-
公开(公告)号：CN118535724A
公开(公告)日：2024-08-23
申请号：CN202410602542.X
申请日：2024-05-15
Applicant: 中国科学院自动化研究所
IPC: G06F16/34 , G06F40/295 , G06F40/117 , G06F40/284 , G06F18/214 , G06N3/0455 , G06N3/045 , G06N3/0895
Abstract: 本发明提供一种摘要生成方法、装置、电子设备及存储介质，应用于数据处理技术领域。该方法包括：获取待处理的文本数据，所述文本数据包括多个词汇；将所述文本数据和模型提示模版输入第一网络模型，得到标注文本，所述模型提示模版用于提示所述第一网络模型识别输入文本中的命名实体与事件，所述标注文本包括对所述多个词汇中部分词汇的标注信息；将所述文本数据和所述标注文本输入第二网络模型，得到所述文本数据的摘要信息；其中，所述第一网络模型用于对文本数据中的命名实体与事件进行标注，所述第二网络模型用于根据标注文本生成文本数据的摘要信息。
-
公开(公告)号：CN118690203B
公开(公告)日：2024-11-15
申请号：CN202411166576.5
申请日：2024-08-23
Applicant: 中国科学院自动化研究所
IPC: G06F18/214 , G16H50/70 , G06N3/0442 , G06N3/0455 , G06N3/098 , G06F18/213 , G06F21/62
Abstract: 本发明公开了一种基于自步学习与个性化联邦学习的多中心数据处理方法，属于医疗数据处理技术领域。所述方法包括：基于全局自步学习策略训练全局联邦模型：基于训练样本损失值和样本选择阈值对客户端训练样本进行排序和选择，动态调整样本选择阈值以使得全局联邦模型在不同训练阶段选择不同的客户端训练样本；构建针对各中心的个性化模型：将训练好的全局联邦模型拆分为特征提取器部分与决策器部分，并对参数进行解耦，将解耦后的特征提取器参数设置为共享参数，决策器参数设置为客户端私有参数。本发明解决了患者隐私保护问题，联邦模型的个性化适配问题，以及避免了数据异质导致的全局模型的泛化能力受限和难以收敛到全局最优模型的问题。
-
公开(公告)号：CN118690333A
公开(公告)日：2024-09-24
申请号：CN202411174672.4
申请日：2024-08-26
Applicant: 中国科学院自动化研究所
IPC: G06F18/25 , G06F40/177 , G16H10/60 , G16H50/30 , G16H50/70 , G06N3/0455 , G06F18/241
Abstract: 本发明公开了基于异质表格信息融合的病情严重程度预测方法，属于电子数据处理技术领域。所述方法包括步骤1、对电子病例异质表格信息样本中的结构化数据进行特征嵌入处理得到综合嵌入向量；步骤2、基于文本处理模块对电子病例异质表格信息样本中的非结构化数据进行处理得到具有完整上下文信息的嵌入向量；步骤3、利用异质表格信息融合器对综合嵌入向量和具有完整上下文信息的嵌入向量进行融合，得到电子病例异质表格信息样本的综合向量表征，输出病情严重程度预测结果。本发明设计了异质数据融合技术，更好地捕捉结构化和非结构化数据之间的关系，提升医疗异质数据的处理和分析能力，从而实现对病情严重程度更好的预测。
-
公开(公告)号：CN115359155A
公开(公告)日：2022-11-18
申请号：CN202210837260.9
申请日：2022-07-15
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种虚拟医疗会诊中虚拟形象的驱动方法及装置，该方法涉及数据处理技术领域，包括：构建虚拟医疗会诊场景，并在所述虚拟医疗会诊场景中建立参与会诊的多个用户的虚拟形象；针对每个用户，获取所述用户的目标数据，所述目标数据包括人脸图像和音频数据；在所述人脸图像的图像质量评分小于预设评分的情况下，确定所述音频数据对应的音素数据；基于所述音素数据确定所述用户的目标口型信息；基于所述目标口型信息，对所述用户对应的虚拟形象的口型进行驱动。本发明提供的方法，弥补了使用人脸图像单一模态数据驱动虚拟形象的不足，增强了虚拟医疗会诊场景中虚拟形象驱动和交互的鲁棒性，提升了虚拟形象的驱动效果。
-
Patent Agency Ranking
公开(公告)号：CN118690277B
公开(公告)日：2024-10-25
申请号：CN202411166442.3
申请日：2024-08-23
Applicant: 中国科学院自动化研究所
IPC: G06F18/2415 , G16H50/30 , G06F17/16 , G06F18/211 , G06F18/214
