CN110444263A - 基于联邦学习的疾病数据处理方法、装置、设备及介质 - Google Patents
基于联邦学习的疾病数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110444263A CN110444263A CN201910774155.3A CN201910774155A CN110444263A CN 110444263 A CN110444263 A CN 110444263A CN 201910774155 A CN201910774155 A CN 201910774155A CN 110444263 A CN110444263 A CN 110444263A
- Authority
- CN
- China
- Prior art keywords
- study
- illness
- sufferer
- federation
- data processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 78
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 78
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 124
- 230000036541 health Effects 0.000 claims abstract description 74
- 238000003745 diagnosis Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 55
- 238000006116 polymerization reaction Methods 0.000 claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000003252 repetitive effect Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 abstract description 8
- 230000009471 action Effects 0.000 abstract description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 11
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于联邦学习的疾病数据处理方法、装置、设备及介质,所述方法包括:获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;对所述电子健康记录进行特征提取,得到各病患的患病特征向量;根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。本发明通过将各医院端的数据联合起来,进行联邦训练,在***露医院端病患隐私的基础上,能够训练出优质的患病预测模型,从而在医生的诊断过程发挥积极的辅助作用。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于联邦学习的疾病数据处理方法、装置、设备及介质。
背景技术
随着机器学习、人工智能领域的发展,将机器学习运用在医疗健康领域是目前的一个探索方向。但是机器学习需要大量的数据作为学习基础,每个医院的病人数据是有限的,仅依靠一家医院的病人数据,很难训练得到优质的机器模型。若将各个医院的数据联合起来进行训练,则会泄露各个医院病人的隐私。因此,如何以一种安全可靠的方式实现各个医院的数据联合,得到优质的机器模型,是一个亟待解决的问题。
发明内容
本发明的主要目的在于提供一种基于联邦学习的疾病数据处理方法、装置、设备及介质,旨在解决如何以一种安全可靠的方式实现各个医院的数据联合,以得到优质的机器模型的技术问题。
为实现上述目的,本发明提供一种基于联邦学习的疾病数据处理方法,所述基于联邦学习的疾病数据处理方法包括:
获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。
可选地,所述电子健康记录中包括多项生理信息在多个时间点的记录值,所述对所述电子健康记录进行特征提取,得到各病患的患病特征向量的步骤包括:
对于每个病患的所述电子健康记录,对所述多项生理信息在多个时间点的记录值进行预设统计处理,得到多维统计量;
对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
可选地,所述对所述多项生理信息在多个时间点的记录值进行预设统计处理的步骤包括:
将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组;
分别统计每组所述记录值分组的最大值、最小值、方差和平均值。
可选地,所述基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型的步骤包括:
从预设的服务端获取待训练模型的初始模型参数;
根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
接收所述服务端下发的所述患病预测模型。
可选地,所述基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型的步骤之后,还包括:
获取目标用户的电子健康记录、病例文本;
将所述目标用户的电子健康记录输入所述患病预测模型,得到所述目标用户的患病概率;
将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络,得到推荐诊断方案,以供医生作为诊断参考。
可选地,所述卷积神经网络包括一层卷积层和三层全连接层。
此外,为实现上述目的,本发明还提供一种基于联邦学习的疾病数据处理装置,所述基于联邦学习的疾病数据处理装置包括:
获取模块,用于获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
提取模块,用于对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
构建模块,用于根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
训练模块,用于基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。
可选地,所述提取模块包括:
统计单元,用于对于每个病患的所述电子健康记录,对所述多个生理信息在多个时间点的记录值进行预设统计处理;
向量化处理单元,用于对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
可选地,所述统计单元包括:
分组子单元,用于将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组;
统计子单元,用于分别统计每组所述记录值分组的最大值、最小值、方差和平均值。
可选地,所述训练模块包括:
