CN117648613B - 一种基于人工智能的糖尿病足溃疡预测方法及系统 - Google Patents
一种基于人工智能的糖尿病足溃疡预测方法及系统 Download PDFInfo
- Publication number
- CN117648613B CN117648613B CN202410125379.2A CN202410125379A CN117648613B CN 117648613 B CN117648613 B CN 117648613B CN 202410125379 A CN202410125379 A CN 202410125379A CN 117648613 B CN117648613 B CN 117648613B
- Authority
- CN
- China
- Prior art keywords
- data
- foot ulcer
- foot
- classification
- prediction
- 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
- 208000003790 Foot Ulcer Diseases 0.000 title claims abstract description 372
- 206010040943 Skin Ulcer Diseases 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 206010012601 diabetes mellitus Diseases 0.000 title claims description 10
- 230000004083 survival effect Effects 0.000 claims abstract description 174
- 208000008960 Diabetic foot Diseases 0.000 claims abstract description 105
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000003379 elimination reaction Methods 0.000 claims abstract description 14
- 230000008030 elimination Effects 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 29
- 230000002779 inactivation Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 208000019838 Blood disease Diseases 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 102000008857 Ferritin Human genes 0.000 description 1
- 108050000784 Ferritin Proteins 0.000 description 1
- 238000008416 Ferritin Methods 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 201000001431 Hyperuricemia Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 102000007330 LDL Lipoproteins Human genes 0.000 description 1
- 108010007622 LDL Lipoproteins Proteins 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000005764 Peripheral Arterial Disease Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 206010048629 Wound secretion Diseases 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229940127003 anti-diabetic drug Drugs 0.000 description 1
- 239000003472 antidiabetic agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 230000024924 glomerular filtration Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 208000018706 hematopoietic system disease Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 1
- 229960003105 metformin Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- BITYAPCSNKJESK-UHFFFAOYSA-N potassiosodium Chemical compound [Na].[K] BITYAPCSNKJESK-UHFFFAOYSA-N 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 230000029663 wound healing Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于人工智能的糖尿病足溃疡预测方法及系统，方法包括数据收集、数据增强处理、足溃疡预分类、足溃疡发病生存预测和糖尿病足溃疡预测。本发明涉及糖尿病足溃疡生存预测技术领域，具体是指一种基于人工智能的糖尿病足溃疡预测方法及系统，本发明在图像数据采集的同时，进行多模态的糖尿病足溃疡数据的收集；采用图像数据增强、数值标准化和缺失值剔除的数据增强处理流程，提高了数据质量；采用轻量级卷积神经网络进行足溃疡预分类，为后续的生存预测提供了必要的预分类数据优化和重构辅助；采用结合超参数优化的多层感知器进行足溃疡发病生存预测，训练两个预测子模型，并通过超参数优化单元进行模型优化。
Description
技术领域
本发明涉及糖尿病足溃疡生存预测技术领域，具体是指一种基于人工智能的糖尿病足溃疡预测方法及系统。
背景技术
基于人工智能的糖尿病足溃疡预测方法，旨在利用机器学习和数据分析技术，通过对患者的临床数据和相关特征进行分析，预测患者是否可能发生糖尿病足溃疡，认识患者糖尿病足溃疡的严重程度，并对足溃疡对患者生存情况的影响加以预测，以提前干预和管理，这种基于人工智能的糖尿病足溃疡预测方法，有助于提高糖尿病足溃疡的早期诊断和治疗效果，减轻医疗负担，并提高患者的生活质量。
