-
公开(公告)号：CN118505682B
公开(公告)日：2024-09-13
申请号：CN202410949007.1
申请日：2024-07-16
Applicant: 天津医科大学第二医院 , 北京交通大学
Abstract: 本发明涉及医学图像处理技术领域，公开了一种用于放射性粒子植入tps的肿瘤边界勾画系统，在感兴趣区域图像上根据颜色对肿瘤区域和非肿瘤区域进行划分，计算SUV值，将SUV值与设定的肿瘤SUV阈值比对，若肿瘤区域的SUV值不在设定的肿瘤SUV阈值内说明该区域存在非肿瘤组织边界，若非肿瘤区域的SUV值在设定的肿瘤SUV阈值内说明该区域存在肿瘤组织边界，这时需要继续对当前区域进行划分并计算SUV值以及设定的肿瘤SUV阈值的比对，直到肿瘤区域中每个区域计算的SUV值均在设定的肿瘤SUV阈值内，说明当前区域为不包含非肿瘤组织边界的肿瘤区域，将该不包含肿瘤组织边界的非肿瘤区域从医学图像上分割掉。
-
公开(公告)号：CN116070700A
公开(公告)日：2023-05-05
申请号：CN202310052151.0
申请日：2023-02-02
Applicant: 北京交通大学
Abstract: 本发明提供一种融合迭代式主动学习的生物医学关系抽取方法及系统，属于医学信息处理技术领域，从PubMed等生物医学文献库中获取用于关系抽取的标准数据集；结合主动学习算法筛选出有价值的样本对模型进行训练；利用训练好的关系抽取模型，对待抽取的句子进行处理，得到最后的实体关系联合抽取结果，抽取出生物医学文献中的知识；其中，关系抽取模型为使用融合迭代式主动学习的生物医学关系抽取模型训练方法训练得到。本发明融合多种主动学习策略的生物医学实体关系联合抽取框架，实现迭代式的主动学习样本筛选和实体关系联合抽取模型训练，有效减少了实体关系联合抽取过程中模型训练所需要的训练集数量，提高了模型训练效率，降低了模型训练成本。
-
公开(公告)号：CN114141361B
公开(公告)日：2022-12-06
申请号：CN202111468442.5
申请日：2021-12-03
Applicant: 北京交通大学
Abstract: 本发明提供一种基于症状术语映射与深度学习的中医处方推荐方法，属于中药处方推荐技术领域，对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。本发明基于症状术语映射与深度学习进行中医处方推荐，通过症状术语映射缓解临床症状的“未登录词”问题，并结合深度学习进行处方推荐，建立了基于注意力的处方推荐特征贡献度评估模块，建立了基于特征融合的症状术语表征和患者临床特征融合策略，提高了处方推荐的可靠性。
-
公开(公告)号：CN114121166A
公开(公告)日：2022-03-01
申请号：CN202111399438.8
申请日：2021-11-19
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于复杂网络的感认知行为与人体分子网络关联方法。该方法包括：构建感知与认知行为表型相关的分子网络；构建神经、免疫、内分泌和微生态相关的分子网络；基于构建的分子网络利用网络平均最短路径长度和网络相关性指标，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用网络上的分子网络关联性。本发明通过构建感知与认知行为表型相关的分子网络，构建了神经、免疫、内分泌和微生态系统相关的分子网络，可以有效地评估感认知行为与神经、免疫、内分泌和微生态系统的分子网络关联性，构建出其分子关联机制的数据库。
-
公开(公告)号：CN119207726A
公开(公告)日：2024-12-27
申请号：CN202411112467.5
申请日：2024-08-14
Applicant: 北京交通大学
Abstract: 本发明提供一种融合多图卷积与本体知识的中医智能辨证方法与系统，属于疾病证候预测技术领域，获取临床电子病历数据和中医知识库本体数据；利用预先训练好的证候预测模型对获取的临床电子病历数据和中医知识库本体数据进行处理，得到证候预测结果；其中，所述证候预测模型包括图构建模块、嵌入表示学习模块、特征融合模块以及智能辩证模块。本发明建立了融合临床病历数据和中医本体知识的症状特征图、证候标签图，以及证候‑证候图的构建策略，以及结合多图卷积神经网络与特征融合的症状与证候嵌入表示学习技术，最终实现症状、证候、患者的精准嵌入表示，提升了智能辨证算法的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN114530197B
公开(公告)日：2024-06-11
申请号：CN202210138174.9
