Nothing Special   »   [go: up one dir, main page]

CN108597614A - 一种基于中文电子病历的辅助诊断决策方法 - Google Patents

一种基于中文电子病历的辅助诊断决策方法 Download PDF

Info

Publication number
CN108597614A
CN108597614A CN201810324593.5A CN201810324593A CN108597614A CN 108597614 A CN108597614 A CN 108597614A CN 201810324593 A CN201810324593 A CN 201810324593A CN 108597614 A CN108597614 A CN 108597614A
Authority
CN
China
Prior art keywords
disease
electronic health
health record
symptom
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810324593.5A
Other languages
English (en)
Inventor
闫凤麒
曲艺
陆明名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hee Hee Mdt Infotech Ltd
Original Assignee
Shanghai Hee Hee Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Hee Hee Mdt Infotech Ltd filed Critical Shanghai Hee Hee Mdt Infotech Ltd
Priority to CN201810324593.5A priority Critical patent/CN108597614A/zh
Publication of CN108597614A publication Critical patent/CN108597614A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

辅助诊断决策方法是临床决策支持系统(Clinical decision support system，CDSS)中的一个非常活跃应用分支。目前的辅助诊断决策方法都没能很好的利用中文电子病历数据集、无法有效的挖掘中文电子病历中症状与疾病的关联规则、无法很好地降低症状特征维度、无法很准确地在高维症状特征空间中进行多种疾病的精准分类。针对这些问题，本发明给出了一种基于中文电子病历的辅助诊断决策方法。首先将中文电子病历集中的疾病与症状信息进行清洗，然后挖掘疾病与症状事务的关联规则，本发明根据疾病与症状事务关联规则的置信度进行排序，并且以基分类器分类结果为基准从中进行特征选择，根据特征选择出的特征向量运用决策树分类器进行疾病分类，实现了对疾病的预测。

Description

一种基于中文电子病历的辅助诊断决策方法
技术领域
本发明涉及数据挖掘领域，具体涉及特征选择算法，分类算法。
背景技术
最早的辅助诊断决策方法主要都集中在基于知识的CDSS研究与实现，其系统结构大体由人机接口、知识库和推理机三部分组成。知识库是由来自医学文献的规则、临床指南等来构建，并根据这些知识转化成的规则并运用一定的推理机制通过人机交互界面提供决策支持服务。但是，医学和医学知识始终在发展，在变更，要使知识库中知识能够跟上发展的脚步需要巨大的投入和消耗。所以基于非知识的CDSS，即基于电子病历的辅助诊断决策方法的研究逐渐变成了当前诊断决策支持系统研究的热点与主流方向。
与基于知识的CDSS不同，基于电子病历的辅助诊断决策方法通过对大规模电子病历数据集的进行关联规则挖掘、分类、回归等操作能够不断发现新的知识来帮助医生在疾病诊断过程中做出更好的决策。随着2011年卫生部制定了电子病历的基本规范，并在全国范围内110家医院开展电子病历的试点工作。经过几年的发展，电子病历系统已成为衡量医院信息化建设水平的一个重要标准，电子病历系统也积累了相当可观的数据量，并且这些数据都是患者的真实数据，这对疾病的诊疗和医学研究等都具有巨大的价值和广阔的发展前景，特别是以电子病历为基础的应用在CDSS的疾病诊断过程中发挥了重要作用，并且进一步推进了国内疾病诊断系统的研究与发展。
基于中文电子病历的辅助诊断决策方法研究仍处于起步阶段，在国内，周志华，姜远等人将机器学习模型用于疾病预测分析但是均为单病种疾病预测模型，很难直接适用于多特征多类别医学数据集的预测中。虽然大量的人工神经网络已经用于医疗诊断，但是神经网络模型需要从大量的样本中提取特征以训练诊断预测模型，很难直接用于构建少数类医学疾病诊断模型。2007年，蒋琳等采用SVM技术，对436个病例的14个特征建立了2型糖尿病预测模型，为提高预测性能，提出了一种最优特征子集选择方法，最终选出4种特征，这四个特征对应指标最高(敏感度86.66％、特异性64.22％、准确率70.14％)。同时，还采用决策树、多层感知机方法进行了试验，结果表明支持SVM的效果最好。
现有研究主要针对基于知识的辅助诊断决策方法，同时在中文电子病历数据集中因为存在大量的特征属性，导致特征属性维数高引发矩阵运算量大、训练样本稀疏和过拟合等问题一直限制着传统分类器的分类质量，所以特征选择是疾病分类问题中不可忽略的一项重要工程。
发明内容
本发明给出一种基于中文电子病历的辅助诊断决策方法，利用Apriori关联规则算法(已属于现有算法)进行病症规则的挖掘，将病症规则的置信度作为标准进行特征排序，然后再依据基分类器的分类效果为标准进行特征子集的序列向前选择划分，选择出最优特征子集后再运用决策树分类器对中文电子病历进行训练，最终将训练好的分类器完成辅助诊断决策任务。
通过以下技术方案来实现：
一种基于中文电子病历的辅助诊断决策方法，其特征在于，包括如下步骤，一种对中文电子病历数据集中疾病与症状信息进行数据清洗的数据预处理方法，一种基于疾病与症状进行关联规则挖掘的方法，一种基于病症关联规则进行特征选择的方法，一种基于关联规则的特征选择方法在选择出特征向量后进行疾病预测的分类器；
所述一种对中文电子病历数据集中疾病与症状信息进行数据清洗的数据预处理方法，该方法首先要去除含有空缺值的中文电子病历数据(已属于现有技术中的常规技术手段)，其次对疾病与症状的数据信息进行标准化即统一数据源的属性值，然后进行特征二值化即将字符型数据转化为布尔型的二值数据，最后对疾病类别进行标签编码。
所述一种基于疾病与症状进行关联规则挖掘的方法，核心操作为运用Apriori算法对疾病与症状进行关联规则挖掘。
所述一种基于病症关联规则进行特征选择的方法，核心操作为对病症的二频繁项集规则进行置信度排序，然后再利用基分类器的分类性能作为特征子集评价标准进行序列向前选择方法SFS选择特征子集。
所述一种基于关联规则的特征选择方法在选择出特征向量后进行疾病预测的分类器，核心操作为首先根据以上方法选择出的特征子集，然后再利用决策树分类器对中文电子病历进行训练和预测。
有益效果
在本发明的对中文电子病历数据集中疾病与症状信息进行数据清洗的数据预处理方法中：通过构建近义词词组使症状与疾病数据格式标准化，再将中文电子病历中的症状特征信息转换成布尔型的高维稀疏矩阵。
在本发明的基于疾病与症状进行关联规则挖掘的方法中：采用Apriori算法对疾病与症状进行关联规则挖掘的过程中，运用了闭频繁集项的方法去除了部分冗余的病症关联规则。
在本发明的病症关联规则进行特征选择的方法中：通过使用Apriori关联规则算法对疾病与症状的数据集进行规则挖掘，然后通过二频繁项集规则的置信度进行特征排序和以基分类器分类效果为标准的特征子集划分后，比传统的特征选择方法效果更好，特征子集更小。
