申请/专利权人：上海交通大学;上海交通大学医学院附属瑞金医院

申请日：2018-08-09

公开（公告）日：2020-09-15

公开（公告）号：CN109273099B

主分类号：G16H70/60(20180101)

分类号：G16H70/60(20180101)

优先权：

专利状态码：有效-授权

法律状态：2020.09.15#授权;2019.02.26#实质审查的生效;2019.01.25#公开

摘要：本发明提供了一种多源治疗方案推荐的结论合成方法及系统，包括：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；确定基于医疗指南作为证据主体的mass函数；确定机器学习模型作为证据主体的mass函数；融合上述mass函数；根据融合后的mass函数做出最终的治疗方案推荐。本发明能够充分收集和利用多元证据主体，结合Dempster‑Shafer理论，为医疗决策提供证据更为充分的推荐治疗方案，并且充分考虑了各个证据主体的不确定性。另外，最终的推荐方案具有很好的解释性，它能把不同结构的证据有机结合起来以一种统一的方式表达，可以自适应地把不同证据的特性挖掘出来。

主权项：1.一种多源治疗方案推荐的结论合成方法，其特征在于，包括：邻近证据构造步骤：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；医疗指南证据构造步骤：确定基于医疗指南作为证据主体的mass函数；模型证据构造步骤：确定机器学习模型作为证据主体的mass函数；融合步骤：融合邻近证据构造步骤、医疗指南证据构造步骤及模型证据构造步骤中的mass函数；推荐步骤：根据融合后的mass函数做出最终的治疗方案推荐；所述邻近证据构造步骤包括：步骤1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2X，确定所述治疗方案的先验支持度其中X为可供决策的治疗方案集合，Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数；步骤1.2：根据病例的特征向量V确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例；步骤1.3：根据距离di，j，确定目标病例i的近邻集合Ni；步骤1.4：每个近邻作为一个独立证据，根据治疗方案y以及先验支持度py，连同距离di，j确定mass函数：m1y＝py*exp{-di，j}；m1Θ＝1-m1y；m1others＝0；其中，Θ为所有证据涉及到的治疗方案的集合，m1Θ为证据的不确定性，others为治疗方案集合中不为y的其他治疗方案选项，mothers为其他治疗方案选项的置信分配。

