CNN演算法利用訓練資料(亦即,訓練資料TD)產生癌症預測模型ML之後,癌症預測模型ML可以用於為使用者預測癌症結果。
請參考圖1C。例如,當需要判定或預測使用者是否患有癌症時,計算裝置1自資料庫中擷取使用者的電子病歷RMR。然後,計算裝置1將電子病歷RMR轉換為矩陣MX。接下來,計算裝置1將矩陣MX輸入至癌症預測模型ML中,以為使用者輸出癌症預測結果RT。
在一些實施例中,癌症預測結果RT可以包括陰性或陽性的指標。若癌症預測結果RT呈陰性,則這意味著使用者可能未患有癌症。另一態樣,若癌症預測結果RT呈陽性,則這意味著使用者可能患有癌症。
在一些實施例中,癌症預測結果RT可以包括機率的指標。若機率不大於臨限值(例如,0.4),則這意味著使用者可能未患有癌症。另一態樣,若機率大於臨限值,則這意味著使用者可能患有癌症。
應當注意的是,在一些實施例中,可以利用不同的訓練資料來訓練不同的模型,以預測不同類型的癌症。因此,在此等實施例中,在訓練癌症預測模型ML之後,癌症預測模型ML可以用於為使用者預測癌症類型。
例如,當利用與肺癌相關的訓練資料來訓練癌症預測模型ML時,癌症預測模型ML可以用於預測肺癌。詳言之,計算裝置1自資料庫中擷取使用者的與肺癌相關的電子病歷RMR。然後,計算裝置1將電子病歷RMR轉換為矩陣MX。接下來,計算裝置1將矩陣MX輸入至癌症預測模型ML中,以為使用者輸出癌症預測結果RT。癌症預測結果RT可以指示使用者是否患有肺癌。
再例如,當利用與皮膚癌相關的訓練資料來訓練癌症預測模型ML時,癌症預測模型ML可以用於預測皮膚癌。詳言之,計算裝置1自資料庫中擷取使用者的與皮膚癌相關的電子病歷RMR。然後,計算裝置1將電子病歷RMR轉換為矩陣MX。接下來,計算裝置1將矩陣MX輸入至癌症預測模型ML中,以為使用者輸出癌症預測結果RT。癌症預測結果RT可以指示使用者是否患有皮膚癌。
為了便於理解本發明中所提及的技術,下文將說明在一個電子病歷與一個矩陣之間的上述轉換的一些實例。
在一些實施例中,用於轉換為矩陣的電子病歷可以包括某一時間段內的複數個國際疾病分類(ICD)資料。特定言之,當電子病歷在包括N個時間間隔的時間段內包括M個ICD資料時,電子病歷可以被轉換為M × N矩陣。
詳言之,M × N矩陣的元素(m, n)包括二進位數,並且m表示ICD資料的第m個ICD資料,並且n表示時間段的第n個時間間隔。當電子病歷指示使用者在第n個時間間隔期間被診斷為第m個ICD資料時,元素(m, n)是二進位數的一個值。當該電子病歷指示該使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,該元素(m, n)是該二進位數的另一個值。
請參考圖2A。例如,當電子病歷在包括12個月(亦即,時間間隔)的一年(亦即,時間段)內包括10個ICD資料時,計算裝置1剖析電子病歷並將電子病歷轉換為10 × 12矩陣M10。
當電子病歷指示使用者在第n個時間間隔期間被診斷為第m個ICD資料時,10 × 12矩陣M10的元素(m, n)是二進位數的「1」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第8個月、第9個月、第10個月、第11個月及第12個月內被診斷患有糖尿病時,10 × 12矩陣M10的元素(1, 8)、(1, 9)、(1, 10)、(1, 11)及(1, 12)是「1」。
當電子病歷指示使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,10 × 12矩陣M10的元素(m, n)是二進位數的「0」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第1個月、第2個月、第3個月、第4個月、第5個月、第6個月及第7個月內未被診斷患有糖尿病時,10 × 12矩陣M10的元素(1, 1)、(1, 2)、(1, 3)、(1, 4)、(1, 5)、(1, 6)及(1, 7)是「0」。
在一些實施例中,當電子病歷在包括N個時間間隔的時間段內包括M個ICD資料時,電子病歷可以被轉換為N × M矩陣。
詳言之,N × M矩陣的元素(n, m)包括二進位數,並且m表示ICD資料的第m個ICD資料,並且n表示時間段的第n個時間間隔。當電子病歷指示使用者在第n個時間間隔期間被診斷為第m個ICD資料時,元素(n, m)是二進位數的一個值。當電子病歷指示使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,元素(n, m)是二進位數的另一個值。
