-
公开(公告)号：CN114664447A
公开(公告)日：2022-06-24
申请号：CN202210348875.5
申请日：2022-04-01
Applicant: 神州医疗科技股份有限公司 , 南方医科大学南方医院
Abstract: 本申请提供了一种骨质疏松健康风险评估方法及设备，应用于医疗健康风险评估技术领域，该方法包括：收集自然人群的医疗健康数据；对医疗健康数据进行数据融合处理，得到融合的待评价医疗健康数据；根据预设的健康风险评估模型按照检查指标数据和检查指标数目，对待评价医疗健康数据与预设阈值进行比对，确定健康风险评价结果；根据健康风险评价结果，确定健康风险评估等级；根据健康风险评估的不同等级，确定骨质疏松的健康因素管理方案。本申请有益效果：建立信息化的健康风险评估管理体系是健康管理的核心，利用健康风险评估模型分析出骨质疏松存在健康因素的风险结果，并根据风险结果针对性的对骨质疏松症进行筛查、预防、诊治和管理。
-
公开(公告)号：CN114678131A
公开(公告)日：2022-06-28
申请号：CN202210350189.1
申请日：2022-04-02
Applicant: 南方医科大学南方医院 , 神州医疗科技股份有限公司
Abstract: 本申请提供了一种高尿酸血症预警方法、装置、电子设备及可读存储介质，其中，该方法包括：获取目标对象的与高尿酸血症相关的目标指标数据；目标指标数据包括性别、血清尿酸的第一指标值、三酰甘油的第二指标值；当目标对象的第一指标值小于等于该性别对应的血清尿酸的第一标准值时，根据目标对象的第二指标值和三酰甘油的第二标准值之间的大小关系，生成用于表示目标对象将要患有高尿酸血症的患病风险等级；根据患病风险等级，生成目标对象的预警信息，并将预警信息发送给目标对象的用户端，以对目标对象进行预警。通过该方法有利于减小目标对象发展成为高尿酸血症患者的概率。
-
公开(公告)号：CN116016787A
公开(公告)日：2023-04-25
申请号：CN202211723701.9
申请日：2022-12-30
Applicant: 南方医科大学南方医院
IPC: H04M9/08 , G10L21/0208
Abstract: 本申请公开了基于Sigmoid变换及RLS算法的非线性回波消除，包括以下步骤：获取回波信号，对所述信号进行处理，发生非线性形变；所述发生非线性形变的信号会被回波路径中的室内冲击响应干扰；通过自适应横向滤波器去除回波路径中室内冲击响应所造成的干扰，同时通过RLS算法更新横向滤波器中的系数向量，从而实现回波消除。本申请基于sigmoid函数的非线性变换，在此之后级联一个线性自适应滤波器。非线性变换及自适应滤波器的参数更新是通过LMS以及RLS两个算法完成。
-
公开(公告)号：CN118486471B
公开(公告)日：2025-01-28
申请号：CN202410403409.1
申请日：2024-04-03
Applicant: 南方医科大学南方医院
Abstract: 本发明提供了一种使用机器学习算法建立高尿酸血症预测模型的方法，属于健康评估技术领域，本发明实施例以基于大量人群的UKBB队列为训练，以内部测试集和南方医院健康体检者数据集为外部测试集，建立并验证了基于遗传和临床数据训练的可靠实用的堆叠式多模态机器学习模型，用于及时识别HUA表型，早期预测痛风和代谢相关结局风险。该模型的性能优良，超过了每个单个机器学习模型，显示出令人满意的效能。ISHUA标志物能够在早期阶段量化痛风风险和代谢相关结果，可以为日常健康检查和风险因素的管理提供积极的指导，为临床医生在常规健康筛查后适当管理HUA风险因素提供有价值的信息支持。
-
公开(公告)号：CN118486471A
公开(公告)日：2024-08-13
申请号：CN202410403409.1
申请日：2024-04-03
Applicant: 南方医科大学南方医院
Abstract: 本发明提供了一种使用机器学习算法建立高尿酸血症预测模型的方法，属于健康评估技术领域，本发明实施例以基于大量人群的UKBB队列为训练，以内部测试集和南方医院健康体检者数据集为外部测试集，建立并验证了基于遗传和临床数据训练的可靠实用的堆叠式多模态机器学习模型，用于及时识别HUA表型，早期预测痛风和代谢相关结局风险。该模型的性能优良，超过了每个单个机器学习模型，显示出令人满意的效能。ISHUA标志物能够在早期阶段量化痛风风险和代谢相关结果，可以为日常健康检查和风险因素的管理提供积极的指导，为临床医生在常规健康筛查后适当管理HUA风险因素提供有价值的信息支持。
-
Patent Agency Ranking
公开(公告)号：CN116016787B
公开(公告)日：2024-08-09
申请号：CN202211723701.9
申请日：2022-12-30
Applicant: 南方医科大学南方医院
IPC: H04M9/08 , G10L21/0208
Abstract: 本申请公开了基于Sigmoid变换及RLS算法的非线性回波消除，包括以下步骤：获取回波信号，对所述信号进行处理，发生非线性形变；所述发生非线性形变的信号会被回波路径中的室内冲击响应干扰；通过自适应横向滤波器去除回波路径中室内冲击响应所造成的干扰，同时通过RLS算法更新横向滤波器中的系数向量，从而实现回波消除。本申请基于sigmoid函数的非线性变换，在此之后级联一个线性自适应滤波器。非线性变换及自适应滤波器的参数更新是通过LMS以及RLS两个算法完成。
-
公开(公告)号：CN117576127B
公开(公告)日：2024-04-19
申请号：CN202410067270.8
申请日：2024-01-17
Applicant: 神州医疗科技股份有限公司
IPC: G06T7/11 , G06T7/136 , G06T7/194 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于病理图像的肝癌区域自动勾画方法，具体涉及肝癌病理图像预测技术领域。本申请基于肝癌病理图像建立了预测肝癌癌区的模型流程，并且模型效果较好，其中dice值达到0.92，具体的是构建了深度学习病理图片识别模型，具体的是通过深度学习勾画癌区、再利用影像组学提取特征并根据特征训练模型以及判别任务，具备步骤详细、方案清晰和预测准确的优点；解决了医生看病理图片费时标注癌区费力的问题，并且也避免出现假阳性患者浪费医疗资源，分析准确率高；通过预测时截取patches中心部分预测并应用于patches其他区域，有效节约了模型训练与预测的时间，同时模型训练与预测精度损失也较小。
-
公开(公告)号：CN117423479A
公开(公告)日：2024-01-19
申请号：CN202311746772.5
申请日：2023-12-19
Applicant: 神州医疗科技股份有限公司
Abstract: 本发明公开了一种基于病理图像数据的预测方法及系统，涉及图像处理技术领域。取癌细胞切除术后患者的病理切片数据集；获得部分或全部病理切片数据集的每张病理切片样本的ROI癌区；对所有ROI癌区中的细胞核进行分割处理；根据分割处理后的病理切片样本分别提取病理学特征数据；采集多组患者预测训练数据；每组患者预测训练数据均包括分割处理前的病理切片样本，该病理切片样本的一组病理学特征数据，以及患者术后预测结果；通过多组患者预测训练数据训练得到临床患者预测训练模型；将待预测患者病理切片输入临床患者预测训练模型，得到患者术后预测结果，能够更加准确、快速地预测患者的临床结局。
-
公开(公告)号：CN117274750B
公开(公告)日：2024-03-12
申请号：CN202311573882.6
申请日：2023-11-23
Applicant: 神州医疗科技股份有限公司
IPC: G06V10/774 , G06N3/0464 , G06N3/084 , G06N3/096 , G06T7/00 , G06T7/11 , G06V10/26 , G06V10/28 , G06V10/44 , G06V10/74
Abstract: 本发明公开了一种知识蒸馏半自动可视化标注方法及系统，涉及数据标注技术领域。包括得到预训练后的医学图像分割模型，优化模型预训练损失；基于医学图像数据集采用无监督预训练方法得到的数据训练得到图像特征预测模型；将医学图像数据集输入医学图像分割模型和图像特征预测模型后，提取第一特征图和第二特征图；根据图像分割标注生成语义mask，用语义mask加权平均池化，得到第一特征向量和第二特征向量；计算第一特征向量和第二特征向量之间的余弦相似度，得到医学图像分割模型的蒸馏误差；合并预训练损失和蒸馏误差得到总损失，基于总损失优化医学图像分割模型。本发明实现了协作标注和隐私保护，提升了医学标注效率。
-
公开(公告)号：CN117576127A
公开(公告)日：2024-02-20
申请号：CN202410067270.8
申请日：2024-01-17
Applicant: 神州医疗科技股份有限公司
IPC: G06T7/11 , G06T7/136 , G06T7/194 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于病理图像的肝癌区域自动勾画方法，具体涉及肝癌病理图像预测技术领域。本申请基于肝癌病理图像建立了预测肝癌癌区的模型流程，并且模型效果较好，其中dice值达到0.92，具体的是构建了深度学习病理图片识别模型，具体的是通过深度学习勾画癌区、再利用影像组学提取特征并根据特征训练模型以及判别任务，具备步骤详细、方案清晰和预测准确的优点；解决了医生看病理图片费时标注癌区费力的问题，并且也避免出现假阳性患者浪费医疗资源，分析准确率高；通过预测时截取patches中心部分预测并应用于patches其他区域，有效节约了模型训练与预测的时间，同时模型训练与预测精度损失也较小。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.057 seconds)
