JP6522161B2 - ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー - Google Patents
ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー Download PDFInfo
- Publication number
- JP6522161B2 JP6522161B2 JP2017559611A JP2017559611A JP6522161B2 JP 6522161 B2 JP6522161 B2 JP 6522161B2 JP 2017559611 A JP2017559611 A JP 2017559611A JP 2017559611 A JP2017559611 A JP 2017559611A JP 6522161 B2 JP6522161 B2 JP 6522161B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- medical
- layer
- model
- node
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 73
- 238000013135 deep learning Methods 0.000 title claims description 17
- 238000007405 data analysis Methods 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000005457 optimization Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 238000013136 deep learning model Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000012567 medical material Substances 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000010827 pathological analysis Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000013499 data model Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 239000012491 analyte Substances 0.000 claims 1
- 238000005336 cracking Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 63
- 210000002569 neuron Anatomy 0.000 description 13
- 230000003902 lesion Effects 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 206010008469 Chest discomfort Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Description
CTスキャンが1162部、X線が1461部、MRIが325で、X線の1部につき2枚の二次元画像が含まれ、CTスキャンの1部につき50枚の二次元画像が含まれ、MRIの1部につき100枚の二次元画像が含まれる。これら検査データは、全て放射線科医がレポートを作成し、また該レベル3甲種総合病院には20人余りの放射線科医しかいなく、その中に入力が遅い年配の医師及び経験不足の若い医師も含まれる。よって、毎日継続して大量の作業を処理すると、関係の医師或いは研究員の仕事におけるストレスが大きく、体力の低下が速く、仕事能率も低く、更には分析結果の誤り率が高い等の問題が起きやすかった。
本発明のディープラーニングに基づく医療データ分析方法は、
医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データを収集し、入力装置を通じてコンピュータ内に保存するステップ1)と、
前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータと関連付けるステップ2)と、
収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値を1つのデータユニットに集約するステップ3)と、
前記医療訓練データを分割、関連付け又はテキストデータマイニング方法でコンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットし、各データユニット内からデータ特徴を抽出するステップ4)と、
構造化データマトリックスを形成した医療訓練データをコンピュータ内に設けられ、ディープラーニングモデルに対応するストレージモジュール内に導入するステップ5)と、
コンピュータを通じて前記ディープラーニングモデルに対し、a.ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも1層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含むことと、b.各ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であることと、c.前記パラメータ値Aiを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Aiを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Aiを得たことという最適化法により、最適化演算を行うステップ6)と、
得られた構造化データマトリックスを形成した医学分析対象データを該ディープラーニングモデル内に導入してそのマッチングする病理学的分析を行うステップ7)と、
ディープラーニングモデルから出力装置を通じて前記医学分析対象データにマッチングする病理学的分析結果を出力するステップ8)と、
を含む。
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み;
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり;
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び/或いは最大値を求める演算を含むパラメータ数学的方程式を用い;
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み;
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む。
前記医療材料データは、医師から記入・入力された例えば現病歴、既往歴、身体検査、実験室及び機器検査、入院後の治療過程等の記録といった患者情報を含む。
前記診療データ(別名目標データ)は、医師が患者の入院初診及び出院結果、疾病治療効果等を行う記録を含む。
患者を診察し、患者の年齢、性別、体重、現病歴、既往歴、身体検査等の関連情報を入力し、分析データを統合して該患者に疾病種類の分析、受診助言及び治療予定プランを提供する。例えば、65歳の男性患者、咳、胸の圧迫感、最近体重減少、長期喫煙歴、過去検査を受けていないこと等といった1名の患者の関連情報を入力する。