請參考圖2B。例如,當電子病歷在包括12個月(亦即,時間間隔)的一年(亦即,時間段)內包括10個ICD資料時,計算裝置1剖析電子病歷並將電子病歷轉換為12 × 10矩陣M12。
當電子病歷指示使用者在第n個時間間隔期間被診斷為第m個ICD資料時,12 × 10矩陣M12的元素(n, m)是二進位數的「1」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第8個月、第9個月、第10個月、第11個月及第12個月內被診斷患有糖尿病時,12 × 10矩陣M12的元素(8, 1)、(9, 1)、(10, 1)、(11, 1)及(12, 1)是「1」。
當電子病歷指示使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,12 × 10矩陣M12的元素(n, m)是二進位數的「0」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第1個月、第2個月、第3個月、第4個月、第5個月、第6個月及第7個月內未被診斷患有糖尿病時,12 × 10矩陣M12的元素(1, 1)、(2, 1)、(3, 1)、(4, 1)、(5, 1)、(6, 1)及(7, 1)是「0」。
在一些實施例中,用於轉換為矩陣的電子病歷可以包括某一時間段內的複數個ICD資料及複數個藥物資料。當電子病歷在包括時間間隔數「N」的時間段內包括ICD資料的數「M1」及藥物資料的數「M2」時,可以將電子病歷轉換為包括M1 × N子矩陣及M2 × N子矩陣的(M1 + M2) × N矩陣。
詳言之,M1 × N子矩陣的元素(m1, n1)包括二進位數,m1表示ICD資料的第m1個ICD資料,並且n1表示時間段的第n1個時間間隔。當電子病歷指示使用者在第n1個時間間隔期間被診斷為第m1個ICD資料時,元素(m1, n1)是二進位數的一個值。當電子病歷指示使用者在第n1個時間間隔期間未被診斷為第m1個ICD資料時,元素(m1, n1)是二進位數的另一個值。
進一步地,M2 × N子矩陣的元素(m2, n2)包括二進位數,m2表示藥物資料的第m2個藥物資料,並且n2表示時間段的第n2個時間間隔。當電子病歷指示使用者在第n2個時間間隔期間具有第m2個藥物資料(例如,使用者在第n2個時間間隔期間服用第m2種藥物)時,元素(m2, n2)是二進位數的一個值。當該電子病歷指示該使用者在第n2個時間間隔期間不具有第m2個藥物資料時,該元素(m2, n2)是該二進位數的另一個值。
請參考圖3A。例如,當電子病歷在包括12個月(亦即,時間間隔)的一年(亦即,時間段)內包括10個ICD資料及2個藥物資料時,計算裝置1剖析電子病歷並將電子病歷轉換為(10 + 2) × 12矩陣,該矩陣包括10 × 12子矩陣M30及2 × 12子矩陣M31。
當電子病歷指示使用者在第n1個時間間隔期間被診斷為第m1個ICD資料時,10 × 12子矩陣M30的元素(m1, n1)是二進位數的「1」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第8個月、第9個月、第10個月、第11個月及第12個月內被診斷患有糖尿病時,10 × 12矩陣M30的元素(1, 8)、(1, 9)、(1, 10)、(1, 11)及(1, 12)是「1」。
當電子病歷指示使用者在第n1個時間間隔期間未被診斷為第m1個ICD資料時,10 × 12子矩陣M30的元素(m1, n1)是二進位數的「0」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第1個月、第2個月、第3個月、第4個月、第5個月、第6個月及第7個月內未被診斷患有糖尿病時,10 × 12矩陣M30的元素(1, 1)、(1, 2)、(1, 3)、(1, 4)、(1, 5)、(1, 6)及(1, 7)是「0」。
當電子病歷指示使用者在第n2個時間間隔期間具有第m2個藥物資料時,2 × 12子矩陣M31的元素(m2, n2)是二進位數的「1」。例如,當第1個藥物資料對應於青黴素資料並且使用者在一年的第1個月、第2個月、第6個月、第7個月及第8個月內藉由青黴素治療時,2 × 12矩陣M31的元素(1, 1)、(1, 2)、(1, 6)、(1, 7)及(1, 8)是「1」。
當電子病歷指示使用者在第n2個時間間隔期間不具有第m2個藥物資料時,2 × 12子矩陣M31的元素(m2, n2)是二進位數的「0」。例如,當第1個藥物資料對應於青黴素資料並且使用者不具有在一年的第3個月、第4個月、第5個月、第9個月、第10個月、第11個月及第12個月內藉由青黴素治療的任何記錄時,2 × 12矩陣M31的元素(1, 3)、(1, 4)、(1, 5)、(1, 9)、(1, 10)、(1, 11)及(1, 12)是「0」。
