-
公开(公告)号：CN119004362B
公开(公告)日：2025-05-20
申请号：CN202411032143.0
申请日：2024-07-30
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/22 , G06N3/0464 , G06N3/042
Abstract: 本发明属于特征融合技术领域，公开了多模态医学数据渐进融合的方法及系统。本发明通过渐进融合方法，基于跨层次注意力机制实现层次融合特征向量交互，利用残差网络缓解因层数增加导致浅层信息容易丢失的问题，以渐进交互的方式使得渐进融合特征所包含的层次信息最大化。本发明提供了动态图学习方法，通过图自适应学习，捕捉特征的非线性相互作用关系，降低相似矩阵的异质性，提高了信息传递的准确性；该自适应学习过程中针对每个患者的特征进行阈值预测，以对相似矩阵进行剪枝，使得剪枝后的相似矩阵更准确。
-
公开(公告)号：CN118866357A
公开(公告)日：2024-10-29
申请号：CN202410995840.X
申请日：2024-07-24
Applicant: 电子科技大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06F18/213 , G06F18/25 , G06F18/211 , G06F18/15 , G06N3/0442 , G06F123/02
Abstract: 本发明属于医学数据处理技术领域，公开了基于特征渐进融合的慢性病进展预测方法及系统。本发明在特征渐进融合过程中通过动态选择患者的人口统计学表征、疾病表征和时序临床检验表征中预测性能更好的模态特征，再与其余两个模态特征融合，实现逐渐地多次融合，能够充分利用多模态特征之间的互补信息，提高对慢性病进展预测的准确性。本发明在基于LSTM对缺失的时序临床检验特征进行填补的过程中，除了直接利用LSTM对缺失的特征进行预测外，还考虑了缺失特征与完整特征之间的相似度，通过二者均值对缺失的时序临床检验特征进行填补，提高了数据填补的准确性。本发明考虑了患者就诊记录之间的间隔大小，更准确地提取时序临床检验特征。
-
公开(公告)号：CN117038065A
公开(公告)日：2023-11-10
申请号：CN202310271002.3
申请日：2023-03-20
Applicant: 电子科技大学
IPC: G16H50/30 , G16H50/50 , G16H10/60 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种结合患者网络分析与图学习的慢病风险预测方法及系统，属于信息技术领域，解决了对慢病预测准确度低的问题。本发明包括步骤：S1、数据预处理；S2、基于初始数据集及其基本特征构建患者‑疾病二部图；S3、基于患者‑疾病二部图，分别构建基于局部疾病重叠、全局疾病重叠、疾病嵌入的患者网络；S4、基于S3中的基于局部疾病重叠的患者网络、基于全局疾病重叠的患者网络、基于疾病嵌入的患者网络构建慢病预测模型；S5、对任意预测对象，根据其历史住院信息，用慢病预测模型进行疾病风险预测。本发明基于从患者网络分析中获得的特征，利用Multi‑Graphormer算法构造预测模型来预测未来的慢病风险。
-
公开(公告)号：CN115565669B
公开(公告)日：2023-05-16
申请号：CN202211240631.1
申请日：2022-10-11
Applicant: 电子科技大学
Abstract: 本发明属于医疗信息技术领域，尤其涉及一种基于GAN和多任务学习的癌症生存分析方法，本发明使用GAN网络进行数据增强，将出现结局的癌症患者的特征、生存时间和结局类型输入到GAN网络中进行训练，生成大量的非删失生存数据；构建基于软参数共享的多任务学习癌症生存分析模型，多个不同的任务分别预测患者在未来一段时间每个时刻出现不同结局的概率；将所需分析的癌症患者特征输入已构建好的生存分析模型，输出未来不同结局的概率。
-
公开(公告)号：CN119004362A
公开(公告)日：2024-11-22
申请号：CN202411032143.0
申请日：2024-07-30
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/22 , G06N3/0464 , G06N3/042
Abstract: 本发明属于特征融合技术领域，公开了多模态医学数据渐进融合的方法及系统。本发明通过渐进融合方法，基于跨层次注意力机制实现层次融合特征向量交互，利用残差网络缓解因层数增加导致浅层信息容易丢失的问题，以渐进交互的方式使得渐进融合特征所包含的层次信息最大化。本发明提供了动态图学习方法，通过图自适应学习，捕捉特征的非线性相互作用关系，降低相似矩阵的异质性，提高了信息传递的准确性；该自适应学习过程中针对每个患者的特征进行阈值预测，以对相似矩阵进行剪枝，使得剪枝后的相似矩阵更准确。
-
Patent Agency Ranking
公开(公告)号：CN117409968B
公开(公告)日：2024-05-03
申请号：CN202311408202.5
申请日：2023-10-27
Applicant: 电子科技大学