前記医療材料データは、オリジナル画像データ、病理種類、疾病に関する検査データ、病変部位、転移の有無又は多発等を含む。
前記診療データは、医師から記入されたテキスト診察データ、追跡調査データを含む。
放射線科:異なる身体部位、異なる画像検査手段のオリジナル画像データに対する分析訓練を通じて、インテリジェントアナライザーに病変について認識、分析機能を持たせ、また次の診療助言を出す。例えば肺部の単発肺結節のCT知能化診断は、インテリジェントアナライザーが極め短い時間内に全てのオリジナル画像を検索して病変部位、大きさ、内部密度、辺縁状態、画像内その他の部位の正常の有無等のデータを判断できる。
すなわち、ある人又はあるシリーズの症例と関連する医療訓練データ及び前記変化値を1つのデータユニットに集約する。
1、ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも1層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含み;
2、ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であり;
3、前記パラメータ値Aiを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Aiを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Aiを得;
前記パラメータ値Aiを最適化する方法は、教師なしの学習方法及び教師あり学習方法である。
演算の中核は、教師あり学習アルゴリズムのディープラーニングであり、これが過去5〜10年人工知能及び機械学習分野の革命的な技術である。本発明のDNNアルゴリズムの基礎上において病変スキャン時の時空間的な変化を独創的に加入し、病変組織の三次元空間における結像法則を十分考慮し、認識確率を高め;同時にモデルは、医師の人為的な判断要因を導入でき、単純な知能の判断要因と医師の専門的な判断を結合して総合的なモデリングを行って病変確率を計算する。
<1.医療訓練データ>
a)客観的に存在する自然データ:すなわち、病院が実際の業務中で形成した自然診療データであり、訓練データは実際の運用シナリオで生成した診療データに近ければ近いほど、訓練効果が益々良くなる。データを教材とするのも対応の要求がある。2種のデータソース(すなわち、医療材料データ及び診療データ)は、本発明の実現にとって必要不可欠であり、まずオリジナル医療データを必要とされ、一般的に医療機器から結像した後のデータ形式は非常に多く、例えば.nii.gz,.dcm等の形式であり、全ての形式が訓練モデルに入る前に多次元マトリックスデータ情報として表されることができる。例えばMRI(英名:Magnetic Resonance Imaging、和名:核磁気共鳴画像)の図形は、三次元マトリックス(グレースケール)、すなわち、二次元グレースケールインデックスと一次元横断面とすることができ;或いは者四次元マトリックス(rgb)とし、すなわち、二次元インデックスカラーに3種インデックスカラーをプラスし、最後に一次元横断面をプラスする。いかなる医療データは、均しく抽象的にそのようなマトリックスに簡略化できる。そのようなマトリックスは、モデル読み取りのオリジナルデータソースを構成する。図2、図3に示すのは、脳のMRIで生成した画像データであり、仮にシステムは1枚のMRIスライスを画素512×512の図として生成し、一回の脳走査が200枚のスライス面である場合、一回グレースケールの脳走査データソースは512×512×200=52,428,800次元のデータ行に集約できる。モデルとって、52,428,800個の数字中に該脳走査の全ての理解及び概括された情報をカバーする。
機械学習アルゴリズムモデルが本発明の帰納及び情報に対して抽象的な要約を行う基本数学的ワークフレームであり、主な目的は、パターン識別過程をコンピュータに理解されることができる数学的構造で表現することである。訓練の過程は、モデル中のパラメータを見積もり、パラメータ見積もりが完了した後モデルは本発明に係る方法の中核部分となる。目的の異なる機械学習アルゴリズムに基づいて、教師あり学習及び教師なし学習という2種類に帰納できる。本発明は2種類のアルゴリズムをカバーする。
このアルゴリズムの基本的な原理は、人間の脳の認識過程を真似する。DNNアルゴリズムの入力は、オリジナル医療データ及び医師の歴史的な分析結果であり、最終的に分析過程を自動完成できる。DNNの抽象的な概括は、下式で表される。
雑音除去自己符号化器の原理は、あるデータ変数の有効な隠れた変数を見つけることである。図7に示すように、完全に雑音除去自己符号化器の動作原理を呈露し、オリジナル医療データに基づいてxを入力し、雑音除去自己符号化器が隠れた要素を表すy及びパラメータWを見つけて新しいデータzをマッピングする。雑音除去自己符号化器の最終目的は、パラメータWを見つけ出してzとxの間の差別を最小化させ、言い換えると、限られる情報内における最も完全にデータ変数情報を表すことができるパラメータを見つけ出すことである。これらパラメータは、モデル範囲内最大量のオリジナルデータをカバーする情報と見なすことができる。雑音除去自己符号化器は、簡単な符号化器の動作原理上において人為的に大量雑音を導入し、直観的に言うと、大量雑音を通じてモデルにより価値のある潜在的な法則を見つけるよう強制し、雑音中の無効法則の影響を受けない。最終的に訓練したパラメータは、教師あり学習の最初パラメータ初期値となり、モデルの第一歩のために良好な起点を見つけ出すことに相当し、訓練を受けるモデルパラメータ最適化の速度を大幅に加速する。
制限付きボルツマンマシンが果たす役割は、dAEと非常に類似し、均しく教師なし学習中のパラメータ最適化ステップのために準備する。dAEと非常に類似し、RBMも最も既存データ変数の要因方向性を見つけて後期教師あり学習の初期パラメータとすることである。ただし、dAEと異なり、RBMはエネルギー確率生成式モデルを使用し、dAEのように決定性数式を使用することはない。演算による求解の視点から見ると、dAEが少し複雑である。ただし、その確率生成モデルの本質は、イベント確率性に重点を置くモデリングシナリオにとって、より適用される。我々のモデリング過程について、更に過剰適合現象の発生を低下するため、RBM及びdAEの2種教師なし学習は、統合した学習過程中に使用される。
よく見られるのは、下式である。
最もよく見られる正則化表現式は、下式であるが、ユーザーは随意に選択された正則化表現式も使用できる。
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み;
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり;
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び/或いは最大値を求める演算を含むパラメータ数学的方程式を用い;
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み;例えばコンピュータ、超音波装置、X射線、同期心電計、生化学分析装置、免疫分析装置、ファイバースコープ、MRI、CTドップラ診断装置、血圧計、体重計等である。