但是，在已有的糖尿病足溃疡预测方法中，存在着已有的糖尿病足溃疡预测方法只面向图像数据的简单预测分类，缺少一种对图像分类数据进行进一步结合处理，进而导致足溃疡分类预测的实用性有待提高的技术问题；在已有的糖尿病足溃疡预测方法中，存在着多模态的糖尿病足溃疡数据，针对不同的数据结构、数据类型和数据内容，不可避免地存在数据缺失、数据质量不统一和数据内容不平衡的技术问题；在已有的糖尿病足溃疡预测方法中，存在着已有的基于图像的足溃疡分类方法大多进行二分类，无法满足对数值数据的预测的类别需要，同时图像分类无法有效为数值预测提供支持的技术问题；在已有的糖尿病足溃疡预测方法中，存在着在已有的足溃疡生存率预测方法流程中，只对一定时间内的生存情况进行生存与否的预测，不能够恰当反应病患的生存情况，预测信息数量和维度有待提高的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的糖尿病足溃疡预测方法及系统，针对在已有的糖尿病足溃疡预测方法中，存在着已有的糖尿病足溃疡预测方法只面向图像数据的简单预测分类，缺少一种对图像分类数据进行进一步结合处理，进而导致足溃疡分类预测的实用性有待提高的技术问题，本方案创造性地在图像数据采集的同时，进行多模态的糖尿病足溃疡数据的收集，为后续应用糖尿病足溃疡生存预测提供了基本数据支持；针对在已有的糖尿病足溃疡预测方法中，存在着多模态的糖尿病足溃疡数据，针对不同的数据结构、数据类型和数据内容，不可避免地存在数据缺失、数据质量不统一和数据内容不平衡的技术问题，本方案创造性地采用图像数据增强、数值标准化和缺失值剔除的数据增强处理流程，提高了数据质量，为后续的多种预测任务提供了良好的数据资源；针对在已有的糖尿病足溃疡预测方法中，存在着已有的基于图像的足溃疡分类方法大多进行二分类，无法满足对数值数据的预测的类别需要，同时图像分类无法有效为数值预测提供支持的技术问题，本方案创造性地采用轻量级卷积神经网络进行足溃疡预分类，并将足溃疡图像分为4种严重程度，提高了分类的深度，并为后续的生存预测提供了必要的预分类数据优化和重构辅助，提高了方法和系统整体的可用性和流畅性；针对在已有的糖尿病足溃疡预测方法中，存在着在已有的足溃疡生存率预测方法流程中，只对一定时间内的生存情况进行生存与否的预测，不能够恰当反应病患的生存情况，预测信息数量和维度有待提高的技术问题，本方案创造性地采用结合超参数优化的多层感知器进行足溃疡发病生存预测，通过训练两个面向不同时限的生存率预测子模型，并通过超参数优化单元进行模型优化，提升了糖尿病足溃疡预测的综合可用性、准确性以及可解释性，为糖尿病足溃疡预测的多模态和多维度发展提供了参考。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的糖尿病足溃疡预测方法，该方法包括以下步骤：
步骤S1：数据收集；
步骤S2：数据增强处理；
步骤S3：足溃疡预分类；
步骤S4：足溃疡发病生存预测；
步骤S5：糖尿病足溃疡预测。
进一步地，在步骤S1中，所述数据收集，用于收集糖尿病足溃疡预测的基本数据集，具体为从临床数据中，通过收集得到糖尿病足溃疡预测原始数据；
所述糖尿病足溃疡原始数据的数据类型，具体包括足溃疡预分类数据、足溃疡分类变量数据和足溃疡发病生存预测数值数据；
所述糖尿病足溃疡原始数据的数据结构，具体包括图像数据、分类标签数据和数值数据；
进一步地，在步骤S2中，所述数据增强处理，用于对原始数据进行优化增强处理，具体为对所述糖尿病足溃疡预测原始数据中的图像数据进行数据增强，得到优化足溃疡分类数据，对所述糖尿病足溃疡预测原始数据中的分类标签数据和数值数据进行标准化和缺失值剔除处理，得到优化足溃疡发病生存预测数据，包括以下步骤：
步骤S21：图像数据增强，用于防止足溃疡预分类模型出现过度拟合问题，具体为对所述足溃疡预分类数据进行图像数据增强，得到优化足溃疡分类数据；
所述图像数据增强的步骤，包括：
步骤S211：数据过采样，具体指通过旋转、反转和采用多种颜色模型进行数据过采样；
步骤S212：对比度改进，具体为随机调整所述足溃疡预分类数据的图像对比度，进行对比度改进；
步骤S213：随机缩放，具体随机调整所述足溃疡预分类数据的图像大小，所述图像大小的随机上限阈值为224×24像素，进行随机缩放；
步骤S214：增强数据重构，具体为从所述足溃疡预分类数据中随机抽取50％的图像数据，并从经过所述数据过采样、所述对比度改进和所述随机缩放得到的增强图像数据中随机抽取50％的图像数据，得到优化足溃疡分类数据，所述优化足溃疡分类数据具体包括足溃疡异常图像和健康足部图像；
步骤S22：数据标准化，具体为将所述数值数据中的变量在[0,1]的数值范围内标准化；
步骤S23：缺失值剔除，具体为删除存在缺失值的异常数据；
步骤S24：数据增强处理，具体为通过所述图像数据增强、所述数据标准化和所述缺失值剔除，进行数据增强处理，得到优化足溃疡分类数据和优化足溃疡发病生存预测数据。
进一步地，在步骤S3中，所述足溃疡预分类，用于进行依据图像进行足溃疡预分类预测，具体为依据所述优化足溃疡分类数据，采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据；
所述轻量级卷积神经网络，包括卷积层、批量标准化层、最大池化层、随机失活层、全连接层和分类输出层；
所述卷积层，用于计算特征图输出；
所述批量标准化层，用于批量归一化卷积层输出特征图并减少协变量漂移；
所述最大池化层，用于构建最大池化进行特征检测；
所述随机失活层，用于最小化过度拟合并实现轻量级卷积神经网络正则化；
所述全连接层，用于连接信息传递和特征组合；
所述分类输出层，用于计算最终分类结果并输出；
所述采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据的步骤，包括：
步骤S31：构建卷积层，具体为构建六个卷积层，并采用ReLU激活函数激活，通过计算卷积层输出特征图的大小，进行图像边缘和角点的特征提取，构建所述卷积层，所述卷积层输出特征图的大小的计算公式为：
式中，Wout是卷积层输出特征图的宽度，Hout是卷积层输出特征图的高度，m是输入图像样本的宽度，n是输入图像像本的高度，w是卷积核的宽度，h是卷积核的高度，dw是宽度膨胀因子，dh是高度膨胀因子，pw是输入维度的水平填充大小，ph是输入维度的垂直端填充大小，Sw是水平方向卷积核移动步幅，Sh是垂直方向卷积核移动步幅；
步骤S32：构建批量标准化层，具体为在卷积层后构建批量标准化层，通过对卷积层的输出特征图进行批量归一化操作，通过正则化减少协变量漂移，得到归一化特征图，构建所述批量标准化层；
步骤S33：构建最大池化层，具体为构建四个大小为2×2和3×3，步长为2的最大池化层，构建所述最大池化层；
步骤S34：构建随机失活层，具体为在最大池化层后添加两个随机失活层，通过随机失活层随即删除模型的部分神经元，构建所述随机失活层；
步骤S35：构建全连接层，具体为在随机失活层后构建所述全连接层；
步骤S36：构建分类输出层，具体为通过softmax分类器计算分类概率，得到足溃疡预分类输出，构建所述分类输出层，所述足溃疡预分类输出，具体包括健康足部、轻度足溃疡足部、中度足溃疡足部和严重足溃疡足部；
步骤S37：足溃疡预分类模型训练，具体为通过所述构建卷积层、所述构建批量标准化层、所述构建最大池化层、所述构建随机失活层、所述构建全连接层和所述构建分类输出层，进行足溃疡预分类模型训练，得到足溃疡预分类模型ModelFC；
步骤S38：足溃疡预分类，具体为使用所述足溃疡预分类模型ModelFC，进行足溃疡预分类，得到足溃疡预分类中间数据，所述足溃疡预分类中间数据，用于对病患的足溃疡严重程度进行分类描述，辅助足溃疡发病生存预测，所述足溃疡预分类中间数据，具体包括足部健康类、轻度足溃疡类、中度足溃疡类和严重足溃疡类。
进一步地，在步骤S4中，所述足溃疡发病生存预测，用于进行足溃疡发病生存情况预测，具体为依据所述优化足溃疡发病生存预测数据，采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息；
