一种基于深度学习的临床预警方法和系统技术方案

本发明专利技术涉及一种基于深度学习的临床预警方法和系统，所述方法包括

【技术实现步骤摘要】
一种基于深度学习的临床预警方法和系统


[0001]本专利技术属于基于人工智能
，尤其涉及一种基于深度学习的临床预警方法和系统
。

技术介绍

[0002]基于人工智能的医学分析是当前国家医药卫生领域的重点发展方向，拥有重要的理论意义与实际价值
。
近年来，随着人工智能精确度
、
准确率及运作效率的不断提高，在计算机科学领域发挥了巨大的作用及价值，所谓人工智能是研究让计算机来模拟人的某些思维过程和智能行为
(
如学习
、
推理
、
思考
、
规划等
)
的技术学科
。
人工智能技术与临床医疗的融合，极大程度上降低了医生及医疗机构的工作压力计运转负荷，从而提升了诊断速度
、
质量及数量，为患者带来更高的价值
。
人工智能技术在医疗图像分割
、
电子病历信息抽取
、
临床特征挖掘分析以及临床辅助决策系统构建等方面取得了一定的进展及应用效果...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的临床预警方法，其特征在于，所述方法包含：步骤
S1
：从和当前临床预警目标相关的多个图像相关临床特征维度中获取一未处理的第
i
临床特征维度；其中：
i
是临床特征维度的编号；所述第
i
临床特征维度涉及图像信息；步骤
S2
：获取第
i
临床特征维度的图像信息的影像提示信息；对所述影像提示信息中的每一个作预处理后填入相应元素位置得到输入向量，将输入向量输入对应的第
i
智能分析模型中，以得到第
i
影像提示分析向量
FTsV
i
＝＜
ftsv_i
lv
＞，并进入步骤
S3
；其中：
ftsv_i
lv
是第
lv
预警级别的发生概率；
lv∈1
～
LV
；
LV
是预警级别的最大值；
ftsv_i
lv
∈0
～1；步骤
S3
：获取针对第
i
临床特征维度的图像信息的第
i
图像分析向量；所述第
i
图像分析向量是不考虑影像部位特点而仅针对图像信息进行分析得到的；所述步骤
S3
具体包括如下步骤：步骤
S31
：获取不同预警级别的样本图像；对每个预警级别的多个样本图像依次进行处理，步骤
S32
：获取样本图像的灰度直方图作为样本灰度直方图；步骤
S33
：将所述第
i
临床特征维度涉及图像信息作为当前图像；获取当前图像及其灰度直方图作为当前灰度直方图；步骤
S34
：依次计算每个样本灰度直方图和当前灰度直方图之间的差异面积；所述步骤
S34
具体为：采用下式
(1)
计算每个样本灰度直方图
FSG
和当前灰度直方图
CG
之间的差异面积
SQ
；其中：
gx
为直方图横坐标值；
FSG
gx
是
gx
下的灰度值；
CG
gx
是
gx
下的灰度值；
SQ
＝
∫
gx
|FSG
gx
‑
CG
gx
|
ꢀꢀ
(1)
；步骤
S35
：确定所述差异面积是否小于面积阈值；如果是，则确定所述样本灰度直方图对应样本图像的预警级别
lv
；设置当前图像的预警级别积分
ESc
lv
＝
ESc
lv
+1
；否则，进入步骤
S36
；步骤
S36
：判断是否所有样本图像均处理完毕，如果是，则进入下一步骤，否则返回步骤
S31
；步骤
S37
：设置第
i
图像分析向量步骤
S4
：基于第
i
图像分析向量
FfgV
i
＝＜
ffgv_i
lv
＞和第
i
...

【专利技术属性】
技术研发人员：黄海军，张骏，王佳峰，
申请(专利权)人：浙江省人民医院，
类型：发明
国别省市：