在一些實施例中,當電子病歷在包括時間間隔數「N」的時間段內包括ICD資料的數「M1」及藥物資料的數「M2」時,可以將電子病歷轉換為包括N × M1子矩陣及N × M2子矩陣的N × (M1 + M2)矩陣。
詳言之,N × M1子矩陣的元素(n1, m1)包括二進位數,m1表示ICD資料的第m1個ICD資料,並且n1表示時間段的第n1個時間間隔。當電子病歷指示使用者在第n1個時間間隔期間被診斷為第m1個ICD資料時,元素(n1, m1)是二進位數的一個值。當電子病歷指示使用者在第n1個時間間隔期間未被診斷為第m1個ICD資料時,元素(n1, m1)是二進位數的另一個值。
進一步地,N × M2子矩陣的元素(n2, m2)包括二進位數,m2表示藥物資料的第m2個藥物資料,並且n2表示時間段的第n2個時間間隔。當電子病歷指示使用者在第n2個時間間隔期間具有第m2個藥物資料(例如,使用者在第n2個時間間隔期間服用第m2種藥物)時,元素(n2, m2)是二進位數的一個值。當電子病歷指示使用者在第n2個時間間隔期間不具有第m2個藥物資料時,元素(n2, m2)是二進位數的另一個值。
請參考圖3B。例如,當電子病歷在包括12個月(亦即,時間間隔)的一年(亦即,時間段)內包括10個ICD資料及2個藥物資料時,計算裝置1剖析電子病歷並將電子病歷轉換為12 × (10 + 2)矩陣,該矩陣包括12 × 10子矩陣M32及12 × 2子矩陣M33。
當電子病歷指示使用者在第n1個時間間隔期間被診斷為第m1個ICD資料時,12 × 10子矩陣M32的元素(n1, m1)是二進位數的「1」。例如,當第1個ICD資料對應於糖尿病資料並且使用者在一年的第8個月、第9個月、第10個月、第11個月及第12個月內被診斷患有糖尿病時,12 × 10矩陣M32的元素(8, 1)、(9, 1)、(10, 1)、(11, 1)及(12, 1)是「1」。
當電子病歷指示使用者在第n1個時間間隔期間未被診斷為第m1個ICD資料時,12 × 10子矩陣M32的元素(n1, m1)是二進位數的「0」。例如,當第1個ICD資料對應於糖尿病並且使用者在一年的第1個月、第2個月、第3個月、第4個月、第5個月、第6個月及第7個月內未被診斷患有糖尿病時,12 × 10矩陣M32的元素(1, 1)、(2, 1)、(3, 1)、(4, 1)、(5, 1)、(6, 1)及(7, 1)是「0」。
當電子病歷指示使用者在第n2個時間間隔期間具有第m2個藥物資料時,12 × 2子矩陣M33的元素(n2, m2)是二進位數的「1」。例如,當第1個藥物資料對應於青黴素資料並且使用者在一年的第1個月、第2個月、第6個月、第7個月及第8個月內藉由青黴素治療時,12 × 2矩陣M33的元素(1, 1)、(2, 1)、(6, 1)、(7, 1)及(8, 1)是「1」。
當電子病歷指示使用者在第n2個時間間隔期間不具有第m2個藥物資料時,12 × 2子矩陣M33的元素(n2, m2)是二進位數的「0」。例如,當第1個藥物資料對應於青黴素資料並且使用者不具有在一年的第3個月、第4個月、第5個月、第9個月、第10個月、第11個月及第12個月內藉由青黴素治療的任何記錄時,12 × 2矩陣M33的元素(3, 1)、(4, 1)、(5, 1)、(9, 1)、(10, 1)、(11, 1)及(12, 1)是「0」。
在一些實施例中,ICD資料對應於ICD第九修訂版臨床修改(ICD-9-CM),其包括與癌症相關聯的不同疾病的1092個代碼。藥物資料對應於解剖學治療化學(ATC)代碼,該代碼包括與癌症相關聯的不同藥物的588個代碼。時間段包括200週。因此,如圖4所示,可以將電子病歷轉換為(1092 + 588) × 200矩陣,該矩陣包括1092 × 200子矩陣M30及588 × 200子矩陣M31。在一些實施方案中,ICD資料可以對應於ICD第十修訂版臨床修改(ICD-10-CM),其包括與癌症相關聯的不同疾病的1878個代碼。
本發明之一些實施例包括用於產生癌症預測模型之電腦實施方法,並且該電腦實施方法的流程圖在圖5中示出。一些實施例之電腦實施方法用於計算裝置(例如,前述實施例的計算裝置)。電腦實施方法的詳細步驟描述如下。
由計算裝置執行步驟S501,以擷取複數個訓練資料。各訓練資料可以包括電子病歷及與電子病歷相對應的癌症結果。由計算裝置執行步驟S502,以將電子病歷轉換為各訓練資料的矩陣。