申请日：2022-02-15
Applicant: 北京交通大学
IPC: G16B15/30
Abstract: 本发明提供一种基于矩阵补全的药物靶点预测方法及系统，属于生物医药技术领域，通过图卷积网络学习药物和靶点的低维特征向量，结合图卷积网络中每个药物节点或靶点节点的拓扑性质和邻域信息，捕捉非线性相互作用；利用矩阵补全的方法对学习到的药物特征和靶点特征进行关系预测，得到靶点预测结果。本发明基于图神经网络方法有效融合网络结构和节点属性信息，通过对局部表示应用多层聚合捕获更高阶的节点特征信息；进一步基于矩阵补全的方法学习原始特征隐含的抽象信息；最后将网络中中药和靶点的特征表示学习和后续的靶点预测任务结合，通过后者进一步优化特征表示，构建端到端的预测模型。
-
公开(公告)号：CN114783571A
公开(公告)日：2022-07-22
申请号：CN202210356305.0
申请日：2022-04-06
Applicant: 北京交通大学
Abstract: 本发明提供一种基于深度强化学习的中医动态诊疗方案优化方法及系统，属于中医诊疗技术领域，通过结合Q‑Learning和卷积神经网络的强化学习模型、通过融合全连接网络和LSTM神经网络的强化学习模型进行诊疗优化模型训练，获得最佳患者诊疗方案；将患者的症状和患者症状和诊疗优化模型优化输出的诊疗方案作为输入，构建多层神经网络用于预测中药处方；最终将优化输出的诊疗方案和预测的中药处方作为治疗方案推荐给患者。本发明针对中医诊疗优化问题，通过设计离线虚拟环境、奖励函数、状态转移预测以及诊疗方案聚类分析，构建出一个基于深度强化学习的中医动态诊疗方案优化模型。
-
公开(公告)号：CN114141361A
公开(公告)日：2022-03-04
申请号：CN202111468442.5
申请日：2021-12-03
Applicant: 北京交通大学
Abstract: 本发明提供一种基于症状术语映射与深度学习的中医处方推荐方法，属于中药处方推荐技术领域，对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。本发明基于症状术语映射与深度学习进行中医处方推荐，通过症状术语映射缓解临床症状的“未登录词”问题，并结合深度学习进行处方推荐，建立了基于注意力的处方推荐特征贡献度评估模块，建立了基于特征融合的症状术语表征和患者临床特征融合策略，提高了处方推荐的可靠性。
-
公开(公告)号：CN119181417A
公开(公告)日：2024-12-24
申请号：CN202411041107.0
申请日：2024-07-31
Applicant: 北京交通大学
IPC: G16B15/30 , G16B30/00 , G16B40/00 , G06F18/2433 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/042 , G06N3/0985 , G06N3/048
Abstract: 本发明提供一种基于药物元学习的药物靶点预测方法及系统，属于基于深度学习的药物靶点预测技术领域，获取待预测的药物化学分子式信息和靶点蛋白的氨基酸序列信息；利用预先训练好的药物靶点预测模型对获取的待预测的药物分子式和靶点蛋白的氨基酸序列进行处理，得到所述待预测的药物与靶点的是否存在关系的结构。本发明基于药物元学习的药物靶点预测算法，利用元学习的跨任务学习技术，通过药靶元任务划分和药物元学习，建立药靶预测元学习框架，提升了小样本场景下的药靶预测精度。
-
公开(公告)号：CN115938609B
公开(公告)日：2024-09-13
申请号：CN202211591715.X
申请日：2022-12-12
Applicant: 北京交通大学
IPC: G16H70/40 , G06F18/214 , G06F18/22 , G16B50/30
Abstract: 本发明提供一种融合疗效对比信息的药物重定位方法及系统，属于临床医学药物开发技术领域，获取待查询疾病的信息，以及可治疗待查询疾病的候选药物的嵌入特征；利用预先训练好的药物适应症排序模型，对获取的疾病信息以及候选药物的嵌入特征进行处理，得到候选药物的疗效等级排序结果；其中，预先训练好的药物适应症排序模型利用训练集训练得到，训练集包括多组数据，每组数据分别包括某一种疾病的信息、可治疗该种疾病的候选药物以及标注每一个所述候选药物对于所述疾病的疗效等级的标签。本发明形成面向药物重定位的药物疗效对比关系数据集，疗效对比更加全面；基于网络嵌入与排序学习、融合药物疗效对比信息进行药物重定位，提高了定位准确度。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.016 seconds)