全文数据：多源治疗方案推荐的结论合成方法及系统技术领域本发明涉及医疗决策和机器学习领域，具体地，涉及多源治疗方案推荐的结论合成方法及系统。背景技术不同于其它运用机器学习方法进行决策辅助的领域，医疗决策领域对于机器推荐治疗方案的可解释性和相应的证据支持拥有更高的要求。因此，这对于单纯的利用历史病例数据建立的机器学习方法来说，是非常具有挑战性的。因为它们往往只追求指标上的最优如最大化推荐结果的准确度，而不关心这些推荐结果是否可以解释。另外，有些机器学习方法，比如神经网络，本身就无法给出推荐结果的解释。所以，直接把这些结果推荐给医生或者患者，是很难被接受的。不过，可以把这些机器学习方法的推荐结果作为一个独立的证据，同时设定该证据的可靠性或不确定性，以此支持最终的决策。另外，为了降低选择不恰当的治疗方案的风险，许多权威的医学指导方针，如国际上的NCCNtheNationalComprehensiveCancerNetwork医疗指南，已被各种医疗机构发布和使用。因此，这些通过经验总结出来的规则也可以作为一个独立的证据支持最终的决策。基于K近邻KNN的治疗方案推荐方法因为它结果的可解释性，已经被广泛运用在医疗决策领域。然而，这些方法仅仅从病例之间的距离或相似度的角度，去刻画和总结最终的治疗方案，并没有考虑单个病例作为独立证据的可靠性。本发明认为，即使是已经确定了治疗方案的历史病例，在确定治疗方案的过程中也会存在一定的分歧度，尤其是通过基于少数服从多数准则讨论过后确定的结果，从而带入其作为证据的不可靠性。因此，把这部分信息融合到决策当中，会进一步促进推荐结果的合理性，从而降低决策风险。发明内容针对现有技术中的缺陷，本发明的目的是提供一种多源治疗方案推荐的结论合成方法及系统。根据本发明提供的一种多源治疗方案推荐的结论合成方法，包括：邻近证据构造步骤：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；医疗指南证据构造步骤：确定基于医疗指南作为证据主体的mass函数；模型证据构造步骤：确定机器学习模型作为证据主体的mass函数；融合步骤：融合邻近证据构造步骤、医疗指南证据构造步骤及模型证据构造步骤中的mass函数；推荐步骤：根据融合后的mass函数做出最终的治疗方案推荐。较佳的，所述邻近证据构造步骤包括：步骤1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2X，确定所述治疗方案的先验支持度其中X为可供决策的治疗方案集合，Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数；步骤1.2：根据病例的特征向量V确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例；步骤1.3：根据距离di，j，确定目标病例i的近邻集合Ni；步骤1.4：每个近邻作为一个独立证据，根据治疗方案y以及先验支持度py，连同距离di，j确定mass函数：m1y＝py*exp{-di，j}；m1Θ＝1-m1y；m1others＝0；其中，Θ为所有证据涉及到的治疗方案的集合，m1Θ为证据的不确定性，others为治疗方案集合中不为y的其他治疗放疗选项，mothers为这些治疗方案选项的置信分配。较佳的，所述医疗指南证据构造步骤包括：步骤2.1：设定医疗指南作为证据主体的不确定性u1；步骤2.2：根据医疗指南确定目标病例的治疗方案；步骤2.3：根据治疗方案和不确定性确定mass函数：m2y＝1-u1；m2Θ＝u1；m2others＝0。较佳的，所述模型证据构造步骤包括：步骤3.1：根据历史病例和对应的治疗方案，建立机器学习模型；步骤3.2：根据机器学习模型在测试集中的推荐准确度，设定机器学习模型的结果作为证据主体的不确定性u2＝1-accuracy；步骤3.3：根据机器学习模型给出的治疗方案以及不确定性确定mass函数：m3y＝accuracy；m3Θ＝u2＝1-accuracy；m3others＝0。较佳的，所述融合步骤包括：所述推荐步骤计算每个治疗方案的Pignistic概率BetPy：其中为空集；根据Pignistic概率BetPy的大小确定最终的治疗方案。根据本发明提供的一种多源治疗方案推荐的结论合成系统，包括：邻近证据构造模块：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；医疗指南证据构造模块：确定基于医疗指南作为证据主体的mass函数；模型证据构造模块：确定机器学习模型作为证据主体的mass函数；融合模块：融合邻近证据构造模块、医疗指南证据构造模块及模型证据构造模块中的mass函数；推荐模块：根据融合后的mass函数做出最终的治疗方案推荐。较佳的，所述邻近证据构造模块包括：模块1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2X，确定所述治疗方案的先验支持度其中X为可供决策的治疗方案集合，Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数；模块1.2：根据病例的特征向量V确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例；模块1.3：根据距离di，j，确定目标病例i的近邻集合Ni；模块1.4：每个近邻作为一个独立证据，根据治疗方案y以及先验支持度py，连同距离di，j确定mass函数：m1y＝py*exp{-di，j}；m1Θ＝1-m1y；m1others＝0；其中，Θ为所有证据涉及到的治疗方案的集合，m1Θ为证据的不确定性，others为治疗方案集合中不为y的其他治疗放疗选项，mothers为这些治疗方案选项的置信分配。较佳的，所述医疗指南证据构造模块包括：模块2.1：设定医疗指南作为证据主体的不确定性u1；模块2.2：根据医疗指南确定目标病例的治疗方案；模块2.3：根据治疗方案和不确定性确定mass函数：m2y＝1-u1；m2Θ＝u1；m2others＝0。较佳的，所述模型证据构造模块包括：模块3.1：根据历史病例和对应的治疗方案，建立机器学习模型；模块3.2：根据机器学习模型在测试集中的推荐准确度，设定机器学习模型的结果作为证据主体的不确定性u2＝1-accuracy；模块3.3：根据机器学习模型给出的治疗方案以及不确定性确定mass函数：m3y＝accuracy；m3Θ＝u2＝1-accuracy；m3others＝0。较佳的，所述融合模块包括：所述推荐模块计算每个治疗方案的Pignistic概率BetPy：其中为；根据Pignistic概率BetPy的大小确定最终的治疗方案。与现有技术相比，本发明具有如下的有益效果：本发明能够充分收集和利用多元证据主体，结合Dempster-Shafer理论，为医疗决策提供证据更为充分的推荐治疗方案，并且充分考虑了各个证据主体的不确定性证据可靠性。另外，最终的推荐方案具有很好的解释性，它能把不同结构的证据有机结合起来，并且以一种统一的方式表达出来，更容易被医生和患者接受，本发明通过证据融合，可以自适应地把不同证据的特性挖掘出来，例如基于医疗指南的推荐结果一般为多种治疗方案的集合，而基于历史数据的推荐结果往往会得到更细的治疗方案，以及将机器学习方法的推荐准确度、医生投票的支持度都纳入到证据的考量等。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：图1为本发明的工作流程图。具体实施方式下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。Dempster-Shafer证据理论为多元证据的合成提供了技术支持，具有直接表达“不确定”和“不知道”的能力。这些信息表示在mass函数中，并在证据合成过程中保留了这些信息。Dempster-Shafer证据合成过程主要涉及两个核心步骤：基本置信分配BasicBeliefAssignment，BBA和Dempster证据合成。假设X为可供决策的治疗方案集合，将它的所有子集的集合表示为2X，这个被称为识别框架，其中的元素被称为事件。基本置信分配的作用是确定一个mass映射函数m：2X→[0，1]，同时，空集的mass函数的值为0，即其他事件mass值的和为1，即通过不同的证据主体，可以构造出不同的mass函数，如，m1和m2，Dempster合成规则就是要融合这些函数，如下：其中，在得到合成后的mass函数后，就可以根据融合后的置信度分配确定最终的治疗方案。假设需要为目标病例i推荐辅助化疗方案，现在通过KNN算法得到的2个历史近邻j1和j2，且di，j1＝di，j2＝0。计划应该参与对j1和j2治疗方案投票医生均为10人，实际参与j1投票的有10位医生，且有7位投票支持最终治疗方案为Tcb，实际参与j2投票的有8位医生，7位投了Pcb方案，另一位投了其他方案。另外，根据NCCN医疗指南，认为目标患者需要化疗，但没有给出更细化的化疗方案。最后，通过神经网络算法，预测得出目标病例不需要化疗，且该算法在历史测试中验证得出准确度为0.6。所有这些方法中，总共涉及到的推荐方案有：Tcb，Pcb，Need需要，Noneed不需要，如表1所示，且Tcb和Pcb均属于细化了的化疗方案，所以Need＝{Tcb，Pcb}。表1各治疗方案的基本置信度分配表示例基于上述信息，本实施例提供基于多元证据融合的多源治疗方案推荐的结论合成方法具体步骤如下：步骤1：为近邻j1和j2构造mass函数即基本置信度指派，确定证据可靠度，其主要包括以下子步骤：步骤1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2Xy既可以是由单个治疗方案构成的单元素集合，也可以是由多个治疗方案构成的集合，前者一般是由基于数据的机器学习方法提供的推荐方案，后者一般符合基于医疗指南的推荐结果；另外，根据医生讨论投票记录和支持该治疗方案的医生比例，确定该治疗方案的先验支持度其中Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数。基于前面的假设，j1对应的j2对应的步骤1.2：根据病例的特征向量确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例。步骤1.3：根据距离di，j，确定目标病例i的K近邻集合Ni，基于前的假设Ni＝{j1，j2}。步骤1.4：每个近邻作为一个独立证据，根据其推荐的治疗方案y以及根据步骤1.1中计算得到的Py，连同其同目标病例的距离di，j确定基本置信度指派如下：m1y＝py*exp{-di，j}m1Θ＝1-m1ym1others＝0其中Θ表示所有证据主体涉及到的治疗方案的集合，m1Θ指示了该证据的不确定性不可靠性，others为治疗方案集合中不为y的其他治疗放疗选项，mothers为这些治疗方案选项的置信分配。基于前面的假设，以j1为证据主体，其配置信度分配如下：m1，1{Tcb}＝0.7*exp{0}＝0.7m1，1Θ＝1-0.7＝0.3其中Θ＝{Tcb，Pcb，Noneed，Need}，且Need＝{Tcb，Pcb}，j2相关计算方法同j1，结果如表1所示。步骤2：确定基于医疗指南的证据表达基本置信度指派和证据可靠度表达，其主要包括以下子步骤：步骤2.1：根据经验或医疗指南历史表现设定医疗指南作为证据主体的不确定性u1，假设为0.1。步骤2.2：根据医疗指南确定目标病例的推荐方案，即y＝Need需要化疗方案。步骤2.3：确定该证据的mass函数，得到表1中m2分配，如下：m2Need＝1-u1＝0.9m2Θ＝u1＝0.1m2others＝0步骤3：确定其它机器学习模型如神经网络的证据表达基本置信度指派和证据可靠度表达，其主要包括以下子步骤：步骤3.1：根据历史病例数据和对应的治疗方案，学习出机器学习模型。步骤3.2：根据模型在测试集中的推荐准确accuracy度，设定将该模型结果作为证据主体的不确定性u2＝1-accuracy＝1-0.6＝0.4。步骤3.3：根据模型给出目标病例的推荐方案y＝{Noneed}以及步骤3.2中确定的模型推荐准确度，确定该证据的mass函数，得到表1中m3分配，如下：m3{Noneed}＝accuracy＝0.6m3Θ＝u2＝1-accuracy＝0.4m3others＝0步骤4：融合以上从三种不同角度提出的证据，如下：基于以上的案例，其计算结果如表1所示。步骤5：根据融合后的证据做出最终的治疗方案推荐，主要步骤是计算每个候选治疗方案y的Pignistic概率BetP如下：例如，最后，根据BetPy的大小，确定最终的推荐方案。基于上述多源治疗方案推荐的结论合成方法，本发明还提供一种多源治疗方案推荐的结论合成系统，包括：邻近证据构造模块：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；医疗指南证据构造模块：确定基于医疗指南作为证据主体的mass函数；模型证据构造模块：确定机器学习模型作为证据主体的mass函数；融合模块：融合邻近证据构造模块、医疗指南证据构造模块及模型证据构造模块中的mass函数；推荐模块：根据融合后的mass函数做出最终的治疗方案推荐。邻近证据构造模块包括：模块1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2X，确定所述治疗方案的先验支持度其中X为可供决策的治疗方案集合，Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数；模块1.2：根据病例的特征向量V确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例；模块1.3：根据距离di，j，确定目标病例i的近邻集合Ni；模块1.4：每个近邻作为一个独立证据，根据治疗方案y以及先验支持度py，连同距离di，j确定mass函数：m1y＝py*exp{-di，j}；m1Θ＝1-m1y；m1others＝0；其中，Θ为所有证据涉及到的治疗方案的集合，m1Θ为证据的不确定性，others为治疗方案集合中不为y的其他治疗放疗选项，mothers为这些治疗方案选项的置信分配。医疗指南证据构造模块包括：模块2.1：设定医疗指南作为证据主体的不确定性u1；模块2.2：根据医疗指南确定目标病例的治疗方案；模块2.3：根据治疗方案和不确定性确定mass函数：m2y＝1-u1；m2Θ＝u1；m2others＝0。模型证据构造模块包括：模块3.1：根据历史病例和对应的治疗方案，建立机器学习模型；模块3.2：根据机器学习模型在测试集中的推荐准确度，设定机器学习模型的结果作为证据主体的不确定性u2＝1-accuracy；模块3.3：根据机器学习模型给出的治疗方案以及不确定性确定mass函数：m3y＝accuracy；m3Θ＝u2＝1-accuracy；m3others＝0。融合模块包括：所述推荐模块计算每个治疗方案的Pignistic概率BetPy：其中为；根据Pignistic概率BetPy的大小确定最终的治疗方案。本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