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む。例えばコンピュータ、医療機器ターミナル、携帯電話ターミナル等である。
Claims (7)
- ディープラーニングに基づく医療データ分析方法であって、
入力装置によって、医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データが収集され、コンピュータ内に保存されるステップ1)と、
前記コンピュータによって、前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータが関連付けられるステップ2)と、
前記コンピュータによって、前記収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値が1つのデータユニットに集約されるステップ3)と、
前記コンピュータによって、前記医療訓練データが分割、関連付け又はテキストデータマイニング方法で前記コンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットされ、各データユニット内からデータ特徴が抽出されるステップ4)と、
前記コンピュータによって、構造化データマトリックスを形成した医療訓練データが、ディープラーニングモデルに対応するストレージモジュール内に導入されるステップ5)と、
前記コンピュータによって、前記ディープラーニングモデルに対し、a.ディープラーニングの基本ワークフレームが設定され、前記医療訓練データからデータ特徴によって入力層と少なくとも1層の隠れ層と出力層とを含むデータモデルが作成され、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含むことと、b.各ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であることと、c.前記パラメータ値Ai が初期化され、前記出力層内の各ノードの出力値が対応するノードの診療データ特徴と比較され、各ノードの前記パラメータ値Ai が繰り返し修正され、順次繰り返され、最終的に前記出力層内の各ノードの出力値で生成され、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Aiを得ることという最適化法により、最適化演算が行われるステップ6)と、
前記コンピュータによって、得られた構造化データマトリックスを形成した医学分析対象データが該ディープラーニングモデル内に導入されそのマッチングする病理学的分析が行われるステップ7)と、
出力装置によって、ディープラーニングモデルから前記医学分析対象データにマッチングする病理学的分析結果が出力されるステップ8)と、を含む
ことを特徴とする方法。 - 前記パラメータ値Aiを最適化する方法は、教師なしの学習方法である
請求項1に記載の方法。 - 前記教師なしの学習方法は、雑音除去自己符号化器或いは制限付きボルツマンマシンを用いて自主学習を行う
請求項2に記載の方法。 - 前記パラメータ値Aiを最適化する方法は、教師ありの学習方法である
請求項1に記載の方法。 - 前記医療材料データは、臨床及び医療技術の段階における医師が患者の診断、検査及び治療過程に対して行った関連情報の記録を含み;前記診療データは、臨床及び医療技術の段階における医師が患者の初診判断、退院結果、疾病治療効果に対して行った関連情報の記録及び医師が作成したテキスト診察データと追跡調査データを含む
請求項1に記載の方法。 - 前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含み、例えば時間に伴って変化し、データのアップ或いはダウン傾向である
請求項1に記載の方法。 - 前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データが形成される
請求項1に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510294286.3 | 2015-06-02 | ||
CN201510294286.3A CN104866727A (zh) | 2015-06-02 | 2015-06-02 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
PCT/CN2016/084000 WO2016192612A1 (zh) | 2015-06-02 | 2016-05-31 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018529134A JP2018529134A (ja) | 2018-10-04 |
JP6522161B2 true JP6522161B2 (ja) | 2019-05-29 |
Family
ID=53912551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017559611A Active JP6522161B2 (ja) | 2015-06-02 | 2016-05-31 | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー |
Country Status (6)
Country | Link |
---|---|
US (2) | US11200982B2 (ja) |
EP (1) | EP3306500A4 (ja) |
JP (1) | JP6522161B2 (ja) |
CN (2) | CN104866727A (ja) |
IL (1) | IL255856B (ja) |
WO (1) | WO2016192612A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210054846A (ko) | 2019-11-06 | 2021-05-14 | 주식회사 하나금융티아이 | 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법 |
Families Citing this family (107)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866727A (zh) | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
US10387464B2 (en) * | 2015-08-25 | 2019-08-20 | Facebook, Inc. | Predicting labels using a deep-learning model |
CN105117611B (zh) * | 2015-09-23 | 2018-06-12 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及*** |
JP2019513315A (ja) * | 2016-02-29 | 2019-05-23 | ウルグス ソシエダード アノニマ | 惑星規模解析のためのシステム |
CN105808712A (zh) * | 2016-03-07 | 2016-07-27 | 陈宽 | 将文本类医疗报告转换为结构化数据的智能***及方法 |
US20170262583A1 (en) | 2016-03-11 | 2017-09-14 | International Business Machines Corporation | Image processing and text analysis to determine medical condition |
