-
公开(公告)号：CN119987892A
公开(公告)日：2025-05-13
申请号：CN202510048386.1
申请日：2025-01-13
Applicant: 神州医疗科技股份有限公司
Abstract: 本发明涉及计算机技术领域，尤其涉及一种CS应用程序运行方法、系统、存储介质和电子设备，该方法包括：响应于在BS应用程序中发送的HTTP请求，确定目标CS应用程序的绝对路径参数，并控制中间件应用程序判断所述绝对路径参数是否正确，得到判断结果；当所述判断结果为是时，控制所述中间件应用程序自动运行所述目标CS应用程序。本发明能够大大改善运行CS应用程序的难度，解决了运行CS应用程序时浏览器的弹窗问题，提高了用户的使用体验并降低了人员成本。
-
公开(公告)号：CN119862403A
公开(公告)日：2025-04-22
申请号：CN202411836697.6
申请日：2024-12-13
Applicant: 神州医疗科技股份有限公司
IPC: G06F18/2113 , G06F18/214 , G06F18/15 , G06F18/20 , G06N20/00
Abstract: 本发明涉及一种基于多源数据的数据处理系统，包括：用户操作界面模块，用于获取用户上传的多维数据，以及获取用户选择的多维数据的目标分析任务，以及获取用户选择的目标机器学习算法模型；特征筛选模块，用于根据目标变量，从多维数据中选择与目标变量的相关特征；机器学习模型模块，用于为用户提供针对不同的分析任务对应的机器学习算法模型；模型训练模块，用于根据与目标变量的相关特征，对目标机器学习算法模型进行训练，得到目标模型，以基于目标模型对与目标变量的相关特征进行目标分析任务对应的处理。通过本发明的系统，能够帮助用户高效处理、分析多维数据，自动进行机器学习建模，且支持个性化的处理。
-
公开(公告)号：CN119849436A
公开(公告)日：2025-04-18
申请号：CN202411912226.9
申请日：2024-12-24
Applicant: 神州医疗科技股份有限公司
IPC: G06F40/126 , G06N3/045 , G06F16/31 , G06F16/334
Abstract: 本发明涉及一种文本向量表示方法、装置、电子设备及存储介质，该方法包括：获取待表示文本，所述待表示文本中包括多个文本片段；确定每个所述文本片段的静态嵌入向量以及位置向量；根据所有文本片段的静态嵌入向量和位置向量，确定各个所述文本片段之间的关联关系；根据所有文本片段的静态嵌入向量、位置向量和关联关系，确定所述待表示文本的文本向量。通过本发明的方法，不但保留了文本片段本身所表征的文本特征，还结合了文本片段之间的关联关系，可更加准确的对待表示文本进行准确的文本向量表示。
-
公开(公告)号：CN119623441A
公开(公告)日：2025-03-14
申请号：CN202510163036.X
申请日：2025-02-14
Applicant: 中国医学科学院北京协和医院 , 神州医疗科技股份有限公司
IPC: G06F40/18 , G06F40/183 , G06F40/216 , G06F40/242 , G06F40/284 , G06F18/22 , G16H15/00 , G16H10/60
Abstract: 本申请提供了一种罕见病的CRF表单的生成方法和装置，在本申请中，当需要罕见病的CRF表单时，用户可以通过用户终端输入罕见病的关键词，服务端中设置有医学报告数据库，由于医学报告数据库中存储的医学报告中包含有相关疾病对应的CRF表单需要填写的项目，如：患者基本信息、既往病史、个人体格检测结果、医学检测结果、影像检测结果、医生意见与建议等内容，因此可以从罕见病对应的医学报告中获取到能够建立CRF表单的各种事项，通过与医学词典中收录的医学词语进行比较，以便确定与关键词相关度较高的医学报告，进而便于构建与当前罕见病相关的CRF表单，通过上述方法，用户可以只需要输入关键词就可以得到相应的CRF表单，有利于降低人工工作量。
-
公开(公告)号：CN119228789B
公开(公告)日：2025-03-14
申请号：CN202411727880.2
申请日：2024-11-28
Applicant: 神州医疗科技股份有限公司
IPC: G06T7/00 , G06T5/40 , G06T5/70 , G06T7/136 , G06T7/194 , G06T7/90 , G06V10/762 , G06V10/764
Abstract: 本发明公开了一种面向病理图像的基于大模型的图像分析和诊断方法及系统，涉及图像处理技术领域。具体公开了面向病理图像的基于大模型的图像分析和诊断方法，包括：将多个病理图像类型、多个癌种的多个病理图像进行归一化处理，并对各病理图像进行前景提取；将每个病理图像前景进行归一化处理后，将处理后的各病理图像前景切分为多个patch图像块；对每个病理图像的多个patch图像块进行癌种预测训练。本发明能够快速定位到病理图像的显著区域，从而实现更高效、准确的病理图像的疾病癌种预测。
-
Patent Agency Ranking
公开(公告)号：CN119557410A
公开(公告)日：2025-03-04
申请号：CN202510122166.9
申请日：2025-01-26
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/3329
Abstract: 本发明公开了一种结合功能函数和槽填充的大模型问答优化系统及方法，本发明通过槽位填充识别并填充查询中关键信息（如时间、地点、人物等）结合查询意图调用相应的功能函数或执行特定逻辑以完成任务，有效地解决现有大语言模型应用场景中经常出现的固执坚持己见、针对同一问题的多次提问反复做出同样的错误回答而无法理解用户意图的问题，使得大模型在处理用户提问时可以更准确地理解用户提问的意图，并更专业的调用功能函数回答用户的问题，可以在多轮问答中保持连贯性和一致性，提供更加流畅的用户体验，优化了整体的问答效果。
-
公开(公告)号：CN119557390A
公开(公告)日：2025-03-04
申请号：CN202510114181.9
申请日：2025-01-24
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/332 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于自训练范式模型的自然语言查询数据库方法及系统，通过本方法自训练的方式得到的范式模型，能够在应对其他领域的数据时就保证预测的准确度；无需数据库专业人员将这些提问转换为对应的查询语句、清洗或整理，可直接将自然语言输入模型提取语句转换信息，根据语句转换信息按照规则模板拼接生成对应的sql语句，使用sql语句在数据库中进行查询，返回给用户查询的结果，降低数据查询的难度并提高效率。
-
公开(公告)号：CN116955576B
公开(公告)日：2024-07-02
申请号：CN202311218911.7
申请日：2023-09-21
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/332 , G06F18/214 , G06F40/289 , G06F40/30 , G16H70/40 , G16H80/00
Abstract: 本发明涉及语言处理技术领域，特别提供一种基于人类反馈与强化学习的问答回复方法、系统及设备，该方法包括：基于目标数据，构造数据集，并基于数据集，对预训练模型进行继续预训练，得到初始问答模型；基于目标数据，构造三元组指令集数据；利用三元组指令集数据对初始问答模型进行优化，得到问答模型；基于目标数据，构造人类偏好指令集数据；基于人类偏好指令集数据，对问答模型进行训练，得到奖励模型；利用人类反馈强化学习机制，对奖励模型进行强化，得到问答回复模型，从而实现具备专业度较高的问答能力，以及具有回复人性化且专业准确性更高的特点。
-
公开(公告)号：CN117764204B
公开(公告)日：2024-06-07
申请号：CN202410191910.6
申请日：2024-02-21
Applicant: 神州医疗科技股份有限公司
Abstract: 本发明涉及医学数据构建技术领域，尤其涉及一种医学领域中的强化学习数据构建方法及系统；该方法包括：获取原始电子病例；对原始电子病例进行数据脱敏处理，得到脱敏数据集；对脱敏数据集进行实体标注和关系标注，构建状态集；构建预测集；对症状词语/症状关系词组与开源大模型答案进行人工校验，将正确的校验结果和对应的检查项价格进行标注，构建核对集；对检查项价格进行规整处理；构建强化学习数据集；基于该强化学习数据集，便于开展后续相关的强化学习，同时能够根据给定的病症或其它结果推荐价格较低的检查项目，以便为医生和患者在医学辅助诊断推荐决策中提供合适的推荐选择，降低医疗成本，提高医疗效果。
-
公开(公告)号：CN117576127B
公开(公告)日：2024-04-19
申请号：CN202410067270.8
申请日：2024-01-17
Applicant: 神州医疗科技股份有限公司
IPC: G06T7/11 , G06T7/136 , G06T7/194 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于病理图像的肝癌区域自动勾画方法，具体涉及肝癌病理图像预测技术领域。本申请基于肝癌病理图像建立了预测肝癌癌区的模型流程，并且模型效果较好，其中dice值达到0.92，具体的是构建了深度学习病理图片识别模型，具体的是通过深度学习勾画癌区、再利用影像组学提取特征并根据特征训练模型以及判别任务，具备步骤详细、方案清晰和预测准确的优点；解决了医生看病理图片费时标注癌区费力的问题，并且也避免出现假阳性患者浪费医疗资源，分析准确率高；通过预测时截取patches中心部分预测并应用于patches其他区域，有效节约了模型训练与预测的时间，同时模型训练与预测精度损失也较小。
-
-
-
-
-
-
-
-
-
Search Results
186
records
(took 0.03 seconds)