所述结合超参数优化的多层感知器，包括输入层、隐藏层、输出层和超参数优化单元；
所述输入层，用于接收输入特征并将特征转化为表示向量；
所述隐藏层，用于接收表示向量并进行特征组合学习；
所述输出层，用于生成预测输出数据；
所述超参数优化单元，用于对多层感知器的模型超参数进行优化；
所述采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测信参考信息的步骤，包括：
步骤S41：构建输入层，具体包括以下步骤：
步骤S411：数据重构，具体为结合所述足溃疡预分类中间数据和所述优化足溃疡发病生存预测数据，将在所述足溃疡预分类中间数据中，经所述足溃疡预分类得到的结果为足部健康类的病患的数据，以及所述足部健康类的病患对应的优化足溃疡发病生存预测数据中的数据剔除，并通过依据所述足溃疡预分类中间数据中的足溃疡严重程度分类情况进行数据加权重构，所述得到重构生存预测数据；
步骤S412：特征工程，具体为采用皮尔逊相关分析对所述重构生存预测数据中的足溃疡分类变量数据进行特征提取，得到足溃疡分类特征，并采用主成分分析法对所述重构生存预测数据中的足溃疡发病生存预测数值数据进行特征提取，得到足溃疡生成特征；
步骤S413：输入特征转换，具体为将所述足溃疡分类特征和所述足溃疡生存特征作为输入特征，并通过嵌入层转换为表示向量，得到输入表示向量，构建所述输入层；
步骤S42：构建隐藏层，具体为构建并连接三层多层分类感知器网络，并采用ReLU激活函数激活，构建所述隐藏层；
所述三层多层分类感知器网络的向量维度分别为1024、512和256；
步骤S43：构建输出层，具体为结合所述隐藏层的输出，得到模型预测输出数据；
步骤S44：构建超参数优化单元，具体包括以下步骤：
步骤S441：构建损失函数，具体为构建交叉熵损失函数，计算公式为：
式中，LBCE是交叉熵损失函数，N是样本总数，i是样本索引，yi是真实分类，是预测分类；
步骤S442：构建目标函数，用于优化超参数，具体为应用Hyperopt库，结合所述交叉熵损失函数LBCE，构建得到所述目标函数；
步骤S443：定义搜索空间，用于指定每个超参数的搜索范围，具体为应用Hyperopt库，定义超参数搜索空间；
步骤S444：选取搜索算法，具体为采用随机优化算法进行搜索；
步骤S445：执行超参数优化单元，具体为通过执行Hyperopt库函数，得到优化目标函数的超参数组合；
步骤S446：超参数搜索，具体为通过执行随机优化算法，得到优化超参数组合；
步骤S45：足溃疡发病生存预测模型训练，具体为通过所述构建输入层、所述构建隐藏层、所述构建输出层和所述构建超参数优化单元进行足溃疡发病生存预测模型训练，得到足溃疡发病生存预测模型ModelDP，所述足溃疡发病生存预测模型ModelDP，具体包括足溃疡发病生存预测第一子模型ModelDP_1和足溃疡发病生存预测第二子模型ModelDP_2；
所述足溃疡发病生存预测第一子模型ModelDP_1，用于预测足溃疡发病患者在发病的1～5年内病危死亡的概率；
所述足溃疡发病生存预测第二子模型ModelDP_2，用于预测足溃疡发病患者在发病的6～10年内病危死亡的概率；
步骤S46：足溃疡发病生存预测，具体为采用所述足溃疡发病生存预测模型ModelDP，进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息。
进一步地，在步骤S5中，所述糖尿病足溃疡预测，用于对糖尿病病患足溃疡生存情况进行综合预测，具体为通过足溃疡预分类，得到足溃疡预分类中间数据，辅助所述足溃疡发病生存预测的数据重构，并通过结合所述足溃疡预分类中间数据，进行糖尿病足溃疡预测，得到糖尿病足溃疡生存综合数据预测信息。
本发明提供的一种基于人工智能的糖尿病足溃疡预测系统，包括数据收集模块、数据增强处理模块、足溃疡预分类模块、足溃疡发病生存预测模块和糖尿病足溃疡预测模块；
所述数据收集模块，用于数据收集，通过数据收集，得到糖尿病足溃疡预测原始数据，并将所述糖尿病足溃疡预测原始数据发送至数据增强处理模块；
所述数据增强处理模块，用于数据增强处理，通过数据增强处理，得到优化足溃疡分类数据和优化足溃疡发病生存预测数据，并将所述优化足溃疡分类数据发送至足溃疡预分类模块，将所述优化足溃疡发病生存预测数据发送至足溃疡发病生存预测模块；
所述足溃疡预分类模块，用于足溃疡预分类，通过足溃疡预分类，得到足溃疡预分类中间数据，并将所述足溃疡预分类中间数据发送至足溃疡发病生存预测模块和糖尿病足溃疡预测模块；
所述足溃疡发病生存预测模块，用于足溃疡发病生存预测，通过足溃疡发病生存预测，得到足溃疡发病生存预测参考信息，并将所述足溃疡发病生存预测参考信息发送至糖尿病足溃疡预测模块；
所述糖尿病足溃疡预测模块，用于糖尿病足溃疡预测，通过糖尿病足溃疡预测，得到糖尿病足溃疡生存综合数据预测信息。
采用上述方案本发明取得的有益效果如下：
(1)针对在已有的糖尿病足溃疡预测方法中，存在着已有的糖尿病足溃疡预测方法只面向图像数据的简单预测分类，缺少一种对图像分类数据进行进一步结合处理，进而导致足溃疡分类预测的实用性有待提高的技术问题，本方案创造性地在图像数据采集的同时，进行多模态的糖尿病足溃疡数据的收集，为后续应用糖尿病足溃疡生存预测提供了基本数据支持；
(2)针对在已有的糖尿病足溃疡预测方法中，存在着多模态的糖尿病足溃疡数据，针对不同的数据结构、数据类型和数据内容，不可避免地存在数据缺失、数据质量不统一和数据内容不平衡的技术问题，本方案创造性地采用图像数据增强、数值标准化和缺失值剔除的数据增强处理流程，提高了数据质量，为后续的多种预测任务提供了良好的数据资源；
(3)针对在已有的糖尿病足溃疡预测方法中，存在着已有的基于图像的足溃疡分类方法大多进行二分类，无法满足对数值数据的预测的类别需要，同时图像分类无法有效为数值预测提供支持的技术问题，本方案创造性地采用轻量级卷积神经网络进行足溃疡预分类，并将足溃疡图像分为4种严重程度，提高了分类的深度，并为后续的生存预测提供了必要的预分类数据优化和重构辅助，提高了方法和系统整体的可用性和流畅性；
(4)针对在已有的糖尿病足溃疡预测方法中，存在着在已有的足溃疡生存率预测方法流程中，只对一定时间内的生存情况进行生存与否的预测，不能够恰当反应病患的生存情况，预测信息数量和维度有待提高的技术问题，本方案创造性地采用结合超参数优化的多层感知器进行足溃疡发病生存预测，通过训练两个面向不同时限的生存率预测子模型，并通过超参数优化单元进行模型优化，提升了糖尿病足溃疡预测的综合可用性、准确性以及可解释性，为糖尿病足溃疡预测的多模态和多维度发展提供了参考。
附图说明
图1为本发明提供的一种基于人工智能的糖尿病足溃疡预测方法的流程示意图；
图2为本发明提供的一种基于人工智能的糖尿病足溃疡预测系统的示意图；
图3为步骤S2数据增强处理的流程示意图；
图4为步骤S3足溃疡预分类的流程示意图；
图5为步骤S4足溃疡发病生存预测的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的糖尿病足溃疡预测方法，该方法包括以下步骤：
步骤S1：数据收集；
步骤S2：数据增强处理；
步骤S3：足溃疡预分类；
步骤S4：足溃疡发病生存预测；
步骤S5：糖尿病足溃疡预测。
实施例二，参阅图1和图2，在步骤S1中，所述数据收集，用于收集糖尿病足溃疡预测的基本数据集，具体为从临床数据中，通过收集得到糖尿病足溃疡预测原始数据；
所述糖尿病足溃疡原始数据的数据类型，具体包括足溃疡预分类数据、足溃疡分类变量数据和足溃疡发病生存预测数值数据；
