CN113270196A - 一种脑卒中复发风险感知与行为决策模型构建系统及方法 - Google Patents
一种脑卒中复发风险感知与行为决策模型构建系统及方法 Download PDFInfo
- Publication number
- CN113270196A CN113270196A CN202110573782.8A CN202110573782A CN113270196A CN 113270196 A CN113270196 A CN 113270196A CN 202110573782 A CN202110573782 A CN 202110573782A CN 113270196 A CN113270196 A CN 113270196A
- Authority
- CN
- China
- Prior art keywords
- patient
- cloud
- layer
- voice
- risk
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 115
- 230000008447 perception Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012502 risk assessment Methods 0.000 claims abstract description 18
- 210000003205 muscle Anatomy 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000000611 regression analysis Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 claims 20
- 230000002490 cerebral effect Effects 0.000 claims 20
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000009857 Microaneurysm Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 201000010183 Papilledema Diseases 0.000 description 1
- 206010038862 Retinal exudates Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000002451 diencephalon Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
- A61B5/224—Measuring muscular strength
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physical Education & Sports Medicine (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提出一种脑卒中复发风险感知与行为决策模型构建系统及方法。风险感知系统包括数据传感层、边缘分析层、云端预警层以及风险评估层；数据传感层将生理测量参数发送至边缘分析层；边缘分析层执行边缘计算分析；当分析结果满足第一预定条件时，发送反馈信号给数据传感层，并将所述边缘计算分析结果分组存储；云端预警层包括多个不同类别的云端预警数据库；当分析结果满足第二预定条件时，所述云端预警层基于分组存储的所述边缘计算分析结果，在云端预警数据库中执行云查询计算；风险评估层接收云端预警层的云查询计算结果给出风险评估值。本发明还公开复发风险决策系统与方法。本发明的技术方案能够有效感知脑卒中复发风险。
Description
技术领域
本发明属于脑卒中诊断技术领域，尤其涉及一种基于云计算的脑卒中复发风险感知系统、脑卒中复发风险决策系统、基于云计算的脑卒中复发风险感知与决策方法以及实现该方法的计算机程序指令。
背景技术
脑卒中是由于脑部血管的突然破裂或血管内发生阻塞引起的以急性脑组织损伤为特点的一组脑血管疾病， 其包括出血性脑卒中和缺血性脑卒中。脑卒中常具有发病率高、死亡率高和致残率高的特点。 有调查显示， 城乡合计脑卒中已位居我国目前死亡原因的第一位， 并成为我国成年人残疾首要原因。
脑卒中发作后常会伴随着患者的运动、 语言和感知等方面的障碍。脑卒中患者的康复治疗是降低脑卒中致残率的最有效方法并能减少运动障碍对患者正常生活的影响。临床中为使康复治疗人员有效评估患者运动功能的状态并进而合理地制定患者的康复治疗计划， 就必须对患者进行系统的康复治疗监测。
