-
公开(公告)号：CN117034142B
公开(公告)日：2024-02-09
申请号：CN202311283938.4
申请日：2023-10-07
Applicant: 之江实验室
IPC: G06F18/2415 , G16H10/60 , G06F17/16 , G06N3/0464
Abstract: 本发明公开了一种不平衡医疗数据缺失值填充方法及系统，本发明使用推土机距离构建生成器和判别器的损失，能够解决在训练过程中生成器可能出现消失梯度的问题；将患者标签作为监督信号加入到生成器中，增加生成器生成患者数据的多样性；增加了辅助分类器，对填补单元填补后的患者数据进行预测，并将预测结果反馈给生成器，提高生成器的生成效果；利用随机数填充患者数据的缺失部分，将填充后的患者数据作为生成器的输入，通过生成器学习缺失值与其他数据间的关系，避免了在训练过程中需要收集足够多完整样本的问题；生成器损失由三部分组成，通过构建不同的损失，让生成器从不同角度考虑填充的效果，从而提高填充结果的准确性。
-
公开(公告)号：CN117077649B
公开(公告)日：2024-01-09
申请号：CN202311336529.6
申请日：2023-10-16
Applicant: 之江实验室
IPC: G06F40/186 , G06F40/166 , G06F16/28
Abstract: 本说明书公开了一种生成医疗文本提取模版方法，从上述方法可以看出，本申请将若干医疗文本输入训练完成的提取模型，得到提取模型输出的若干医疗文本分别对应的候选提取模版。根据候选提取模版中每个元素出现频率，以及与其他元素的共现次数，分别确定每个元素的代表性和可靠性。根据代表性以及可靠性，确定每个元素的置信度，根据置信度对候选提取模版过滤，提高候选提取模板包含的元素对医疗文本覆盖率。将过滤后的候选提取模版进行聚合，可以提高候选提取模板的泛化性，根据聚合结果，确定目标提取模版。实现了自动生成医疗文本提取模版，减少人力成本，提高了提取医学信息的效率和准确性。
-
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：CN117116407A
公开(公告)日：2023-11-24
申请号：CN202311367938.2
申请日：2023-10-23
Applicant: 之江实验室
IPC: G16H10/60 , G16H50/70 , G06F40/205
Abstract: 本发明涉及一种基于电子病历的患者画像生成方法、装置及存储介质，其中方法包括：基于原始电子病历数据得到各业务场景下的长文本形式的电子病历数据；根据文本内容确定电子病历文本的深层结构化结果；构建训练集，对信息抽取模型进行训练；基于训练好的信息抽取模型，输入病历文本数据，得到对应于该文本的深层结构化结果；取目标患者在各业务场景下的各类型文本对应的深层结构化结果，并根据时间顺序进行整合得到患者画像。与现有技术相比，本发明具有体现患者病情细节与动态变化的同时减小无用信息量等优点。
-
Patent Agency Ranking
公开(公告)号：CN116525126B
公开(公告)日：2023-11-24
申请号：CN202310815732.5
申请日：2023-07-05
Applicant: 之江实验室
IPC: G06F17/00
Abstract: 本发明公开了一种基于目标与外源数据多重适配增强的疾病风险预测系统，该系统包括数据输入及预处理模块、预测模型设置及预训练网络构建模块、预训练网络参数计算模块、目标疾病风险预测模型训练模块、疾病风险预测模块；本发明通过多重适配外源数据和目标数据，使外源数据中可共享的有用信息得到充分提取，并通过迁移预训练网络参数实现目标疾病风险预测模型构建的信息增强，提升目标疾病风险预测性能，解决样本量少对模型构建的限制，缓解收集大量目标疾病样本的压力。
-
公开(公告)号：CN117034142A
公开(公告)日：2023-11-10
申请号：CN202311283938.4
申请日：2023-10-07
Applicant: 之江实验室
IPC: G06F18/2415 , G16H10/60 , G06F17/16 , G06N3/0464
Abstract: 本发明公开了一种不平衡医疗数据缺失值填充方法及系统，本发明使用推土机距离构建生成器和判别器的损失，能够解决在训练过程中生成器可能出现消失梯度的问题；将患者标签作为监督信号加入到生成器中，增加生成器生成患者数据的多样性；增加了辅助分类器，对填补单元填补后的患者数据进行预测，并将预测结果反馈给生成器，提高生成器的生成效果；利用随机数填充患者数据的缺失部分，将填充后的患者数据作为生成器的输入，通过生成器学习缺失值与其他数据间的关系，避免了在训练过程中需要收集足够多完整样本的问题；生成器损失由三部分组成，通过构建不同的损失，让生成器从不同角度考虑填充的效果，从而提高填充结果的准确性。
-
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：CN116994694A
公开(公告)日：2023-11-03
申请号：CN202311263207.3
申请日：2023-09-27
Applicant: 之江实验室
IPC: G16H10/60 , G16H50/70 , G06F40/295 , G06F16/33
Abstract: 本发明涉及基于信息提取的患者病历数据筛选方法、装置和介质，方法包括以下步骤：S1、建立训练数据集；S2、采用S1的训练数据集对大语言模型进行微调，实现对分析模型的训练；S3、将预处理后的实际的病历数据输入训练好的分析模型，模型依次对数据进行信息提取和信息推理，然后重复信息提取和信息推理，直至满足迭代终止条件，此时得到提取结果；S4、获取自然文本描述的筛选条件，训练好的分析模型对筛选条件进行解析，提取关键信息，改写为对应的正则表达式，在S3的提取结果中筛选符合正则表达式的病历信息，以筛选符合条件的患者。与现有技术相比，本发明具有上下文理解能力强、系统友好度好等优点。
-
公开(公告)号：CN116386856B
公开(公告)日：2023-10-20
申请号：CN202310655185.9
申请日：2023-06-05
Applicant: 之江实验室
Abstract: 本发明公开了一种基于医生决策模式识别的多标签疾病辅助诊断系统，包括医生个体案例集构建模块、医生个体决策模式拟合模块、共性分量提取与个体分量分离模块、疾病辅助诊断模块；本发明通过个体决策模式识别，从个体决策模式中提取在不同决策模式中共性存在的共性分量、分离更多由医生主观临床经验所主导的个体分量，从而克服主观临床经验对疾病辅助诊断可能产生的负面影响；本发明通过对医生的个体决策模式进行识别，并在医生层面进行共性分量、个体分量的拆分，能够克服领域性特征，通过对共性分量的利用达到更准确的疾病辅助诊断。
-
-
-
-
-
-
-
-
-
Search Results
292
records
(took 0.039 seconds)
