公开(公告)号：CN116631626A

公开(公告)日：2023-08-22

申请号：CN202310676071.2

申请日：2023-06-08

Applicant: 中南大学

Inventor： 安莹 ,  蔡光磊 ,  任立男 ,  陈先来

IPC: G16H50/30 ,  G16H10/60 ,  G16H50/70 ,  G06F18/213 ,  G06F18/25

Abstract: 本申请适用于数据处理技术领域，提供了一种患者临床风险评估方法、装置、设备及介质。该评估方法包括：对目标患者的电子病例时序数据进行处理，生成患者初级表示向量；获取绝对偏移量，并获取绝对偏移量的绝对偏移量嵌入表示；获取相对偏移量，并获取相对偏移量的相对偏移量嵌入表示；对绝对偏移量嵌入表示进行特征提取，得到绝对偏移量特征；对相对偏移量嵌入表示进行特征提取，得到相对偏移量特征；利用患者初级表示向量对绝对偏移量特征和相对偏移量特征进行融合，得到患者最终表示向量；利用临床风险评估模块对患者最终表示向量进行计算，得到患者在当前时刻T的临床风险结果。本申请的评估方法能提高风险评估的准确性。

公开(公告)号：CN113902186A

公开(公告)日：2022-01-07

申请号：CN202111165778.4

申请日：2021-09-30

Applicant: 中南大学

Inventor： 安莹 ,  刘洋 ,  盛羽 ,  陈先来

IPC: G06Q10/04 ,  G16H10/60 ,  G16H50/30 ,  G16H50/70 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于电子病历的患者死亡风险预测方法、系统、终端及可读存储介质。本发明所述方法构建的患者死亡风险预测模型，其将时间信息添加至医疗特征数据中得到具有时间特性的患者特征数据，再利用时序模型学习各类患者特征数据的特征表示，挖掘不规则时间模式，再引入具有层次结构的注意力机制将异构的特征数据进行融合，得到更为全面的融合特征，最后，将患者的融合表示应用于死亡风险预测，提高了模型预测精度以及可靠性。本发明有效地解决了现有技术面临的不规则时序建模问题以及多元异构数据融合问题，并将本发明所述方法与其他方法在同一数据集上测试比较，实验结果表明本发明所述方法在危重症患者死亡风险预测方面具有较好的性能。

公开(公告)号：CN113517046A

公开(公告)日：2021-10-19

申请号：CN202110405703.2

申请日：2021-04-15

Applicant: 中南大学

Inventor： 安莹 ,  唐琨 ,  陈先来

IPC: G16H10/60 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质，所述方法包括：步骤1：将患者的电子病历数据进行处理构成患者的就诊向量；步骤2：将每类数据的就诊向量作为原始输入数据，分别利用Bi_LSTM模型和CNN模型提取时序特征和非时序特征；步骤3：分别综合每类数据的时序特征和非时序特征得到综合特征；步骤4：利用所述综合特征挖掘每类数据的之间的作用信息得到每类数据对应的最终特征。其中，利用得到最终特征可以用于疾病风险预测，本发明综合了不同类型医学数据各自的时序和非时序特征及其之间的相互关系，以获得更准确的患者表示特征，进而提高了疾病风险预测结果的可靠性。

公开(公告)号：CN111695153A

公开(公告)日：2020-09-22

申请号：CN202010514315.3

申请日：2020-06-08

Applicant: 中南大学

Inventor： 罗霄 ,  陈先来 ,  刘莉 ,  安莹 ,  李忠民

IPC: G06F21/62

Abstract: 本申请实施例公开了一种多叉树森林K-匿名方法、系统、设备和可读存储介质，以识别率的计算为基础，解决了贪婪算法在局域泛化模式中每一步最优泛化数据选择的问题，建立多叉树森林实现了泛化数据的存储和局域泛化，以多线程的泛化数据选择和K-匿名的并行式计算判断提升了模型的效率。即在原始数据的基础上将部分数据泛化，使匿名后的数据集满足K-匿名模型。在保障数据安全性的条件下，不会影响数据本身的真实性。同时模型保留了数据本身的分布，提高数据匿名化后数据的可用性，适用于小型数据集和大型数据集的匿名化处理。

公开(公告)号：CN109754852A

公开(公告)日：2019-05-14

申请号：CN201910015636.6

申请日：2019-01-08

Applicant: 中南大学

Inventor： 黄能军 ,  安莹 ,  陈先来

IPC: G16H10/60 ,  G16H50/20 ,  G16H50/30

Abstract: 本发明公开了一种基于电子病历的心血管疾病风险预测方法，包括获取电子病历数据并分为训练集和测试集；将电子病历数据整理形成训练集序列和测试集序列；将训练集序列输入预测模型的嵌入层生成嵌入向量；采用基于关注机制的LSTM模块对嵌入向量进行表征学习得到表征向量；将表征向量拼接并采用softmax层预测得到初步的心血管疾病风险预测模型；对初步的心血管疾病风险预测模型进行测试和修正得到最终的心血管疾病风险预测模型；采用最终的心血管疾病风险预测模型对待预测的病人进行心血管疾病风险预测。本发明能够高效地、全面地捕获电子病历数据的特征信息，实现更准确的疾病风险预测而且模型的准确度更高。