申请号为CN202010805622.7的中国发明专利申请提出一种脑卒中患者预警系统，包括：用于由预警中心服务器生成患者信息上传命令的单元，其中，患者信息上传命令中包含目的地终端身份标识符；用于由预警中心服务器将所生成的患者信息上传命令发送给基站的单元，其中，基站与第一中继节点通信；用于如果判断针对第二中继节点的缓存器的剩余存储空间仍然小于缓存器剩余空间下限，则第一中继节点不向基站发送关于拥塞的任何消息的单元；用于如果判断针对第二中继节点的缓存器的剩余存储空间大于缓存器剩余空间下限，则由第一中继节点向基站发送第一传输信道拥塞解除报告的单元，其中，第一传输信道拥塞解除报告包括第一移动终端的身份标识符、拥塞解除指示以及针对第二中继节点的缓存器的剩余存储空间。
然而，针对脑卒中复发风险的感知与决策，现有技术并未见到相关的技术方案。
发明内容
为解决上述技术问题，本发明提出一种一种脑卒中复发风险感知与行为决策模型构建系统及方法。风险感知系统包括数据传感层、边缘分析层、云端预警层以及风险评估层；数据传感层将生理测量参数发送至边缘分析层；边缘分析层执行边缘计算分析；当分析结果满足第一预定条件时，发送反馈信号给数据传感层，并将所述边缘计算分析结果分组存储；云端预警层包括多个不同类别的云端预警数据库；当分析结果满足第二预定条件时，所述云端预警层基于分组存储的所述边缘计算分析结果，在云端预警数据库中执行云查询计算；风险评估层接收云端预警层的云查询计算结果给出风险评估值。
具体而言，本发明的技术方案包含五个方面的方案，具体介绍如下：
在第一个方面，本发明提出一种基于云计算的脑卒中复发风险感知系统，所述风险感知系统包括数据传感层、边缘分析层、云端预警层以及风险评估层；
所述数据传感层包括多种智能传感器，用于对脑卒中术后患者执行多步骤传感检测，获得至少一个生理测量参数；
所述边缘分析层包括至少一个边缘计算单元；
所述数据传感层检测得到生理测量参数后，将所述生理测量参数发送至所述边缘分析层；
所述边缘分析层对所述生理测量参数执行边缘计算分析；
当所述边缘计算分析结果满足第一预定条件时，发送反馈信号给所述数据传感层，并将所述边缘计算分析结果分组存储；
所述云端预警层包括多个不同类别的云端预警数据库；
当所述分组存储的所述边缘计算分析结果满足第二预定条件时，所述云端预警层基于分组存储的所述边缘计算分析结果，在所述多个不同类别的云端预警数据库中执行云查询计算；
所述风险评估层接收所述云端预警层从所述对应类别的云端预警数据库获取的云查询计算结果，并根据所述云查询计算结果给出风险评估值，所述风险评估值用于表征所述脑卒中术后患者的复发风险。
在本发明的第二个方面，提供一种脑卒中复发风险决策系统，所述复发风险决策系统包括第一图像标注模型、第二语音回归分析模型以及第三肢体测试模型；
所述复发风险决策系统包括多个智能传感器，所述多个智能传感器包括眼底图像传感器、语音传感器与肌力传感器；
所述眼底图像传感器采集所述脑卒中术后患者的多张眼底图像，获得眼底图像序列；
所述语音传感器用于对所述脑卒中术后患者进行语音测试，获得语音测试序列；
所述肌力传感器用于获取所述脑卒中术后患者的肢体肌力，获得肢体肌力序列；
将所述眼底图像序列输入所述第一图像标注模型，将所述语音测试序列输入所述第二语音回归分析模型，将所述肢体肌力序列输入所述第三肢体测试模型；
基于所述第一图像标注模型、和/或第二语音回归分析模型、和/或第三肢体测试模型的输出结果，得出脑卒中复发风险决策结果。
基于第二个方面的所述脑卒中复发风险决策系统，在本发明的第三个方面， 还提供一种基于云计算的脑卒中复发风险感知与决策方法，所述方法包括如下步骤：
S901：设定风险感知周期；
S903：当到达所述风险感知周期时，获取脑卒中术后患者的眼底图像序列；
S905：基于所述眼底图像序列，确定所述脑卒中术后患者的眼底异常程度；
S907：判断所述眼底异常程度是否满足第四预设条件，如果是，则进入下一步，如果否；增大所述风险感知周期，返回步骤S903；
S909：获取所述脑卒中术后患者的语音测试序列；
S911：基于所述语音测试序列，确定所述脑卒中术后患者的语音表达异常程度；
S913：判断所述语音表达异常程度是否满足第五预设条件，如果是，则进入风险决策步骤，所述风险决策步骤第二个方面所述的一种脑卒中复发风险决策系统执行。
基于第二个方面的所述脑卒中复发风险决策系统，前述基于云计算的脑卒中复发风险感知与决策方法的第四个方面的具体实现步骤如下：
S101：设定风险感知周期；
S103：当到达所述风险感知周期时，获取脑卒中术后患者的眼底图像序列；
S105：基于所述眼底图像序列，确定所述脑卒中术后患者的眼底异常程度；
S107：判断所述眼底异常程度是否满足第六预设条件，如果是，则进入下一步，如果否；增大所述风险感知周期，返回步骤S103；
S109：获取所述脑卒中术后患者的肢体肌力序列；
S111：基于所述肢体肌力序列，确定所述脑卒中术后患者的肢体肌力异常程度；
S113：判断所述肢体肌力异常程度是否满足第七预设条件，如果是，则进入下一步；否则，缩小所述风险感知周期，返回步骤S103；
S115：获取所述脑卒中术后患者的语音测试序列；
S117：基于所述语音测试序列，确定所述脑卒中术后患者的语音表达异常程度；
S119：判断所述语音表达异常程度是否满足第八预设条件，如果是，则进入风险决策步骤，所述风险决策步骤由第二个方面所述的一种脑卒中复发风险决策系统执行。