由計算裝置執行步驟S503,以根據機器學習方案利用訓練資料的矩陣及癌症結果產生癌症預測模型。各訓練資料的矩陣可以用作訓練輸入資料,並且與矩陣相對應的癌症結果可以用作訓練輸出資料。在一些實施方案中,癌症預測模型可以根據能夠基於訓練資料構建用於預測結果的模型的CNN演算法產生。
本發明之一些實施例包括用於預測癌症之電腦實施方法,並且該電腦實施方法的流程圖在圖6中示出。一些實施例之電腦實施方法用於計算裝置(例如,前述實施例的計算裝置)。電腦實施方法的詳細步驟描述如下。
由計算裝置執行步驟S601,以自資料庫中擷取使用者的電子病歷。由計算裝置執行步驟S602,以將電子病歷轉換為矩陣。由計算裝置執行步驟S603,以根據癌症預測模型判定與矩陣相對應的癌症預測結果。
不同於有經驗的醫生需要使用影像資料(例如,x射線影像或x射線電腦斷層掃描影像)來判定使用者是否患有癌症,本發明中引入了非影像資料(亦即,包括文字資料的電子病歷)及機器學習方案以更精確地預測癌症。
應當特別理解,上述實施例中提到的處理器可以是中央處理單元(CPU)、能夠執行相關指令的其他硬體電路元件或者熟習此項技術者基於上文揭示內容熟知的計算電路的組合。
此外,上述實施例中提到的儲存單元可以包括用於儲存資料的記憶體(諸如ROM、RAM等)或儲存裝置(諸如快閃記憶體、HDD、SSD等)。進一步地,上述實施例中提到的通信匯流排可以包括用於在諸如處理器、儲存單元、感測器及報警元件等元件之間傳輸資料的通信介面,並且可以包括電匯流排介面、光學匯流排介面或者甚至無線匯流排介面。然而,此類描述並不意欲限制本發明的硬體實施方案實施例。
儘管已經對本發明及其優點進行詳細說明,但是應當理解的是,在不背離由所附申請專利範圍定義的本發明的精神及範疇的前提下,本文可以作出各種改變、替換及替代。例如,上文所討論的許多製程可以以不同的方法實施,並且由其他製程或其組合代替。
此外,本申請的範疇並不意欲限於本說明書中描述的製程、機器、製造、物質組合物、構件、方法及步驟的具體實施例。如一般熟習此項技術者將自本發明的揭示內容容易地理解,可以根據本發明利用執行與本文所述的對應實施例中的功能基本上相同的功能或實現與本文所述的對應實施例中的結果基本上相同的結果的當前存在或隨後待開發的製程、機器、製造、物質組合物、構件、方法或步驟。因此,所附申請專利範圍意欲在其範疇內包括此類製程、機器、製造、物質組合物、構件、方法或步驟。
1:計算裝置
11:處理器
13:儲存單元
17:匯流排
DB:資料庫
M10:10×12矩陣
M12:12×10矩陣
M30:10×12子矩陣/10×12矩陣/1092×200子矩陣
M31:2×2子矩陣/2 × 12矩陣/588×200子矩陣
M32:12×10矩陣/12×10子矩陣
M33:12×2子矩陣/12×2矩陣
ML:癌症預測模型
MX:矩陣
PG:程式
RMR:電子病歷
RT:癌症預測結果
S501:步驟
S502:步驟
S503:步驟
S601:步驟
S602:步驟
S603:步驟
TD:訓練資料
當與附圖一起閱讀以下實施方式時,可以根據以下實施方式最好地理解本發明的各態樣。應注意,根據行業中的標準實踐,各種特徵不是按比例繪製的。實際上,為了討論的清晰起見,可以任意地增大或減小各種特徵的尺寸。
當結合附圖考慮時,可以藉由參考實施方式及申請專利範圍得出對本發明更徹底的理解,其中貫穿附圖,相似的參考數字係指類似的元件。
圖1A是根據本發明之一些實施例的計算裝置的方塊圖。
圖1B是根據本發明之一些實施例的計算裝置的方塊圖。
圖1C是根據本發明之一些實施例的預測癌症的示意圖。
圖2A是根據本發明之一些實施例的自電子病歷轉換的矩陣的示意圖。
圖2B是根據本發明之一些實施例的自電子病歷轉換的矩陣的示意圖。
圖3A是根據本發明之一些實施例的自電子病歷轉換的矩陣的示意圖。
圖3B是根據本發明之一些實施例的自電子病歷轉換的矩陣的示意圖。
圖4是根據本發明之一些實施例的自電子病歷轉換的矩陣的示意圖。
圖5是根據本發明之一些實施例之電腦實施方法的流程圖。
圖6是根據本發明之一些實施例之電腦實施方法的流程圖。
S601:步驟
S602:步驟
S603:步驟
Claims (12)
- 一種用於預測癌症之電腦實施方法,其包含:自資料庫中擷取使用者的電子病歷,其中該電子病歷包括一時間段內的至少一個國際疾病分類(ICD)資料;將該時間段內的該至少一個ICD資料轉換為該矩陣,其中該矩陣包括M×N矩陣,該M×N矩陣的元素(m,n)包括二進位數,M表示該至少一個ICD資料的數量,N表示該時間段的時間間隔數,m表示該至少一個ICD資料的第m個ICD資料,並且n表示該時間段的第n個時間間隔,當該電子病歷指示該使用者在第n個時間間隔期間被診斷為第m個ICD資料時,該元素(m,n)是該二進位數的一個值,當該電子病歷指示該使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,該元素(m,n)是該二進位數的另一個值;以及根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
