-
公开(公告)号：CN116364299A
公开(公告)日：2023-06-30
申请号：CN202310338675.6
申请日：2023-03-30
Applicant: 之江实验室
IPC: G16H50/70 , G16H50/20 , G16H10/60 , G06F16/36 , G06F17/16 , G06F18/23213 , G06N3/0464
Abstract: 本发明公开一种基于异构信息网络的疾病诊疗路径聚类方法，包括：获取包含诊疗数据和诊疗事件关系的医疗数据；基于所述诊疗事件关系对诊疗数据中的诊疗事件结点进行拓扑连接，构建异构信息网络；基于给定的元路径，通过注意力机制对所述异构信息网络中不同类型诊疗事件的语义关系进行处理，获得诊疗事件邻接矩阵；根据患者的历史诊疗数据，构建基于时序的患者就诊矩阵并与诊疗事件邻接矩阵通过图卷积变换，获得对应的患者特征矩阵；采用K‑Means聚类算法对所述患者特征矩阵进行聚类，并基于聚类结果对相似患者的诊疗数据进行临床分析。本发明还提供了一种疾病诊疗路径聚类系统。本发明提供的方法可以辅助医生进行疾病分型，从而制定精准化治疗方案。
-
公开(公告)号：CN115862848A
公开(公告)日：2023-03-28
申请号：CN202310116468.6
申请日：2023-02-15
Applicant: 之江实验室
Abstract: 本发明公开了一种基于临床数据筛选和医学知识图谱的疾病预测系统及装置，包括初始化模块、医学知识图谱边权重训练模块、疾病诊断预测模块和解释模块；初始化模块：用于构建医学知识图谱以及提取并处理临床数据；所述初始化模块包括：医学知识图谱构建子模块和临床数据提取与处理子模块；医学知识图谱边权重训练模块包括医学知识图谱边权重训练网络、图计算诊断预测子模块和数据筛选子模块针对基于规则的疾病诊断预测系统的无法量化症状与疾病诊断关系、查全率差的问题，本发明利用临床数据中症状与疾病诊断的共现信息，训练医学知识图谱边权重。本系统在预测疾病诊断结果时，可以定量地展示症状对疾病诊断的影响。
-
公开(公告)号：CN115798711A
公开(公告)日：2023-03-14
申请号：CN202211656686.0
申请日：2022-12-22
Applicant: 之江实验室
IPC: G16H50/20 , G16H50/30 , G16H50/50 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于反事实对比学习的慢性肾病诊疗决策支持系统，包括用于采集和预处理慢性肾病患者信息的慢性肾病数据准备模块，以及基于反事实对比学习的慢性肾病诊疗决策支持模块；本发明提出反事实干预模拟方法，利用真实的观察性数据模拟、建模干预过程，解决了慢性肾病诊疗场景中利用观察性数据模拟主动干预的问题；提出反事实对比学习方法，利用慢性肾病并发疾病的真实标签数据，结合反事实干预模拟，解决了反事实样本生成问题。本发明结合风险评价单元、反事实干预模拟单元以及对比学习单元，共同更新编码器、优化风险评价功能，提升慢性肾病诊疗决策支持性能。
-
公开(公告)号：CN115359870A
公开(公告)日：2022-11-18
申请号：CN202211287887.8
申请日：2022-10-20
Applicant: 之江实验室
Abstract: 本发明公开了一种基于层次图神经网络的疾病诊疗过程异常识别系统，包括数据采集模块、数据预处理模块、层次图神经网络构建模块、诊疗过程异常评分计算模块和诊疗过程异常识别应用模块。本发明提出层次图神经网络模型构建和训练方法，对复杂的纵向电子病历数据进行建模分析，实现对时序信息和共现信息的融合利用；本发明将疾病诊疗过程异常分为诊疗事件异常、就诊异常和患者异常三个层次，由低层次、细粒度的诊疗事件层次到高层次、粗粒度的患者层次，设计诊疗过程异常的分层量化和综合评价方法，并给出诊疗过程异常的分类方法，精确定位异常具体发生在哪次就诊哪个诊疗步骤。
-
公开(公告)号：CN114913982A
公开(公告)日：2022-08-16
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。
-
Patent Agency Ranking
公开(公告)号：CN114566289A
公开(公告)日：2022-05-31
申请号：CN202210444327.2
申请日：2022-04-26
Applicant: 之江实验室
IPC: G16H50/70 , G16H50/50 , G06K9/62 , G06V10/762