本发明的上述方法可以通过包含处理器和存储器的终端设备，尤其是图像处理终端设备，包括移动终端、桌面终端、服务器以及服务器集群等，通过程序指令自动化的执行，因此，在本发明的第五个方面，还提供一种计算机可读存储介质，其上存储有计算机程序指令；通过包含处理器和存储器的图像终端处理设备，执行所述程序指令，用于实现第三个或者第四个方面所述方法的全部或者部分步骤。
需要指出的是，在上述五个方面的不同实现方案中，出现的“第一”至“第八”限定的“预设条件”，并不代表各个“预设条件”一定存在区别或者不存在区别。在本发明的上述不同技术方案中的判断条件中使用到的各种“预设条件”，本领域技术人员可以根据实际情况进行合理设置，本发明对此不作具体限定。后续在具体实施例介绍部分，相关的实施例可能也对部分“预设条件”给出了具体的限定条件，但是这仅仅是众多合理设置中的一种或者几种举例，并不是穷举式限定，也不构成对本发明实际保护范围的限定，任何符合实际情况的“预设条件”都应该属于本发明的保护范围之内。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的基于云计算的脑卒中复发风险感知系统的层次结构图；
图2是图1所述系统的数据存储示意图；
图3是图1所述系统使用的分组环形队列的结构示意图；
图4是本发明一个实施例的脑卒中复发风险决策系统的层次结构图；
图5是本发明一个实施例的一种基于云计算的脑卒中复发风险感知与决策方法主体流程图；
图6是本发明另一个实施例的一种基于云计算的脑卒中复发风险感知与决策方法主体流程图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
参照图1，是本发明一个实施例的一种基于云计算的脑卒中复发风险感知系统的层次结构图。
在图1中，所述风险感知系统包括数据传感层、边缘分析层、云端预警层以及风险评估层；
更具体的，所述数据传感层包括多种智能传感器，用于对脑卒中术后患者执行多步骤传感检测，获得至少一个生理测量参数。
所述边缘分析层包括至少一个边缘计算单元；
所述数据传感层检测得到生理测量参数后，将所述生理测量参数发送至所述边缘分析层；
所述边缘分析层对所述生理测量参数执行边缘计算分析；
当所述边缘计算分析结果满足第一预定条件时，发送反馈信号给所述数据传感层，并将所述边缘计算分析结果分组存储；所述云端预警层包括多个不同类别的云端预警数据库；
当所述分组存储的所述边缘计算分析结果满足第二预定条件时，所述云端预警层基于分组存储的所述边缘计算分析结果，在所述多个不同类别的云端预警数据库中执行云查询计算；
所述风险评估层接收所述云端预警层从所述对应类别的云端预警数据库获取的云查询计算结果，并根据所述云查询计算结果给出风险评估值，所述风险评估值用于表征所述脑卒中术后患者的复发风险。
所述云端预警层的云端预警数据库包括多个类别，每个类别与不同的生理测量参数对应；例如，一类预警数据库用于对步态异常模式进行预警；另一类预警数据库对肢体肌力异常模式执行预警；再一类预警数据库，用于对眼底图像异常程度进行预警，等；
需要指出的是，上述仅仅是示意性的例子，不是穷尽；并且不作为本发明的具体限定，关键在于存在多个类别的预警数据库即可。
在图1基础上，参见图2。
所述多个智能传感器包括眼底图像传感器、语音传感器与肌力传感器；
所述眼底图像传感器采集所述脑卒中术后患者的多张眼底图像；
所述语音传感器用于对所述脑卒中术后患者进行语音测试；
所述肌力传感器用于获取所述脑卒中术后患者的肢体肌力；
所述生理测量参数包括眼底图像序列、语音测试序列以及肢体肌力值序列。
作为本发明的突出性改进，本发明的实施例使用了眼底图像传感器采集所脑卒中术后患者的多张眼底图像用于风险判断。
这里的眼底图像传感器可以是眼底照相机。
人的瞳孔很小，光照射进去的光通量很小，而且瞳孔遇到强光后会自动缩小，能到达眼底的光通量就更小了，因此要想看到眼底更大的范围，必须要用专业的眼底照相机才行。眼底照相机的原理是基于光学成像技术的眼底摄影系统，通过白光LED照明照亮视网膜，将眼底图像成像于传感器上，从而将所获取的图片呈现在显示屏幕上。
视网膜及视神经作为间脑的直接延伸，与中枢神经系统具有高度同源性 眼底微血管是人体唯一可以在活体上观察到的微循环血管 为研究中枢神经系统疾病提供了可靠、易行的观察窗口。自上世纪８０年代开始，眼底照相技术开始应用于探索眼底病变与脑卒中的相关性研究，并对研究脑卒中发病机制显示出了独特的优势，但是尚未见到用于脑卒中复发预测和决策的具体方案。
作为更具体的介绍，所述边缘分析层对所述生理测量参数执行边缘计算分析，具体包括：
所述数据传感层首先启所述眼底图像传感器，获得所述脑卒中术后患者的多张眼底图像，并将所述多张眼底图像发送至多个边缘计算单元；
每个所述边缘计算单元针对所述多张眼底图像执行边缘计算分析，得出所述脑卒中术后患者的眼底异常程度；
当所述眼底异常程度高于第一预定级别时，发送反馈信号给所述数据传感层，所述反馈信号用于提示所述数据感知层开启所述语音传感器和/或肌力传感器。
作为示例，所述边缘计算单元针对所述多张眼底图像执行边缘计算分析，分析内容包括：广泛性及局灶性小动脉缩窄、动静脉交叉证、小动脉铜丝征、微动脉瘤、棉絮斑、硬性渗出、视盘水肿等；
所述预定级别可以是0-3级，例如采用Wong-Mitchel眼底分级方法得到。