Abstract: 本发明公开了基于子矩阵集成与容忍缺失技术的智能健康评估方法，属于医疗数据处理技术领域。所述方法构建了一个特征选择器，使用对称不确定度作为权重，来选择生成完整子矩阵的特征，并通过子矩阵训练相应的子分类器来构建类似于决策树的集成分类器，通过构建多个这样的集成分类器，充分发挥了特征与特征和特征与标签之间的相互作用；通过证据理论将每个集成分类器的分类概率相组合，放大对预测结果较为确信的集成分类器的影响。本发明有效地识别和避开了医疗表格数据中的缺失特征，提高了模型的训练效率和性能。
-
公开(公告)号：CN118690203A
公开(公告)日：2024-09-24
申请号：CN202411166576.5
申请日：2024-08-23
Applicant: 中国科学院自动化研究所
IPC: G06F18/214 , G16H50/70 , G06N3/0442 , G06N3/0455 , G06N3/098 , G06F18/213 , G06F21/62
Abstract: 本发明公开了一种基于自步学习与个性化联邦学习的多中心数据处理方法，属于医疗数据处理技术领域。所述方法包括：基于全局自步学习策略训练全局联邦模型：基于训练样本损失值和样本选择阈值对客户端训练样本进行排序和选择，动态调整样本选择阈值以使得全局联邦模型在不同训练阶段选择不同的客户端训练样本；构建针对各中心的个性化模型：将训练好的全局联邦模型拆分为特征提取器部分与决策器部分，并对参数进行解耦，将解耦后的特征提取器参数设置为共享参数，决策器参数设置为客户端私有参数。本发明解决了患者隐私保护问题，联邦模型的个性化适配问题，以及避免了数据异质导致的全局模型的泛化能力受限和难以收敛到全局最优模型的问题。
-
公开(公告)号：CN119047565B
公开(公告)日：2025-03-28
申请号：CN202411548769.7
申请日：2024-11-01
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供了一种适用于医疗知识图谱的规则抽取方法、装置及设备，可以应用于医疗知识图谱技术领域。该方法包括遍历医疗知识图谱，获取多个医疗对象节点和与每个医疗对象节点对应的多个邻居节点，邻居节点表征医疗对象的病患信息；针对多个医疗对象节点中的候选医疗对象节点，基于与候选医疗对象节点相关的多个候选病患信息，确定候选推理规则，候选推理规则包括作为候选推理条件的候选条件病患信息，作为候选推理结论的候选结论病患信息；根据候选条件病患信息在多个医疗对象的病患信息中的第一共现次数，确定候选推理规则的置信度；基于多个候选对象节点各自对应的候选推理规则的置信度，确定用于提供病患医疗参考信息的目标推理规则。
-
公开(公告)号：CN119047565A
公开(公告)日：2024-11-29
申请号：CN202411548769.7
申请日：2024-11-01
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供了一种适用于医疗知识图谱的规则抽取方法、装置及设备，可以应用于医疗知识图谱技术领域。该方法包括遍历医疗知识图谱，获取多个医疗对象节点和与每个医疗对象节点对应的多个邻居节点，邻居节点表征医疗对象的病患信息；针对多个医疗对象节点中的候选医疗对象节点，基于与候选医疗对象节点相关的多个候选病患信息，确定候选推理规则，候选推理规则包括作为候选推理条件的候选条件病患信息，作为候选推理结论的候选结论病患信息；根据候选条件病患信息在多个医疗对象的病患信息中的第一共现次数，确定候选推理规则的置信度；基于多个候选对象节点各自对应的候选推理规则的置信度，确定用于提供病患医疗参考信息的目标推理规则。
-
公开(公告)号：CN118690277A
公开(公告)日：2024-09-24
申请号：CN202411166442.3
申请日：2024-08-23
Applicant: 中国科学院自动化研究所
IPC: G06F18/2415 , G16H50/30 , G06F17/16 , G06F18/211 , G06F18/214
Abstract: 本发明公开了基于子矩阵集成与容忍缺失技术的智能健康评估方法，属于医疗数据处理技术领域。所述方法构建了一个特征选择器，使用对称不确定度作为权重，来选择生成完整子矩阵的特征，并通过子矩阵训练相应的子分类器来构建类似于决策树的集成分类器，通过构建多个这样的集成分类器，充分发挥了特征与特征和特征与标签之间的相互作用；通过证据理论将每个集成分类器的分类概率相组合，放大对预测结果较为确信的集成分类器的影响。本发明有效地识别和避开了医疗表格数据中的缺失特征，提高了模型的训练效率和性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