获取单元,用于从预设的服务端获取待训练模型的初始模型参数;
本地训练单元,用于根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
上传单元,用于将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
接收单元,用于接收所述服务端下发的所述患病预测模型。
可选地,所述获取模块还用于在得到所述患病预测模型之后,获取目标用户的电子健康记录、病例文本;
所述基于联邦学习的疾病数据处理装置还包括:
输入模块,用于将所述目标用户的电子健康记录输入所述患病预测模型,得到所述目标用户的患病概率;将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络,得到推荐诊断方案,以供医生作为诊断参考。
此外,为实现上述目的,本发明还提供一种基于联邦学习的疾病数据处理设备,所述基于联邦学习的疾病数据处理设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于联邦学习的疾病数据处理程序,所述基于联邦学习的疾病数据处理程序被所述处理器执行时实现如上所述的基于联邦学习的疾病数据处理方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于联邦学习的疾病数据处理程序,所述基于联邦学习的疾病数据处理程序被处理器执行时实现如上所述的基于联邦学习的疾病数据处理方法的步骤。
本发明中,通过各医院端获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;对电子健康记录进行特征提取,得到各病患的患病特征向量;根据各病患的患病特征向量和所患疾病,构建本地训练样本集;基于本地训练样本集参与各个医院数据端的联邦学习,得到患病预测模型。通过将各医院端的数据联合起来,进行联邦训练,在***露医院端病患隐私的基础上,能够训练出优质的患病预测模型,从而在医生的诊断过程发挥积极的辅助作用。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明基于联邦学习的疾病数据处理方法第一实施例的流程示意图;
图3本发明基于联邦学习的疾病数据处理装置较佳实施例的功能示意图模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于联邦学习的疾病数据处理设备,参照图1,图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为基于联邦学***板电脑、便携计算机等具有显示功能的终端设备。
如图1所示,该基于联邦学习的疾病数据处理设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,基于联邦学习的疾病数据处理设备还可以包括摄像头、RF(RadioFrequency,射频)电路,传感器、音频电路、WiFi模块等等。本领域技术人员可以理解,图1中示出的基于联邦学习的疾病数据处理设备结构并不构成对基于联邦学习的疾病数据处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于联邦学习的疾病数据处理程序。
在图1所示的基于联邦学习的疾病数据处理设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于联邦学习的疾病数据处理程序,并执行以下操作:
获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。
进一步地,所述电子健康记录中包括多项生理信息在多个时间点的记录值,所述对所述电子健康记录进行特征提取,得到各病患的患病特征向量的步骤包括:
对于每个病患的所述电子健康记录,对所述多项生理信息在多个时间点的记录值进行预设统计处理,得到多维统计量;
对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
进一步地,所述对所述多项生理信息在多个时间点的记录值进行预设统计处理的步骤包括:
将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组;
分别统计每组所述记录值分组的最大值、最小值、方差和平均值。
进一步地,所述基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型的步骤包括:
从预设的服务端获取待训练模型的初始模型参数;
根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
接收所述服务端下发的所述患病预测模型。
进一步地,所述基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型,并结合目标用户的电子健康记录预测得到所述目标用户的患病概率的步骤之后,处理器1001可以用于调用存储器1005中存储的基于联邦学习的疾病数据处理程序,还执行以下操作:
获取目标用户的电子健康记录、病例文本;
将所述目标用户的电子健康记录输入所述患病预测模型,得到所述目标用户的患病概率;
将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络,得到推荐诊断方案,以供医生作为诊断参考。
进一步地,所述卷积神经网络包括一层卷积层和三层全连接层。
基于上述的硬件结构,提出本发明基于联邦学习的疾病数据处理方法的各个实施例。
参照图2,本发明基于联邦学***板电脑和便携计算机等终端设备,为便于描述,在以下各实施例中以医院端(也即医院数据端)为执行主体进行阐述。所述基于联邦学习的疾病数据处理方法包括:
步骤S10,获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
各个医院端在其本地数据库中保存有各自病患的病患数据,如电子健康记录,电子健康记录中记录了病患的各项生理信息,如心率、PH、血压、舒张压等等,电子健康记录的收集可以是医院设备测量得到,也可以是由病患自行汇报。各医院端可以开展联邦学习合作,联合各医院端的病患数据,进行机器模型的训练,如联合各医院端数据库中糖尿病病人的病患数据,进行糖尿病预测模型的训练,用于在医生对病人诊断之前,对病人进行糖尿病的患病预测,以供医生在对病人进行诊断时进行参考,如预测得到糖尿病的患病概率极高,则医生可对病人做进一步的诊断,以确定病人是否真的患有糖尿病,若患病概率极低,则医生可以基本排除病人患有糖尿病的可能,从而对病人做出其他方向的诊断,以确定病人的真实病灶。
医院端获取本地数据库中已确诊病患的电子健康记录和对应记录的该病患所患疾病数据。其中,已确诊病患是指医生已经做出诊断,并已确定其所患疾病的病患,本地数据库中保存有已确诊病患的电子健康记录和病患所患疾病的疾病数据。所患疾病数据可包括疾病的名称或标号,或包括疾病的严重等级。
步骤S20,对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