- 如請求項1之電腦實施方法,其中該至少一個ICD資料對應於ICD第九修訂版臨床修改(ICD-9-CM),或ICD第十修訂版臨床修改(ICD-10-CM)。
- 如請求項1之電腦實施方法,其進一步包含:根據機器學習方案利用複數個訓練資料產生該癌症預測模型,其中各訓練資料包括訓練輸入資料及訓練輸出資料,該訓練輸入資料包括訓練矩陣,並且該訓練輸出資料包括與該訓練矩陣相對應的訓練癌症結果。
- 如請求項3之電腦實施方法,其進一步包含:將訓練電子病歷轉換為各訓練資料的該訓練矩陣。
- 如請求項1之電腦實施方法,其中該電子病歷包括文字資料。
- 一種用於預測癌症之電腦實施方法,其包含:自資料庫中擷取使用者的電子病歷,其中該電子病歷包括一時間段內的至少一個國際疾病分類(ICD)資料以及該時間段內的至少一個藥物資料;將該時間段內的該至少一個ICD資料及該至少一個藥物資料轉換為該矩陣,其中該矩陣包括M1×N子矩陣及M2×N子矩陣,M1表示該至少一個ICD資料的數量,M2表示該至少一個藥物資料的數量,N表示該時間段的時間間隔數,該M1×N子矩陣的元素(m1,n1)包括二進位數,同時m1表示該至少一個ICD資料的第m1個ICD資料,並且n1表示該時間段的第n1個時間間隔,當該電子病歷指示該使用者在第n1個時間間隔期間被診斷為第m1個ICD資料時,該元素(m1,n1)是該二進位數的一個值,當該電子病歷指示該使用者在第n1個時間間隔期間未被診斷為第m1個ICD資料時,該元素(m1,n1)是該二進位數的另一個值,該M2×N子矩陣的元素(m2,n2)包括二進位數,同時m2表示該至少一個藥物資料的第m2個藥物資料,並且n2表示該時間段的第n2個時間間隔,當該電子病歷指示該使用者在第n2個時間間隔期間具有第m2個藥物資料時,該元素(m2,n2)是該二進位數的一個值,當該電子病歷指示該使用者在第n2個時間間隔期間 不具有第m2個藥物資料時,該元素(m2,n2)是該二進位數的另一個值;以及根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
- 一種用於產生癌症預測模型之電腦實施方法,其包含:擷取複數個訓練資料,其中各訓練資料包括電子病歷及與該電子病歷相對應的癌症結果;將該電子病歷轉換為各訓練資料的矩陣,其中該矩陣包括M×N矩陣,該M×N矩陣的元素(m,n)包括二進位數,M表示該至少一個ICD資料的數量,N表示該時間段的時間間隔數,m表示該至少一個ICD資料的第m個ICD資料,並且n表示該時間段的第n個時間間隔,當該電子病歷指示該使用者在第n個時間間隔期間被診斷為第m個ICD資料時,該元素(m,n)是該二進位數的一個值,當該電子病歷指示該使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,該元素(m,n)是該二進位數的另一個值;以及根據機器學習方案利用該複數個訓練資料產生癌症預測模型,其中使用各訓練資料的該矩陣作為訓練輸入資料,並且使用與該矩陣相對應的該癌症結果作為訓練輸出資料。
- 一種用於預測癌症之計算裝置,其包含:處理器;以及儲存單元,該儲存單元包括程式,該程式當被執行時使該處理器:擷取使用者的電子病歷,其中,該電子病歷包括一時間段內的至 少一個國際疾病分類(ICD)資料;將該時間段內的該至少一個ICD資料轉換為該矩陣,其中該矩陣包括M×N矩陣,該M×N矩陣的元素(m,n)包括二進位數,M表示該至少一個ICD資料的數量,N表示該時間段的時間間隔數,m表示該至少一個ICD資料的第m個ICD資料,並且n表示該時間段的第n個時間間隔,當該電子病歷指示該使用者在第n個時間間隔期間被診斷為第m個ICD資料時,該元素(m,n)是該二進位數的一個值,當該電子病歷指示該使用者在第n個時間間隔期間未被診斷為第m個ICD資料時,該元素(m,n)是該二進位數的另一個值;以及根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
- 如請求項8之計算裝置,其中該至少一個ICD資料對應於ICD第九修訂版臨床修改(ICD-9-CM),或ICD第十修訂版臨床修改(ICD-10-CM)。
- 如請求項8之計算裝置,其中該程式當被執行時進一步使該處理器:根據機器學習方案利用複數個訓練資料產生該癌症預測模型,其中各訓練資料包括訓練輸入資料及訓練輸出資料,該訓練輸入資料包括訓練矩陣,並且該訓練輸出資料包括與該訓練矩陣相對應的訓練癌症結果。