作为另一个方面，继续参见图2，所述边缘分析层对所述生理测量参数执行边缘计算分析，具体包括：
所述边缘分析层对所述数据传感层的所述语音传感器获取的语音测试序列执行边缘计算分析，得出所述脑卒中术后患者的语音表达异常程度；
当所述语音表达异常程度高于第一预定级别时，将所述边缘计算分析结果分组存储。
作为示例，所述第一预定级别用于表征语音测试序列与标准语音序列的差异程度。
作为本发明的另一个改进，接下来参见图3。
所述将所述边缘计算分析结果分组存储，具体包括：
采用分组环形队列存储所述边缘计算分析结果；
所述分组环形队列包括多个存储块，每个存储块包含第一存储空间、第二存储空间以及第三存储空间；
所述第一存储空间用于存储所述脑卒中术后患者的眼底异常程度；
所述第二存储空间用于存储所述脑卒中术后患者的语音表达异常程度；所述第三存储空间用于存储所述脑卒中术后患者的肢体肌力异常程度。
所述分组存储的所述边缘计算分析结果满足第二预定条件，具体包括：
所述分组环形队列中存在眼底异常程度、语音表达异常程度以及肢体肌力异常程度均大于第二预定级别的存储空间。
显然，由于本发明的技术方案在进行复发风险感知时，需要考虑不同异常参数的程度值，并且还需要考虑不同参数的异常先后顺序，因此，采用分组环形队列的实现方式，能够加快数据读取和判断的速度，同时分区更新存储，避免存储空间浪费。
接下来参见图4，图4是本发明一个实施例的脑卒中复发风险决策系统的层次结构图。
在图4中，所述复发风险决策系统包括第一图像标注模型、第二语音回归分析模型以及第三肢体测试模型；
所述复发风险决策系统包括多个智能传感器，所述多个智能传感器包括眼底图像传感器、语音传感器与肌力传感器；
所述眼底图像传感器采集所述脑卒中术后患者的多张眼底图像，获得眼底图像序列；
所述语音传感器用于对所述脑卒中术后患者进行语音测试，获得语音测试序列；
所述肌力传感器用于获取所述脑卒中术后患者的肢体肌力，获得肢体肌力序列；
将所述眼底图像序列输入所述第一图像标注模型，将所述语音测试序列输入所述第二语音回归分析模型，将所述肢体肌力序列输入所述第三肢体测试模型；
基于所述第一图像标注模型、和/或第二语音回归分析模型、和/或第三肢体测试模型的输出结果，得出脑卒中复发风险决策结果。
更具体，在上述判断过程中，
首先将所述眼底图像序列输入所述第一图像标注模型，得出第一输出结果；若所述第一输出结果满足第三预定条件，则将所述语音测试序列输入所述第二语音回归分析模型；
或者，
若所述第一输出结果满足第三预定条件，则将所述肢体肌力序列输入所述第三肢体测试模型。
图5和图6分别给出了一种基于云计算的脑卒中复发风险感知与决策方法的两种不同实施例。
在图5中，所述方法包括步骤S901-S913，各个步骤具体实现方式如下：
S901：设定风险感知周期；
S903：当到达所述风险感知周期时，获取脑卒中术后患者的眼底图像序列；
S905：基于所述眼底图像序列，确定所述脑卒中术后患者的眼底异常程度；
S907：判断所述眼底异常程度是否满足第四预设条件，如果是，则进入下一步，如果否；增大所述风险感知周期，返回步骤S903；
S909：获取所述脑卒中术后患者的语音测试序列；
S911：基于所述语音测试序列，确定所述脑卒中术后患者的语音表达异常程度；
S913：判断所述语音表达异常程度是否满足第五预设条件，如果是，则进入风险决策步骤，所述风险决策步骤由图4所述的一种脑卒中复发风险决策系统执行。
在图6中，所述方法包括步骤S101-S119，各个步骤具体实现方式如下：
S101：设定风险感知周期；
S103：当到达所述风险感知周期时，获取脑卒中术后患者的眼底图像序列；
S105：基于所述眼底图像序列，确定所述脑卒中术后患者的眼底异常程度；
S107：判断所述眼底异常程度是否满足第六预设条件，如果是，则进入下一步，如果否；增大所述风险感知周期，返回步骤S103；
S109：获取所述脑卒中术后患者的肢体肌力序列；
S111：基于所述肢体肌力序列，确定所述脑卒中术后患者的肢体肌力异常程度；
S113：判断所述肢体肌力异常程度是否满足第七预设条件，如果是，则进入下一步；否则，缩小所述风险感知周期，返回步骤S103；
S115：获取所述脑卒中术后患者的语音测试序列；
S117：基于所述语音测试序列，确定所述脑卒中术后患者的语音表达异常程度；
S119：判断所述语音表达异常程度是否满足第八预设条件，如果是，则进入风险决策步骤，所述风险决策步骤由权利要求7-8任一项所述的一种脑卒中复发风险决策系统执行。
本发明的上述方法可以通过包含处理器和存储器的终端设备，尤其是图像处理终端设备，包括移动终端、桌面终端、服务器以及服务器集群等，通过程序指令自动化的执行。因此，在更多的实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序指令；通过包含处理器和存储器的图像终端处理设备，执行所述程序指令，用于实现图5或图6所述方法的全部或者部分步骤。
