基于分箱多尺度模糊的电子病历信息数据筛选方法及装置

    公开(公告)号:CN116403723A

    公开(公告)日:2023-07-07

    申请号:CN202310082764.9

    申请日:2023-01-19

    Abstract: 基于分箱多尺度模糊的电子病历信息数据筛选方法与装置,提高电子病历挖掘中数据的利用率,降低标注成本,减缓噪音数据带来的不利影响。方法包括:读入需要被标注的数据集,并置于未标注池;基于分箱方法多尺度模糊未标注池中的数据,得到模糊数据;计算分布密度,标注分布密度最大的规定个初始样本,置于标注池;开始主动学习循环:采用标注池中全部数据训练临床预测模型;计算未标注池中样本的不确定性度量;计算未标注池中样本的多样性度量;基于上述不确定性度量与多样性度量进行加权,得到样本的信息度量;基于未标注池中样本的信息度量进行排序,选取最大的规定个样本进行标注并置于标注池;返回主动学习循环起点直到完成预定迭代条件。

    基于血管靶向光动力疗法的鲜红斑痣处理方法及系统

    公开(公告)号:CN111184948A

    公开(公告)日:2020-05-22

    申请号:CN202010021564.9

    申请日:2020-01-09

    Inventor: 宋红 翁旭涛 杨健

    Abstract: 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统,其预测的治疗方案更加精确,训练模型更加完善,可以更加科学且有效地更新属性数据的权值,在一定的条件下可以很好的找到目标函数的全局最优解。包括:(1)基于过往鲜红斑痣病患的病例数据,构建专病数据库并对数据进行脱敏处理;(2)采用有监督模型与无监督模型相配合的方式,构建基于机器学习模型的个性化治疗方案推荐算法专家系统;(3)读入当前需要进行诊疗的病患基本信息、病患病灶信息;(4)进行数据匹配,并选出与其最为匹配的几例过往病例作为相似病例的推荐;(5)对输入数据进行回归分析得出当前病患的预测治疗方案推荐;(6)输出结果。

    用于推荐安全治疗方案的离线强化学习方法及装置

    公开(公告)号:CN116959737A

    公开(公告)日:2023-10-27

    申请号:CN202310919097.5

    申请日:2023-07-25

    Abstract: 用于推荐安全治疗方案的离线强化学习方法及装置,能够提高强化学习模型在推荐治疗方案时的性能与安全性,扩展强化学习模型对于评估数据的分布范围,减缓分布外样本与过高估计带来的不利影响。方法包括:(1)读入所需数据集,进行划分;(2)进行数据前处理,得到降维后的隐空间变量;(3)完成状态、动作、奖励值的强化学习基础数据构成并存储;(4)构建用于异常检测的监督学习模型基础;(5)构建用于异常检测的最近邻分类层,最近邻损失函数;(6)以上述异常检测监督模型预测的复发风险以及分布外样本检测情况动态加权原始奖励值;(7)构建并训练用于推荐治疗方案的动作‑评估离线强化学习模型;(8)得到最优治疗方案。

    多尺度阶梯重构的二维扁平数据自监督学习方法及装置

    公开(公告)号:CN116128020A

    公开(公告)日:2023-05-16

    申请号:CN202310102441.1

    申请日:2023-01-31

    Abstract: 多尺度阶梯重构的二维扁平数据自监督学习方法及装置,能提高后续数据挖掘中数据信息的利用率,减缓噪音数据、数据异构以及数据纠缠带来的不利影响。包括:读入需要表征学习的数据集;基于分箱方法在多尺度下得到多尺度的模糊数据;按照尺度排序得到多尺度模糊阶梯数据序列;构建包含编码器与解码器的自编码模型,编码器以原始数据为输入生成隐向量,解码器以隐向量为输入生成趋近原始数据的重构数据;以较大尺度,即破坏较严重的数据为输入,通过自编码模型重构较小尺度的数据,其较小尺度的数据为破坏次严重的数据;计算重构误差并作为目标函数,最小化目标函数,以反向传播的方式更新模型参数;以此往复;完成自监督学习的训练,得到编码器。

    基于血管靶向光动力疗法的鲜红斑痣处理方法及系统

    公开(公告)号:CN111184948B

    公开(公告)日:2020-12-25

    申请号:CN202010021564.9

    申请日:2020-01-09

    Inventor: 宋红 翁旭涛 杨健

    Abstract: 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统,其预测的治疗方案更加精确,训练模型更加完善,可以更加科学且有效地更新属性数据的权值,在一定的条件下可以很好的找到目标函数的全局最优解。包括:(1)基于过往鲜红斑痣病患的病例数据,构建专病数据库并对数据进行脱敏处理;(2)采用有监督模型与无监督模型相配合的方式,构建基于机器学习模型的个性化治疗方案推荐算法专家系统;(3)读入当前需要进行诊疗的病患基本信息、病患病灶信息;(4)进行数据匹配,并选出与其最为匹配的几例过往病例作为相似病例的推荐;(5)对输入数据进行回归分析得出当前病患的预测治疗方案推荐;(6)输出结果。

Patent Agency Ranking