所述糖尿病足溃疡原始数据的数据结构，具体包括图像数据、分类标签数据和数值数据；
所述足溃疡预分类数据，具体指足溃疡预分类图像原始数据，用于进行足溃疡分类预测；
所述足溃疡分类变量数据和所述足溃疡发病生存预测数值数据，用于进行足溃疡发病生存预测；
所述足溃疡分类变量数据，具体包括患者性别、糖尿病视网膜病变情况、糖尿病肾病情况、慢性肾病情况、心血管疾病情况、外周动脉疾病情况、血压情况、血脂异常情况、高尿酸血症情况、肥胖情况、入院时的代谢情况、入院前使用二甲双胍或胰岛素或其他类别的口服或注射的抗糖尿病药物治疗情况、缺血情况、感染分类情况、水肿情况、神经病变情况、病变面积、病变深度、伤口愈合情况、发热情况和伤口分泌物情况；
所述足溃疡发病生存预测数值数据，具体包括患者年龄、患者病程、已故患者的死亡日期、患者入院年份、患者住院时间、患者再入院信息、血红蛋白信息、血细胞比容信息、白细胞信息、中性粒细胞信息、血小板信息、纤维蛋白原信息、C反应蛋白信息、血糖水平信息、糖化血红蛋白信息、尿素信息、肌酐信息、碱储备信息、钠钾信息、天冬氨酸氨基转移酶信息、丙氨酸转氨酶信息、总蛋白信息、白蛋白信息、铁血症信息、铁蛋白信息)、总胆固醇信息、高密度脂蛋白信息、低密度脂蛋白信息、甘油三酯信息、尿酸信息和肾小球滤过率信息。
通过执行上述操作，针对在已有的糖尿病足溃疡预测方法中，存在着已有的糖尿病足溃疡预测方法只面向图像数据的简单预测分类，缺少一种对图像分类数据进行进一步结合处理，进而导致足溃疡分类预测的实用性有待提高的技术问题，本方案创造性地在图像数据采集的同时，进行多模态的糖尿病足溃疡数据的收集，为后续应用糖尿病足溃疡生存预测提供了基本数据支持。
实施例三，参阅图1、图2和图3，该实施例基于上述实施例，在步骤S2中，所述数据增强处理，用于对原始数据进行优化增强处理，具体为对所述糖尿病足溃疡预测原始数据中的图像数据进行数据增强，得到优化足溃疡分类数据，对所述糖尿病足溃疡预测原始数据中的分类标签数据和数值数据进行标准化和缺失值剔除处理，得到优化足溃疡发病生存预测数据，包括以下步骤：
步骤S21：图像数据增强，用于防止足溃疡预分类模型出现过度拟合问题，具体为对所述足溃疡预分类数据进行图像数据增强，得到优化足溃疡分类数据；
所述图像数据增强的步骤，包括：
步骤S211：数据过采样，具体指通过旋转、反转和采用多种颜色模型进行数据过采样；
步骤S212：对比度改进，具体为随机调整所述足溃疡预分类数据的图像对比度，进行对比度改进；
步骤S213：随机缩放，具体随机调整所述足溃疡预分类数据的图像大小，所述图像大小的随机上限阈值为224×24像素，进行随机缩放；
步骤S214：增强数据重构，具体为从所述足溃疡预分类数据中随机抽取50％的图像数据，并从经过所述数据过采样、所述对比度改进和所述随机缩放得到的增强图像数据中随机抽取50％的图像数据，得到优化足溃疡分类数据，所述优化足溃疡分类数据具体包括足溃疡异常图像和健康足部图像；
步骤S22：数据标准化，具体为将所述数值数据中的变量在[0,1]的数值范围内标准化；
步骤S23：缺失值剔除，具体为删除存在缺失值的异常数据；
步骤S24：数据增强处理，具体为通过所述图像数据增强、所述数据标准化和所述缺失值剔除，进行数据增强处理，得到优化足溃疡分类数据和优化足溃疡发病生存预测数据。
通过执行上述操作，针对在已有的糖尿病足溃疡预测方法中，存在着多模态的糖尿病足溃疡数据，针对不同的数据结构、数据类型和数据内容，不可避免地存在数据缺失、数据质量不统一和数据内容不平衡的技术问题，本方案创造性地采用图像数据增强、数值标准化和缺失值剔除的数据增强处理流程，提高了数据质量，为后续的多种预测任务提供了良好的数据资源。
实施例四，参阅图1、图2和图4，该实施例基于上述实施例，在步骤S3中，所述足溃疡预分类，用于进行依据图像进行足溃疡预分类预测，具体为依据所述优化足溃疡分类数据，采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据；
所述轻量级卷积神经网络，包括卷积层、批量标准化层、最大池化层、随机失活层、全连接层和分类输出层；
所述卷积层，用于计算特征图输出；
所述批量标准化层，用于批量归一化卷积层输出特征图并减少协变量漂移；
所述最大池化层，用于构建最大池化进行特征检测；
所述随机失活层，用于最小化过度拟合并实现轻量级卷积神经网络正则化；
所述全连接层，用于连接信息传递和特征组合；
所述分类输出层，用于计算最终分类结果并输出；
所述采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据的步骤，包括：
步骤S31：构建卷积层，具体为构建六个卷积层，并采用ReLU激活函数激活，通过计算卷积层输出特征图的大小，进行图像边缘和角点的特征提取，构建所述卷积层，所述卷积层输出特征图的大小的计算公式为：
式中，Wout是卷积层输出特征图的宽度，Hout是卷积层输出特征图的高度，m是输入图像样本的宽度，n是输入图像像本的高度，w是卷积核的宽度，h是卷积核的高度，dw是宽度膨胀因子，dh是高度膨胀因子，pw是输入维度的水平填充大小，ph是输入维度的垂直端填充大小，Sw是水平方向卷积核移动步幅，Sh是垂直方向卷积核移动步幅；
步骤S32：构建批量标准化层，具体为在卷积层后构建批量标准化层，通过对卷积层的输出特征图进行批量归一化操作，通过正则化减少协变量漂移，得到归一化特征图，构建所述批量标准化层；
步骤S33：构建最大池化层，具体为构建四个大小为2×2和3×3，步长为2的最大池化层，构建所述最大池化层；
步骤S34：构建随机失活层，具体为在最大池化层后添加两个随机失活层，通过随机失活层随即删除模型的部分神经元，构建所述随机失活层；
步骤S35：构建全连接层，具体为在随机失活层后构建所述全连接层；
步骤S36：构建分类输出层，具体为通过softmax分类器计算分类概率，得到足溃疡预分类输出，构建所述分类输出层，所述足溃疡预分类输出，具体包括健康足部、轻度足溃疡足部、中度足溃疡足部和严重足溃疡足部；
步骤S37：足溃疡预分类模型训练，具体为通过所述构建卷积层、所述构建批量标准化层、所述构建最大池化层、所述构建随机失活层、所述构建全连接层和所述构建分类输出层，进行足溃疡预分类模型训练，得到足溃疡预分类模型ModelFC；
步骤S38：足溃疡预分类，具体为使用所述足溃疡预分类模型ModelFC，进行足溃疡预分类，得到足溃疡预分类中间数据，所述足溃疡预分类中间数据，用于对病患的足溃疡严重程度进行分类描述，辅助足溃疡发病生存预测，所述足溃疡预分类中间数据，具体包括足部健康类、轻度足溃疡类、中度足溃疡类和严重足溃疡类。
通过执行上述操作，针对在已有的糖尿病足溃疡预测方法中，存在着已有的基于图像的足溃疡分类方法大多进行二分类，无法满足对数值数据的预测的类别需要，同时图像分类无法有效为数值预测提供支持的技术问题，本方案创造性地采用轻量级卷积神经网络进行足溃疡预分类，并将足溃疡图像分为4种严重程度，提高了分类的深度，并为后续的生存预测提供了必要的预分类数据优化和重构辅助，提高了方法和系统整体的可用性和流畅性。
实施例五，参阅图1、图2、图3和图5，该实施例基于上述实施例，在步骤S4中，所述足溃疡发病生存预测，用于进行足溃疡发病生存情况预测，具体为依据所述优化足溃疡发病生存预测数据，采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息；
所述结合超参数优化的多层感知器，包括输入层、隐藏层、输出层和超参数优化单元；
所述输入层，用于接收输入特征并将特征转化为表示向量；
所述隐藏层，用于接收表示向量并进行特征组合学习；
所述输出层，用于生成预测输出数据；
所述超参数优化单元，用于对多层感知器的模型超参数进行优化；
所述采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测信参考信息的步骤，包括：
步骤S41：构建输入层，具体包括以下步骤：
步骤S411：数据重构，具体为结合所述足溃疡预分类中间数据和所述优化足溃疡发病生存预测数据，将在所述足溃疡预分类中间数据中，经所述足溃疡预分类得到的结果为足部健康类的病患的数据，以及所述足部健康类的病患对应的优化足溃疡发病生存预测数据中的数据剔除，并通过依据所述足溃疡预分类中间数据中的足溃疡严重程度分类情况进行数据加权重构，所述得到重构生存预测数据；
步骤S412：特征工程，具体为采用皮尔逊相关分析对所述重构生存预测数据中的足溃疡分类变量数据进行特征提取，得到足溃疡分类特征，并采用主成分分析法对所述重构生存预测数据中的足溃疡发病生存预测数值数据进行特征提取，得到足溃疡生成特征；
所述足溃疡分类特征，具体包括病患足溃疡严重程度分类特征，病患其他疾病特征、病患足溃疡特征、病患用药特征和病患治疗情况特征；
所述足溃疡生存特征，具体包括医疗时序特征、血液特征和医疗指标特征；
步骤S413：输入特征转换，具体为将所述足溃疡分类特征和所述足溃疡生存特征作为输入特征，并通过嵌入层转换为表示向量，得到输入表示向量，构建所述输入层；
步骤S42：构建隐藏层，具体为构建并连接三层多层分类感知器网络，并采用ReLU激活函数激活，构建所述隐藏层；
所述三层多层分类感知器网络的向量维度分别为1024、512和256；
步骤S43：构建输出层，具体为结合所述隐藏层的输出，得到模型预测输出数据；
步骤S44：构建超参数优化单元，具体包括以下步骤：
步骤S441：构建损失函数，具体为构建交叉熵损失函数，计算公式为：
式中，LBCE是交叉熵损失函数，N是样本总数，i是样本索引，yi是真实分类，是预测分类；
步骤S442：构建目标函数，用于优化超参数，具体为应用Hyperopt库，结合所述交叉熵损失函数LBCE，构建得到所述目标函数；
所述Hyperopt库，具体指Python超参数优化库，通过采用所述Hyperopt库的fmin(·)函数，构建所述目标函数；
步骤S443：定义搜索空间，用于指定每个超参数的搜索范围，具体为应用Hyperopt库，定义超参数搜索空间；
所述定义超参数搜索空间，具体通过采用所述Hyperopt库的space参数定义；
步骤S444：选取搜索算法，具体为采用随机优化算法进行搜索；
所述随机优化算法，具体采用所述Hyperopt库的algo参数定义，通过将所述algo参数的数值定义为tpe.suggest，将搜索算法选取为所述随机优化算法；
步骤S445：执行超参数优化单元，具体为通过执行Hyperopt库函数，得到优化目标函数的超参数组合；
所述优化目标函数的超参数组合，具体包括隐藏层数参数组、隐藏单元数量参数组、随机失活参数组、学习率参数组和训练批次规模参数组；
所述隐藏层数参数组，具体为[3,4,5,6,7]；
所述隐藏单元数量参数组，具体为[64,128,256,512]；
所述随机失活参数组，具体为[0,0.05,0.1,0.3,0.5]；
所述学习率参数组，具体为[0.00001,0.0001,0.001,0.01,0.1]
所述训练批次规模参数组，具体为[64,128,256,512]；
步骤S446：超参数搜索，具体为通过执行随机优化算法，得到优化超参数组合；
所述优化超参数组合，具体指隐藏层数设为4、隐藏层单元数量设为256、随机失活参数设为0.3、学习率设为0.0001且训练批次规模设为128的优化超参数组合；
步骤S45：足溃疡发病生存预测模型训练，具体为通过所述构建输入层、所述构建隐藏层、所述构建输出层和所述构建超参数优化单元进行足溃疡发病生存预测模型训练，得到足溃疡发病生存预测模型ModelDP，所述足溃疡发病生存预测模型ModelDP，具体包括足溃疡发病生存预测第一子模型ModelDP_1和足溃疡发病生存预测第二子模型ModelDP_2；
所述足溃疡发病生存预测第一子模型ModelDP_1，用于预测足溃疡发病患者在发病的1～5年内病危死亡的概率；
所述足溃疡发病生存预测第二子模型ModelDP_2，用于预测足溃疡发病患者在发病的6～10年内病危死亡的概率；
步骤S46：足溃疡发病生存预测，具体为采用所述足溃疡发病生存预测模型ModelDP，进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息。
通过执行上述操作，针对在已有的糖尿病足溃疡预测方法中，存在着在已有的足溃疡生存率预测方法流程中，只对一定时间内的生存情况进行生存与否的预测，不能够恰当反应病患的生存情况，预测信息数量和维度有待提高的技术问题，本方案创造性地采用结合超参数优化的多层感知器进行足溃疡发病生存预测，通过训练两个面向不同时限的生存率预测子模型，并通过超参数优化单元进行模型优化，提升了糖尿病足溃疡预测的综合可用性、准确性以及可解释性，为糖尿病足溃疡预测的多模态和多维度发展提供了参考。
实施例六，参阅图1和图2，该实施例基于上述实施例，在步骤S5中，所述糖尿病足溃疡预测，用于对糖尿病病患足溃疡生存情况进行综合预测，具体为通过足溃疡预分类，得到足溃疡预分类中间数据，辅助所述足溃疡发病生存预测的数据重构，并通过结合所述足溃疡预分类中间数据，进行糖尿病足溃疡预测，得到糖尿病足溃疡生存综合数据预测信息。
实施例七，参阅图1和图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的糖尿病足溃疡预测系统，包括数据收集模块、数据增强处理模块、足溃疡预分类模块、足溃疡发病生存预测模块和糖尿病足溃疡预测模块；
所述数据收集模块，用于数据收集，通过数据收集，得到糖尿病足溃疡预测原始数据，并将所述糖尿病足溃疡预测原始数据发送至数据增强处理模块；
所述数据增强处理模块，用于数据增强处理，通过数据增强处理，得到优化足溃疡分类数据和优化足溃疡发病生存预测数据，并将所述优化足溃疡分类数据发送至足溃疡预分类模块，将所述优化足溃疡发病生存预测数据发送至足溃疡发病生存预测模块；
所述足溃疡预分类模块，用于足溃疡预分类，通过足溃疡预分类，得到足溃疡预分类中间数据，并将所述足溃疡预分类中间数据发送至足溃疡发病生存预测模块和糖尿病足溃疡预测模块；
所述足溃疡发病生存预测模块，用于足溃疡发病生存预测，通过足溃疡发病生存预测，得到足溃疡发病生存预测参考信息，并将所述足溃疡发病生存预测参考信息发送至糖尿病足溃疡预测模块；
所述糖尿病足溃疡预测模块，用于糖尿病足溃疡预测，通过糖尿病足溃疡预测，得到糖尿病足溃疡生存综合数据预测信息。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
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。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据收集；
步骤S2：数据增强处理；
步骤S3：足溃疡预分类；
步骤S4：足溃疡发病生存预测；
步骤S5：糖尿病足溃疡预测；
在步骤S1中，所述数据收集，用于收集糖尿病足溃疡预测的基本数据集，具体为从临床数据中，通过收集得到糖尿病足溃疡预测原始数据；所述糖尿病足溃疡预测原始数据的数据类型，具体包括足溃疡预分类数据、足溃疡分类变量数据和足溃疡发病生存预测数值数据；所述糖尿病足溃疡原始数据的数据结构，具体包括图像数据、分类标签数据和数值数据；
在步骤S2中，所述数据增强处理，用于对原始数据进行优化增强处理，具体为对所述糖尿病足溃疡预测原始数据中的图像数据进行数据增强，得到优化足溃疡分类数据，对所述糖尿病足溃疡预测原始数据中的分类标签数据和数值数据进行标准化和缺失值剔除处理，得到优化足溃疡发病生存预测数据；
在步骤S3中，所述足溃疡预分类，用于进行依据图像进行足溃疡预分类预测，具体为依据所述优化足溃疡分类数据，采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据；所述轻量级卷积神经网络，包括卷积层、批量标准化层、最大池化层、随机失活层、全连接层和分类输出层；
所述采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据的步骤，包括：步骤S31：构建卷积层；步骤S32：构建批量标准化层；步骤S33：构建最大池化层；步骤S34：构建随机失活层；步骤S35：构建全连接层；步骤S36：构建分类输出层；步骤S37：足溃疡预分类模型训练；步骤S38：足溃疡预分类；
所述足溃疡预分类中间数据，用于对病患的足溃疡严重程度进行分类描述，辅助足溃疡发病生存预测，所述足溃疡预分类中间数据，具体包括足部健康类、轻度足溃疡类、中度足溃疡类和严重足溃疡类；
在步骤S4中，所述足溃疡发病生存预测，用于进行足溃疡发病生存情况预测，具体为依据所述优化足溃疡发病生存预测数据，采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息；所述结合超参数优化的多层感知器，包括输入层、隐藏层、输出层和超参数优化单元；
所述采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测信参考信息的步骤，包括：步骤S41：构建输入层；步骤S42：构建隐藏层；步骤S43：构建输出层；步骤S44：构建超参数优化单元；步骤S45：足溃疡发病生存预测模型训练；步骤S46：足溃疡发病生存预测；
在步骤S41中，所述构建输入层的步骤，包括：步骤S411：数据重构；步骤S412：特征工程；步骤S413：输入特征转换；
在步骤S411中，所述数据重构，具体为结合所述足溃疡预分类中间数据和所述优化足溃疡发病生存预测数据，将在所述足溃疡预分类中间数据中，经所述足溃疡预分类得到的结果为足部健康类的病患的数据，以及所述足部健康类的病患对应的优化足溃疡发病生存预测数据中的数据剔除，并通过依据所述足溃疡预分类中间数据中的足溃疡严重程度分类情况进行数据加权重构，得到重构生存预测数据；
在步骤S412中，所述特征工程，具体为采用皮尔逊相关分析对所述重构生存预测数据中的足溃疡分类变量数据进行特征提取，得到足溃疡分类特征，并采用主成分分析法对所述重构生存预测数据中的足溃疡发病生存预测数值数据进行特征提取，得到足溃疡生成特征；
在步骤S413中，所述输入特征转换，具体为将所述足溃疡分类特征和所述足溃疡生存特征作为输入特征，并通过嵌入层转换为表示向量，得到输入表示向量，构建所述输入层；
所述足溃疡发病生存预测模型，具体包括足溃疡发病生存预测第一子模型ModelDP_1和足溃疡发病生存预测第二子模型ModelDP_2；
所述足溃疡发病生存预测第一子模型ModelDP_1，用于预测足溃疡发病患者在发病的1～5年内病危死亡的概率；
所述足溃疡发病生存预测第二子模型ModelDP_2，用于预测足溃疡发病患者在发病的6～10年内病危死亡的概率；
在步骤S5中，所述糖尿病足溃疡预测，用于对糖尿病病患足溃疡生存情况进行综合预测，具体为通过足溃疡预分类，得到足溃疡预分类中间数据，辅助所述足溃疡发病生存预测的数据重构，并通过结合所述足溃疡预分类中间数据，进行糖尿病足溃疡预测，得到糖尿病足溃疡生存综合数据预测信息。
2.根据权利要求1所述的一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：在步骤S2中，所述数据增强处理，具体包括以下步骤：
步骤S21：图像数据增强，用于防止足溃疡预分类模型出现过度拟合问题，具体为对所述足溃疡预分类数据进行图像数据增强，得到优化足溃疡分类数据；
所述图像数据增强的步骤，包括：
步骤S211：数据过采样，具体指通过旋转、反转和采用多种颜色模型进行数据过采样；
步骤S212：对比度改进，具体为随机调整所述足溃疡预分类数据的图像对比度，进行对比度改进；
步骤S213：随机缩放，具体随机调整所述足溃疡预分类数据的图像大小，所述图像大小的随机上限阈值为224×24像素，进行随机缩放；
步骤S214：增强数据重构，具体为从所述足溃疡预分类数据中随机抽取50％的图像数据，并从经过所述数据过采样、所述对比度改进和所述随机缩放得到的增强图像数据中随机抽取50％的图像数据，得到优化足溃疡分类数据，所述优化足溃疡分类数据具体包括足溃疡异常图像和健康足部图像；
步骤S22：数据标准化，具体为将所述数值数据中的变量在[0,1]的数值范围内标准化；
步骤S23：缺失值剔除，具体为删除存在缺失值的异常数据；
步骤S24：数据增强处理，具体为通过所述图像数据增强、所述数据标准化和所述缺失值剔除，进行数据增强处理，得到优化足溃疡分类数据和优化足溃疡发病生存预测数据。
3.根据权利要求2所述的一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：所述轻量级卷积神经网络，包括卷积层、批量标准化层、最大池化层、随机失活层、全连接层和分类输出层；
所述卷积层，用于计算特征图输出；
所述批量标准化层，用于批量归一化卷积层输出特征图并减少协变量漂移；
所述最大池化层，用于构建最大池化进行特征检测；
所述随机失活层，用于最小化过度拟合并实现轻量级卷积神经网络正则化；
所述全连接层，用于连接信息传递和特征组合；
所述分类输出层，用于计算最终分类结果并输出。
4.根据权利要求3所述的一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：在步骤S31中，所述构建卷积层，具体为构建六个卷积层，并采用ReLU激活函数激活，通过计算卷积层输出特征图的大小，进行图像边缘和角点的特征提取，构建所述卷积层，所述卷积层输出特征图的大小的计算公式为：
式中，Wout是卷积层输出特征图的宽度，Hout是卷积层输出特征图的高度，m是输入图像样本的宽度，n是输入图像样本的高度，w是卷积核的宽度，h是卷积核的高度，dw是宽度膨胀因子，dh是高度膨胀因子，pw是输入维度的水平填充大小，ph是输入维度的垂直端填充大小，Sw是水平方向卷积核移动步幅，Sh是垂直方向卷积核移动步幅；
在步骤S32中，所述构建批量标准化层，具体为在卷积层后构建批量标准化层，通过对卷积层的输出特征图进行批量归一化操作，通过正则化减少协变量漂移，得到归一化特征图，构建所述批量标准化层；
在步骤S33中，所述构建最大池化层，具体为构建四个大小为2×2和3×3，步长为2的最大池化层，构建所述最大池化层；
在步骤S34中，所述构建随机失活层，具体为在最大池化层后添加两个随机失活层，通过随机失活层随即删除模型的部分神经元，构建所述随机失活层；
在步骤S35中，所述构建全连接层，具体为在随机失活层后构建所述全连接层；
在步骤S36中，所述构建分类输出层，具体为通过softmax分类器计算分类概率，得到足溃疡预分类输出，构建所述分类输出层，所述足溃疡预分类输出，具体包括健康足部、轻度足溃疡足部、中度足溃疡足部和严重足溃疡足部；
在步骤S37中，所述足溃疡预分类模型训练，具体为通过所述构建卷积层、所述构建批量标准化层、所述构建最大池化层、所述构建随机失活层、所述构建全连接层和所述构建分类输出层，进行足溃疡预分类模型训练，得到足溃疡预分类模型ModelFC；
在步骤S38中，所述足溃疡预分类，具体为使用所述足溃疡预分类模型ModelFC，进行足溃疡预分类，得到足溃疡预分类中间数据，所述足溃疡预分类中间数据，用于对病患的足溃疡严重程度进行分类描述，辅助足溃疡发病生存预测，所述足溃疡预分类中间数据，具体包括足部健康类、轻度足溃疡类、中度足溃疡类和严重足溃疡类。
5.根据权利要求4所述的一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：所述结合超参数优化的多层感知器，包括输入层、隐藏层、输出层和超参数优化单元；
所述输入层，用于接收输入特征并将特征转化为表示向量；
所述隐藏层，用于接收表示向量并进行特征组合学习；
所述输出层，用于生成预测输出数据；
所述超参数优化单元，用于对多层感知器的模型超参数进行优化。
6.根据权利要求5所述的一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：在步骤S42中，所述构建隐藏层，具体为构建并连接三层多层分类感知器网络，并采用ReLU激活函数激活，构建所述隐藏层；
在步骤S43中，所述构建输出层，具体为结合所述隐藏层的输出，得到模型预测输出数据；
在步骤S44中，所述构建超参数优化单元，具体包括以下步骤：
步骤S441：构建损失函数，具体为构建交叉熵损失函数，计算公式为：
式中，LBCE是交叉熵损失函数，N是样本总数，i是样本索引，yi是真实分类，是预测分类；
步骤S442：构建目标函数，用于优化超参数，具体为应用Hyperopt库，结合所述交叉熵损失函数LBCE，构建得到所述目标函数；
步骤S443：定义搜索空间，用于指定每个超参数的搜索范围，具体为应用Hyperopt库，定义超参数搜索空间；
步骤S444：选取搜索算法，具体为采用随机优化算法进行搜索；
步骤S445：执行超参数优化单元，具体为通过执行Hyperopt库函数，得到优化目标函数的超参数组合；
步骤S446：超参数搜索，具体为通过执行随机优化算法，得到优化超参数组合；
在步骤S45中，所述足溃疡发病生存预测模型训练，具体为通过所述构建输入层、所述构建隐藏层、所述构建输出层和所述构建超参数优化单元进行足溃疡发病生存预测模型训练，得到足溃疡发病生存预测模型ModelDP，所述足溃疡发病生存预测模型ModelDP，具体包括足溃疡发病生存预测第一子模型ModelDP_1和足溃疡发病生存预测第二子模型ModelDP_2；
所述足溃疡发病生存预测第一子模型ModelDP_1，用于预测足溃疡发病患者在发病的1～5年内病危死亡的概率；
所述足溃疡发病生存预测第二子模型ModelDP_2，用于预测足溃疡发病患者在发病的6～10年内病危死亡的概率；
在步骤S46中，所述足溃疡发病生存预测，具体为采用所述足溃疡发病生存预测模型ModelDP，进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息。
7.一种基于人工智能的糖尿病足溃疡预测系统，用于实现如权利要求1-6中任一项所述的一种基于人工智能的糖尿病足溃疡预测方法，其特征在于：包括数据收集模块、数据增强处理模块、足溃疡预分类模块、足溃疡发病生存预测模块和糖尿病足溃疡预测模块；
所述数据收集模块，用于数据收集，通过数据收集，具体为从临床数据中，通过收集得到糖尿病足溃疡预测原始数据，并将所述糖尿病足溃疡预测原始数据发送至数据增强处理模块；
所述数据增强处理模块，用于数据增强处理，通过数据增强处理，具体为对所述糖尿病足溃疡预测原始数据中的图像数据进行数据增强，得到优化足溃疡分类数据，对所述糖尿病足溃疡预测原始数据中的分类标签数据和数值数据进行标准化和缺失值剔除处理，得到优化足溃疡发病生存预测数据，并将所述优化足溃疡分类数据发送至足溃疡预分类模块，将所述优化足溃疡发病生存预测数据发送至足溃疡发病生存预测模块；
所述足溃疡预分类模块，用于足溃疡预分类，通过足溃疡预分类，具体为依据所述优化足溃疡分类数据，采用轻量级卷积神经网络进行足溃疡预分类，得到足溃疡预分类中间数据，并将所述足溃疡预分类中间数据发送至足溃疡发病生存预测模块和糖尿病足溃疡预测模块；
所述足溃疡发病生存预测模块，用于足溃疡发病生存预测，通过足溃疡发病生存预测，具体为依据所述优化足溃疡发病生存预测数据，采用结合超参数优化的多层感知器进行足溃疡发病生存预测，得到足溃疡发病生存预测参考信息，并将所述足溃疡发病生存预测参考信息发送至糖尿病足溃疡预测模块；
所述糖尿病足溃疡预测模块，用于糖尿病足溃疡预测，通过糖尿病足溃疡预测，具体为通过足溃疡预分类，得到足溃疡预分类中间数据，辅助所述足溃疡发病生存预测的数据重构，并通过结合所述足溃疡预分类中间数据，进行糖尿病足溃疡预测，得到糖尿病足溃疡生存综合数据预测信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125379.2A CN117648613B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的糖尿病足溃疡预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125379.2A CN117648613B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的糖尿病足溃疡预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648613A CN117648613A (zh) | 2024-03-05 |
| CN117648613B true CN117648613B (zh) | 2024-05-28 |
Family
ID=90045597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410125379.2A Active CN117648613B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的糖尿病足溃疡预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648613B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211033B (zh) * | 2024-05-22 | 2024-07-23 | 杭州思劢科技有限公司 | 一种健身运动负荷预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103038772A (zh) * | 2010-03-15 | 2013-04-10 | 新加坡保健服务集团有限公司 | 预测患者的存活性的方法 |
| CN108108757A (zh) * | 2017-12-18 | 2018-06-01 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 |
| CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN114664449A (zh) * | 2022-04-16 | 2022-06-24 | 湖南大学 | 一种基于人工智能的糖尿病icu患者死亡风险预测方法 |
| DE202022103523U1 (de) * | 2022-06-24 | 2022-07-07 | Saswati Debnath | Ein Klassifizierungssystem für diabetische Fußgeschwüre |
-
2024
- 2024-01-30 CN CN202410125379.2A patent/CN117648613B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103038772A (zh) * | 2010-03-15 | 2013-04-10 | 新加坡保健服务集团有限公司 | 预测患者的存活性的方法 |
| CN108108757A (zh) * | 2017-12-18 | 2018-06-01 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 |
| CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN114664449A (zh) * | 2022-04-16 | 2022-06-24 | 湖南大学 | 一种基于人工智能的糖尿病icu患者死亡风险预测方法 |
| DE202022103523U1 (de) * | 2022-06-24 | 2022-07-07 | Saswati Debnath | Ein Klassifizierungssystem für diabetische Fußgeschwüre |
Non-Patent Citations (2)
| Title |
|---|
| 国际糖尿病足工作组：糖尿病足溃疡分类指南――《国际糖尿病足工作组：糖尿病足防治国际指南（2019）》的一部分;Matilde Monteiro-Soares;David Russell;Edward J Boyko;William Jeffcoate;Joseph L Mills;Stephan Morbach;Fran Game;王爱红;冉兴无;;感染、炎症、修复;20191220(第04期);全文 * |
| 糖尿病足患者预后预测相关模型研究;陈静;程庆丰;陈悦;易静;;重庆医科大学学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648613A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205537B (zh) | 基于深度学习的血管图像分割方法、装置、设备及介质 | |
| CN110946566B (zh) | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 | |
| Khan et al. | Retinal vessel segmentation via a Multi-resolution Contextual Network and adversarial learning | |
| CN113205524B (zh) | 基于U-Net的血管图像分割方法、装置和设备 | |
| CN117648613B (zh) | 一种基于人工智能的糖尿病足溃疡预测方法及系统 | |
| Kaya | Feature fusion-based ensemble CNN learning optimization for automated detection of pediatric pneumonia | |
| CN113855038A (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
| CN117132606B (zh) | 用于肺部病变图像的分割方法 | |
| Venkatrao et al. | HDLNET: a hybrid deep learning network model with intelligent IoT for detection and classification of chronic kidney disease | |
| Mamun et al. | FA-1D-CNN implementation to improve diagnosis of heart disease risk level | |
| CN115547502B (zh) | 基于时序数据的血透病人风险预测装置 | |
| CN116013449A (zh) | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 | |
| CN118552726A (zh) | 基于深度学习网络的超声乳腺癌图像病灶区自动分割方法 | |
| Yan et al. | MRSNet: Joint consistent optic disc and cup segmentation based on large kernel residual convolutional attention and self-attention | |
| CN113724186A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN116825344A (zh) | 基于多模态深度学习的心血管疾病风险预测方法及装置 | |
| CN116564505A (zh) | 基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质 | |
| Alkhawaldeh et al. | Convolution neural network bidirectional long short-term memory for heartbeat arrhythmia classification | |
| Thanikachalam et al. | Diabetic Retinopathy Diagnosis Using Interval Neutrosophic Segmentation with Deep Learning Model. | |
| US20230377751A1 (en) | System and method for pulmonary embolism detection from the electrocardiogram using deep learning | |
| CN116975694A (zh) | 一种基于深度学习的多类别心电信号分类检测方法 | |
| CN116740041A (zh) | 基于机器视觉的cta扫描图像分析系统及其方法 | |
| Yang et al. | Superimposed semantic communication for iot-based real-time ecg monitoring | |
| CN115393582A (zh) | 基于注意力机制的眼底图像动脉和静脉血管分割方法 | |
| Wu et al. | Influencing factors analysis and prediction model development of stroke: the machine learning approach |
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 |