在本发明的基于关联规则的特征选择方法在选择出特征向量后进行疾病预测的分类器的方法中：通过上述基于关联规则的特征选择方法获得特征子集后，结合决策树分类器对中文电子病历中疾病与症状数据集进行训练、调参，最终获得疾病分类模型，与传统分类器分类效果相比，分类准确度更高。
相较于传统的辅助诊断决策方法，本发明从根本上提升了中文电子病历中复杂多症状特征的疾病预测准确率。本研究方法适用于为临床医生提供大量的医学支持，从而帮助临床医生做出最合理的诊断、选择最佳治疗措施。
附图说明
附图是用来提动对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但不构成对本发明的限制。在附图中：
图1为基于中文电子病历的辅助诊断决策方法的技术路线图；
图2为中文电子病历数据预处理的流程图。
图3为基于Apriori算法的挖掘病症2项频繁集的流程图。
图4位基于关联规则的特征选择算法的流程图。
具体实施方式
辅助诊断决策方法是临床决策支持系统(Clinical decision support system，CDSS)中的一个非常活跃应用分支。目前的辅助诊断决策方法都没能很好的利用中文电子病历数据集、无法有效的挖掘中文电子病历中症状与疾病的关联规则、无法很好地降低症状特征维度、无法很准确地在高维症状特征空间中进行多种疾病的精准分类。针对这些问题，本发明给出了一种基于中文电子病历的辅助诊断决策方法。首先将中文电子病历集中的疾病与症状信息进行清洗，然后挖掘疾病与症状事务的关联规则，本发明根据疾病与症状事务关联规则的置信度进行排序，并且以基分类器分类结果为基准从中进行特征选择，根据特征选择出的特征向量运用决策树分类器进行疾病分类，实现了对疾病的预测。
为了加深对本发明的理解，下面将结合已有方法和附图2对本发明作进一步详述，已有方法仅用于解释本发明，并不构成对本发明保护范围的限定。
本发明所包括的内容：一种基于中文电子病历的辅助诊断决策方法包括四个部分：一种对中文电子病历数据集中疾病与症状信息进行数据清洗的数据预处理方法；一种基于疾病与症状进行关联规则挖掘的方法；一种基于病症关联规则进行特征选择的方法；一种基于关联规则的特征选择方法在选择出特征向量后进行疾病预测的分类器。
第一步：对中文电子病历数据集中对疾病与症状信息进行预处理工作,如图2所示。
1.1：去除含有空缺值的中文电子病历数据；
1.2：对疾病与症状的数据信息进行标准化即统一数据源的属性值；
1.3：进行特征二值化即将字符型数据转化为布尔型的二值数据；
1.4：对疾病类别进行标签编码。
1.5:最后得到病症数据集。
第二步：基于疾病与症状进行关联规则挖掘的方法，即基于Apriori算法原理挖掘病症二项频繁集，如图3所示。
2.1：首先定义最小支持度阈值min_sup，然后扫描中文电子病历病症数据集；
2.2：判断是否还需要产生候选集Ci(默认i的最大值为2)，如果需要进入步骤2.3，如果不需要生成进入步骤2.4；
2.3：生成中文电子病历病症数据集的候选集Ci；
2.4：计算候选集Ci中所以元素的支持度sup，再与最小支持度阈值min_sup进行比较，如果Ci集合中还有元素j大于最小支持度阈值min_sup就进入步骤2.5，否则就就进入步骤2.6；
2.5：生成频繁项集Li；
2.6：从频繁2项集中筛选出病症的频繁2项集L2，将其余非病症的2项集过滤掉，最终生成病征频繁2项集L2。
第三步：基于病症关联规则进行特征选择，如图4所示。
3.1：计算病症频繁2项集L2中的每一个特征属性的置信度；
3.2：首先对病症的二频繁项集L2按照置信度参数进行排序；
3.3：然后再对排序后的二项频繁集L2进行序列向前划分特征子集，如果没有划分完毕，则进入步骤3.4，如果划分完毕就进入步骤3.5；
3.4：设置划分步长，默认划分步长为1；
3.5：最后再利用基分类器Ft训练的分类准确度ft作为特征子集评价标准3.6：迭代筛选出分类准确度最佳的分类器F，以及最终输出最优的特征向量V。
第四步：基于第三步选择出的特征向量V，再运用决策树分类器对中文电子病历中疾病与症状数据集进行训练、调参，最终获得最优的疾病分类器。
创新点
提出了一种基于中文电子病历的辅助诊断决策方法，和现有的辅助诊断决策方法相比，本发明运用了大量的中文电子病历为数据源进行疾病分类模型的训练。在对中文电子病历数据中疾病与症状的特征与类别信息进行了数据清洗等数据预处理工作，并将疾病与症状数据信息完整地转换成为一个布尔值的矩阵，为了降低疾病与症状布尔矩阵的稀疏性，降低症状特征值的维度，本发明首次提出了一种基于关联规则的特征选择方法，有效的降低了症状特征值的维度，提高了疾病分类的准确性。
本发明提出的方法在多症状特征多疾病类别的电子病历数据集中有很好的表现，提高了多种疾病分类预测的准确率和降低了特征向量的维度。

Claims (5)

1.一种基于中文电子病历的辅助诊断决策方法，其特征在于，基于中文电子病历的辅助诊断决策方法包括：
步骤一、一种对中文电子病历数据集中疾病与症状信息进行数据清洗的数据预处理方法；
步骤二、一种基于疾病与症状进行关联规则挖掘的方法；
步骤三、一种基于病症关联规则进行特征选择的方法；(关键特色步骤)
步骤四、一种基于关联规则的特征选择方法在选择出特征向量后进行疾病预测的分类器。
2.根据权利要求1所述的基于中文电子病历的辅助诊断决策方法，其特征在于，所述一种对中文电子病历数据集中疾病与症状信息进行数据清洗的数据预处理方法:
该方法首先要去除含有空缺值的中文电子病历数据，其次对疾病与症状的数据信息进行标准化即统一数据源的属性值，然后进行特征二值化即将字符型数据转化为布尔型的二值数据，最后对疾病类别进行标签编码。
3.根据权利要求1所述的基于中文电子病历的辅助诊断决策方法，其特征在于，所述一种基于疾病与症状进行关联规则挖掘的方法，核心操作为运用Apriori算法对疾病与症状进行关联规则挖掘。
4.根据权利要求1所述的基于中文电子病历的辅助诊断决策方法，其特征在于，一种基于病症关联规则进行特征选择的方法：核心操作为对病症的二频繁项集规则进行置信度排序，然后再利用基分类器的分类性能作为特征子集评价标准进行序列向前选择方法SFS选择特征子集。
5.根据权利要求1所述的基于中文电子病历的辅助诊断决策方法，其特征在于，一种基于关联规则的特征选择方法在选择出特征向量后进行疾病预测的分类器，核心操作为首先根据以上方法选择出的特征子集，然后再利用决策树分类器对中文电子病历进行训练和预测。
CN201810324593.5A 2018-04-12 2018-04-12 一种基于中文电子病历的辅助诊断决策方法 Pending CN108597614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810324593.5A CN108597614A (zh) 2018-04-12 2018-04-12 一种基于中文电子病历的辅助诊断决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810324593.5A CN108597614A (zh) 2018-04-12 2018-04-12 一种基于中文电子病历的辅助诊断决策方法

Publications (1)

Publication Number Publication Date
CN108597614A true CN108597614A (zh) 2018-09-28

Family

ID=63622072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810324593.5A Pending CN108597614A (zh) 2018-04-12 2018-04-12 一种基于中文电子病历的辅助诊断决策方法

Country Status (1)

Country Link
CN (1) CN108597614A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659033A (zh) * 2018-12-18 2019-04-19 浙江大学 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN110781216A (zh) * 2019-11-05 2020-02-11 广东工业大学 一种中医症状关联规则挖掘方法、装置及存储介质
CN111192680A (zh) * 2019-12-25 2020-05-22 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111292818A (zh) * 2020-01-17 2020-06-16 同济大学 一种针对电子病历描述的查询重构方法
CN111341454A (zh) * 2018-12-19 2020-06-26 中国电信股份有限公司 数据挖掘方法和装置
CN111785372A (zh) * 2020-05-14 2020-10-16 浙江知盛科技集团有限公司 基于关联规则的协同过滤疾病预测系统及其电子设备
CN111968747A (zh) * 2020-08-20 2020-11-20 卫宁健康科技集团股份有限公司 Vte智能防治管理系统
CN112560900A (zh) * 2020-09-08 2021-03-26 同济大学 一种面向样本不均衡的多疾病分类器设计方法
CN112635070A (zh) * 2020-12-14 2021-04-09 创业慧康科技股份有限公司 一种患者临床信息采集及展示方法及装置
CN113421653A (zh) * 2021-06-23 2021-09-21 平安科技（深圳）有限公司 医疗信息的推送方法及装置、存储介质、计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110201529A1 (en) * 2010-02-12 2011-08-18 Liang-Tsung Huang System for analyzing and screening disease related genes using microarray database
CN107358014A (zh) * 2016-11-02 2017-11-17 华南师范大学 一种生理数据的临床前处理方法及系统
CN107451416A (zh) * 2017-08-28 2017-12-08 昆明理工大学 一种sle的辅助诊断装置及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110201529A1 (en) * 2010-02-12 2011-08-18 Liang-Tsung Huang System for analyzing and screening disease related genes using microarray database
CN107358014A (zh) * 2016-11-02 2017-11-17 华南师范大学 一种生理数据的临床前处理方法及系统
CN107451416A (zh) * 2017-08-28 2017-12-08 昆明理工大学 一种sle的辅助诊断装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
王美华 等: ""一种基于关联规则与支持向量机的基因表达数据分类模型"", 《计算机应用与软件》 *
胡可云、田凤占、黄厚宽: "《数据挖掘理论与应用》", 30 April 2008, 北京交通大学出版社 *
钟颖、胡雪蕾、陆建峰: ""基于关联规则和决策树的中医胃炎诊断分析"", 《中国中医药信息杂志》 *
陈希蔓: ""维度缩减的原因"", 《HTTPS://SAMANTHACHEN.GITHUB.IO/2016/08/08/机器学习_周志华_笔记11/》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659033A (zh) * 2018-12-18 2019-04-19 浙江大学 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN111341454B (zh) * 2018-12-19 2023-07-25 中国电信股份有限公司 数据挖掘方法和装置
CN111341454A (zh) * 2018-12-19 2020-06-26 中国电信股份有限公司 数据挖掘方法和装置
CN110781216A (zh) * 2019-11-05 2020-02-11 广东工业大学 一种中医症状关联规则挖掘方法、装置及存储介质
CN111192680A (zh) * 2019-12-25 2020-05-22 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111192680B (zh) * 2019-12-25 2021-06-01 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111292818A (zh) * 2020-01-17 2020-06-16 同济大学 一种针对电子病历描述的查询重构方法
CN111292818B (zh) * 2020-01-17 2022-04-19 同济大学 一种针对电子病历描述的查询重构方法
CN111785372A (zh) * 2020-05-14 2020-10-16 浙江知盛科技集团有限公司 基于关联规则的协同过滤疾病预测系统及其电子设备
CN111968747A (zh) * 2020-08-20 2020-11-20 卫宁健康科技集团股份有限公司 Vte智能防治管理系统
CN111968747B (zh) * 2020-08-20 2023-12-12 卫宁健康科技集团股份有限公司 Vte智能防治管理系统
CN112560900A (zh) * 2020-09-08 2021-03-26 同济大学 一种面向样本不均衡的多疾病分类器设计方法
CN112560900B (zh) * 2020-09-08 2023-01-20 同济大学 一种面向样本不均衡的多疾病分类器设计方法
CN112635070A (zh) * 2020-12-14 2021-04-09 创业慧康科技股份有限公司 一种患者临床信息采集及展示方法及装置
CN113421653B (zh) * 2021-06-23 2022-09-09 平安科技（深圳）有限公司 医疗信息的推送方法及装置、存储介质、计算机设备
CN113421653A (zh) * 2021-06-23 2021-09-21 平安科技（深圳）有限公司 医疗信息的推送方法及装置、存储介质、计算机设备

Similar Documents

Publication Publication Date Title
CN108597614A (zh) 一种基于中文电子病历的辅助诊断决策方法
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
CN102799579B (zh) 具有错误自诊断和自纠错功能的统计机器翻译方法
CN113436698B (zh) 融合自监督和主动学习的医学术语自动标准化系统及方法
Doan et al. SONNET: A self-guided ordinal regression neural network for segmentation and classification of nuclei in large-scale multi-tissue histology images
CN111223553A (zh) 一种两阶段深度迁移学习中医舌诊模型
US20230230241A1 (en) System and method for detecting lung abnormalities
CN112381178B (zh) 一种基于多损失特征学习的医学影像分类方法
CN105808712A (zh) 将文本类医疗报告转换为结构化数据的智能系统及方法
CN111767952B (zh) 一种可解释的肺结节良恶性分类方法
CN114021584A (zh) 基于图卷积网络和翻译模型的知识表示学习方法
CN113610118B (zh) 一种基于多任务课程式学习的青光眼诊断方法、装置、设备及方法
CN109492106A (zh) 一种文本代码相结合的缺陷原因自动分类方法
CN108335756B (zh) 鼻咽癌数据库及基于所述数据库的综合诊疗决策方法
CN109102498A (zh) 一种宫颈涂片图像中簇型细胞核分割的方法
CN116350231A (zh) 基于层级不同粒度类别约束的半监督心电图心肌梗死定位方法
CN116167379A (zh) 一种基于bert和实体位置信息的实体关系抽取方法
CN108320797B (zh) 一种鼻咽癌数据库及基于所述数据库的综合诊疗决策方法
CN110288577A (zh) 一种3d实现多器官病灶整合的控制方法及控制装置
CN113920379A (zh) 一种基于知识辅助的零样本图像分类方法
CN106484676A (zh) 基于句法树和领域特征的生物文本蛋白质指代消解方法
CN116228759B (zh) 肾细胞癌类型的计算机辅助诊断系统及设备
CN117038080A (zh) 多模态结合深度学习的高级别浆液性卵巢癌复发预测方法
Wu et al. A personalized diagnostic generation framework based on multi-source heterogeneous data
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180928

RJ01 Rejection of invention patent application after publication