CN106264460B (zh) * | 2016-07-29 | 2019-11-19 | 北京医拍智能科技有限公司 | 基于自学习的脑活动多维时间序列信号的解码方法及装置 |
CN106156530A (zh) * | 2016-08-03 | 2016-11-23 | 北京好运到信息科技有限公司 | 基于栈式自编码器的体检数据分析方法及装置 |
CN107025369B (zh) | 2016-08-03 | 2020-03-10 | 北京推想科技有限公司 | 一种对医疗图像进行转换学习的方法和装置 |
CN106326640A (zh) * | 2016-08-12 | 2017-01-11 | 上海交通大学医学院附属瑞金医院卢湾分院 | 一种医疗语音控制***及其控制方法 |
CN106599530B (zh) * | 2016-10-31 | 2019-08-02 | 北京千安哲信息技术有限公司 | 一种检测数据的处理方法和装置 |
CN107358014B (zh) * | 2016-11-02 | 2021-01-26 | 华南师范大学 | 一种生理数据的临床前处理方法及*** |
CN108198625B (zh) * | 2016-12-08 | 2021-07-20 | 推想医疗科技股份有限公司 | 一种分析高维医疗数据的深度学习方法和装置 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及*** |
CN106934216B (zh) * | 2017-02-16 | 2021-09-14 | 山东大学齐鲁医院 | 基于多目标的医疗器械临床评价方法 |
CN106934235B (zh) * | 2017-03-09 | 2019-06-11 | 中国科学院软件研究所 | 一种基于迁移学习的疾病领域间病人相似性度量迁移*** |
CN107833605A (zh) * | 2017-03-14 | 2018-03-23 | 北京大瑞集思技术有限公司 | 一种医院病历信息的编码方法、装置、服务器及*** |
US10261903B2 (en) | 2017-04-17 | 2019-04-16 | Intel Corporation | Extend GPU/CPU coherency to multi-GPU cores |
CN108367161B (zh) * | 2017-06-05 | 2022-04-22 | 西安大医集团股份有限公司 | 放疗***、数据处理方法及存储介质 |
CN107239767A (zh) * | 2017-06-08 | 2017-10-10 | 北京纽伦智能科技有限公司 | 小鼠行为识别方法及其*** |
EP3270308B9 (en) * | 2017-06-14 | 2022-05-18 | Siemens Healthcare GmbH | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product |
CN109300167B (zh) * | 2017-07-25 | 2023-10-10 | 清华大学 | 重建ct图像的方法和设备以及存储介质 |
EP3634204A4 (en) * | 2017-07-28 | 2021-01-20 | Google LLC | SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS |
CN107616796B (zh) * | 2017-08-31 | 2020-09-11 | 北京医拍智能科技有限公司 | 基于深度神经网络的肺结节良恶性检测方法及装置 |
CA3070482A1 (en) * | 2017-09-07 | 2019-03-14 | Butterfly Network, Inc. | Wrist bound ultrasound-on-a-chip device |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理***及方法 |
CN108053841A (zh) * | 2017-10-23 | 2018-05-18 | 平安科技(深圳)有限公司 | 利用语音进行疾病预测的方法及应用服务器 |
CN109947782A (zh) * | 2017-11-03 | 2019-06-28 | ***通信有限公司研究院 | 一种大数据实时应用***的更新方法、装置及*** |
TWI649698B (zh) * | 2017-12-21 | 2019-02-01 | 財團法人工業技術研究院 | 物件偵測裝置、物件偵測方法及電腦可讀取媒體 |
JP7006296B2 (ja) * | 2018-01-19 | 2022-01-24 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
CN108538390A (zh) * | 2018-04-28 | 2018-09-14 | 中南大学 | 一种面向医学数据的增量式处理方法 |
WO2019211089A1 (en) * | 2018-04-30 | 2019-11-07 | Koninklijke Philips N.V. | Adapting a machine learning model based on a second set of training data |
US20190370956A1 (en) | 2018-05-30 | 2019-12-05 | General Electric Company | Contrast imaging system and method |
WO2019235335A1 (ja) * | 2018-06-05 | 2019-12-12 | 住友化学株式会社 | 診断支援システム、診断支援方法及び診断支援プログラム |
KR102095959B1 (ko) * | 2018-07-11 | 2020-04-01 | 주식회사 아이센스 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
TW202006738A (zh) * | 2018-07-12 | 2020-02-01 | 國立臺灣科技大學 | 應用機器學習的醫學影像分析方法及其系統 |
CN108986913A (zh) * | 2018-07-13 | 2018-12-11 | 希蓝科技(北京)有限公司 | 一种优化人工智能心电诊断方法及*** |
US11756691B2 (en) | 2018-08-01 | 2023-09-12 | Martin Reimann | Brain health comparison system |
WO2020033898A1 (en) * | 2018-08-09 | 2020-02-13 | Board Of Trustees Of Michigan State University | Systems and methods for providing flexible, multi-capacity models for use of deep neural networks in mobile devices |
CN110827988B (zh) * | 2018-08-14 | 2022-10-21 | 上海明品医学数据科技有限公司 | 一种基于移动终端进行医学数据研究的控制方法 |
