-
Patent Agency Ranking
公开(公告)号：CN110957015A
公开(公告)日：2020-04-03
申请号：CN201911210250.7
申请日：2019-12-02
Applicant: 南开大学
Abstract: 本发明提出了一种结合患者特征缺失规律的电子医疗记录数据的缺失值填充方法。本发明方法是构建由两个循环神经网络构成的联合模型，综合利用未缺失医疗数据的数值信息与患者特征的缺失规律，以判断患者生理状态并提取对应的状态特征，从而根据对应时刻患者的生理状态对各个特征缺失的值进行推断，实现合乎客观事实的患者特征缺失值的填充。对于缺失规律是非随机性的电子医疗记录数据，本发明方法的效果显著优于其他未考虑缺失规律的数据填充模型，证明医疗数据中的非随机缺失性质有助于模型判断患者生理状态，并且有益于模型对数据缺失值进行合理地填充。
-
公开(公告)号：CN110957015B
公开(公告)日：2023-04-28
申请号：CN201911210250.7
申请日：2019-12-02
Applicant: 南开大学
IPC: G16H10/60 , G16H50/70 , G06F18/214 , G06N3/084
Abstract: 本发明提出了一种结合患者特征缺失规律的电子医疗记录数据的缺失值填充方法。本发明方法是构建由两个循环神经网络构成的联合模型，综合利用未缺失医疗数据的数值信息与患者特征的缺失规律，以判断患者生理状态并提取对应的状态特征，从而根据对应时刻患者的生理状态对各个特征缺失的值进行推断，实现合乎客观事实的患者特征缺失值的填充。对于缺失规律是非随机性的电子医疗记录数据，本发明方法的效果显著优于其他未考虑缺失规律的数据填充模型，证明医疗数据中的非随机缺失性质有助于模型判断患者生理状态，并且有益于模型对数据缺失值进行合理地填充。
-
公开(公告)号：CN112541923A
公开(公告)日：2021-03-23
申请号：CN202011412045.1
申请日：2020-12-03
Applicant: 南开大学
Abstract: 本发明属于人工智能技术领域，具体涉及医疗眼底图数据集，特别是针对眼底图数据集迁移学习的视杯视盘分割方法。该方法通过骨干分割网络和两个领域判别器的对抗训练，提取眼底图数据集间的通用特征，并利用注意力模块对特征进行加权，解决了视杯视盘界限模糊的问题，排除了其余多种眼底病灶对分割任务的干扰。在不使用目标数据集标注信息的前提下，算法在眼底图数据集迁移过程中保持较高的视杯视盘分割精度，有效解决了标注眼底数据不足对于传统自动青光眼筛查方法性能的限制。
-
公开(公告)号：CN112541923B
公开(公告)日：2022-04-08
申请号：CN202011412045.1
申请日：2020-12-03
Applicant: 南开大学
Abstract: 本发明属于人工智能技术领域，具体涉及医疗眼底图数据集，特别是针对眼底图数据集迁移学习的视杯视盘分割方法。该方法通过骨干分割网络和两个领域判别器的对抗训练，提取眼底图数据集间的通用特征，并利用注意力模块对特征进行加权，解决了视杯视盘界限模糊的问题，排除了其余多种眼底病灶对分割任务的干扰。在不使用目标数据集标注信息的前提下，算法在眼底图数据集迁移过程中保持较高的视杯视盘分割精度，有效解决了标注眼底数据不足对于传统自动青光眼筛查方法性能的限制。
-
公开(公告)号：CN112465150A
公开(公告)日：2021-03-09
申请号：CN202011402595.5
申请日：2020-12-02
Applicant: 南开大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于真实数据增强的多元时序数据缺失值填充方法，通过编码器压缩真实数据为数据表征向量，之后通过生成器结合真实数据增强从数据表征向量从生成完整的数据向量，最后通过判别器分辨真实数据与生成数据。整个模型通过生成对抗式训练优化编码器、生成器与判别器的损失，从而使生成器生成的数据足够接近真实数据以迷惑判别器，最后用生成器的生成数据填充多元时序数据中的缺失值。该方法以带编码器的生成对抗网络为框架，在模型的编码器、生成器、判别器中都运用了真实数据，使模型生成的数据更加真实可靠，可有效用于缺失值的填充。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
