公开(公告)号：CN113724876A

公开(公告)日：2021-11-30

申请号：CN202111060331.0

申请日：2021-09-10

Applicant: 南昌大学第二附属医院

Inventor： 易应萍 ,  程学新 ,  祝新根 ,  邵江华 ,  罗颢文 ,  刘建模 ,  俞鹏飞

IPC: G16H50/30 ,  G16H50/20 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于多模态融合和DFS‑LLE算法的脑卒中院内并发症预测模型，该模型构建方法包括如下步骤：S1、采集脑卒中患者住院期间的截止并发症发生时的就诊数据，就诊数据包括临床结构化和医学图像2种模态的数据；S2、分别对2种模态的数据进行预处理；S3、提取医学图像中影像组学特征，与临床结构化数据进行多模态融合；S4、利用DFS技术对经步骤S3融合后的特征进行合成；S5、利用LLE对经步骤S4合成的特征进行降维；S6、根据上述数据构建基于深度神经网络的脑卒中并发症预测模型。本发明能有效的提升模型的预测性能，提高脑卒中并发症的预测能力，为临床提供强有力的辅助决策作用。

公开(公告)号：CN118430819B

公开(公告)日：2024-09-24

申请号：CN202410888748.3

申请日：2024-07-04

Applicant: 南昌大学第二附属医院

Inventor： 易应萍 ,  刘建模 ,  罗颢文 ,  俞鹏飞

IPC: G16H50/30 ,  G06V10/40 ,  G06V10/80 ,  G06V10/766 ,  G06V10/774 ,  G06T7/10

Abstract: 本发明提供了一种脑卒中预测复发方法及系统，涉及医疗预测领域，具体技术方案为：获取脑卒中多源异构数据，包括：诊疗数据、MRI影像数据、N年内随访数据；提出谱聚类联合XGBoost方法填补患者结构化空缺数据；以UNet为基础架构引入多尺度残差注意力机制，建立脑卒中病灶分割模型，实现脑卒中梗死病灶的自动识别；利用高斯变换方法实现对图像的高维度转换，提取多变种高维度影像组学特征；提出改良的特征筛选方法，实现高维度特征的深度挖掘。以深度森林算法为基础引入XGBoost，与随机森林和极端随机森林共同组成深度森林的级联结构，建立预测复发模型，评估脑卒中患者出院后N年内的复发风险。

公开(公告)号：CN113808747B

公开(公告)日：2023-12-26

申请号：CN202111180311.7

申请日：2021-10-11

Applicant: 南昌大学第二附属医院

Inventor： 易应萍 ,  程学新 ,  祝新根 ,  邵江华 ,  刘建模 ,  罗颢文 ,  俞鹏飞

IPC: G16H50/30 ,  G06V10/762 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种缺血性脑卒中复发预测方法，首先，提取患者多维数据进行融合，将融合后的数据进行Lasso分析，输出关键因子。其次，对数据集中的空缺值进行填充，对未复发且存在住院史的患者、没有住院史的患者缺失量较多的特征以及没有住院史的患者缺失量较少的特征，分别采用三种不同的方式进行填充。然后对数据集中存在的样本不平衡采取样本不平衡处理方式进行处理。同时取患者脑部CT影像数据，采用GCForest多粒度扫描层对影像数据进行卷积学习，通过特征重塑将特征规整为[32,1]大小。将重塑后的特征作为固定特征与结构化特征联合传入至GCForest多粒度扫描层进行特征增强，最后传入至级联森林进行模型训练。本发明为人工智能技术在医疗的应用提供新思路。

公开(公告)号：CN113808747A

公开(公告)日：2021-12-17

申请号：CN202111180311.7

申请日：2021-10-11

Applicant: 南昌大学第二附属医院

Inventor： 易应萍 ,  程学新 ,  祝新根 ,  邵江华 ,  刘建模 ,  罗颢文 ,  俞鹏飞

IPC: G16H50/30 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种缺血性脑卒中复发预测方法，首先，提取患者多维数据进行融合，将融合后的数据进行Lasso分析，输出关键因子。其次，对数据集中的空缺值进行填充，对未复发且存在住院史的患者、没有住院史的患者缺失量较多的特征以及没有住院史的患者缺失量较少的特征，分别采用三种不同的方式进行填充。然后对数据集中存在的样本不平衡采取样本不平衡处理方式进行处理。同时取患者脑部CT影像数据，采用GCForest多粒度扫描层对影像数据进行卷积学习，通过特征重塑将特征规整为[32,1]大小。将重塑后的特征作为固定特征与结构化特征联合传入至GCForest多粒度扫描层进行特征增强，最后传入至级联森林进行模型训练。本发明为人工智能技术在医疗的应用提供新思路。

公开(公告)号：CN118430819A

公开(公告)日：2024-08-02

申请号：CN202410888748.3

申请日：2024-07-04

Applicant: 南昌大学第二附属医院

Inventor： 易应萍 ,  刘建模 ,  罗颢文 ,  俞鹏飞

IPC: G16H50/30 ,  G06V10/40 ,  G06V10/80 ,  G06V10/766 ,  G06V10/774 ,  G06T7/10

Abstract: 本发明提供了一种脑卒中预测复发方法及系统，涉及医疗预测领域，具体技术方案为：获取脑卒中多源异构数据，包括：诊疗数据、MRI影像数据、N年内随访数据；提出谱聚类联合XGBoost方法填补患者结构化空缺数据；以UNet为基础架构引入多尺度残差注意力机制，建立脑卒中病灶分割模型，实现脑卒中梗死病灶的自动识别；利用高斯变换方法实现对图像的高维度转换，提取多变种高维度影像组学特征；提出改良的特征筛选方法，实现高维度特征的深度挖掘。以深度森林算法为基础引入XGBoost，与随机森林和极端随机森林共同组成深度森林的级联结构，建立预测复发模型，评估脑卒中患者出院后N年内的复发风险。