医院端对获取到的电子健康记录进行特征提取,得到各个病患的病患特征向量。其中,电子健康记录中各项生理信息的数据之间包括一些医学上的联系,医院端可将各项生理信息按照医学上的联系进行处理,提取出个各项生理信息的医学特征,将医学特征进行向量化处理,得到各病患的病患特征向量。具体地,对于一个病患的电子健康记录,从电子健康记录中提取到医学特征,将每个医学特征作为一个向量元素,组成该病患的患病特征向量。
步骤S30,根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
医院端根据各病患的患病特性向量和所患疾病数据构建本地训练样本集。具体地,本地训练样本集包括多条训练样本,每条训练样本包括输入值和输出值,医院端将病患的患病特征向量作为输入值,将该病患的所患疾病数据作为输出值组成一条训练样本,所有病患的训练样本即组成了本地训练样本集。
步骤S40,基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。
医院端在得到本地训练样本集后,采用本地训练样本集参与联邦学习。具体地,医院端在联邦学习的每次迭代训练中,采用本地训练样本集对待训练模型进行本地训练,其中,待训练模型可以是神经网络模型,或深度学习模型。将联邦学习得到的最终的模型,作为患病预测模型。
需要说明的是,各医院端可根据具体任务和数据情况选择不同的联邦学习模式建模,建模方式包括横向、纵向、迁移和混合模型。具体地,各医院端的病患数据的特征维度可能不相同,若各医院端的病患数据具有高度重叠的特征维度,但病患重叠较小,可采用横向联邦学习模式。若各医院端的病患数据病患高度重叠,但特征维度重叠小,可采用纵向联邦学习模式。若数据集的样本和特征维度都没有足够的重叠,可采用联邦迁移学习模式。
进一步地,步骤S40包括:
步骤S401,从预设的服务端获取待训练模型的初始模型参数;
服务端向参与联邦学习的各医院端下发待训练模型的初始模型参数,模型参数可以是神经网络的节点之间连接的权重参数。医院端从服务端获取待训练模型的初始模型参数。
步骤S402,根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
医院端在获取到初始模型参数后,根据初始模型参数和本地训练样本集,对待训练模型进行本地训练,得到模型参数更新。具体地,本地训练过程可以是,医院端将初始模型参数代入待训练模型,将一条本地训练样本中的患病特征向量作为输入,将所患疾病数据作为输出,利用本地训练样本集计算出梯度值,根据梯度值更新初始模型参数,得到模型参数更新,即得到更新后的模型参数。
步骤S403,将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
医院端将本地训练得到的模型参数更新上传至服务端。服务端接收各医院端上传的模型参数更新,将各模型参数更新进行聚合处理得到聚合模型参数,聚合处理可以是对各模型参数更新进行加权平均;服务端在得到聚合模型参数后,检测待训练模型是否处于收敛状态,若检测到处于未收敛状态,则将聚合模型参数下发给各医院端,各医院端继续根据聚合模型参数和本地训练样本集进行本地训练;循环直到服务端检测到待训练模型处于收敛状态时,结束训练,并将得到的最新的聚合模型参数作为待训练模型的最终参数,即得到了最终的患病预测模型;服务端将得到的患病预测模型下发至各医院端,具体地,可以是将最终参数下发各医院端,也可以是将最终的患病预测模型文件下发各医院端。
其中,服务端检测待训练模型是否处于收敛状态可以方式可以是计算最新的聚合模型参数与上一次的聚合模型参数的差值,若差值小于一个预设值,则确定待训练模型处于收敛状态,若不小于该预设值,则确定待训练模型处于未收敛状态;也可以是判断迭代训练的次数是否达到预设次数,若达到预设次数,则确定待训练模型处于收敛状态;还可以是判断训练时长会否大于预设时长,若大于预设时长,则确定待训练模型处于收敛状态。其中,预设值,预设次数以及预设时长都可以根据需要进行设置。
进一步地,医院端可以将本地训练得到的模型参数更新按照预设加密算法进行加密处理,将加密处理后的模型参数更新上传至服务端,服务端基于对各加密后的模型参数更新进行聚合处理。其中,预设加密算法可以是同态加密算法(Homomorphic Encryption)。
步骤S404,接收所述服务端下发的所述患病预测模型。
医院端接收服务器下发的患病预测模型,即各个医院端均获取到了通过联邦学习得到的患病预测模型。医院端可以根据该患病预测模型,预测病人的患病概率。
在本实施例中,通过各医院端获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;对电子健康记录进行特征提取,得到各病患的患病特征向量;根据各病患的患病特征向量和所患疾病,构建本地训练样本集;基于本地训练样本集参与各个医院数据端的联邦学习,得到患病预测模型。通过将各医院端的数据联合起来,进行联邦训练,在***露医院端病患隐私的基础上,能够训练出优质的患病预测模型,从而在医生的诊断过程发挥积极的辅助作用。
进一步的,基于上述第一实施例,本发明基于联邦学习的疾病数据处理方法第二实施例提供一种基于联邦学习的疾病数据处理方法。在本实施例中,所述电子健康记录包括多项生理信息在多个时间点的记录值,所述步骤S20包括:
步骤S201,对于每个病患的所述电子健康记录,对所述多项生理信息在多个时间点的记录值进行预设统计处理,得到多维统计量;
电子健康记录包括病患多项生理信息在多个时间点的记录值,即每项生理信息对应多个记录值,分别是在不同的时间点进行记录的,如对应病患的血压这一项生理信息,包括一天24小时内每隔一个小时记录的24个血压值。
医院端对于每个病患的电子健康记录,对其中的多项生理信息的记录值进行预设统计处理。其中,预设统计处理可以是预先设置的处理方式,如对于每项生理信息的多个记录值,计算多个记录值的平均值,作为该项生理信息的统计量,多项生理信息的统计量即组成多维统计量。
步骤S202,对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
医院端将多维统计量进行向量化处理,得到病患的病患特征向量。其中,向量化处理即将多为统计量的每一维作为向量的一个元素,组成多特征维度的病患特征向量。
进一步地,为了更好地表现病患数据的特征,所述步骤S201包括:
步骤S2011,将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组;
医院端将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组。其中,预设时间间隔可以预先根据需要进行设置,如可设置6个时间间隔,分别是24小时的前10%、前20%、前50%、后50%、后20%和后10%,则对于每个时间间隔建立一个记录值分组,记录值分组里包含各个记录时间点在该时间间隔内的记录值。通过将24小时记录的生理信息的记录值按照时间间隔进行细分,更能够体现生理信息随时间的变化特征,从而使得训练出来的模型能够更准确地预测病人的患病概率。
步骤S2012,分别统计每组所述记录值分组的最大值、最小值、方差和平均值。
