1、作品名称
基于深度学习技术的医疗诊断判读服务平台
2、作品分类
移动应用开发
3、作品描述
本系统基于深度学习中的神经网络图像识别算法，将系统应用在放射学、病理学和皮肤病学领域，在这些领域里识别X光片、发现肿瘤细胞和推断皮肤损伤等病患，同时建设面向移动互联网的医学影像判读服务项目。该算法采用混合卷积网(PCL)进行底层的平移不变特征学习，以层次化的方式迭代应用卷积神经网络(CNN)对输入图像集的不同非线性特征进行学习。算法的图库和查询实例中包括了不同视角、背景、面部表情、解析度和照明度的人脸或物体图像集。与医疗卫生组织、各级医院合作，为人民健康护航，系统方便、快捷、智能的特点，可以实时为用户阅片，每天的健康知识，健康提醒，可以在一定程度上为人民健康提供保障。推动社会医疗发展，减轻工作负荷和成本，提高工作效率，助力结构化报告，解放潜在社会生产力，省去挂号、排号等待医师看片的无效时间，可以做更有意义价值的事，解放潜在社会生产力，节省社会资源，创造更多社会价值。
4、创意来源
本项目成立于19年，已经经过了大量的市场调研，我们将其大致归为”问卷调查”、“网上查阅”、“区域调查”、“深度研究”四部分，做了全国医院每年挂号数量、挂号难问题调查等数据，整理了全国医疗工作者每年工作量数据表，团队成员也在当地医院进行过多次访问，了解了医生对于看片工作的看法，并沿街采访了人们对于挂号问题的看法，最后与技术合作公司北京网田科技公司CEO进行了深度交流，了解了相关技术要求，与实施方向和流程。 我们根据实践做出的市场分析，全国各级医院数量的逐年增长和诊疗人数的上升，表示了我们项目不管是用户级还是客户级都有很大的未来市场。 我们可以与各级医院达成合作协议，提供辅助诊断判读服务，也可以直接服务于有需要读片的患者及家属，有需要读片需求的患者可以使用本系统，上传一定清晰度的照片，系统根据深度学习自动读片，并给出诊断报告和建议。
5、运行环境（所需操作系统、硬件、软件等）
1.技术路线 1.1 PC端技术流线 PC前端基于Vue.js通过Element-UI实现PC前端功能。 提供快捷的增删改查生成工具。 提供细粒度的权限控制，支持按钮级别的权限控制。 提供上传、富文本编辑等控件 1.2 H5站技术路线 基于Vue.js通过Bridge技术实现前端代码在多移动端运行。 多种常用组件，弹出框、按钮、卡片、标签页等70余个基础组件。 多种原生能力，拍照、摄像、扫描、网络状态等10余个原生能力接口。 学习开发成本低，通用的技术栈，大量VUE组件。 方便扩展，提供开放的扩展接口。 1.3后端技术流线 后台采用Java技术体系作为总体技术路线，具体框架关键技术如下： Jdk1.7+（推荐1.8） MySQL（数据库） Redis（缓存） Maven（jar包管理，打包编译） Springboot（基础框架，包含spring、springmvc等） Swagger（接口文档） Mybatis（数据库） Druid（数据库连接池、SQL监控） SpringSecurity（用户权限、单点登录） Dubbo（SOA） 1.4人工智能技术路线说明 本项目中人工智能技术路线主要选用了基于深度学习中的神经网络图像识别算法进行实现。该算法采用混合卷积网(PCL)进行底层的平移不变特征学习，以层次化的方式迭代应用卷积神经网络(CNN)对输入图像集的不同非线性特征进行学习。算法的图库和查询实例中包括了不同视角、背景、解析度和照明度的病变皮肤组织以及正常皮肤组织图像集。 通过与廊坊市人民医院及欧蒙中国的合作，采集了近十万张皮肤损伤患者的影像数据作为基础训练数据。数据源在使用过程中被拆分成两个部分，其中6万张用于训练，3万张用于测试。 将构建完毕的基础模型、标注后的数据，以及系统部署于阿里云平台，依托阿里云平台强大的计算能力和深度学习平台支持，持续进行模型的训练和优化。 2、技术应用 2.1深度学习 小欧读片诊断平台基于深度学习中的神经网络图像识别算法进行实现。该算法采用混合卷积网(PCL)进行底层的平移不变特征学习，以层次化的方式迭代应用卷积神经网络(CNN)对输入图像集的不同非线性特征进行学习。算法的图库和查询实例中包括了不同视角、背景、解析度和照明度的病变皮肤组织以及正常皮肤组织图像集 2.2智能推荐 m个物品，m个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。对于这个问题，用机器学习的思想来建模解决，主流的方法可以分为：用关联算法，聚类算法，分类算法，回归算法，矩阵分解，神经网络,图模型以及隐语义模型来解决
