-
公开(公告)号：CN117094412B
公开(公告)日：2024-06-28
申请号：CN202311045465.4
申请日：2023-08-18
Applicant: 之江实验室
Abstract: 本发明公开了一种针对非独立同分布医疗场景下的联邦学习方法，本发明首先将类别标签变量分布相近的医疗机构分在同一个簇内，训练过程中，先对在每个簇内的本地训练后得到的本地模型权值进行联邦平均得到对应簇模型的更新权值，从而能够减少由于数据不平衡对准确预测联邦平均结果的影响，然后将能够获得较为准确的联邦平均结果的各个簇模型的更新权值进行整合得到当前迭代的全局模型权值，通过多次迭代得到能够准确对疾病诊断、用药推荐以及治疗方案等医疗问题进行预测的全局模型。本发明还公开了一种针对非独立同分布医疗场景下的联邦学习装置和存储介质。
-
公开(公告)号：CN116564535A
公开(公告)日：2023-08-08
申请号：CN202310529197.7
申请日：2023-05-11
Applicant: 之江实验室
Abstract: 本发明公开了一种基于隐私保护下局部图信息交换的中心疾病预测方法，本发明通过构建图中间变量，并在差分隐私保护下完成各个医疗机构图中间变量的交换，从而保证了医疗机构在隐私保护场景下利用其他医疗机构的关系图信息完成本地图神经网络模型的训练，进而提升全局图神经网络模型的预测准确性。本发明还提供了基于隐私保护下局部图信息交换的中心疾病预测装置。
-
公开(公告)号：CN114664452A
公开(公告)日：2022-06-24
申请号：CN202210547826.4
申请日：2022-05-20
Applicant: 之江实验室
Abstract: 本发明公开了一种基于因果校验数据生成的全科多疾病预测系统，本发明针对全科场景，从因果性的角度出发，提出了基于全科倾向性得分网络的倾向性得分计算方法；相较于传统生成式对抗网络可解释性差的问题，本发明提出了基于因果校验的生成式对抗网络，使得生成的数据更加符合真实的因果逻辑；针对现有图卷积神经网络仅从相关性角度建模的问题，本发明提出了基于全科因果图卷积神经网络的全科多疾病预测模型，融入因果效应值以提升全科多疾病预测系统对疾病的预测性能，解决了全科场景因训练样本少导致模型表现差以及鲁棒性不高的问题。
-
公开(公告)号：CN117311760B
公开(公告)日：2024-09-06
申请号：CN202311237605.8
申请日：2023-09-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于服务类型传输策略的医疗服务部署方法，该方法通过中心服务器将各个医疗服务自动传输至对应的医疗机构中，使得各医疗机构能够自动更新docker镜像后启动医疗服务，从而实现了自动更新医疗机构节点配置，即医疗机构的docker镜像来启动对应的医疗服务，降低了运维人员的工作量，工作效率较高，并且本发明通过将医疗服务分类传输，依据不同类型的医疗服务采用不同的策略以加快传输速度，尽快完成医疗服务的部署。
-
公开(公告)号：CN117311760A
公开(公告)日：2023-12-29
申请号：CN202311237605.8
申请日：2023-09-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于服务类型传输策略的医疗服务部署方法，该方法通过中心服务器将各个医疗服务自动传输至对应的医疗机构中，使得各医疗机构能够自动更新docker镜像后启动医疗服务，从而实现了自动更新医疗机构节点配置，即医疗机构的docker镜像来启动对应的医疗服务，降低了运维人员的工作量，工作效率较高，并且本发明通过将医疗服务分类传输，依据不同类型的医疗服务采用不同的策略以加快传输速度，尽快完成医疗服务的部署。
-
Patent Agency Ranking
公开(公告)号：CN115938490A
公开(公告)日：2023-04-07
申请号：CN202310230140.7
申请日：2023-03-07
Applicant: 之江实验室