公开(公告)号：CN108877905A

公开(公告)日：2018-11-23

申请号：CN201810602381.9

申请日：2018-06-12

Applicant: 中南大学

Inventor： 王建新 ,  肖湘佳慧 ,  李丽萍 ,  安莹

IPC: G16H40/20 ,  G06K9/62 ,  G06Q10/04

CPC classification number: G16H40/20 ,  G06K9/6256 ,  G06Q10/04

Abstract: 本发明公开了一种基于Xgboost框架的医院门诊就诊量预测方法，包括：获取历史数据，并基于历史数据构建每类门诊的门诊数据集；利用每类门诊的门诊数据集构建每类门诊的Stacking‑Xgboost的预测模型；Stacking‑Xgboost的预测模型包括N2个的Xgboost基学习器；获取预测日内每个关联特征的量值，并输入至待测门诊类型的Stacking‑Xgboost的预测模型中得到在预测日对应待测门诊的就诊量预测值，预测日的就诊量预测值等于所有Xgboost基学习器的预测值的平均值或加权平均计算结果。上述方法解决了就诊量与天气因素的相关性研究问题，同时具有预测精度高、速度快的优点。

公开(公告)号：CN118709805A

公开(公告)日：2024-09-27

申请号：CN202410792703.6

申请日：2024-06-19

Applicant: 中南大学

Inventor： 安莹 ,  白雅琪 ,  任立男 ,  陈先来

IPC: G06N20/00 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/098

Abstract: 本发明公开了一种面向模态不完整场景的多模态联邦学习及系统，具体包括：具有一致模态的客户端被分组成一个集群，并根据集群类别分发相应的模型；客户端训练本地模型并执行原型对比学习，将本地原型集及本地模型传输到中央服务器；在中央服务器上，执行集群分步聚合，以推导出多模态全局模型、单模态全局模型；在中央服务器上，执行全局原型聚合，以推导出全局原型集；中央服务器将多模态全局模型、单模态全局模型和全局原型集分发到各个本地客户端，迭代循环直至模型收敛。通过本公开的方案，有效解决了在不完整模态场景下异构客户端之间的知识共享和协作学习问题，提高了模型训练的效果。

公开(公告)号：CN118468996B

公开(公告)日：2024-09-27

申请号：CN202410942880.8

申请日：2024-07-15

Applicant: 中南大学

Inventor： 陈先来 ,  李陈鹏 ,  陈翔 ,  黄金彩 ,  安莹

IPC: G06N5/02 ,  G16H15/00 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明实施例中提供了一种基于医学影像报告的多模态教学知识图谱构建方法，属于数据处理技术领域，具体包括：得到文本实体和关系；得到视觉特征，得到文本特征；利用线性层将视觉和文本特征映射到相同维度的特征空间，将映射后的特征拼接并加入一个可学习的嵌入；根据影像报告跨模态实体对齐模型对于真实标签预测损失的梯度反馈进一步迭代解剖标签生成器的参数；通过对比学习训练影像报告跨模态实体对齐模型；将学习到的嵌入输入训练好的影像报告跨模态实体对齐模型的预测模块，标记出影像图片中文本实体对应的视觉实体区域；根据视觉实体区域、文本实体和关系构建多模态知识图谱。通过本发明的方案，提高了构建效率、精准度和泛化性能。

公开(公告)号：CN117435747B

公开(公告)日：2024-03-29

申请号：CN202311741314.2

申请日：2023-12-18

Applicant: 中南大学

Inventor： 陈先来 ,  杨承林 ,  黄金彩 ,  陈翔 ,  安莹

IPC: G06F16/36 ,  G06F40/126 ,  G06F40/295 ,  G16C20/30 ,  G16H70/40

Abstract: 本发明实施例中提供了一种基于多层级细化网络的少样本链接预测药物再利用方法，属于数据处理技术领域，具体包括：对待预测的医药知识图谱中的实体及关系嵌入进行初始化；将待预测的医药知识图谱的关系集合按少样本链接预测任务进行划分处理；在元训练任务上多次训练得到多个基于多层级细化网络的少样本链接预测模型；将训练好的全部少样本链接预测模型对元测试任务进行链接预测，根据评价指标选择性能最优的模型，同时得到最终的实体及关系的嵌入；选择特定的疾病和治疗关系，以及数据集中全部药物实体，组成若干新的三元组，并获取对应三元组的嵌入，输入得分函数，得到治疗特定疾病的药物排序。通过本发明的方案，提高了预测效率和适应性。

公开(公告)号：CN117457209A

公开(公告)日：2024-01-26

申请号：CN202311481158.0

申请日：2023-11-08

Applicant: 中南大学

Inventor： 安莹 ,  蔡光磊 ,  王天与 ,  陈先来

IPC: G16H50/30 ,  G16H50/70 ,  G16H80/00 ,  G16H10/60 ,  G06F18/2433 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/0442 ,  G06N3/09

Abstract: 本公开实施例中提供了一种基于采样时间间隔的多模态临床风险预测方法及系统，属于数据处理技术领域，具体包括：从患者的原始电子健康记录时间序列数据中提取出相对偏移量和绝对偏移量并进行初始化嵌入；利用神经网络方法和自注意力机制处理患者的原始心电时序数据，生成心电数据表示向量；将原始的电子健康记录表示向量和经过处理后的心电数据表示向量进行特征融合，得到患者融合后的特征表示向量；基于偏移量引导GRU模型，从相对偏移量嵌入表示、绝对偏移量嵌入表示和融合后的特征表示向量中共同提取出时序特征，得到患者时序特征表示；将患者时序特征表示向量输入分类器评估患者的相关临床风险。通过本公开的方案，提高了预测效率和精准度。