-
公开(公告)号：CN116364290A
公开(公告)日：2023-06-30
申请号：CN202310644753.5
申请日：2023-06-02
Applicant: 之江实验室
IPC: G16H50/30 , G16H10/60 , G06F18/10 , G06F18/24 , G06F18/213 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于多视图对齐的血透表征识别与并发症风险预测系统，包括用于采集和整理血透患者数据的数据准备模块，以及用于血透表征识别与并发症风险预测的血透表征识别模块。本发明采用多视图表征输入方法，获取患者的个体特征数据、用药数据、诊断数据以及检查数据，通过特征提取单元和多视图映射单元构建多种患者视图，提供患者的综合表示。本发明利用不同特征提取单元对不同类型患者数据进行特征提取，保留不同数据的语义信息，并通过构建不同视图的一致性损失项和互补性损失项，挖掘不同视图间潜在的互补性与一致性信息，获取更加完备且不冗余的特征表示，从而提升学习任务的性能。本发明能够为临床预测提供准确、有效的决策支持。
-
公开(公告)号：CN115719647B
公开(公告)日：2023-04-11
申请号：CN202310029096.3
申请日：2023-01-09
Applicant: 之江实验室
Abstract: 本发明公开了融合主动学习和对比学习的血透并发心血管疾病预测系统，包括：血透数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者样本的结构化数据，并对所述结构化数据处理得到扩增结构化数据；血透并发心血管疾病风险预测模块，用于构建风险评价模型，将所述扩增结构化数据通过所述风险评价模型训练学习得到患者表征和评分，并利用所述患者表征和评分进行血透并发心血管疾病风险预测。本发明解决正负样本匹配问题，利用血透并发心血管疾病的真实标签数据，迭代式地更新对比学习模型参数，利用真实的并发症结果标签提升模型性能；解决采集的样本过少或者阳性样本和阴性样本数量不平衡的问题，同时减少扩增数据与原始数据的差异性。
-
公开(公告)号：CN114913982B
公开(公告)日：2022-10-11
申请号：CN202210838416.5
申请日：2022-07-18
Applicant: 之江实验室
Abstract: 本发明公开了一种基于对比学习的终末期肾病并发症风险预测系统，包括终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。本发明基于倾向性得分匹配与SMOTE结合，进行数据扩增和正负样本匹配，以扩增结构化的终末期肾病数据，并解决正负样本不均衡的问题；从多个角度防止特征崩溃现象，获得更好的表征效果，从而提高模型性能。
-
公开(公告)号：CN114664452B
公开(公告)日：2022-09-23
申请号：CN202210547826.4
申请日：2022-05-20
Applicant: 之江实验室
Abstract: 本发明公开了一种基于因果校验数据生成的全科多疾病预测系统，本发明针对全科场景，从因果性的角度出发，提出了基于全科倾向性得分网络的倾向性得分计算方法；相较于传统生成式对抗网络可解释性差的问题，本发明提出了基于因果校验的生成式对抗网络，使得生成的数据更加符合真实的因果逻辑；针对现有图卷积神经网络仅从相关性角度建模的问题，本发明提出了基于全科因果图卷积神经网络的全科多疾病预测模型，融入因果效应值以提升全科多疾病预测系统对疾病的预测性能，解决了全科场景因训练样本少导致模型表现差以及鲁棒性不高的问题。
-
公开(公告)号：CN112530594B
公开(公告)日：2021-05-11
申请号：CN202110179779.8
申请日：2021-02-08
Applicant: 之江实验室
Abstract: 本发明公开了一种基于卷积生存网络的血透并发症长期风险预测系统，该系统包括数据采集模块、数据预处理模块、学习预测模块和结果展示模块；本发明利用卷积神经网络处理多维度的血透时序特征；卷积神经网络结合Cox比例风险假设，提出卷积生存网络；在利用卷积生存网络的基础上，采用Breslow估计基准风险函数，计算患者的长期风险变化情况。本发明可以充分利用医学研究中常见的截尾数据；应用卷积神经网络的主体架构，便于可视化分析，做出具有可解释性、具有启发性的结果；可以预测患者长期的风险变化情况。
-
Patent Agency Ranking
公开(公告)号：CN118230978B
公开(公告)日：2024-08-13
申请号：CN202410660224.9
申请日：2024-05-27
Applicant: 之江实验室
IPC: G16H50/70 , G16H10/60 , G06N5/022 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种疾病风险预测方法、系统、电子设备、介质，包括：获取医学知识图谱；根据医学知识图谱从每一个患者的电子病历数据中提取医学实体及其对应的关系从而构建每一个患者对应的电子病历图数据；基于医学知识图谱中的三元组对电子病历图数据进行增强从而获取简化电子病历图数据和扩展电子病历图数据；基于患者的电子病历数据提取患者数值信息表示；基于电子病历图数据提取患者语义信息表示；基于电子病历图数据、简化电子病历图数据、扩展电子病历图数据提取患者结构信息表示；将三者进行拼接得到患者融合表示；将患者融合表示输入至预先训练好的疾病风险预测模型中，得到疾病风险预测结果。
-
公开(公告)号：CN117010494B
公开(公告)日：2024-01-05
申请号：CN202311257598.8
申请日：2023-09-27
Applicant: 之江实验室
IPC: G06N5/02 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于因果表示学习的医学数据生成方法及系统，包括：获取医学知识图谱；根据医学知识图谱将患者医学数据重构为患者数据图谱；根据患者数据图谱得到邻接矩阵和节点初始嵌入表示集合，通过图编码器得到患者表征；根据患者表征利用注意力机制将患者数据图谱解耦为患者因果特征图和患者混淆特征图；根据患者因果特征图和患者混淆特征图生成患者重构因果特征图、患者合成因果特征图，构建并基于对抗学习训练医学数据生成模型，实现无法区分患者因果特征图与患者合成因果特征图，同时使患者因果特征图与患者重构因果特征图尽可能相似；将目标患者数据图谱输入至训练好的医学数据生成模型，得到生成的医学数据。
-
公开(公告)号：CN116759042B
公开(公告)日：2023-12-22
申请号：CN202311057093.7
申请日：2023-08-22
Applicant: 之江实验室
IPC: G16H10/60 , G16H50/70 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于环形一致性的反事实医疗数据生成系统，包括数据准备模块和反事实医疗数据生成模块，数据准备模块用于获取准备好的患者数据，反事实医疗数据生成模块用于生成反事实患者数据，利用生成器和训练好的解码器生成符合真实取值范围的与患者数据结局相反的反事实患者数据和与重建数据，基于结局相同的患者数据和反事实患者数据优化判别器；基于结局相同的患者数据和重建数据的环形一致性差异优化生成器，优化完成后固定生成器的参数生成反事实患者数据。本发明还公开了一种基于环形一致性的反事实数据生成方法。本发明方法能够生成准确可靠且鲁棒性强的反事实患
-
公开(公告)号：CN117010494A
公开(公告)日：2023-11-07
申请号：CN202311257598.8
申请日：2023-09-27
Applicant: 之江实验室
IPC: G06N5/02 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于因果表示学习的医学数据生成方法及系统，包括：获取医学知识图谱；根据医学知识图谱将患者医学数据重构为患者数据图谱；根据患者数据图谱得到邻接矩阵和节点初始嵌入表示集合，通过图编码器得到患者表征；根据患者表征利用注意力机制将患者数据图谱解耦为患者因果特征图和患者混淆特征图；根据患者因果特征图和患者混淆特征图生成患者重构因果特征图、患者合成因果特征图，构建并基于对抗学习训练医学数据生成模型，实现无法区分患者因果特征图与患者合成因果特征图，同时使患者因果特征图与患者重构因果特征图尽可能相似；将目标患者数据图谱输入至训练好的医学数据生成模型，得到生成的医学数据。
-
公开(公告)号：CN116434969A
公开(公告)日：2023-07-14
申请号：CN202310701410.8
申请日：2023-06-14
Applicant: 之江实验室
Abstract: 本发明公开了一种基于因果结构不变性的多中心慢性病预测装置，包括以下步骤，根据单个中心患者特征数据与其结局，建立每个中心的因果关系，使患者的特征数据在该因果关系下拟合其结局，根据患者的特征数据在该因果关系下的拟合结局对比实际结局的差异性，与不同医疗中心的因果关系之间的差异性共同修正该因果关系，当拟合误差和不同中心因果关系之间的差异达到预设要求时，该因果关系经噪声处理后得到多中心场景下稳定的因果结构；通过因果结构建立更为直观的因果结构图；通过因果结构图构建慢性病结局预测模型。本发明挖掘数据中更深层次的因果逻辑关系，解决了传统方法可解释性不足的问题，为慢性病决策支持提供更加合理的决策建议。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.057 seconds)