- 如請求項10之計算裝置,其中該程式當被執行時進一步使該處理器:將訓練電子病歷轉換為各訓練資料的該訓練矩陣。
- 一種用於預測癌症之計算裝置,其包含:處理器;以及儲存單元,該儲存單元包括程式,該程式當被執行時使該處理器:擷取使用者的電子病歷,其中,該電子病歷包括一時間段內的至少一個國際疾病分類(ICD)資料以及該時間段內的至少一個藥物資料;將該時間段內的該至少一個ICD資料及該至少一個藥物資料轉換為該矩陣,其中該矩陣包括M1×N子矩陣及M2×N子矩陣,M1表示該至少一個ICD資料的數量,M2表示該至少一個藥物資料的數量,N表示該時間段的時間間隔數,該M1×N子矩陣的元素(m1,n1)包括二進位數,同時m1表示該至少一個ICD資料的第m1個ICD資料,並且n1表示該時間段的第n1個時間間隔,當該電子病歷指示該使用者在第n1個時間間隔期間被診斷為第m1個ICD資料時,該元素(m1,n1)是該二進位數的一個值,當該電子病歷指示該使用者在第n1個時間間隔期間未被診斷為第m1個ICD資料時,該元素(m1,n1)是該二進位數的另一個值,該M2×N子矩陣的元素(m2,n2)包括二進位數,同時m2表示該至少一個藥物資料的第m2個藥物資料,並且n2表示該時間段的第n2個時間間隔,當該電子病歷指示該使用者在第n2個時間間隔期間具有第m2個藥物資料時,該元素(m2,n2)是該二進位數的一個值,當該電子病歷指示該使用者在第n2個時間間隔期間不具有第m2個藥物資料時,該元素(m2,n2)是該二進位數的另一個值;以及根據癌症預測模型判定與該矩陣相對應的癌症預測結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128787A TWI770591B (zh) | 2020-08-24 | 2020-08-24 | 用於預測癌症之電腦實施方法及計算裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128787A TWI770591B (zh) | 2020-08-24 | 2020-08-24 | 用於預測癌症之電腦實施方法及計算裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202209349A TW202209349A (zh) | 2022-03-01 |
TWI770591B true TWI770591B (zh) | 2022-07-11 |
Family
ID=81747118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109128787A TWI770591B (zh) | 2020-08-24 | 2020-08-24 | 用於預測癌症之電腦實施方法及計算裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI770591B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI807972B (zh) * | 2022-08-24 | 2023-07-01 | 臺北醫學大學 | 產生預測腦影像之方法及裝置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
WO2019173408A1 (en) * | 2018-03-06 | 2019-09-12 | Advinow, Llc | Systems and methods for creating an expert-trained data model |
WO2019246511A1 (en) * | 2018-06-22 | 2019-12-26 | Sanofi | Predicting rates of hypoglycemia by a machine learning system |
CN110691548A (zh) * | 2017-07-28 | 2020-01-14 | 谷歌有限责任公司 | 用于从电子健康记录中预测和总结医疗事件的系统和方法 |
TWM614191U (zh) * | 2020-08-24 | 2021-07-11 | 臺北醫學大學 | 用於預測癌症之計算裝置 |
-
2020
- 2020-08-24 TW TW109128787A patent/TWI770591B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
CN110691548A (zh) * | 2017-07-28 | 2020-01-14 | 谷歌有限责任公司 | 用于从电子健康记录中预测和总结医疗事件的系统和方法 |
WO2019173408A1 (en) * | 2018-03-06 | 2019-09-12 | Advinow, Llc | Systems and methods for creating an expert-trained data model |
WO2019246511A1 (en) * | 2018-06-22 | 2019-12-26 | Sanofi | Predicting rates of hypoglycemia by a machine learning system |
TWM614191U (zh) * | 2020-08-24 | 2021-07-11 | 臺北醫學大學 | 用於預測癌症之計算裝置 |
Also Published As
Publication number | Publication date |
---|---|
TW202209349A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108417272B (zh) | 带时序约束的相似病例推荐方法及装置 | |
US11276495B2 (en) | Systems and methods for predicting multiple health care outcomes | |
US20220044809A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
EP2988236B1 (en) | Predictive model generator | |
JP7320280B2 (ja) | ラベル収集装置、ラベル収集方法及びラベル収集プログラム | |
CN111047611A (zh) | 病灶体积测量方法和装置 | |
JP2019121390A (ja) | 診断支援装置、診断支援システム、及び診断支援プログラム | |
CN113012803B (zh) | 计算机设备、系统、可读存储介质及医学数据分析方法 | |
TWI770591B (zh) | 用於預測癌症之電腦實施方法及計算裝置 | |
KR102274072B1 (ko) | 사용자의 치매 정도 결정 방법 및 장치 | |
CN109545384A (zh) | 一种医学诊断方法及装置 | |
CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
WO2023110477A1 (en) | A computer implemented method and a system | |
Chan et al. | Learning from imbalanced COVID-19 chest X-ray (CXR) medical imaging data | |
TWM614191U (zh) | 用於預測癌症之計算裝置 | |
CN113192627A (zh) | 一种基于病人与疾病二部图的再入院预测方法及系统 | |
CN106202847B (zh) | 一种就诊预测方法 | |
CN113378929B (zh) | 一种肺结节生长预测方法和计算机设备 | |
US20190035502A1 (en) | Systems and methods for managing care teams | |
US20220059222A1 (en) | Computer-implemented method and computing device for predicting cancer | |
WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN112394924B (zh) | 用于生成提问模型的方法、装置、电子设备和介质 | |
Wolock et al. | A framework for leveraging machine learning tools to estimate personalized survival curves | |
US11335466B2 (en) | Method for determining disease symptom relations using acceptance and rejection of random samples | |
CN113488178B (zh) | 一种信息生成方法、装置、存储介质及电子设备 |