Abstract: 本发明公开了一种基于多中心临床数据防作弊分析的疾病预测系统，本发明利用区块链技术共享伪数据，并让所有医疗机构在本地利用加权聚类模型根据伪数据计算数据质量系数，保证临床数据量少的医疗机构的真实临床数据能够被充分利用的同时还使得医疗机构无法对本地临床数据质量评价结果进行作弊。本发明设计的模型参数投票迭代机制，每轮迭代中根据投票结果保留一家医疗机构提供的模型参数，可以使得质量好的临床数据在模型训练中发挥更大作用。本发明设计的投票权的初始化和更新机制，以及在迭代投票过程中的作弊检测机制，让临床数据质量好的医疗机构拥有更多投票权，也防止了单家或多家医疗机构勾结篡改投票结果。
-
公开(公告)号：CN113990495A
公开(公告)日：2022-01-28
申请号：CN202111609275.1
申请日：2021-12-27
Applicant: 之江实验室
Abstract: 本发明公开了一种基于图神经网络的疾病诊断预测系统，该系统包括知识图谱构建模块、数据提取与预处理模块、疾病诊断模型构建模块和疾病诊断模型应用模块。本发明有效整合知识图谱中的专家知识和电子病历数据，构建异构图网络。在异构图网络上，利用图卷积神经网络方法，学习异构图网络的局部信息和全局信息。疾病诊断模型可以对知识和数据同时进行端到端的训练。在模型优化目标中，除了优化疾病预测任务，同时加入对知识关系的监督信息，从而保证疾病预测任务可以有效利用知识，也保证知识表示不受数据噪声的影响。针对预测疾病数量多，部分疾病对应患者数量有限的问题，设计多标签层次分类，用于提高少样本类别疾病的预测效果。
-
公开(公告)号：CN113434626B
公开(公告)日：2021-12-07
申请号：CN202110995013.7
申请日：2021-08-27
Applicant: 之江实验室
Abstract: 本发明公开了一种多中心医学诊断知识图谱表示学习方法及系统，本发明基于已有的医学诊断本体，以有向无环图的形式表示医学诊断概念的层级结构，构建全局医学诊断知识图谱；利用全局医学诊断知识图谱，构建所有疾病分类编码的共现矩阵，计算每对编码的共现信息，同时出现越多且距离越近的编码对，具有更大的共现信息；基于联邦学习，在保护各医疗机构参与方数据隐私和安全的前提下，利用多中心数据，加和共现信息，提高数据密度，解决数据稀疏问题；在对大规模知识图谱及原始数据进行学习的过程中，融入了知识源中符合人类认知的层级信息和复杂关联关系，挖掘数据之间的相关关系，丰富语义信息，学习知识的高质量表示形式，便于知识的计算与推理。
-
公开(公告)号：CN110348241B
公开(公告)日：2021-08-03
申请号：CN201910629800.2
申请日：2019-07-12
Applicant: 之江实验室
Abstract: 本发明公开了一种数据共享策略下的多中心协同预后预测系统。该系统能够在多个医疗机构中心下实现隐私保护的数据共享，从而为模型构建提供足够的数据。本发明采用相对于弱分类器能够获得更好预测结果的集成学习算法来构建系统。该系统在各个中心处理敏感的患者级数据，并同时构建出集成学习模型的子分类器，仅交换不太敏感的中间结果以构建完整的集成学习模型，从而保证了所提出的多中心模型与集中式模型具有相同甚至更优的结果。本发明多中心协同预后预测系统保护了患者的个人隐私，不需要在大型集中式数据源上运行算法模型，在实际临床应用中，为单个医疗机构中构建预测模型的样本太少提供了可靠的解决方案。
-
公开(公告)号：CN112529183A
公开(公告)日：2021-03-19
申请号：CN202110178302.8
申请日：2021-02-08
Applicant: 之江实验室
Abstract: 本发明公开了一种基于知识蒸馏的模型自适应更新方法，本发明采用模型自适应更新方法，代替模型重训练过程，减少了计算资源和人力资源的投入；采用模型参数相似性约束，提炼旧模型中的知识，避免了模型更新中的灾难性遗忘现象，保持预测模型的稳定性；利用知识蒸馏的思想，构建实时预测的神经网络模型，使预测模型适应数据分布的变化，保证预测模型的可塑性，实现模型自适应更新中稳定性和可塑性的最佳权衡。相较于在线维护模型池，对新数据同时预测的方法，大大减少了模型实时预测需要的计算资源和内存资源。相较于直接利用新数据增量更新模型的方法，有效解决了模型更新中的灾难性遗忘现象。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.023 seconds)