权利要求：1.一种多源治疗方案推荐的结论合成方法，其特征在于，包括：邻近证据构造步骤：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；医疗指南证据构造步骤：确定基于医疗指南作为证据主体的mass函数；模型证据构造步骤：确定机器学习模型作为证据主体的mass函数；融合步骤：融合邻近证据构造步骤、医疗指南证据构造步骤及模型证据构造步骤中的mass函数；推荐步骤：根据融合后的mass函数做出最终的治疗方案推荐。2.根据权利要求1所述的多源治疗方案推荐的结论合成方法，其特征在于，所述邻近证据构造步骤包括：步骤1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2X，确定所述治疗方案的先验支持度其中X为可供决策的治疗方案集合，Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数；步骤1.2：根据病例的特征向量V确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例；步骤1.3：根据距离di，j，确定目标病例i的近邻集合Ni；步骤1.4：每个近邻作为一个独立证据，根据治疗方案y以及先验支持度py，连同距离di，j确定mass函数：m1y＝py*exp{-di，j}；m1Θ＝1-m1y；m1others＝0；其中，Θ为所有证据涉及到的治疗方案的集合，m1Θ为证据的不确定性，others为治疗方案集合中不为y的其他治疗放疗选项，mothers为这些治疗方案选项的置信分配。3.根据权利要求2所述的多源治疗方案推荐的结论合成方法，其特征在于，所述医疗指南证据构造步骤包括：步骤2.1：设定医疗指南作为证据主体的不确定性u1；步骤2.2：根据医疗指南确定目标病例的治疗方案；步骤2.3：根据治疗方案和不确定性确定mass函数：m2y＝1-u1；m2Θ＝u1；m2others＝0。4.根据权利要求3所述的多源治疗方案推荐的结论合成方法，其特征在于，所述模型证据构造步骤包括：步骤3.1：根据历史病例和对应的治疗方案，建立机器学习模型；步骤3.2：根据机器学习模型在测试集中的推荐准确度，设定机器学习模型的结果作为证据主体的不确定性u2＝1-accuracy；步骤3.3：根据机器学习模型给出的治疗方案以及不确定性确定mass函数：m3y＝accuracy；m3Θ＝u2＝1-accuracy；m3others＝0。5.根据权利要求4所述的多源治疗方案推荐的结论合成方法，其特征在于，所述融合步骤包括：所述推荐步骤计算每个治疗方案的Pignistic概率BetPy：其中为空集；根据Pignistic概率BetPy的大小确定最终的治疗方案。6.一种多源治疗方案推荐的结论合成系统，其特征在于，包括：邻近证据构造模块：以目标病理的近邻为证据主体，分别为每个近邻构造mass函数；医疗指南证据构造模块：确定基于医疗指南作为证据主体的mass函数；模型证据构造模块：确定机器学习模型作为证据主体的mass函数；融合模块：融合邻近证据构造模块、医疗指南证据构造模块及模型证据构造模块中的mass函数；推荐模块：根据融合后的mass函数做出最终的治疗方案推荐。7.根据权利要求6所述的多源治疗方案推荐的结论合成系统，其特征在于，所述邻近证据构造模块包括：模块1.1：根据患者信息确定病例的特征向量V，以及对应的治疗方案y∈2X，确定所述治疗方案的先验支持度其中X为可供决策的治疗方案集合，Na表示应该参与投票的所有医生人数，Ny表示支持该治疗方案的医生人数，Nn表示缺席投票的人数，c表示该次投票中所有候选治疗方案的个数；模块1.2：根据病例的特征向量V确定病例之间的距离di，j，其中，i表示目标病例，j表示历史病例；模块1.3：根据距离di，j，确定目标病例i的近邻集合Ni；模块1.4：每个近邻作为一个独立证据，根据治疗方案y以及先验支持度py，连同距离di，j确定mass函数：miy＝py*exp{-di，j}；m1Θ＝1-m1y；m1others＝0；其中，Θ为所有证据涉及到的治疗方案的集合，m1Θ为证据的不确定性，others为治疗方案集合中不为y的其他治疗放疗选项，mothers为这些治疗方案选项的置信分配。8.根据权利要求7所述的多源治疗方案推荐的结论合成系统，其特征在于，所述医疗指南证据构造模块包括：模块2.1：设定医疗指南作为证据主体的不确定性u1；模块2.2：根据医疗指南确定目标病例的治疗方案；模块2.3：根据治疗方案和不确定性确定mass函数：m2y＝1-u1；m2Θ＝u1；m2others＝0。9.根据权利要求8所述的多源治疗方案推荐的结论合成系统，其特征在于，所述模型证据构造模块包括：模块3.1：根据历史病例和对应的治疗方案，建立机器学习模型；模块3.2：根据机器学习模型在测试集中的推荐准确度，设定机器学习模型的结果作为证据主体的不确定性u2＝1-accuracy；模块3.3：根据机器学习模型给出的治疗方案以及不确定性确定mass函数：m3y＝accuracy；m3Θ＝u2＝1-accuracy；m3others＝0。10.根据权利要求9所述的多源治疗方案推荐的结论合成系统，其特征在于，所述融合模块包括：所述推荐模块计算每个治疗方案的Pignistic概率BetPy：其中为空集；根据Pignistic概率BetPy的大小确定最终的治疗方案。

百度查询： 上海交通大学;上海交通大学医学院附属瑞金医院 多源治疗方案推荐的结论合成方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD