-
公开(公告)号：CN111951246B
公开(公告)日：2022-03-04
申请号：CN202010803336.7
申请日：2020-08-11
申请人： 湖南大学
摘要： 本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN114512188B
公开(公告)日：2024-04-05
申请号：CN202210274125.8
申请日：2022-03-20
申请人： 湖南大学
IPC分类号： G16B25/10 , G06N3/049 , G06N3/08 , G06N3/0464
摘要： 本发明公开了一种基于改进蛋白质序列位置特异性矩阵的DNA结合蛋白识别方法，包括：S1、参数初始化；S2、构建DNA结合蛋白序列信息；S3、采用位置特异性得分矩阵表示蛋白质序列；S4、对位置特异性得分矩阵进行归一化，得到改进后的位置特异性得分矩阵；S5、输入卷积神经网络；S6、将卷积神经网络的输出结果输入至双向长短时记忆网络；S7、采用时间分布稠密层对不同存储单元生成的隐藏特征进行加权；S8、将稠密层的输出输入到Flatten层；S9、将改进后的位置特异性得分矩阵输入随机森林模型得到对特定蛋白质序列的决策结果；S10、将步骤S8的输出和步骤S9的决策结果输入评分层，按照设定的权重进行最终的预测评分。本发明提高了预测的性能和准确率。
-
公开(公告)号：CN117457228A
公开(公告)日：2024-01-26
申请号：CN202311497762.2
申请日：2023-11-12
申请人： 湖南大学
摘要： 本发明公开了医疗表征学习技术领域的一种电子健康记录的个性化表征学习模型方法。该电子健康记录的个性化表征学习模型方法包括以下步骤：输入EHR数据集，将结构化EHR数据转换成了一系列与时间有关的序列输入；将上述序列数据依次进行数据编码、上下文表征、时间维度融合和预测；将待诊断样本输入到参数设置的网络模型中进行数据训练，实现医疗预测。该电子健康记录的个性化表征学习模型方法能够有效的针对不同患者的电子健康记录数据进行个性化表征，提高模型对医疗预测任务的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN118919013A
公开(公告)日：2024-11-08
申请号：CN202410984961.4
申请日：2024-07-22
申请人： 湖南大学
IPC分类号： G16H15/00 , G06F40/169 , G06F40/126 , G06F40/295 , G06F40/216 , G06F16/35 , G06N5/04
摘要： 本发明公开了一种用于增强X光图像诊断的文本提示学习方法及装置。方法包括：S1、输入患者胸部X光图像数据集，所述X光图像数据集包含放射学报告#imgabs0#和相应的图像与人工注释标签；S2、在放射学报告中提取概念、位置和阳性，形成三元组数据；S3、将外部医学知识注入至所述三元组数据，形成新的细粒度数据；S4、为每个概念生成报告级提示嵌入；S5、为每个概念生成概念级提示嵌入；S6、计算报告级相似性和概念级相似性；S7、使用损失函数训练得到推理模型；S8、输入患者胸部X光图像输入至推理模型，推断得到某些概念和/或疾病的存在，并确定概念和/或疾病的视觉证据。本发明无需使用任何标记的图像，具有良好的可解释性能。
-
公开(公告)号：CN113724790A
公开(公告)日：2021-11-30
申请号：CN202111044208.X
申请日：2021-09-07
申请人： 湖南大学
摘要： 本发明公开了一种基于卷积去噪自编码机的piRNA‑疾病关联关系预测方法，包括：数据集的选择与建立；Piwi蛋白质相互作用RNA序列相似性特征的生成；疾病语义相似性特征的生成；Piwi蛋白质相互作用RNA和疾病高斯相互作用谱核相似特征的生成；深度隐藏特征挖掘；训练集和测试集的构建；分类器模型的构建。本发明在五折交叉验证实验下取得了优异的性能表现，证明了卷积去噪自编码神经网络在Piwi蛋白质相互作用RNA和疾病关联预测中的有效性。通过案例研究更加证明了本发明在发现潜在Piwi蛋白质相互作用RNA和疾病关联关系的实际应用能力。
-
公开(公告)号：CN112308213A
公开(公告)日：2021-02-02
申请号：CN202011225115.2
申请日：2020-11-05
申请人： 湖南大学
摘要： 本发明属于计算机科学领域，公开了一种基于全局特征关系的卷积神经网络压缩方法。本发明通过在卷积神经网络的批量归一化(Batch Normalization,BN)层后面加入全局特征关系(Global Feature Relation,GFR)子模块,实现提取通道关系并且抑制不重要通道的目的。GFR子模块主要涉及到池化，全连接层和移动平均运算。随后结合通道关系和BN层的通道尺度因子，评估每个通道的重要性程度，该指标可以帮助模型压缩方法更准确的筛选出模型中重要的通道。最后利用通道剪枝算法和网格搜索技术，实现在无需微调模型的情况下，消耗较少的时间和计算资源完成网络模型的压缩，显著降低模型的运行内存和存储内存，并加速模型的推断速度，极大地提高了卷积神经网络在小型移动设备上部署的可能性。
-
公开(公告)号：CN111951246A
公开(公告)日：2020-11-17
申请号：CN202010803336.7
申请日：2020-08-11
申请人： 湖南大学
摘要： 本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN113724790B
公开(公告)日：2023-10-20
申请号：CN202111044208.X
申请日：2021-09-07
申请人： 湖南大学
IPC分类号： G16B40/00 , G16B30/00 , G06F18/15 , G06F18/2415 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/0499 , G06N3/08
摘要： 本发明公开了一种基于卷积去噪自编码机的piRNA‑疾病关联关系预测方法，包括：数据集的选择与建立；Piwi蛋白质相互作用RNA序列相似性特征的生成；疾病语义相似性特征的生成；Piwi蛋白质相互作用RNA和疾病高斯相互作用谱核相似特征的生成；深度隐藏特征挖掘；训练集和测试集的构建；分类器模型的构建。本发明在五折交叉验证实验下取得了优异的性能表现，证明了卷积去噪自编码神经网络在Piwi蛋白质相互作用RNA和疾病关联预测中的有效性。通过案例研究更加证明了本发明在发现潜在Piwi蛋白质相互作用RNA和疾病关联关系的实际应用能力。
-
公开(公告)号：CN115171792A
公开(公告)日：2022-10-11
申请号：CN202210781902.8
申请日：2022-06-30
申请人： 湖南大学
IPC分类号： G16B40/20 , G16B30/10 , G16B10/00 , G16B50/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/20 , G06N5/00
摘要： 本发明公开了深度学习和生物信息学技术领域的一种毒力因子和抗生素抗性基因的混合预测方法，该毒力因子和抗生素抗性基因的混合预测方法包括以下步骤：S1.分别从数据库中获取已知的抗生素抗性基因序列数据、毒力因子序列数据以及负样本基因序列数据；S2.利用基因序列信息分别计算多种核心基因特征，构建深度学习神经网络架构和经典集成学习架构；S3.将S1中三类序列数据作为样本，划分中训练数据集和测试数据集；S4.利用多种分类方法获取新的训练数据集；对新的训练数据集构建分类模型，获取分类模型的性能评价指标。该毒力因子和抗生素抗性基因的混合预测方法预测效果好、预测准确率较高。
-
公开(公告)号：CN114512188A
公开(公告)日：2022-05-17
申请号：CN202210274125.8
申请日：2022-03-20
申请人： 湖南大学
摘要： 本发明公开了一种基于改进蛋白质序列位置特异性矩阵的DNA结合蛋白识别方法，包括：S1、参数初始化；S2、构建DNA结合蛋白序列信息；S3、采用位置特异性得分矩阵表示蛋白质序列；S4、对位置特异性得分矩阵进行归一化，得到改进后的位置特异性得分矩阵；S5、输入卷积神经网络；S6、将卷积神经网络的输出结果输入至双向长短时记忆网络；S7、采用时间分布稠密层对不同存储单元生成的隐藏特征进行加权；S8、将稠密层的输出输入到Flatten层；S9、将改进后的位置特异性得分矩阵输入随机森林模型得到对特定蛋白质序列的决策结果；S10、将步骤S8的输出和步骤S9的决策结果输入评分层，按照设定的权重进行最终的预测评分。本发明提高了预测的性能和准确率。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.02 秒)