医院端分别统计每组记录值分组的最大值、最小值、方差和平方差。如对于一组记录值分组,里面有n个记录值,则医院端比较这n个记录值,得到最大的记录值、最小的记录值,计算这n个记录值的方差和平方差,即得到了四个统计量。例如,病患的电子健康记录中有m项生理信息,医院端将每项生理信息按照预设时间间隔分成6组,即得到6m个分组,对每个分组,计算最大值、最小值、方差和平方差四个统计量,得到24m维的统计量。
在本实施例中,通过将病患的多项生理信息进行预设统计处理,得到多维统计项,将多维统计量进行向量化,得到病患的患病特征向量,使得提取得到的患病特征向量更能够体现病患的患病特征,从而使得训练得到的患病预测模型能够更准确地预测病人的患病概率,在医生的诊断过程中发挥更加积极的辅助作用。
进一步地,基于上述第一或第二实施例,本发明基于联邦学习的疾病数据处理方法第三实施例提供一种基于联邦学习的疾病数据处理方法。在本实施例中,所述步骤S40之后,还包括:
步骤S50,获取目标用户的电子健康记录、病例文本;
对于待医生诊断的目标用户,医院端可获取目标用户的电子健康记录和病例文本,该病例文本可以是医生上传的手写或电子病例文本,其中可记载医生对目标用户的初步诊断结果。
步骤S60,将所述目标用户的电子健康记录输入所述患病预测模型,得到所述目标用户的患病概率;
医院端可将目标用户的电子健康记录进行特征提取得到该目标用户的特征向量,将特征向量输入患病预测模型,患病预测模型输出该目标用户的患病概率。如,当医院端根据糖尿病病人的患病数据训练得到的患病预测模型,可用于预测病人患糖尿病的概率,以辅助医生对病人进行糖尿病的诊断。
步骤S70,将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络,得到推荐诊断方案,以供医生作为诊断参考。
在本实施例中,在得到目标用户的患病概率后,若目标用户的患病概率超过某一个阈值,如预测得到目标用户的糖尿病的患病概率高于某个阈值,则说明该目标用户很可能患有糖尿病,此时,可以进一步地给该目标用户推荐诊断方案,以帮助医生选择作出对该目标用户的诊断方案。
医院端将病例文本、患病预测模型输出的目标用户的患病概率和目标用户的电子健康记录,输入预先训练得到的卷积神经网络中,得到推荐诊断方案。其中,卷积神经网络可输出推荐诊断方案的编号,医院端根据输出的编号,在数据库中查找对应的推荐诊断方案。推荐诊断方案中可记载对疾病的一种可行的治疗方法,如吃什么药,医生可根据医院端输出的推荐诊断方案,对目标用户进行具体治疗方案的制定。
卷积神经网络的训练过程可以是:卷积神经网络由一层卷积层和三层全连接层构成;医院端获取大量已确诊病患的病例文本、患病概率和电子健康记录,对病例文本和电子健康记录进行特征提取,将提取出的特征和患病概率进行向量化作为输入的输入向量,并将人工标注的推荐诊断方案作为输出,用于计算损失值,进行多次迭代训练,知道检测到卷积神经网络收敛,则得到训练好的卷积神经网络。
在本实施例中,通过在获取到目标用户的患病概率后,将目标用户的病例文本、患病概率和电子健康记录输入预先训练好的卷积神经网络中,得到推荐诊断方案,以辅助医生对目标用户作出具体的治疗方案,从而帮助医生提高诊断效率。
此外本发明实施例还提出一种基于联邦学习的疾病数据处理装置,参照图3,述基于联邦学习的疾病数据处理装置包括:
获取模块10,用于获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
提取模块20,用于对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
构建模块30,用于根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
训练模块40,用于基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型,并结合目标用户的电子健康记录预测得到所述目标用户的患病概率,以供医生作为诊断参考。
进一步地,所述电子健康记录中包括多项生理信息在多个时间点的记录值,所述提取模块20包括:
统计单元,用于对于每个病患的所述电子健康记录,对所述多个生理信息在多个时间点的记录值进行预设统计处理;
向量化处理单元,用于对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
进一步地,所述统计单元包括:
分组子单元,用于将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组;
统计子单元,用于分别统计每组所述记录值分组的最大值、最小值、方差和平均值。
进一步地,所述训练模块40包括:
获取单元,用于从预设的服务端获取待训练模型的初始模型参数;
本地训练单元,用于根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
上传单元,用于将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
接收单元,用于接收所述服务端下发的所述患病预测模型。
进一步地,所述获取模块10还用于在得到所述患病预测模型之后,获取目标用户的电子健康记录、病例文本;
所述基于联邦学习的疾病数据处理装置还包括:
输入模块,用于将所述目标用户的电子健康记录输入所述患病预测模型,得到所述目标用户的患病概率;将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络,得到推荐诊断方案,以供医生作为诊断参考。
进一步地,所述卷积神经网络包括一层卷积层和三层全连接层。
本发明基于联邦学习的疾病数据处理装置的具体实施方式的拓展内容与上述基于联邦学习的疾病数据处理方法各实施例基本相同,在此不做赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于联邦学习的疾病数据处理程序,所述基于联邦学习的疾病数据处理程序被处理器执行时实现如上所述基于联邦学习的疾病数据处理方法的步骤。
本发明基于联邦学习的疾病数据处理设备和计算机可读存储介质的具体实施方式的拓展内容与上述基于联邦学习的疾病数据处理方法各实施例基本相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于联邦学习的疾病数据处理方法,其特征在于,所述基于联邦学习的疾病数据处理方法包括:
获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。
2.如权利要求1所述的基于联邦学习的疾病数据处理方法,其特征在于,所述电子健康记录中包括多项生理信息在多个时间点的记录值,所述对所述电子健康记录进行特征提取,得到各病患的患病特征向量的步骤包括:
对于每个病患的所述电子健康记录,对所述多项生理信息在多个时间点的记录值进行预设统计处理,得到多维统计量;
对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
3.如权利要求2所述的基于联邦学习的疾病数据处理方法,其特征在于,所述对所述多项生理信息在多个时间点的记录值进行预设统计处理的步骤包括:
将每项生理信息在多个时间点的记录值按照预设时间间隔进行分组,得到每项生理信息的记录值分组;
分别统计每组所述记录值分组的最大值、最小值、方差和平均值。
4.如权利要求1所述的基于联邦学习的疾病数据处理方法,其特征在于,所述基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型的步骤包括:
从预设的服务端获取待训练模型的初始模型参数;
根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
接收所述服务端下发的所述患病预测模型。
5.如权利要求1至4任一项所述的基于联邦学习的疾病数据处理方法,其特征在于,所述基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型的步骤之后,还包括:
获取目标用户的电子健康记录、病例文本;
将所述目标用户的电子健康记录输入所述患病预测模型,得到所述目标用户的患病概率;
将所述病例文本、所述患病概率和所述目标用户的电子健康记录输入预先训练得到的卷积神经网络,得到推荐诊断方案,以供医生作为诊断参考。
6.一种基于联邦学习的疾病数据处理装置,其特征在于,所述基于联邦学习的疾病数据处理装置包括:
获取模块,用于获取本地数据库中已确诊病患的电子健康记录和所患疾病数据;
提取模块,用于对所述电子健康记录进行特征提取,得到各病患的患病特征向量;
构建模块,用于根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集;
训练模块,用于基于所述本地训练样本集参与各医院数据端的联邦学习,得到患病预测模型。
7.如权利要求6所述的基于联邦学习的疾病数据处理装置,其特征在于,所述提取模块包括:
统计单元,用于对于每个病患的所述电子健康记录,对所述多个生理信息在多个时间点的记录值进行预设统计处理;
向量化处理单元,用于对所述多维统计量进行向量化处理,得到所述病患的病患特征向量。
8.如权利要求6所述的基于联邦学习的疾病数据处理装置,其特征在于,所述训练模块包括:
获取单元,用于从预设的服务端获取待训练模型的初始模型参数;
本地训练单元,用于根据所述本地训练样本集和所述初始模型参数对所述待训练模型进行本地训练得到模型参数更新;
上传单元,用于将所述模型参数更新上传至所述服务端,以供所述服务端将各医院数据端上传的所述模型参数更新进行聚合处理得到聚合模型参数,并在检测到所述待训练模型处于未收敛状态时将所述聚合模型参数返回各所述医院数据端继续迭代训练,直到检测到所述待训练模型处于收敛状态时,将所述聚合模型参数作为所述待训练模型的最终参数,得到患病预测模型,并将所述患病预测模型下发至各所述医院数据端;
接收单元,用于接收所述服务端下发的所述患病预测模型。
9.一种基于联邦学习的疾病数据处理设备,其特征在于,所述基于联邦学习的疾病数据处理设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于联邦学习的疾病数据处理程序,所述基于联邦学习的疾病数据处理程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于联邦学习的疾病数据处理方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于联邦学习的疾病数据处理程序,所述基于联邦学习的疾病数据处理程序被处理器执行时实现如权利要求1至5中任一项所述的基于联邦学习的疾病数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774155.3A CN110444263B (zh) | 2019-08-21 | 2019-08-21 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774155.3A CN110444263B (zh) | 2019-08-21 | 2019-08-21 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110444263A true CN110444263A (zh) | 2019-11-12 |
CN110444263B CN110444263B (zh) | 2024-04-26 |
Family
ID=68436898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910774155.3A Active CN110444263B (zh) | 2019-08-21 | 2019-08-21 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110444263B (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110890157A (zh) * | 2019-11-18 | 2020-03-17 | 京东方科技集团股份有限公司 | 一种分析模型建立方法、辅助诊断装置及设备、介质 |
CN110942154A (zh) * | 2019-11-22 | 2020-03-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN111382706A (zh) * | 2020-03-10 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 基于联邦学习的预测方法、装置、存储介质及遥感设备 |
CN111400442A (zh) * | 2020-02-28 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 常驻地址分析方法、装置、设备及可读存储介质 |
CN111428620A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 基于联邦活体检测模型的身份识别方法、装置、设备和介质 |
CN111477340A (zh) * | 2020-04-13 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
CN111723942A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子***及预测*** |
CN111724000A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种用户电费回收风险预测方法、装置及*** |
CN111739600A (zh) * | 2020-06-22 | 2020-10-02 | 平安医疗健康管理股份有限公司 | 信息处理方法、装置、计算机设备及可读存储介质 |
CN111753006A (zh) * | 2020-06-10 | 2020-10-09 | 北京智源人工智能研究院 | 一种基于联邦学习的预测***及方法 |
CN111767411A (zh) * | 2020-07-01 | 2020-10-13 | 深圳前海微众银行股份有限公司 | 知识图谱表示学习优化方法、设备及可读存储介质 |
CN112259238A (zh) * | 2020-10-20 | 2021-01-22 | 平安科技(深圳)有限公司 | 电子设备、疾病类型检测方法、装置及介质 |
CN112289448A (zh) * | 2020-11-06 | 2021-01-29 | 新智数字科技有限公司 | 一种基于联合学习的健康风险预测方法和装置 |
CN112309527A (zh) * | 2020-11-24 | 2021-02-02 | 南通市第二人民医院 | 一种基于大数据的病案统计管理方法及*** |
CN112435755A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技(深圳)有限公司 | 疾病分析方法、装置、电子设备及存储介质 |
CN112435747A (zh) * | 2020-11-26 | 2021-03-02 | 新智数字科技有限公司 | 疾病风险预测方法、装置、设备和计算机可读介质 |
CN112435748A (zh) * | 2020-11-26 | 2021-03-02 | 新智数字科技有限公司 | 风险预测方法、装置、设备和计算机可读介质 |
CN112447298A (zh) * | 2020-11-24 | 2021-03-05 | 平安科技(深圳)有限公司 | 基于联邦迁移学习的神经退行性疾病建模装置及相关设备 |
CN112768056A (zh) * | 2021-01-14 | 2021-05-07 | 新智数字科技有限公司 | 基于联合学习框架的疾病预测模型建立方法和装置 |
CN113057587A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、电子设备及存储介质 |
CN113133768A (zh) * | 2021-04-21 | 2021-07-20 | 东南大学 | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 |
CN113421638A (zh) * | 2021-06-22 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于迁移学习的模型生成方法、装置和计算机设备 |
CN113470806A (zh) * | 2020-03-31 | 2021-10-01 | 中移(成都)信息通信科技有限公司 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
WO2021208845A1 (zh) * | 2020-04-13 | 2021-10-21 | 深圳前海微众银行股份有限公司 | 传染病毒携带者检测方法、***、装置、设备和介质 |
CN113571203A (zh) * | 2021-07-19 | 2021-10-29 | 复旦大学附属华山医院 | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及*** |
CN113610303A (zh) * | 2021-08-09 | 2021-11-05 | 北京邮电大学 | 一种负荷预测方法及*** |
CN113986890A (zh) * | 2021-12-30 | 2022-01-28 | 四川华迪信息技术有限公司 | 一种基于少样本模型学习的联合医院数据迁移方法及*** |
WO2022116429A1 (zh) * | 2020-12-01 | 2022-06-09 | 平安科技(深圳)有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
TWI796228B (zh) * | 2022-05-25 | 2023-03-11 | 臺中榮民總醫院 | 急性腎損傷預測系統及其方法 |
CN116258720A (zh) * | 2023-05-16 | 2023-06-13 | 联仁健康医疗大数据科技股份有限公司 | 图像识别方法、装置、电子设备和存储介质 |
CN116936048A (zh) * | 2023-07-04 | 2023-10-24 | 吉林大学 | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 |
CN117476217A (zh) * | 2023-12-26 | 2024-01-30 | 山东大学齐鲁医院 | 一种慢性心脏病病情发展趋势预测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112794A1 (en) * | 2007-10-31 | 2009-04-30 | Richard Dean Dettinger | Aliased keys for federated database queries |
WO2010070489A1 (en) * | 2008-12-17 | 2010-06-24 | Koninklijke Philips Electronics, N.V. | Intelligent query routing for federated pacs |
CN101836893A (zh) * | 2009-03-19 | 2010-09-22 | 朱晓阳 | 远程网络医疗诊断服务*** |
CN103237041A (zh) * | 2012-11-07 | 2013-08-07 | 无锡成电科大科技发展有限公司 | 一种无线医疗数据传输方法和数据传输*** |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
-
2019
- 2019-08-21 CN CN201910774155.3A patent/CN110444263B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112794A1 (en) * | 2007-10-31 | 2009-04-30 | Richard Dean Dettinger | Aliased keys for federated database queries |
WO2010070489A1 (en) * | 2008-12-17 | 2010-06-24 | Koninklijke Philips Electronics, N.V. | Intelligent query routing for federated pacs |
CN101836893A (zh) * | 2009-03-19 | 2010-09-22 | 朱晓阳 | 远程网络医疗诊断服务*** |
CN103237041A (zh) * | 2012-11-07 | 2013-08-07 | 无锡成电科大科技发展有限公司 | 一种无线医疗数据传输方法和数据传输*** |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
Non-Patent Citations (1)
Title |
---|
面包君: "联邦学习", 《HTTP://ZHUANLAN.ZHIHU.COM/P/67513614》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110890157A (zh) * | 2019-11-18 | 2020-03-17 | 京东方科技集团股份有限公司 | 一种分析模型建立方法、辅助诊断装置及设备、介质 |
CN110942154A (zh) * | 2019-11-22 | 2020-03-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN110942154B (zh) * | 2019-11-22 | 2021-07-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN111400442A (zh) * | 2020-02-28 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 常驻地址分析方法、装置、设备及可读存储介质 |
CN111400442B (zh) * | 2020-02-28 | 2024-06-04 | 深圳前海微众银行股份有限公司 | 常驻地址分析方法、装置、设备及可读存储介质 |
CN111382706A (zh) * | 2020-03-10 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 基于联邦学习的预测方法、装置、存储介质及遥感设备 |
CN111428620A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 基于联邦活体检测模型的身份识别方法、装置、设备和介质 |
CN113470806A (zh) * | 2020-03-31 | 2021-10-01 | 中移(成都)信息通信科技有限公司 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
CN113470806B (zh) * | 2020-03-31 | 2024-05-24 | 中移(成都)信息通信科技有限公司 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
CN111477340B (zh) * | 2020-04-13 | 2023-01-24 | 深圳前海微众银行股份有限公司 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
WO2021208845A1 (zh) * | 2020-04-13 | 2021-10-21 | 深圳前海微众银行股份有限公司 | 传染病毒携带者检测方法、***、装置、设备和介质 |
CN111477340A (zh) * | 2020-04-13 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 传染病接触情况检测方法、装置、设备及可读存储介质 |
CN111753006A (zh) * | 2020-06-10 | 2020-10-09 | 北京智源人工智能研究院 | 一种基于联邦学习的预测***及方法 |
CN111753006B (zh) * | 2020-06-10 | 2021-03-16 | 北京智源人工智能研究院 | 一种基于联邦学习的预测***及方法 |
CN111739600A (zh) * | 2020-06-22 | 2020-10-02 | 平安医疗健康管理股份有限公司 | 信息处理方法、装置、计算机设备及可读存储介质 |
CN111724000A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种用户电费回收风险预测方法、装置及*** |
CN111723942A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子***及预测*** |
CN111723942B (zh) * | 2020-06-29 | 2024-02-02 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子***及预测*** |
CN111724000B (zh) * | 2020-06-29 | 2024-02-09 | 南方电网科学研究院有限责任公司 | 一种用户电费回收风险预测方法、装置及*** |
CN111767411A (zh) * | 2020-07-01 | 2020-10-13 | 深圳前海微众银行股份有限公司 | 知识图谱表示学习优化方法、设备及可读存储介质 |
CN112259238A (zh) * | 2020-10-20 | 2021-01-22 | 平安科技(深圳)有限公司 | 电子设备、疾病类型检测方法、装置及介质 |
CN112289448A (zh) * | 2020-11-06 | 2021-01-29 | 新智数字科技有限公司 | 一种基于联合学习的健康风险预测方法和装置 |
CN112435755A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技(深圳)有限公司 | 疾病分析方法、装置、电子设备及存储介质 |
CN112309527A (zh) * | 2020-11-24 | 2021-02-02 | 南通市第二人民医院 | 一种基于大数据的病案统计管理方法及*** |
CN112447298A (zh) * | 2020-11-24 | 2021-03-05 | 平安科技(深圳)有限公司 | 基于联邦迁移学习的神经退行性疾病建模装置及相关设备 |
CN112435748A (zh) * | 2020-11-26 | 2021-03-02 | 新智数字科技有限公司 | 风险预测方法、装置、设备和计算机可读介质 |
CN112435747A (zh) * | 2020-11-26 | 2021-03-02 | 新智数字科技有限公司 | 疾病风险预测方法、装置、设备和计算机可读介质 |
WO2022116429A1 (zh) * | 2020-12-01 | 2022-06-09 | 平安科技(深圳)有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
CN112768056A (zh) * | 2021-01-14 | 2021-05-07 | 新智数字科技有限公司 | 基于联合学习框架的疾病预测模型建立方法和装置 |
CN113057587A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、电子设备及存储介质 |
CN113133768A (zh) * | 2021-04-21 | 2021-07-20 | 东南大学 | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 |
CN113421638A (zh) * | 2021-06-22 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于迁移学习的模型生成方法、装置和计算机设备 |
CN113421638B (zh) * | 2021-06-22 | 2022-07-15 | 平安科技(深圳)有限公司 | 基于迁移学习的模型生成方法、装置和计算机设备 |
CN113571203A (zh) * | 2021-07-19 | 2021-10-29 | 复旦大学附属华山医院 | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及*** |
CN113571203B (zh) * | 2021-07-19 | 2024-01-26 | 复旦大学附属华山医院 | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及*** |
CN113610303B (zh) * | 2021-08-09 | 2024-03-19 | 北京邮电大学 | 一种负荷预测方法及*** |
CN113610303A (zh) * | 2021-08-09 | 2021-11-05 | 北京邮电大学 | 一种负荷预测方法及*** |
CN113986890B (zh) * | 2021-12-30 | 2022-03-11 | 四川华迪信息技术有限公司 | 一种基于少样本模型学习的联合医院数据迁移方法及*** |
CN113986890A (zh) * | 2021-12-30 | 2022-01-28 | 四川华迪信息技术有限公司 | 一种基于少样本模型学习的联合医院数据迁移方法及*** |
TWI796228B (zh) * | 2022-05-25 | 2023-03-11 | 臺中榮民總醫院 | 急性腎損傷預測系統及其方法 |
US11937932B2 (en) | 2022-05-25 | 2024-03-26 | Taichung Veterans General Hospital | Acute kidney injury predicting system and method thereof |
CN116258720B (zh) * | 2023-05-16 | 2023-08-18 | 联仁健康医疗大数据科技股份有限公司 | 图像识别方法、装置、电子设备和存储介质 |
CN116258720A (zh) * | 2023-05-16 | 2023-06-13 | 联仁健康医疗大数据科技股份有限公司 | 图像识别方法、装置、电子设备和存储介质 |
CN116936048B (zh) * | 2023-07-04 | 2024-03-19 | 吉林大学 | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 |
CN116936048A (zh) * | 2023-07-04 | 2023-10-24 | 吉林大学 | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 |
CN117476217B (zh) * | 2023-12-26 | 2024-03-26 | 山东大学齐鲁医院 | 一种慢性心脏病病情发展趋势预测*** |
CN117476217A (zh) * | 2023-12-26 | 2024-01-30 | 山东大学齐鲁医院 | 一种慢性心脏病病情发展趋势预测*** |
Also Published As
Publication number | Publication date |
---|---|
CN110444263B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110444263A (zh) | 基于联邦学习的疾病数据处理方法、装置、设备及介质 | |
EP3933551A1 (en) | Motor imagery electroencephalogram signal processing method, device, and storage medium | |
Abdali-Mohammadi et al. | Development of an IoT-based and cloud-based disease prediction and diagnosis system for healthcare using machine learning algorithms | |
CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
CN109685102A (zh) | 胸部病灶图像分类方法、装置、计算机设备及存储介质 | |
CN110516161A (zh) | 一种推荐方法及装置 | |
CN108597605B (zh) | 一种个人健康生活大数据采集与分析*** | |
CN105321135A (zh) | 一种个性化运动处方设计方法和*** | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
US20160117457A1 (en) | Method and apparatus for analyzing patient's constitutional peculiarity | |
US20230354979A1 (en) | Scalp and hair management system | |
CN104992395A (zh) | 一种创建个性化健康服务档案的方法 | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
CN109599178A (zh) | 阈值判定模型确定方法、装置、医疗检测设备及存储介质 | |
CN113628726A (zh) | 基于图神经网络的中医辩治推荐***、方法和电子设备 | |
Bulaghi et al. | SENET: A novel architecture for IoT-based body sensor networks | |
CN112331334A (zh) | 基于智能终端的大数据精准医疗***和方法 | |
CN116959665B (zh) | 运动监测方法、装置、设备及存储介质 | |
CN106682395A (zh) | 健康促进***及健康促进方法 | |
CN113705311A (zh) | 图像处理方法和装置、存储介质及电子装置 | |
US20200111569A1 (en) | System, computing device, and method for analyzing sleep-related activity pattern using multimodal sensor data | |
CN105662394B (zh) | 一种向用户提示信息的方法和装置 | |
Bahanfar et al. | Reliable communication in wireless body area sensor network for health monitoring | |
CN113693610B (zh) | 少导联心电数据处理方法、装置、存储介质及计算机设备 | |
CN109360664A (zh) | 一种基于数据挖掘算法的临床护理管理***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |