申请/专利权人：深圳市平行维度科技有限公司

申请日：2023-01-30

公开（公告）日：2024-03-22

公开（公告）号：CN116110597B

主分类号：G16H50/70

分类号：G16H50/70;G16H50/20;G06F18/2431;G06F18/22;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.05.30#实质审查的生效;2023.05.12#公开

摘要：本发明涉及数字孪生技术，揭露了一种基于数字孪生的患者病症类别智能分析方法，包括：获取目标患者的实时体征数据，根据实时体征数据构建目标患者的孪生器官模型；获取疾病病症数据及疾病分类编码数据，将疾病病症数据进行向量转换，得到疾病病症向量；计算疾病分类编码数据的疾病类相似度，根据疾病类相似度生成疾病类别相似度矩阵；将疾病病症向量与疾病类别相似度矩阵输入至多视图网络融合聚类模型中进行训练，得到病症类别分类模型；提取孪生器官模型中的实时病症数据，利用病症类别分类模型对实时病症数据进行病症类别分析。本发明还提出一种基于数字孪生的患者病症类别智能分析装置。本发明可以提高病症识别的准确度。

主权项：1.一种基于数字孪生的患者病症类别智能分析方法，其特征在于，所述方法包括：S1、获取目标患者的实时体征数据，利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型；所述利用预设的三维重建算法根据所述实时体征数据构建所述目标患者的孪生器官模型，包括：获取所述目标患者的物理器官参数；利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓；对所述孪生器官轮廓进行纹理映射，得到所述目标患者的孪生器官模型；所述利用所述三维重建算法根据所述物理器官参数及所述实时体征数据构建孪生器官轮廓，包括：将所述物理器官参数进行三维坐标转换，得到物理器官坐标；提取所述实时体征数据中的成像数据，对所述成像数据进行三维坐标转换，得到三维成像坐标；利用所述三维重建算法将所述物理器官坐标与所述三维成像坐标进行坐标重组，得到所述孪生器官轮廓；所述物理器官参数是指器官的物理属性，包括几何外形、规格尺寸；通过虚拟三维模型生成患者器官的实体模型，使用3D技术快速成型技术构建物理实体，并根据物理实体的规格尺寸获取目标患者的物理参数，进而根据物理参数构建目标患者的孪生器官模型；将物理器官参数的规格尺寸在三维坐标系中进行转换，以生成所述物理器官坐标，其中所述物理器官坐标是指孪生器官的整体外围轮廓坐标，孪生器官的内部组织坐标，通过实时体征数据中的成像数据进行转换，所述成像数据是指核磁共振成像，核磁共振对人体结构进行扫描成像，包含更多的人体组织参数，合成的人体结构模型具有明显的组织界限，实现组织分割操作，成像数据转换为三维成像坐标，即包括人体器官模型中的内部组织坐标；所述三维重建算法是指对三维坐标进行坐标重组和排列形成三维虚拟模型，将所述物理器官坐标与所述三维成像坐标在三维坐标系中通过三维重建算法对坐标进行重组和排列，以此构建孪生器官轮廓的外围坐标和内部组织坐标，进而根据外围坐标和内部组织坐标构建孪生器官轮廓；在完成孪生器官轮廓构建后，对所述孪生器官轮廓进行纹理映射，通过皮肤肤色或者人体器官的器官纹理对孪生器官轮廓进行纹理映射，以得到所述目标患者的孪生器官模型；对孪生器官轮廓进行纹理映射，使构建的孪生器官模型更加真实形象；S2、获取预设的疾病病症数据及疾病分类编码数据，将所述疾病病症数据进行向量转换，得到疾病病症向量；通过预设的向量转换模型对所述疾病病症数据进行向量转换得到疾病病症向量；所述向量转换模型包括但不限于word2vec模型、Bert模型；S3、利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，根据所述疾病类相似度生成疾病类别相似度矩阵，所述根据所述疾病类相似度生成疾病类别相似度矩阵，包括：按照预设的行序列数确定每行的疾病类相似度阈值；根据每行所述疾病类相似度阈值对所述疾病类相似度对应的疾病类别进行聚类，得到每行的疾病类别；汇集每行的所述疾病类别为所述疾病类别相似度矩阵；其中，所述利用预设的语义相似性算法计算所述疾病分类编码数据的疾病类相似度，包括：S31、获取所述疾病分类编码数据的疾病树状图；S32、统计所述疾病树状图中的疾病总节点数量，统计预设的目标节点的第一子节点数量；S33、利用如下的度量值公式根据所述所述疾病总节点数量及所述第一子节点数量计算所述疾病分类编码数据的节点度量值： 其中，Ic为目标节点c的所述节点度量值，b为所述第一子节点数量，a为所述疾病总节点数量，log为对数函数；S34、通过所述语义相似性算法根据所述节点度量值计算所述疾病分类编码数据的疾病类相似度；S4、将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型；所述将所述疾病病症向量与所述疾病类别相似度矩阵输入至预设的多视图网络融合聚类模型中进行训练，得到病症类别分类模型，包括：将所述疾病类别相似度矩阵中每行的疾病类别进行向量转换，得到每行的疾病类别向量；将所述疾病病症向量与所述疾病类别向量进行向量加权，得到加权向量；将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型；将所述疾病病症向量与所述疾病类别相似度矩阵中每行的疾病类别向量进行向量加权得到一个新的n维的加权向量，将疾病病症向量与疾病类别向量进行向量加权，并将加权向量作为多视图网络融合聚类模型的输入；所述将所述加权向量输入至所述多视图网络融合聚类模型中进行训练，得到所述病症类别分类模型，包括：将所述加权向量输入至所述多视图网络融合聚类模型中，得到疾病类别聚类集合；根据所述疾病类别聚类集合和预设的损失函数计算所述多视图网络融合聚类模型的损失值；当所述损失值小于预设的损失阈值时，输出所述多视图网络融合聚类模型为所述病症类别分类模型；所述预设的损失函数包括： 其中，Lk,ky为损失值，为所述疾病类别聚类集合中的聚类数据，ki为预设的真实疾病类别聚类数据，n为所述多视图网络融合聚类模型中聚类个数；在训练多视图网络融合聚类模型时，不仅要将疾病病症向量作为输入，还对疾病分类编码数据进行分析，将疾病病症向量及疾病分类编码数据作为模型地输入，提高模型训练的准确性；S5、提取所述孪生器官模型中的实时病症数据，利用所述病症类别分类模型对所述实时病症数据进行病症类别分析。

全文数据：

权利要求：

百度查询： 深圳市平行维度科技有限公司 一种基于数字孪生的患者病症类别智能分析方法及装置

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