-
公开(公告)号：CN111882066B
公开(公告)日：2023-11-14
申请号：CN202010719276.0
申请日：2020-07-23
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度表征学习的反事实推理设备，包含：基于深度表征学习的反事实推理模型单元和数据输入单元；反事实推理模型单元包括深度表征学习模块、正交损失模块、治疗策略预测模块、治疗策略预测对抗性模块和治疗效果预测模块；数据输入单元向模型单元输入训练数据集对其进行训练；数据输入单元向训练好的模型单元输入待预测的个体状态以得到预测结果。本发明的基于深度表征学习的反事实推理设备，通过治疗策略预测模块、治疗策略预测对抗性模块和正交损失模块的结合，使得表征学习模块中输出的表征ht，hy分别只与治疗策略和治疗效果相关，去掉了其中的混淆性因素，使基于表征hy的治疗效果预测模块能更加准确和科学地预测治疗效果。
-
公开(公告)号：CN113314218B
公开(公告)日：2022-12-23
申请号：CN202110692395.6
申请日：2021-06-22
Applicant: 浙江大学
Abstract: 本发明公开了一种基于对比的包含竞争风险的动态生存分析设备，包括：数据输入单元、数据增强单元、表征提取单元、轨迹生成单元、轨迹鉴别单元、对比学习单元和生存分析预测单元；数据增强单元包括患者轨迹随机打乱模块和患者轨迹随机遮罩模块；对比学习单元包括基于患者真实轨迹表征与随机打乱轨迹表征的对比模块和基于患者真实轨迹表征与轨迹生成后表征的对比模块；表征提取单元提取患者纵向轨迹数据的表征输入生存分析预测单元得到所预测的临床目标的存活结果。本发明的基于对比的包含竞争风险的动态生存分析设备利用了患者纵向的轨迹数据，减小存在多种竞争风险时对生存预测的影响，引入对比学习来更好的提取患者轨迹数据中的一般性信息。
-
公开(公告)号：CN109493933B
公开(公告)日：2022-04-05
申请号：CN201811406596.X
申请日：2018-11-23
Applicant: 浙江大学
IPC: G16H10/60 , G16H50/20 , G06K9/62 , G06V10/774 , G06N3/04
Abstract: 本发明公开了一种基于注意力机制的急性冠脉综合征不良心血管事件的预测方法，包括：(1)构建训练样本；(2)以双向长短时效记忆网络为基础，并根据患者静态特征‑动态特征关系，引入注意力机制对训练样本进行权重计算，构建预训练模型；(3)以训练样本和训练样本对应的真值标签，对预训练模型进行训练，得到不良心血管事件预测模型；(4)利用预测模型预测待测样本发生不良心血管事件的概率。本发明提供的预测方法可对急性冠脉综合征患者的缺血事件和出血事件发生概率进行预测，从而辅助医生制定合理的诊疗措施，支持临床决策，降低医疗开支。
-
公开(公告)号：CN118507065A
公开(公告)日：2024-08-16
申请号：CN202410462754.2
申请日：2024-04-17
Applicant: 浙江大学
IPC: G16H50/70 , G16H50/20 , G06N3/0455 , G06N3/084 , G06N3/0895 , G06N3/09 , A61B5/055 , A61B5/318 , A61B5/00
Abstract: 本发明公开了一种基于ECG和CMR数据的跨模态数据分析方法，包含：获取ECG、CMR配对数据集；构建深度学习模型；对深度学习模型进行第一阶段预训练，分别采用自监督和有监督的方法处理ECG数据和CMR数据；对深度学习模型进行第二阶段对比训练，进行ECG和CMR数据间的对比学习，冻结CMR编码器参数，仅对ECG编码器进行训练，优化两种数据特征间的对齐，通过有监督学习对ECG编码器进行微调；定义总损失函数；使用超参数搜索，在训练集上采用不同的超参数组合进行训练，在验证集上验证其性能，挑选出最佳超参数组合，在测试集上测试采取最佳超参数训练的深度学习模型。本发明的基于ECG和CMR数据的跨模态数据分析方法，仅使用ECG数据便能够提供全面的心血管健康评估。
-
公开(公告)号：CN118153451A
公开(公告)日：2024-06-07
申请号：CN202410400336.0
申请日：2024-04-03
Applicant: 浙江大学
IPC: G06F30/27 , G06F119/04
Abstract: 本说明书实施例公开了一种用于CT机球管的剩余寿命预测方法、装置及电子设备。该方法包括获取CT机的球管测定数据，分别计算球管测定数据在不同球管性能指标下的退化性能曲线；对各球管性能指标进行单调性评估和相关性评估，确定目标球管性能指标；基于粒子滤波算法构建目标球管性能指标的预测模型，并训练预测模型；基于训练好的预测模型处理当前球管测定数据，并确定CT机的球管剩余寿命。本说明书实施例能够通过预测模型对当前球管测定数据的处理来确定CT机球管的剩余寿命，使得工作人员能够随时预测了解CT机球管的剩余寿命，进而在剩余寿命不足时提前进行球管的更换，保证了CT机在正常运行过程中的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN113539517B
公开(公告)日：2024-04-16
申请号：CN202110898099.1
申请日：2021-08-05
Applicant: 浙江大学
IPC: G16H70/20 , G06F18/241 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种时序干预效果的预测方法，包含：获取数据集；构建深度学习模型；同一输入在两个循环神经网络单元形成的两个深度表征组成一对，在其上施加正交化约束；定义总损失函数，对其进行最小化以实现模型的训练优化；采用不同的超参数组合在所述训练集上训练，并在所述验证集上验证其性能，挑选出最佳超参数组合，在测试集上测试采取最佳超参数训练的所述深度学习模型，得到预测的干预效果。本发明的预测方法，通过多任务学习策略利用两个循环神经网络单元分别学习干预措施和干预效果相关表征，并通过正交化约束消除造成选择偏误的混杂因子，最终训练得到时序上的解耦表征，并用于时序干预效果预测。
-
公开(公告)号：CN113314218A
公开(公告)日：2021-08-27
申请号：CN202110692395.6
申请日：2021-06-22
Applicant: 浙江大学
Abstract: 本发明公开了一种基于对比的包含竞争风险的动态生存分析设备，包括：数据输入单元、数据增强单元、表征提取单元、轨迹生成单元、轨迹鉴别单元、对比学习单元和生存分析预测单元；数据增强单元包括患者轨迹随机打乱模块和患者轨迹随机遮罩模块；对比学习单元包括基于患者真实轨迹表征与随机打乱轨迹表征的对比模块和基于患者真实轨迹表征与轨迹生成后表征的对比模块；表征提取单元提取患者纵向轨迹数据的表征输入生存分析预测单元得到所预测的临床目标的存活结果。本发明的基于对比的包含竞争风险的动态生存分析设备利用了患者纵向的轨迹数据，减小存在多种竞争风险时对生存预测的影响，引入对比学习来更好的提取患者轨迹数据中的一般性信息。
-
公开(公告)号：CN109659033B
公开(公告)日：2021-04-13
申请号：CN201811548823.2
申请日：2018-12-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于循环神经网络的慢性疾病病情变化事件预测装置，包括存储器、处理器以及计算机程序，存储器中存有预处理模块和慢性疾病病情变化事件预测模型，预测模型包括预处理模块、病情特征提取模块和分类模块；处理器执行计算机程序时实现以下步骤：接收患者多次入院所生成的长期纵向数据，预处理模块对数进行据预处理，将每次入院的数据重建为一个特征向量，作为待测数据集；以待测数据集作为输入，病情特征提取模块提取病情特征输入到分类模块；分类模块输出各类标志病情发生变化的事件的预测概率。该预测装置可对慢性疾病患者在目标时间窗口内发生标志疾病病情变化的事件进行预测，从而辅助医生制定合理的诊疗措施，降低医疗开支。
-
公开(公告)号：CN109522546A
公开(公告)日：2019-03-26
申请号：CN201811190380.4
申请日：2018-10-12
Applicant: 浙江大学
Abstract: 本发明公开了一种基于上下文相关的医学命名实体识别方法，包括以下步骤：(1)将电子病历记录数据分为训练数据和测试数据两部分，并对训练数据进行标注，标注后的训练数据中包含病例原始文本和实体标注；(2)以双向长短时记忆网络为基础，引入上下文依赖，建立基于Bi-LSTM的医学命名实体识别模型，使用训练数据训练，得到训练后的医学命名实体识别模型；(3)将测试数据输入医学命名实体识别模型中，得到命名实体的最优标注序列。本发明提供的方法可以有效地提取出病例文本中的身体部位，症状，症状描述，药物，手术等信息，同时在加入上下文依赖层后，精度相比原始的Bi-LSTM有所提升。
-
公开(公告)号：CN108091397A
公开(公告)日：2018-05-29
申请号：CN201810068813.2
申请日：2018-01-24
Applicant: 浙江大学
Inventor： 黄正行
Abstract: 本发明公开了一种基于提升-重采样和特征关联分析的缺血性心脏病患者出血事件预测方法，包括：(1)训练样本；(2)以逻辑回归模型为基础，引入提升-重采样框架对训练样本进行重采样，并根据患者样本-样本相关关系、患者特征-特征相关关系构建逻辑回归模型的损失函数，构建预训练模型；(3)以训练样本和训练样本对应的真值标签，对预训练模型进行训练，每一次迭代，利用重采样获得的均衡子样本集对逻辑回归模型进行训练，获得与均衡子样本集对应的一个弱分类器，经过多次迭代获得的多个弱分类器，构成缺血性心脏病患者出血事件预测模型；(4)利用所述缺血性心脏病患者出血事件预测模型预测待测样本发生出血事件的概率。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.024 seconds)
