公开(公告)号：CN117407839A

公开(公告)日：2024-01-16

申请号：CN202311506772.8

申请日：2023-11-13

Applicant: 北京邮电大学 ,  中国医学科学院北京协和医院

Inventor： 吴继豪 ,  施举红 ,  王欣 ,  李宜瑶 ,  杨煜清

IPC: G06F18/27 ,  G06F18/24

Abstract: 本申请提出了一种考虑负样本位置回归的目标检测方法及装置，该包括：获取预测样本，基于目标检测系列模型对预测样本进行端对端匹配，得到预测样本中的负样本，根据次优框筛选器筛选负样本中的次优框；根据次优框的位置回归情况，构建与负样本配套的位置回归损失函数；将位置回归损失函数融入目标检测系列模型的训练阶段，以进行考虑负样本位置回归的目标检测。本申请建立了全面的目标检测位置回归框架，设计了两种负样本回归损失，填补了领域内对于负样本位置回归问题研究的空白，基于目标检测模型，设计了相关融合组件，仅通过筛选次优框和替换现有优化损失，简单高效地提升模型性能，并促进模型进一步实现真正意义上的端对端匹配和检测。

公开(公告)号：CN115901977A

公开(公告)日：2023-04-04

申请号：CN202111167889.9

申请日：2021-09-30

Applicant: 中国医学科学院北京协和医院

Inventor： 郑昕 ,  韩晓红 ,  施举红

IPC: G01N30/02 ,  G01N30/06 ,  G01N30/24 ,  G01N30/32 ,  G01N30/34 ,  G01N30/72 ,  G01N30/86

Abstract: 本申请涉及利用高效液相色谱‑串联质谱联用装置定量分析尿液样品中的利伐沙班的方法，其包括：(1)由尿液样品制备含有利伐沙班的样品溶液；(2)将所述样品溶液注入到所述高效液相色谱‑串联质谱联用装置中，获得质量色谱图；(3)根据所述质量色谱图使用内标法对利伐沙班进行定量分析；其中，所述高效液相色谱中使用由流动相A和流动相B组成的混合流动相进行梯度洗脱，所述流动相A为含甲酸的乙酸铵溶液，所述流动相B为含甲酸的乙腈。本申请还涉及确定利伐沙班血药浓度的方法。

公开(公告)号：CN119716083A

公开(公告)日：2025-03-28

申请号：CN202411861930.6

申请日：2024-12-17

Applicant: 中国医学科学院北京协和医院

Inventor： 张婷 ,  谷雨 ,  施举红

IPC: G01N33/68 ,  G01N1/28 ,  G01N1/34

Abstract: 本发明公开了一种检测痰液样本中特异性抗中性粒细胞胞浆抗体的方法，属于抗体检测方法技术领域。所述方法包括第一步以PBS溶液处理痰液获得上清，第二步再使用DTT处理痰液中剩余的粘液部分，分别检测两步处理样品中的特异性ANCA，将部分检测结果相加即为痰液样本中特异性抗中性粒细胞胞浆抗体的检测结果。本发明使用两步法预处理痰液，兼顾了PBS和DTT处理痰液的优点，规避了单用PBS处理后粘液粘附导致的ANCA抗体检测水平降低，同时避免了单用DTT处理后对于游离ANCA抗体的破坏导致检测水平降低，同时，本发明方法减少了对样本的稀释倍数，并省去了繁琐的免疫共沉淀提取免疫复合物步骤以节约成本。

公开(公告)号：CN115985496A

公开(公告)日：2023-04-18

申请号：CN202211634726.1

申请日：2022-12-19

Applicant: 北京邮电大学

Inventor： 杨煜清 ,  施举红 ,  王欣 ,  李宜瑶 ,  吴利伟 ,  周俊

IPC: G16H50/30 ,  G06N3/098

Abstract: 本申请提出了一种基于联邦学习的可解释性疾病风险预测方法及装置，涉及疾病风险预测领域，包括：从中心服务器向客户端发送统计请求；在客户端收到所述统计请求后，统计本地数据集中的所述第一患者子人群信息，并将所述第一患者子人群信息发送至所述中心服务器；汇总第一患者子人群信息以确定第二患者子人群信息，根据第二患者子人群信息确定子人群特征和不良事件风险信息，并发送至客户端进行本地训练，构建可解释性疾病风险预测模型，实现对患者的疾病风险预测。本申请通过构建可解释性疾病风险预测模型，进行横向联邦学习技术创新，实现患者的疾病风险预测，解决了数据非独立同分布和数据错误及恶意攻击造成的模型性能损失和患者隐私泄露问题。

公开(公告)号：CN116402126A

公开(公告)日：2023-07-07

申请号：CN202310389952.6

申请日：2023-04-12

Applicant: 北京邮电大学

Inventor： 周俊 ,  施举红 ,  杨煜清 ,  王欣 ,  吴利伟 ,  李宜瑶 ,  薛培君

IPC: G06N3/098 ,  G06F18/2321 ,  H04L9/40

Abstract: 本发明提出一种防御数据投毒攻击的联邦学习方法，包括，获取包含客户端中数据全部特征分布的共享数据集；根据客户端的本地数据集对模型F进行训练，其中模型F用于学习本地数据集中样本特征和目标向量之间的关系；根据客户端的本地数据集对模型G进行预训练，根据共享数据集对模型G′进行预训练，其中模型G和G′用于学习模型F个性化层参数和向量c之间的关系；获取客户端的本地数据量、向量c、模型F参数以及模型F输出的个性化层参数通过模型G的输出V；将个性化层参数作为模型G′的输入，得到输出V′,计算L＝||V′‑V||，根据L判断客户端是否存在数据投毒攻击或梯度攻击，通过服务器对恶意客户端的模型参数赋予较低的权值减轻数据投毒攻击和针对模型参数攻击的影响。