买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜温州大学大数据与信息技术研究院;温州职业技术学院申请的专利基于多模态数据融合的医学诊断智能决策系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119495423B 。

龙图腾网通过国家知识产权局官网在2025-05-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510077424.6，技术领域涉及：G16H50/20；该发明授权基于多模态数据融合的医学诊断智能决策系统是由陈慧灵;夏志良;张维溪;陈丽燕;王名镜设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本基于多模态数据融合的医学诊断智能决策系统在说明书摘要公布了：本发明公开了一种基于多模态数据融合的医学诊断智能决策系统，通过患者信息采集单元获取患者的医学影像、生物特征和电子病历数据，利用特征处理单元从不同模态数据中提取特征向量；系统的核心在于模态融合引擎，该模块结合深度神经网络和贝叶斯推理引擎，实现特征间关联关系的深度学习和概率依赖建模；通过自适应特征优化器，采用注意力机制对不同模态特征进行权重优化，生成优化后的特征表示；智能诊断分析单元基于优化特征计算诊断概率，并在置信度不足时结合病例知识库进行辅助诊断，输出包含诊断类别、依据和建议的诊断报告；本发明融合多源异构数据，结合深度学习和概率推理，实现了智能化的医学辅助诊断，提高了诊断的准确性和可解释性。

本发明授权基于多模态数据融合的医学诊断智能决策系统在权利要求书中公布了：1.一种基于多模态数据融合的医学诊断智能决策系统，其特征在于，包括：患者信息采集单元，用于采集患者的医学影像数据、生物特征数据及电子病历文本数据；特征处理单元，用于从医学影像数据中提取视觉特征向量；从生物特征数据中提取生理指标特征向量；从电子病历文本中提取语义特征向量；模态融合引擎，包括深度神经网络和贝叶斯推理引擎，其中，所述深度神经网络用于接收特征处理单元输出的视觉特征向量、生理指标特征向量和语义特征向量，通过多层非线性变换学习不同模态特征之间的关联关系，获得融合特征表示，所述融合特征表示对应多个特征节点，每个特征节点关联一个特定的医学概念；所述贝叶斯推理引擎用于接收所述融合特征表示，基于预先构建的专家知识图谱建立特征节点之间的条件概率依赖模型，生成概率化特征关联表示；自适应特征优化器，用于将所述融合特征表示和概率化特征关联表示进行组合整合，生成综合特征表示；基于所述综合特征表示计算样本间的相似度，并结合患者个体数据特点，采用注意力机制自适应生成不同模态特征的权重系数；利用所述权重系数对增强特征矩阵中的不同模态特征进行加权；将加权后的不同模态特征重新组合，生成优化后的特征表示；智能诊断分析单元，用于将所述优化后的特征表示输入预设的疾病诊断模型，计算每个诊断类别的概率得分，生成初步诊断结果；计算所述初步诊断结果的置信度得分，当置信度得分低于预设阈值时，从预设的病例知识库中提取相似病例的诊断信息作为辅助诊断依据；根据所述初步诊断结果、置信度得分和辅助诊断依据，生成包括主要诊断类别、诊断依据及建议检查项目的诊断报告；其中，所述深度神经网络具体用于：按照如下的公式1，进行模态特征空间统一映射： ；其中，表示输入模态特征，包括视觉特征向量、生理指标特征向量和语义特征向量，；是经过统一特征空间映射后的模态特征向量；是第种模态对应的权重矩阵，用于将模态特征映射到统一的特征空间；是第种模态对应的偏置向量；是激活函数，包括ReLU或者tanh；按照如下的公式2，实现模态间交互优化： ；其中，为通过模态间的关联学习生成交互优化的特征表示；表示查询向量，用于捕捉当前模态与其他模态特征间的关系；表示键向量，表示模态特征对比的参考；表示键向量的维度；表示值向量，用于存储各模态的实际特征信息；所述查询向量、键向量以及值向量按照如下的公式3-5进行计算： ； ； ；其中，是映射到统一空间后的视觉特征向量；是映射到统一空间后的生理指标特征向量；是映射到统一空间后的语义特征向量；是是查询向量的权重矩阵；是键向量的权重矩阵；是值向量的权重矩阵；按照如下的公式6，计算融合特征表示： ；其中，为自适应权重，按照如下的公式7计算： ；其中，可学习的权重矩阵；为可学习的偏置项；所述贝叶斯推理引擎具体用于：按照如下的公式8，将融合特征表示映射到初步概率空间，生成每个特征节点的初步概率值： ；其中，表示第个特征节点的初步概率；是特征映射的权重矩阵；是特征映射的偏置项;是Sigmoid函数；是多模态融合后的特征向量，表示特征节点的数据表示；结合专家知识图谱构建特征节点间的条件概率依赖关系，按照如下的公式9，计算特征节点的条件概率： ；其中，为知识图谱中定义的节点的父节点集合；是节点与其父节点的关联权重；为节点的特征向量；为父节点的特征向量；为特征向量和的欧几里得距离；根据如下的公式10，获得全局联合概率分布： ；其中，，表示全局特征节点集合；，表示对应的特征向量集合；是特征节点的数量；为特征节点的条件概率；通过变分推断方法对初步概率和条件概率进行联合优化,生成优化后的后验概率分布，优化目标函数采用如下的公式11： ；其中，是指KL散度；所述优化目标函数通过最小化KL散度，动态调整近似分布，使其尽可能接近目标分布；为优化后的近似分布，表示特征节点的最终概率值；为条件概率建模的结果；优化后的后验概率表示特征节点的最终概率化关联表示,用于诊新决策，，是特征节点的数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人温州大学大数据与信息技术研究院;温州职业技术学院，其通讯地址为：325000 浙江省温州市龙湾区创新创业新天地一期1号楼727-731、739-743室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。