EP3614337A1 (en) * | 2018-08-19 | 2020-02-26 | Chang Gung Memorial Hospital, Linkou | Method and system of analyzing medical images |
CN109191446B (zh) * | 2018-08-30 | 2020-12-29 | 杭州深睿博联科技有限公司 | 用于肺结节分割的图像处理方法及装置 |
US20210272659A1 (en) * | 2018-09-07 | 2021-09-02 | Minas Chrysopoulo | System to provide shared decision making for patient treatment options |
KR102150673B1 (ko) * | 2018-10-02 | 2020-09-01 | (주)지엘테크 | 외관불량 검사방법 및 외관불량 검사 시스템 |
US11468998B2 (en) * | 2018-10-09 | 2022-10-11 | Radect Inc. | Methods and systems for software clinical guidance |
KR102180135B1 (ko) * | 2018-10-12 | 2020-11-17 | 계명대학교 산학협력단 | 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법 |
CN109671499B (zh) * | 2018-10-22 | 2023-06-13 | 南方医科大学 | 一种直肠毒性预测***构建方法 |
CN111091914B (zh) * | 2018-10-23 | 2023-11-21 | 百度在线网络技术(北京)有限公司 | 基于病历的癌症分型分期方法及其装置 |
CN109378064B (zh) * | 2018-10-29 | 2021-02-02 | 南京医基云医疗数据研究院有限公司 | 医疗数据处理方法、装置电子设备及计算机可读介质 |
US11507822B2 (en) * | 2018-10-31 | 2022-11-22 | General Electric Company | Scalable artificial intelligence model generation systems and methods for healthcare |
CN111180076B (zh) * | 2018-11-13 | 2023-09-05 | 零氪科技(北京)有限公司 | 一种基于多层语义分析的医疗信息提取方法 |
CN109247923B (zh) * | 2018-11-15 | 2020-12-15 | 中国科学院自动化研究所 | 基于视频的非接触式脉搏实时估计方法及设备 |
CN109583358A (zh) * | 2018-11-26 | 2019-04-05 | 广东智源信息技术有限公司 | 一种医疗卫生监督快速精准执法方法 |
CN111261278A (zh) * | 2018-11-30 | 2020-06-09 | 上海图灵医疗科技有限公司 | 一种基于三维图像的深度学习模型的心脏疾病检测方法 |
CN109816140A (zh) * | 2018-12-12 | 2019-05-28 | 哈尔滨工业大学(深圳) | 基于跨市场影响的股价预测方法、装置、设备及存储介质 |
US10957442B2 (en) * | 2018-12-31 | 2021-03-23 | GE Precision Healthcare, LLC | Facilitating artificial intelligence integration into systems using a distributed learning platform |
KR102190756B1 (ko) * | 2018-12-31 | 2020-12-14 | 월드버텍 주식회사 | 딥러닝 기반의 식물 인식 시스템 |
US11687691B2 (en) * | 2019-01-03 | 2023-06-27 | International Business Machines Corporation | Forward and reverse transformations of a model of functional units of a biological system trained by a global model of the systems |
CN109800294B (zh) * | 2019-01-08 | 2020-10-13 | 中国科学院自动化研究所 | 基于物理环境博弈的自主进化智能对话方法、***、装置 |
CN110119432B (zh) * | 2019-03-29 | 2023-05-05 | 中国人民解放军总医院 | 一种用于医疗平台的数据处理方法 |
CN110121056B (zh) * | 2019-04-03 | 2022-01-14 | 视联动力信息技术股份有限公司 | 跨区域视联网监控视频获取方法及装置 |
CN110085314A (zh) * | 2019-04-11 | 2019-08-02 | 上海翼依信息技术有限公司 | 医学检验数据的智能分析方法、***以及设备 |
CN110033863B (zh) * | 2019-04-23 | 2021-06-04 | 科大讯飞股份有限公司 | 应用于临床决策支持***的不合理疾病诊断检测方法、装置 |
US20200342968A1 (en) | 2019-04-24 | 2020-10-29 | GE Precision Healthcare LLC | Visualization of medical device event processing |
CN110164524A (zh) * | 2019-04-29 | 2019-08-23 | 北京国润健康医学投资有限公司 | 一种偏瘫患者康复训练任务自适应匹配方法及其*** |
US11416653B2 (en) * | 2019-05-15 | 2022-08-16 | The Mitre Corporation | Numerical model of the human head |
CN110322959B (zh) * | 2019-05-24 | 2021-09-28 | 山东大学 | 一种基于知识的深度医疗问题路由方法及*** |
CN111341435B (zh) * | 2019-07-01 | 2022-11-08 | 郑州大学第一附属医院 | 一种用于疾病诊断的用户IoT设备 |
US11449793B2 (en) * | 2019-07-03 | 2022-09-20 | Kpn Innovations, Llc. | Methods and systems for medical record searching with transmittable machine learning |
US11443137B2 (en) | 2019-07-31 | 2022-09-13 | Rohde & Schwarz Gmbh & Co. Kg | Method and apparatus for detecting signal features |
CN110706803B (zh) * | 2019-08-20 | 2023-06-27 | 南京医基云医疗数据研究院有限公司 | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 |
US11783189B2 (en) * | 2019-08-29 | 2023-10-10 | Nec Corporation | Adversarial cooperative imitation learning for dynamic treatment |
JP7158355B2 (ja) * | 2019-08-30 | 2022-10-21 | 株式会社豊田中央研究所 | ノイズ除去装置および距離測定装置 |
CN110808095B (zh) * | 2019-09-18 | 2023-08-04 | 平安科技(深圳)有限公司 | 诊断结果识别、模型训练的方法、计算机设备及存储介质 |
US10936962B1 (en) | 2019-11-01 | 2021-03-02 | Kenneth Neumann | Methods and systems for confirming an advisory interaction with an artificial intelligence platform |
CN110879980B (zh) * | 2019-11-13 | 2023-09-05 | 厦门大学 | 基于神经网络算法的核磁共振波谱去噪方法 |
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 |
US10734105B1 (en) | 2019-11-30 | 2020-08-04 | Kpn Innovations, Llc | Methods and systems for informed selection of prescriptive therapies |
US11901056B2 (en) | 2019-11-30 | 2024-02-13 | Kpn Innovations, Llc | Methods and systems for informed selection of prescriptive therapies |
CN111192680B (zh) * | 2019-12-25 | 2021-06-01 | 山东众阳健康科技集团有限公司 | 一种基于深度学习和集成分类的智能辅助诊断方法 |
CN110767312A (zh) * | 2019-12-26 | 2020-02-07 | 杭州迪英加科技有限公司 | 人工智能辅助病理诊断***及方法 |
WO2021146748A1 (en) * | 2020-01-17 | 2021-07-22 | Acucela Inc. | Database of retinal physiology derived from ophthalmic measurements performed by patients |
CN113223693B (zh) * | 2020-01-20 | 2023-11-10 | 深圳市理邦精密仪器股份有限公司 | 心电图机在线交互方法、心电图机、存储介质 |
KR102322616B1 (ko) * | 2020-02-18 | 2021-11-05 | 서울대학교 산학협력단 | Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법 |
JP6885517B1 (ja) * | 2020-03-17 | 2021-06-16 | 株式会社村田製作所 | 診断支援装置及びモデル生成装置 |
KR102321157B1 (ko) * | 2020-04-10 | 2021-11-04 | (주)휴톰 | 수술 후 수술과정 분석 방법 및 시스템 |
CN111582493B (zh) * | 2020-04-15 | 2023-07-28 | 马鞍山师范高等专科学校 | 一种深度学习模型训练的管理*** |
CN111370098A (zh) * | 2020-04-27 | 2020-07-03 | 北京贝叶科技有限公司 | 一种基于边缘侧计算和服务装置的病理诊断***及方法 |
CN111696660B (zh) * | 2020-05-13 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
CN111696674B (zh) * | 2020-06-12 | 2023-09-08 | 电子科技大学 | 一种电子病历的深度学习方法及*** |
CN111789675B (zh) * | 2020-06-29 | 2022-02-22 | 首都医科大学附属北京天坛医院 | 颅内血肿手术定位辅助方法及装置 |
CN111883247B (zh) * | 2020-07-29 | 2022-03-15 | 复旦大学 | 一种行为数据与医疗结局相关性的分析*** |
US20220059200A1 (en) * | 2020-08-21 | 2022-02-24 | Washington University | Deep-learning systems and methods for medical report generation and anomaly detection |
CN112231306B (zh) * | 2020-08-23 | 2021-05-28 | 山东翰林科技有限公司 | 基于大数据的能源数据分析***及方法 |
CN112070731B (zh) * | 2020-08-27 | 2021-05-11 | 佛山读图科技有限公司 | 应用人工智能引导人体模型图集与病例ct图像配准的方法 |
CN112053785A (zh) * | 2020-09-02 | 2020-12-08 | 北京小白世纪网络科技有限公司 | 基于冠心病诊断神经网络模型冠心病诊断方法及*** |
CN112022124A (zh) * | 2020-09-14 | 2020-12-04 | 山东省创新设计研究院有限公司 | 生理监测方法、装置、计算机设备和存储介质 |
CN112164448B (zh) * | 2020-09-25 | 2021-06-22 | 上海市胸科医院 | 免疫治疗疗效预测模型训练方法、预测***及方法和介质 |
CN112164446B (zh) * | 2020-10-13 | 2022-04-22 | 电子科技大学 | 一种基于多网络融合的医疗影像报告生成方法 |
CN112786190B (zh) * | 2021-01-14 | 2024-02-13 | 金陵科技学院 | 一种多维数据融合的医疗健康诊疗方法 |
CN112869691B (zh) * | 2021-02-03 | 2021-11-02 | 清华大学 | 双波长增强型拉曼内窥式无创病理检测装置及检测方法 |
US11275903B1 (en) * | 2021-05-13 | 2022-03-15 | Retain Health, Inc | System and method for text-based conversation with a user, using machine learning |
CN114582494B (zh) * | 2022-03-03 | 2022-11-15 | 数坤(北京)网络科技股份有限公司 | 诊断结果分析方法、装置、存储介质及电子设备 |
CN114373511B (zh) * | 2022-03-15 | 2022-08-30 | 南方医科大学南方医院 | 基于5hmC分子标志物检测的肠癌模型及肠癌模型构建方法 |
TWI839761B (zh) * | 2022-06-23 | 2024-04-21 | 吳福興 | 基於模型整合之健康醫療事件預測系統及其方法 |
CN115115620B (zh) * | 2022-08-23 | 2022-12-13 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及*** |
KR20240041722A (ko) * | 2022-09-23 | 2024-04-01 | 삼성전자주식회사 | 시뮬레이션된 생체 신호를 출력하는 디바이스 및 그 동작 방법 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1194045A (zh) * | 1995-07-25 | 1998-09-23 | 好乐思治疗公司 | 计算机辅助疾病诊断方法 |
US5687716A (en) * | 1995-11-15 | 1997-11-18 | Kaufmann; Peter | Selective differentiating diagnostic process based on broad data bases |
CA2244913A1 (en) * | 1996-02-09 | 1997-08-14 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
US6587114B1 (en) * | 1999-12-15 | 2003-07-01 | Microsoft Corporation | Method, system, and computer program product for generating spatially varying effects in a digital image |
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
AU2004251359B2 (en) * | 2003-06-25 | 2009-01-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
US20070027368A1 (en) * | 2005-07-14 | 2007-02-01 | Collins John P | 3D anatomical visualization of physiological signals for online monitoring |
JP4985480B2 (ja) | 2008-03-05 | 2012-07-25 | 国立大学法人山口大学 | がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム |
JP4236123B1 (ja) * | 2008-04-21 | 2009-03-11 | 株式会社林創研 | 三次元画像取得装置 |
US8990132B2 (en) * | 2010-01-19 | 2015-03-24 | James Ting-Ho Lo | Artificial neural networks based on a low-order model of biological neural networks |
US8345984B2 (en) * | 2010-01-28 | 2013-01-01 | Nec Laboratories America, Inc. | 3D convolutional neural networks for automatic human action recognition |
CN102542562A (zh) | 2011-11-23 | 2012-07-04 | 首都医科大学 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
CN203122364U (zh) * | 2012-11-14 | 2013-08-14 | 华北电力大学 | 一种基于神经网络技术的病情自诊断设备 |
JP2016519807A (ja) | 2013-03-15 | 2016-07-07 | ザ クリーブランド クリニック ファウンデーションThe Cleveland ClinicFoundation | 自己進化型予測モデル |
US20170124269A1 (en) * | 2013-08-12 | 2017-05-04 | Cerner Innovation, Inc. | Determining new knowledge for clinical decision support |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
CN103544392B (zh) * | 2013-10-23 | 2016-08-24 | 电子科技大学 | 基于深度学习的医学气体识别方法 |
WO2015069827A2 (en) * | 2013-11-06 | 2015-05-14 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Pathology case review, analysis and prediction |
CN103914841B (zh) * | 2014-04-03 | 2018-03-09 | 深圳大学 | 基于超像素和深度学习的***细菌分割与分类*** |
CN104298651B (zh) * | 2014-09-09 | 2017-02-22 | 大连理工大学 | 一种基于深度学习的生物医学命名实体识别和蛋白质交互关系抽取在线方法 |
US9687199B2 (en) * | 2014-09-15 | 2017-06-27 | Wisconsin Alumni Research Foundation | Medical imaging system providing disease prognosis |
CN104523266B (zh) * | 2015-01-07 | 2017-04-05 | 河北大学 | 一种心电信号自动分类方法 |
CN104866727A (zh) | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
-
2015
- 2015-06-02 CN CN201510294286.3A patent/CN104866727A/zh active Pending
- 2015-06-02 CN CN202110688013.2A patent/CN113421652B/zh active Active
-
2016
- 2016-05-31 EP EP16802535.1A patent/EP3306500A4/en active Pending
- 2016-05-31 US US15/579,212 patent/US11200982B2/en active Active
- 2016-05-31 WO PCT/CN2016/084000 patent/WO2016192612A1/zh active Application Filing
- 2016-05-31 JP JP2017559611A patent/JP6522161B2/ja active Active
-
2017
- 2017-11-22 IL IL255856A patent/IL255856B/en unknown
-
2021
- 2021-11-05 US US17/519,873 patent/US20220059229A1/en not_active Abandoned
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210054846A (ko) | 2019-11-06 | 2021-05-14 | 주식회사 하나금융티아이 | 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
US20220059229A1 (en) | 2022-02-24 |
IL255856A (en) | 2018-01-31 |
CN113421652B (zh) | 2024-06-28 |
IL255856B (en) | 2022-01-01 |
US20180137941A1 (en) | 2018-05-17 |
US11200982B2 (en) | 2021-12-14 |
JP2018529134A (ja) | 2018-10-04 |
EP3306500A4 (en) | 2019-01-23 |
CN113421652A (zh) | 2021-09-21 |
WO2016192612A1 (zh) | 2016-12-08 |
EP3306500A1 (en) | 2018-04-11 |
CN104866727A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
Suganyadevi et al. | A review on deep learning in medical image analysis | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
Cui et al. | RNN-based longitudinal analysis for diagnosis of Alzheimer’s disease | |
Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
Khan et al. | Deep neural architectures for medical image semantic segmentation | |
Mijwil et al. | From Pixels to Diagnoses: Deep Learning's Impact on Medical Image Processing-A Survey | |
CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
Akay et al. | Deep learning classification of systemic sclerosis skin using the MobileNetV2 model | |
Sun et al. | Intelligent analysis of medical big data based on deep learning | |
Dai et al. | A deep inference learning framework for healthcare | |
CN112489769A (zh) | 基于深度神经网络的慢性病智慧中医诊断与药物推荐*** | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
Mohammadi et al. | Diagnosis/prognosis of covid-19 chest images via machine learning and hypersignal processing: Challenges, opportunities, and applications | |
Khazaal et al. | Predicting Coronary Artery Disease Utilizing Support Vector Machines: Optimizing Predictive Model | |
Sharma et al. | Classification of heart disease from MRI images using convolutional neural network | |
Arowolo et al. | Detection of COVID-19 from Chest X-Ray Images using CNN and ANN Approach | |
Mareeswari et al. | A narrative review of medical image processing by deep learning models: origin to COVID-19 | |
Nazlı et al. | Classification of Coronary Artery Disease Using Different Machine Learning Algorithms | |
Tlaisun et al. | Efficient deep learning approach for modern skin cancer detection | |
Srirangam | Artificial Intelligence Based Hyper-parameter Adjustment on Deep Neural Networks: An Application of Detection and Classification of COVID-19 Diseases | |
Madhavi et al. | Efficient explainable deep learning technique for COVID-19 diagnosis based on computed Tomography scan images of lungs | |
Jaganathan et al. | Modelling an effectual feature selection approach for predicting down syndrome using machine learning approaches | |
Chandrasekar et al. | ANALYSIS FOR HEART DISEASE PREDICTION USING DEEP NEURAL NETWORK AND VGG_19 CONVOLUTION NEURAL NETWORK. | |
Thamizhvani et al. | Deep learning interpretation of biomedical data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171222 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190412 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190423 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190423 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6522161 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |