-
公开(公告)号：CN117574896B
公开(公告)日：2024-04-09
申请号：CN202410056657.3
申请日：2024-01-16
Applicant: 之江实验室
IPC: G06F40/289 , G06F40/242 , G06F40/247 , G16H10/60
Abstract: 本发明涉及一种基于电子病历文本的手术费用识别方法、装置及存储介质，其中方法包括：步骤S1：获取标准手术词集合，并构建标准手术词集合的超集；步骤S2：将非结构化的电子病历文本预处理，得到和手术相关的片段，并对各片段进行分词，分别得到关联于各片段的单词序列；步骤S3：将单词序列输入至训练好的手术词生成模型，生成原始手术词序列；步骤S4：对所有原始手术词进行合并，得到多个原始手术词集合；步骤S5：基于原始手术词集合构建手术词树；步骤S6：将手术词树中的节点映射至标准手术词，并将根节点的所有第一级子节点所映射的标准手术词的费用之和作为识别结果。与现有技术相比，本发明具有准确率高等优点。
-
公开(公告)号：CN117116407B
公开(公告)日：2024-02-23
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。
-
公开(公告)号：CN116306589B
公开(公告)日：2024-02-09
申请号：CN202310521134.7
申请日：2023-05-10
Applicant: 之江实验室
IPC: G06F40/216 , G06F40/279 , G06F16/35 , G06N3/0455 , G06N3/084 , G10L15/26 , G16H10/60
Abstract: 本说明书公开了一种急救场景的医疗文本纠错及智能提取的方法及装置，可以获取语音识别出的急救医疗文本，而后，根据统计语言模型和/或错字识别模型，确定急救医疗文本中存在的错误位置，进而，确定每个错误位置对应的候选代替字，并根据每个错误位置对应的候选代替字，确定将急救医疗文本进行纠错后的各候选纠错文本，以从各候选纠错文本中选取出目标文本，最后，可以将预设的医疗信息类型与目标文本输入到预先训练的信息提取模型的第一网络层中，以使第一网络层输出提示信息向量，将提示信息向量和目标文本输入到信息提取模型的第二网络层，以通过信息提取模型从目标文本中(56)对比文件Yun Zhao et al.BART based semanticcorrection for Mandarin automatic speechrecognition system《.Computation andLanguage》.2021,全文.
-
公开(公告)号：CN116994694B
公开(公告)日：2024-01-09
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：CN116936108B
公开(公告)日：2024-01-02
申请号：CN202311209085.X
申请日：2023-09-19
Applicant: 之江实验室
IPC: G16H50/30 , G06F16/36 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种面向不平衡数据的疾病预测系统，包括知识图谱构建及关系权重向量计算模块，用于构建医用知识图谱，利用医用知识图谱计算每个概念的关系权重向量；图数据表示模块，用于获取医疗图数据并学习医疗图数据的嵌入表示；图数据增广模块，用于利用GAN模型对医疗图数据中的不平衡数据进行增广，使数据保持平衡；图神经网络训练模块，用于利用增广后的医疗图数据训练第二图神经网络模型；疾病预测模块，用于将患者的图数据输入训练好的第二图神经网络模型中进行疾病预测。本发明利用知识图谱中丰富的关系信息提高生成边的质量；结合对抗生成网络模型，能够生成更真实的图数据
-
Patent Agency Ranking
公开(公告)号：CN117311760A
公开(公告)日：2023-12-29
申请号：CN202311237605.8
申请日：2023-09-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于服务类型传输策略的医疗服务部署方法，该方法通过中心服务器将各个医疗服务自动传输至对应的医疗机构中，使得各医疗机构能够自动更新docker镜像后启动医疗服务，从而实现了自动更新医疗机构节点配置，即医疗机构的docker镜像来启动对应的医疗服务，降低了运维人员的工作量，工作效率较高，并且本发明通过将医疗服务分类传输，依据不同类型的医疗服务采用不同的策略以加快传输速度，尽快完成医疗服务的部署。
-
公开(公告)号：CN116991563B
公开(公告)日：2023-12-22
申请号：CN202311269953.3
申请日：2023-09-28
Applicant: 之江实验室
Abstract: 本发明公开了一种支持快速构建沙箱的队列生成方法及装置，所述方法包括：获取沙箱创建数据，并以时间段分类；基于沙箱创建数据，采用时间序列预测每台前置机下一时间段所需的沙箱创建数量；为每台前置机创建队列长度与预测沙箱创建数量相等的队列，按照第一策略将任务分配到各个队列中，按照第二策略将队列中的任务分配给各个前置机任务队列进行倒序创建，利用基础沙箱镜像，为每台前置机任务队列中的任务分层构建沙箱。上述方法用于解决沙箱建立过程复杂、用户等待时间长、空置沙箱造成资源浪费的问题。
-
公开(公告)号：CN117056637A
公开(公告)日：2023-11-14
申请号：CN202311251051.7
申请日：2023-09-26
Applicant: 之江实验室
IPC: G06F16/958 , G06F16/957
Abstract: 本申请涉及一种无障碍网页生成方法、装置、计算机设备和存储介质，包括：获取网页的文档对象模型数据，其中，所述文档对象模型数据由多个节点组成，各所述节点包含内容和标签；获取预设规则集合，其中，各预设规则包含标签和逻辑转换代码；遍历所述文档对象模型数据中的节点，将所述预设规则集合中的各预设规则与当前节点的标签进行匹配；若存在第一预设规则的标签和当前节点的标签一致，则确定所述第一预设规则与当前节点相匹配，并根据所述第一预设规则的逻辑转换代码修改当前节点的内容；根据修改后的所述文档对象模型数据，生成无障碍网页，自动且快速地基于原始代码生成无障碍网页，降低生成无障碍网页的人力、时间成本。
-
公开(公告)号：CN116994687A
公开(公告)日：2023-11-03
申请号：CN202311272949.2
申请日：2023-09-28
Applicant: 之江实验室
Abstract: 本发明公开了一种基于反事实对比的临床决策支持模型解释系统，该系统包括用于解读待解释的决策支持模型的模型基础信息的模型解读模块；用于得到反事实状态的患者数据的反事实数据生成模块；用于解释待解释的决策支持模型并给出反事实对比解释的反事实对比解释模块。本发明利用反事实对比的方法，对比患者数据与反事实状态的患者数据在相同临床决策支持模型下的决策差异，获得具有因果解释性的反事实对比解释，解决了传统全局解释方法因果解释性不足的问题。本发明提供患者个体的局部解释的同时还能够提供全局解释，解决了传统局部解释方法全局泛化性差且无法给出全局解释的问题。
-
公开(公告)号：CN116994671A
公开(公告)日：2023-11-03
申请号：CN202311242750.5
申请日：2023-09-25
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于点云数据快速筛选小分子药物的方法及装置。方法包括：获取靶蛋白对应的受体结构模型，并基于受体结构模型中各原子之间的空间几何关系，确定受体结构模型对应的第一点云数据；根据第一点云数据对受体结构模型进行裁剪，得到目标受体结构模型；针对每个药物分子，确定靶蛋白与该药物分子的复合物结构模型；确定复合物结构模型对应的第二点云数据，并根据第二点云数据中的每个原子点对应的位置信息、每个原子点对应原子的类型信息以及每个原子点对应原子的结构信息中的至少一种，构建预测模型的输入数据；将输入数据输入预先训练的预测模型中，确定结合亲和力；根据每个药物分子与靶蛋白之间的结合亲和力进行药物筛选。
-
-
-
-
-
-
-
-
-
Search Results
313
records
(took 0.045 seconds)