需要指出的是，相关的实施例可能也对部分“预设条件”给出了具体的限定条件，但是这仅仅是众多合理设置中的一种或者几种举例，并不是穷举式限定，也不构成对本发明实际保护范围的限定，任何符合实际情况的“预设条件”都应该属于本发明的保护范围之内。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于云计算的脑卒中复发风险感知系统，所述风险感知系统包括数据传感层、边缘分析层、云端预警层以及风险评估层；
其特征在于：
所述数据传感层包括多种智能传感器，用于对脑卒中术后患者执行多步骤传感检测，获得至少一个生理测量参数；
所述边缘分析层包括至少一个边缘计算单元；
所述数据传感层检测得到生理测量参数后，将所述生理测量参数发送至所述边缘分析层；
所述边缘分析层对所述生理测量参数执行边缘计算分析；
当所述边缘计算分析结果满足第一预定条件时，发送反馈信号给所述数据传感层，并将所述边缘计算分析结果分组存储；
所述云端预警层包括多个不同类别的云端预警数据库；
当所述分组存储的所述边缘计算分析结果满足第二预定条件时，所述云端预警层基于分组存储的所述边缘计算分析结果，在所述多个不同类别的云端预警数据库中执行云查询计算；
所述风险评估层接收所述云端预警层从对应类别的云端预警数据库获取的云查询计算结果，并根据所述云查询计算结果给出风险评估值，所述风险评估值用于表征所述脑卒中术后患者的复发风险。
2.如权利要求1所述的一种基于云计算的脑卒中复发风险感知系统，其特征在于：
所述多个智能传感器包括眼底图像传感器、语音传感器与肌力传感器；
所述眼底图像传感器采集所述脑卒中术后患者的多张眼底图像；
所述语音传感器用于对所述脑卒中术后患者进行语音测试；
所述肌力传感器用于获取所述脑卒中术后患者的肢体肌力；
所述生理测量参数包括眼底图像序列、语音测试序列以及肢体肌力值序列。
3.如权利要求2所述的一种基于云计算的脑卒中复发风险感知系统，其特征在于：
所述边缘分析层对所述生理测量参数执行边缘计算分析，具体包括：
所述数据传感层首先启所述眼底图像传感器，获得所述脑卒中术后患者的多张眼底图像，并将所述多张眼底图像发送至多个边缘计算单元；
每个所述边缘计算单元针对所述多张眼底图像执行边缘计算分析，得出所述脑卒中术后患者的眼底异常程度；
当所述眼底异常程度高于第一预定级别时，发送反馈信号给所述数据传感层，所述反馈信号用于提示所述数据感知层开启所述语音传感器和/或肌力传感器。
4.如权利要求2所述的一种基于云计算的脑卒中复发风险感知系统，其特征在于：
所述边缘分析层对所述生理测量参数执行边缘计算分析，具体包括：
所述边缘分析层对所述数据传感层的所述语音传感器获取的语音测试序列执行边缘计算分析，得出所述脑卒中术后患者的语音表达异常程度；
当所述语音表达异常程度高于第一预定级别时，将所述边缘计算分析结果分组存储。
5.如权利要求1所述的一种基于云计算的脑卒中复发风险感知系统，其特征在于：
所述将所述边缘计算分析结果分组存储，具体包括：
采用分组环形队列存储所述边缘计算分析结果；
所述分组环形队列包括多个存储块，每个存储块包含第一存储空间、第二存储空间以及第三存储空间；
所述第一存储空间用于存储所述脑卒中术后患者的眼底异常程度；
所述第二存储空间用于存储所述脑卒中术后患者的语音表达异常程度；
所述第三存储空间用于存储所述脑卒中术后患者的肢体肌力异常程度。
6.如权利要求5所述的一种基于云计算的脑卒中复发风险感知系统，其特征在于：
所述分组存储的所述边缘计算分析结果满足第二预定条件，具体包括：
所述分组环形队列中存在眼底异常程度、语音表达异常程度以及肢体肌力异常程度均大于第二预定级别的存储空间。
7.一种脑卒中复发风险决策系统，所述复发风险决策系统包括第一图像标注模型、第二语音回归分析模型以及第三肢体测试模型；
其特征在于：
所述复发风险决策系统包括多个智能传感器，所述多个智能传感器包括眼底图像传感器、语音传感器与肌力传感器；
所述眼底图像传感器采集所述脑卒中术后患者的多张眼底图像，获得眼底图像序列；
所述语音传感器用于对所述脑卒中术后患者进行语音测试，获得语音测试序列；
所述肌力传感器用于获取所述脑卒中术后患者的肢体肌力，获得肢体肌力序列；
将所述眼底图像序列输入所述第一图像标注模型，将所述语音测试序列输入所述第二语音回归分析模型，将所述肢体肌力序列输入所述第三肢体测试模型；
基于所述第一图像标注模型、和/或第二语音回归分析模型、和/或第三肢体测试模型的输出结果，得出脑卒中复发风险决策结果。
8.如权利要求7所述的一种脑卒中复发风险决策系统，其特征在于：
首先将所述眼底图像序列输入所述第一图像标注模型，得出第一输出结果；
若所述第一输出结果满足第三预定条件，则将所述语音测试序列输入所述第二语音回归分析模型；
或者，
若所述第一输出结果满足第三预定条件，则将所述肢体肌力序列输入所述第三肢体测试模型。
9.一种基于云计算的脑卒中复发风险感知与决策方法，其特征在于，所述方法包括：
S901：设定风险感知周期；
S903：当到达所述风险感知周期时，获取脑卒中术后患者的眼底图像序列；
S905：基于所述眼底图像序列，确定所述脑卒中术后患者的眼底异常程度；
S907：判断所述眼底异常程度是否满足第四预设条件，如果是，则进入下一步，如果否；增大所述风险感知周期，返回步骤S903；
S909：获取所述脑卒中术后患者的语音测试序列；
S911：基于所述语音测试序列，确定所述脑卒中术后患者的语音表达异常程度；
S913：判断所述语音表达异常程度是否满足第五预设条件，如果是，则进入风险决策步骤，所述风险决策步骤由权利要求7-8任一项所述的一种脑卒中复发风险决策系统执行。
10.一种基于云计算的脑卒中复发风险感知与决策方法，其特征在于，所述方法包括：
S101：设定风险感知周期；
S103：当到达所述风险感知周期时，获取脑卒中术后患者的眼底图像序列；
S105：基于所述眼底图像序列，确定所述脑卒中术后患者的眼底异常程度；
S107：判断所述眼底异常程度是否满足第六预设条件，如果是，则进入下一步，如果否；增大所述风险感知周期，返回步骤S103；
S109：获取所述脑卒中术后患者的肢体肌力序列；
S111：基于所述肢体肌力序列，确定所述脑卒中术后患者的肢体肌力异常程度；
S113：判断所述肢体肌力异常程度是否满足第七预设条件，如果是，则进入下一步；否则，缩小所述风险感知周期，返回步骤S103；
S115：获取所述脑卒中术后患者的语音测试序列；
S117：基于所述语音测试序列，确定所述脑卒中术后患者的语音表达异常程度；
S119：判断所述语音表达异常程度是否满足第八预设条件，如果是，则进入风险决策步骤，所述风险决策步骤由权利要求7-8任一项所述的一种脑卒中复发风险决策系统执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110573782.8A CN113270196B (zh) | 2021-05-25 | 2021-05-25 | 一种脑卒中复发风险感知与行为决策模型构建系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110573782.8A CN113270196B (zh) | 2021-05-25 | 2021-05-25 | 一种脑卒中复发风险感知与行为决策模型构建系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113270196A true CN113270196A (zh) | 2021-08-17 |
| CN113270196B CN113270196B (zh) | 2023-07-14 |
Family
ID=77232850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110573782.8A Active CN113270196B (zh) | 2021-05-25 | 2021-05-25 | 一种脑卒中复发风险感知与行为决策模型构建系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113270196B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114822851A (zh) * | 2022-05-16 | 2022-07-29 | 郑州大学 | 一种脑卒中复发风险预警模型及分级干预系统 |
| CN116230212A (zh) * | 2023-04-04 | 2023-06-06 | 曜立科技(北京)有限公司 | 基于数据处理的术后脑卒中复查用的诊断决策系统 |
| CN117612713A (zh) * | 2023-10-08 | 2024-02-27 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415824A (zh) * | 2019-07-30 | 2019-11-05 | 广东工业大学 | 脑卒中风的患病风险评估装置和设备 |
| CN110738984A (zh) * | 2019-05-13 | 2020-01-31 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络语音识别系统 |
| CN111312398A (zh) * | 2019-12-17 | 2020-06-19 | 南通市第二人民医院 | 一种脑卒中复发预测模型的建立方法及装置 |
| CN111430029A (zh) * | 2020-03-24 | 2020-07-17 | 浙江达美生物技术有限公司 | 基于人工智能的多维度脑卒中预防筛查方法 |
| CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
| EP3758026A1 (en) * | 2019-06-28 | 2020-12-30 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
| CN112183228A (zh) * | 2020-09-09 | 2021-01-05 | 青岛联合创智科技有限公司 | 一种社区智慧养老服务系统及方法 |
| CN112331349A (zh) * | 2020-11-03 | 2021-02-05 | 四川大学华西医院 | 一种脑卒中复发监测模型及监测方法 |
| CN112489793A (zh) * | 2020-12-16 | 2021-03-12 | 郑州航空工业管理学院 | 一种脑卒中风险患者用预警系统 |
-
2021
- 2021-05-25 CN CN202110573782.8A patent/CN113270196B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738984A (zh) * | 2019-05-13 | 2020-01-31 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络语音识别系统 |
| EP3758026A1 (en) * | 2019-06-28 | 2020-12-30 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
| CN110415824A (zh) * | 2019-07-30 | 2019-11-05 | 广东工业大学 | 脑卒中风的患病风险评估装置和设备 |
| CN111312398A (zh) * | 2019-12-17 | 2020-06-19 | 南通市第二人民医院 | 一种脑卒中复发预测模型的建立方法及装置 |
| CN111430029A (zh) * | 2020-03-24 | 2020-07-17 | 浙江达美生物技术有限公司 | 基于人工智能的多维度脑卒中预防筛查方法 |
| CN112183228A (zh) * | 2020-09-09 | 2021-01-05 | 青岛联合创智科技有限公司 | 一种社区智慧养老服务系统及方法 |
| CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
| CN112331349A (zh) * | 2020-11-03 | 2021-02-05 | 四川大学华西医院 | 一种脑卒中复发监测模型及监测方法 |
| CN112489793A (zh) * | 2020-12-16 | 2021-03-12 | 郑州航空工业管理学院 | 一种脑卒中风险患者用预警系统 |
Non-Patent Citations (8)
| Title |
|---|
| R LATHA 等: "Blood Viscosity based Heart Disease Risk Prediction Model in Edge/Fog Computing", 《2019 11TH INTERNATIONAL CONFERENCE ON COMMUNICATION SYSTEMS & NETWORKS (COMSNETS)》 * |
| R LATHA 等: "Blood Viscosity based Heart Disease Risk Prediction Model in Edge/Fog Computing", 《2019 11TH INTERNATIONAL CONFERENCE ON COMMUNICATION SYSTEMS & NETWORKS (COMSNETS)》, 13 May 2019 (2019-05-13), pages 833 - 837 * |
| 张杰等: "多期CT增强扫描对术后肝细胞癌的复发风险评估", 《医学影像学杂志》 * |
| 张杰等: "多期CT增强扫描对术后肝细胞癌的复发风险评估", 《医学影像学杂志》, no. 07, 30 July 2020 (2020-07-30), pages 100 - 103 * |
| 邵泽国等: "基于云和Rhapsody的脑卒中风险管理信息平台设计", 《医疗卫生装备》 * |
| 邵泽国等: "基于云和Rhapsody的脑卒中风险管理信息平台设计", 《医疗卫生装备》, no. 08, 15 August 2018 (2018-08-15), pages 40 - 43 * |
| 陈广鹏，卢宏: "眼底成像在脑卒中应用的研究现状及进展", 《中国实用神经疾病杂志》 * |
| 陈广鹏，卢宏: "眼底成像在脑卒中应用的研究现状及进展", 《中国实用神经疾病杂志》, 25 November 2019 (2019-11-25), pages 2545 - 2552 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114822851A (zh) * | 2022-05-16 | 2022-07-29 | 郑州大学 | 一种脑卒中复发风险预警模型及分级干预系统 |
| CN116230212A (zh) * | 2023-04-04 | 2023-06-06 | 曜立科技(北京)有限公司 | 基于数据处理的术后脑卒中复查用的诊断决策系统 |
| CN117612713A (zh) * | 2023-10-08 | 2024-02-27 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析系统及方法 |
| CN117612713B (zh) * | 2023-10-08 | 2024-06-11 | 郑州大学 | 一种基于云计算的脑卒中行为的智能分析系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113270196B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113270196B (zh) | 一种脑卒中复发风险感知与行为决策模型构建系统及方法 | |
| CN104398234B (zh) | 一种基于专家系统的眼表综合分析仪 | |
| JP6828055B2 (ja) | 患者緊急度の臨床医評価の推定及び使用 | |
| ITMI20142149A1 (it) | Apparato di diagnosi differenziale in medicina adattato per determinare la sequenza di test ottimale atta ad identificare una patologia secondo criteri di appropriatezza diagnostica | |
| US20240050006A1 (en) | System and method for prediction and control of attention deficit hyperactivity (adhd) disorders | |
| TWI776638B (zh) | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 | |
| Liu et al. | Evaluation of an OCT-AI–based telemedicine platform for retinal disease screening and referral in a primary care setting | |
| CN112101424A (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
| Tiwari et al. | Dr. can see: towards a multi-modal disease diagnosis virtual assistant | |
| Deng et al. | A machine learning-based monitoring system for attention and stress detection for children with autism spectrum disorders | |
| CN110432860A (zh) | 基于深度学习识别广域眼底图中格变裂孔的方法和系统 | |
| CN116189878A (zh) | 疾病早期预测方法及相关设备 | |
| CN112233309B (zh) | 一种急诊应急医生快速呼叫方法和装置 | |
| KR20210079772A (ko) | 기계학습을 이용한 치매검사 관리 서버 및 이를 이용한 치매검사 방법 | |
| CN113180647B (zh) | 一种ai肢体功能康复预干涉的行为采集系统及方法 | |
| CN117316430A (zh) | 用于诊断眼科疾病的问答方法、装置、设备及介质 | |
| JP7037110B2 (ja) | 眼科情報処理プログラム、および眼科情報処理方法 | |
| Yu et al. | Segmentation and multiparametric evaluation of corneal whorl-like nerves for in vivo confocal microscopy images in dry eye disease | |
| JP7037111B2 (ja) | 眼科情報処理プログラム、および眼科情報処理方法 | |
| CN112037465A (zh) | 疫情防控方法、装置、服务器及存储介质 | |
| JP2002034920A (ja) | 脳機能検査方法及び脳機能検査装置 | |
| US20240257969A1 (en) | Methods and Systems for Providing Clinical States of an Ocular Disease Based on Genomic Data and Phenotypic Data of Subjects | |
| CN117012374B (zh) | 一种融合事件图谱和深度强化学习的医疗随访系统及方法 | |
| Sharma et al. | Machine Learning/Deep Learning Algorithms & Variability in Grading Improves Early Detection of DR | |
| Akkara | Harnessing the power of artificial intelligence for glaucoma diagnosis and treatment |
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 |