IPC: G16H50/30 , G06N3/0455 , G06N3/0985 , G06F18/25 , G06F18/214 , G06F18/21 , G06F123/02
Abstract: 本发明属于医疗信息技术领域，公开了基于层次注意力的癌症动态生存分析方法及系统。本发明通过自适应区间算法可以自动计算出癌症患者需要进行预测的时间区间，缩短了模型的训练时间。同时，本发明使用基于层次注意力的癌症动态生存分析模型为不同时刻患者特征分配不同的注意力权重，从而能在长时间序列特征中提取到最为关键的信息，提高预测准确性。
-
公开(公告)号：CN115985442A
公开(公告)日：2023-04-18
申请号：CN202310071845.9
申请日：2023-02-07
Applicant: 电子科技大学
IPC: G16H10/60 , G16H50/50 , G06F18/22 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图对比学习的癌症生存预测模型构建方法，属于信息技术领域，解决了癌症生存预测模型的效果受限问题。包括步骤S1：获取癌症患者的临床数据和历史共病数据，进行数据预处理；S2：构建患者疾病关系图，并用相关临床特征初始化癌症患者特征表示，用独热编码初始化疾病特征表示；S3：基于S2，构建正负疾病样本对；S4：基于S2、S3和图卷积网络生成疾病节点的特征表示，并构建对比损失；S5：基于患者疾病关系图结构和图神经网络生成癌症患者的特征表示，并构建分类损失；S6：模型训练、优化损失函数并对癌症患者的生存情况进行分类预测。本发明考虑患者的共病特征对癌症的生存状态的影响，获得更准确的预测效果。
-
公开(公告)号：CN118866357B
公开(公告)日：2025-03-14
申请号：CN202410995840.X
申请日：2024-07-24
Applicant: 电子科技大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06F18/213 , G06F18/25 , G06F18/211 , G06F18/15 , G06N3/0442 , G06F123/02
Abstract: 本发明属于医学数据处理技术领域，公开了基于特征渐进融合的慢性病进展预测方法及系统。本发明在特征渐进融合过程中通过动态选择患者的人口统计学表征、疾病表征和时序临床检验表征中预测性能更好的模态特征，再与其余两个模态特征融合，实现逐渐地多次融合，能够充分利用多模态特征之间的互补信息，提高对慢性病进展预测的准确性。本发明在基于LSTM对缺失的时序临床检验特征进行填补的过程中，除了直接利用LSTM对缺失的特征进行预测外，还考虑了缺失特征与完整特征之间的相似度，通过二者均值对缺失的时序临床检验特征进行填补，提高了数据填补的准确性。本发明考虑了患者就诊记录之间的间隔大小，更准确地提取时序临床检验特征。
-
公开(公告)号：CN118364423B
公开(公告)日：2025-01-21
申请号：CN202410489228.5
申请日：2024-04-23
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/211 , G06F18/214 , G06N5/01 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于特征融合技术领域，公开了基于多模态特征填补的医学数据融合方法及系统。包括将多模态医学数据中文本特征和CT影像特征转换为融合结构化特征，与结构化电子病历特征组成第一数据集；对第一数据集中结构化电子病历缺失特征进行填补得到第二数据集；从第二数据集中筛选出具有完整多模态医学数据的患者作为第一完整数据集，缺失文本特征和/或CT影像特征的患者作为第一缺失数据集；使用第一完整数据集中的平均文本特征和平均CT影像特征分别计算第一缺失数据集中的文本特征和CT影像特征，实现特征填补；使用对比学习和子空间聚类分别将填补后的多模态医学数据在模态层次和特征层次进行模态对齐，进行特征融合、特征选择后得到多模态表征。
-
公开(公告)号：CN119324061A
公开(公告)日：2025-01-17
申请号：CN202411444583.7
申请日：2024-10-16
Applicant: 电子科技大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G16H30/40 , G06T7/00 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本发明属于医疗数据处理技术领域，公开了基于多模态知识分解的直肠癌新辅助治疗疗效预测方法及系统。本发明提供了基于多模态知识分解的多模态数据融合算法，其将多模态数据分解成多个独立的模态知识，在减少冗余信息的同时又没有遗失重要的模态间互补信息。本发明同时使用了无监督聚类和有监督CNN算法，相较于传统仅仅使用无监督的随机选择或基于信息熵的图像选择方法，本发明能降低噪声数据对图片筛选的干扰，从而能选择出具有代表性的肠镜图片和CT图片。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