Abstract: 本发明公开了一种基于图表示学习算法的代谢物鉴定方法、系统和设备。该方法包括：从代谢物数据库中获取代谢物质谱数据和代谢物分子指纹，将质谱数据进行转换，构建代谢物节点、代谢物结构节点、一级质谱节点、二级质谱节点的关系图；计算各节点转移概率作为随机游走概率，使用deepwalk图表示学习算法生成一级质谱节点、二级质谱节点和代谢物结构节点的嵌入表示；对于每一个代谢物结构，用一级质谱的嵌入表示和二级质谱的嵌入表示作为输入迭代训练一个感知器模型；使用训练完成的一系列感知器模型进行代谢物分子指纹的预测；使用预测的代谢物分子指纹同代谢物结构数据库中的代谢物分子指纹进行匹配，完成代谢物鉴定。
-
公开(公告)号：CN118571502B
公开(公告)日：2024-10-18
申请号：CN202411053078.X
申请日：2024-08-02
Applicant: 之江实验室
IPC: G16H50/70 , G16H10/20 , G16H10/60 , G06N5/025 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种基于知识引导域自适应的多中心医学数据处理方法、系统、设备、介质，包括：基于通用医学概念以及其关系、每一中心私有域中的本地医学概念及其与通用医学概念之间的关系、不同中心私有域中的本地医学概念之间的关系构建医学知识图谱；对源中心患者数据、目标中心患者数据进行编码得到源中心数据特征、目标中心数据特征；基于源中心患者数据、目标中心患者数据根据医学知识图谱构建源中心患者子图、目标中心患者子图；对源中心患者子图、目标中心患者子图进行处理，得到源中心知识特征、目标中心知识特征；设置损失函数，所述损失函数包括根据下游医学任务设置的损失，并通过对抗学习得到每一医疗中心患者之间的跨域不变特征。
-
公开(公告)号：CN117094412A
公开(公告)日：2023-11-21
申请号：CN202311045465.4
申请日：2023-08-18
Applicant: 之江实验室
Abstract: 本发明公开了一种针对非独立同分布医疗场景下的联邦学习方法，本发明首先将类别标签变量分布相近的医疗机构分在同一个簇内，训练过程中，先对在每个簇内的本地训练后得到的本地模型权值进行联邦平均得到对应簇模型的更新权值，从而能够减少由于数据不平衡对准确预测联邦平均结果的影响，然后将能够获得较为准确的联邦平均结果的各个簇模型的更新权值进行整合得到当前迭代的全局模型权值，通过多次迭代得到能够准确对疾病诊断、用药推荐以及治疗方案等医疗问题进行预测的全局模型。本发明还公开了一种针对非独立同分布医疗场景下的联邦学习装置和存储介质。
-
公开(公告)号：CN115938490B
公开(公告)日：2023-06-06
申请号：CN202310230140.7
申请日：2023-03-07
Applicant: 之江实验室
Abstract: 本发明公开了一种基于图表示学习算法的代谢物鉴定方法、系统和设备。该方法包括：从代谢物数据库中获取代谢物质谱数据和代谢物分子指纹，将质谱数据进行转换，构建代谢物节点、代谢物结构节点、一级质谱节点、二级质谱节点的关系图；计算各节点转移概率作为随机游走概率，使用deepwalk图表示学习算法生成一级质谱节点、二级质谱节点和代谢物结构节点的嵌入表示；对于每一个代谢物结构，用一级质谱的嵌入表示和二级质谱的嵌入表示作为输入迭代训练一个感知器模型；使用训练完成的一系列感知器模型进行代谢物分子指纹的预测；使用预测的代谢物分子指纹同代谢物结构数据库中的代谢物分子指纹进行匹配，完成代谢物鉴定。
-
公开(公告)号：CN114664452B
公开(公告)日：2022-09-23
申请号：CN202210547826.4
申请日：2022-05-20
Applicant: 之江实验室
Abstract: 本发明公开了一种基于因果校验数据生成的全科多疾病预测系统，本发明针对全科场景，从因果性的角度出发，提出了基于全科倾向性得分网络的倾向性得分计算方法；相较于传统生成式对抗网络可解释性差的问题，本发明提出了基于因果校验的生成式对抗网络，使得生成的数据更加符合真实的因果逻辑；针对现有图卷积神经网络仅从相关性角度建模的问题，本发明提出了基于全科因果图卷积神经网络的全科多疾病预测模型，融入因果效应值以提升全科多疾病预测系统对疾病的预测性能，解决了全科场景因训练样本少导致模型表现差以及鲁棒性不高的问题。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.025 seconds)
