-
公开(公告)号：CN109805898A
公开(公告)日：2019-05-28
申请号：CN201910223555.5
申请日：2019-03-22
摘要： 本发明涉及一种基于注意力机制时序卷积网络算法的危重症死亡预测方法，属于人工智能与医疗应用领域。该方法包括步骤1.重症和手术多源监护数据的采集与分析；2.将数据输入到时序卷积网络(TCN)中抽取特征；3.将时序卷积网络中抽取的特征通过注意力机制计算每个特征的注意力权重；4.通过线性层计算死亡风险系数来预测危重症死亡风险。本发明作为一种危重症死亡预测工具，是对危重症患者进行死亡预测从而提高危重病人生存几率以及客观制定医疗护理计划的一种有效方法。
-
公开(公告)号：CN109934415A
公开(公告)日：2019-06-25
申请号：CN201910223568.2
申请日：2019-03-22
摘要： 本发明涉及一种基于跨模态深度学习的围术期危重事件预测方法，属于人工智能与医疗应用领域。该方法包括步骤1.构建多模态医疗监护数据集；2.患者监护数据与个性化数据双模态融合特征学习；3.跨模态协同学习特征提取；4.构建多模态危重事件(死亡风险)预测模型；5.模型反馈验证。本发明作为一种危重症不良事件预测预警工具，是实现术后主要重症事件的实时追踪、早期诊断和预警的一种有效方法。
-
公开(公告)号：CN109934415B
公开(公告)日：2022-09-30
申请号：CN201910223568.2
申请日：2019-03-22
摘要： 本发明涉及一种基于跨模态深度学习的围术期危重事件预测方法，属于人工智能与医疗应用领域。该方法包括步骤1.构建多模态医疗监护数据集；2.患者监护数据与个性化数据双模态融合特征学习；3.跨模态协同学习特征提取；4.构建多模态危重事件(死亡风险)预测模型；5.模型反馈验证。本发明作为一种危重症不良事件预测预警工具，是实现术后主要重症事件的实时追踪、早期诊断和预警的一种有效方法。
-
公开(公告)号：CN109934125B
公开(公告)日：2022-11-25
申请号：CN201910142716.8
申请日：2019-02-26
摘要： 本发明涉及一种半监督手术视频流程识别方法，属于人工智能与医疗应用领域。该方法包括步骤1.用卷积自编码器对视频进行空间特征提取；2.从同视频上下文中提取一对视频帧进行时序排序任务学习，提取时序特征；3.通过多分类识别网络识别手术视频流程阶段；4.输出手术视频流程阶段识别结果。本发明作为开放性外科手术视频流程自动识别检测工具，是实现未来人工智能医疗手术室的一种低代价实现高效判别手术视频流程阶段的方法。
-
公开(公告)号：CN109934125A
公开(公告)日：2019-06-25
申请号：CN201910142716.8
申请日：2019-02-26
摘要： 本发明涉及一种半监督手术视频流程识别方法，属于人工智能与医疗应用领域。该方法包括步骤1.用卷积自编码器对视频进行空间特征提取；2.从同视频上下文中提取一对视频帧进行时序排序任务学习，提取时序特征；3.通过多分类识别网络识别手术视频流程阶段；4.输出手术视频流程阶段识别结果。本发明作为开放性外科手术视频流程自动识别检测工具，是实现未来人工智能医疗手术室的一种低代价实现高效判别手术视频流程阶段的方法。
-
公开(公告)号：CN109805898B
公开(公告)日：2024-04-05
申请号：CN201910223555.5
申请日：2019-03-22
IPC分类号： A61B5/00 , G16H50/30 , G06N3/049 , G06N3/0464 , G06N3/082
摘要： 本发明涉及一种基于注意力机制时序卷积网络算法的危重症死亡预测方法，属于人工智能与医疗应用领域。该方法包括步骤1.重症和手术多源监护数据的采集与分析；2.将数据输入到时序卷积网络(TCN)中抽取特征；3.将时序卷积网络中抽取的特征通过注意力机制计算每个特征的注意力权重；4.通过线性层计算死亡风险系数来预测危重症死亡风险。本发明作为一种危重症死亡预测工具，是对危重症患者进行死亡预测从而提高危重病人生存几率以及客观制定医疗护理计划的一种有效方法。
-
公开(公告)号：CN117936075B
公开(公告)日：2024-11-15
申请号：CN202410087228.2
申请日：2024-01-19
申请人： 中国科学院重庆绿色智能技术研究院
IPC分类号： G16H50/20 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/049 , G06N3/092
-
公开(公告)号：CN118299040A
公开(公告)日：2024-07-05
申请号：CN202410471680.9
申请日：2024-04-11
申请人： 中国科学院重庆绿色智能技术研究院
IPC分类号： G16H50/20 , G16H50/30 , G06N3/0464 , G06N3/0895 , G06N3/092
摘要： 本发明为一种脓毒症的特征自监督辨识与风险预警方法，属于医疗大数据领域。由基于脓毒症的特征自监督辨识模型实现；所述的基于脓毒症的特征自监督辨识模型是由基于多项式树突神经网络的一个Actor‑Critic框架的强化学习网络并联一个基准模型构成。该方法步骤为：S1：输入数据预处理；S2：建立历史数据集；S3：建立基于脓毒症的特征自监督辨识模型，利用KL散度建立联合损失函数；S4：模型训练；S5：利用Actor‑Critic框架的强化学习网络预测出患者脓毒症的风险；S6：对预警进行可解释性分析。本发明方法能够高效的协助医务工作者实现对患者脓毒症的及时、准确的预警，具有直观准确的可解释性，减少手术风险发生。
-
公开(公告)号：CN116304855A
公开(公告)日：2023-06-23
申请号：CN202211680701.5
申请日：2022-12-07
申请人： 中国科学院重庆绿色智能技术研究院
IPC分类号： G06F18/241 , G16H50/70 , G16H50/20 , G06F18/214
摘要： 本发明为基于改进DQN的可解释性监测数据识别方法，包括如下步骤：S1：将监测数据进行预处理后，按时序和周期进行采样并作为输入；S2：利用马尔科夫链模型生成状态转移概率，构建强化学习网络；S3：将步骤S2所述的强化学习网络作为互注意力机制的预测器，构建改进的DQN模型；S4：将历史监测数据和对应的解释文本作为输入，对改进的DQN模型进行训练；S5：实时采集监测数据并采用改进的DQN模型对其进行分析，识别出其中的状态并输出对应的可解释性文本。本发明能够直接对监测数据进行实时在线学习，利用基于注意力机制的时序卷积网络的改进的DQN模型感知监测状态，生成准确预测结果的同时产生可解释性文本对预测结果进行解释说明。
-
公开(公告)号：CN110517770B
公开(公告)日：2021-08-17
申请号：CN201910806510.0
申请日：2019-08-28
申请人： 中国科学院重庆绿色智能技术研究院
IPC分类号： G16H50/20
摘要： 本发明涉及一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，属于人工智能及其医疗应用领域，包括步骤：S1：构建围手术期危重不良事件干预措施集；S2：为每种干预措施赋予效用值，形成干预措施效用体系；S3：针对干预措施，构建专家知识库；S4：形成多种组合干预方案；S5：基于患者临床病例数据及来源与专家知识，构建围手术期危重不良事件干预的贝叶斯网络模型；S6：针对单个患者，输入围手术期的数据信息，作为贝叶斯网络模型的数据证据，执行贝叶斯网络推理，得到每种干预措施是否采取的概率值；S7：计算每种组合方案的总体效用值；S8：选取总体效用值Top‑3的组合方案，作为干预决策方案的推荐结果。
-
-
-
-
-
-
-
-
-
搜索结果
38 条记录 (耗时 0.088 秒)
