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！

申请/专利权人：西安医学院第二附属医院

摘要：本发明涉及数据分析技术领域，具体是指一种医学检验结果自动化解读与诊断支持系统，包括数据采集与整合子系统、数据预处理与清洗子系统、特征提取与选择子系统、数据解读与分析子系统、诊断支持与推理子系统、报告生成与可视化子系统和优化反馈子系统，本方案在数据预处理与清洗子系统使用多密度DBSCAN算法，通过识别低密度和高密度区域，能够更准确地检测出异常值，从而减少了误判率，提升了异常值检测的精度；在数据解读与分析子系统使用SFS‑多标准决策方法，对关键特征进行更全面和准确的评估，通过构建决策矩阵和计算加权综合得分，使得决策过程透明和可解释，提供有力的决策支持，提高诊断效率和准确性。

主权项：1.一种医学检验结果自动化解读与诊断支持系统，其特征在于：包括数据采集与整合子系统、数据预处理与清洗子系统、特征提取与选择子系统、数据解读与分析子系统、诊断支持与推理子系统、报告生成与可视化子系统和优化反馈子系统，具体包括以下内容：所述数据采集与整合子系统收集、整合和标准化医学检验数据并发送至数据预处理与清洗子系统；所述数据预处理与清洗子系统使用基于多密度DBSCAN算法和四分位数法的异常值检测对采集到的医学检验数据进行预处理，将预处理后的医学检验数据发送至特征提取与选择子系统；所述特征提取与选择子系统提取关键特征并发送至数据解读与分析子系统；所述数据解读与分析子系统使用SFS-多标准决策方法对关键特征进行解读；所述诊断支持与推理子系统提供诊断支持和治疗建议；所述报告生成与可视化子系统生成可视化的报告，给医疗专业人员和患者展示分析结果和诊断建议；所述优化反馈子系统进行持续学习和反馈；在数据预处理与清洗子系统中，使用基于多密度DBSCAN算法，具体实现步骤如下：步骤S1：初步处理，进行清洗与去噪；步骤S2：运行多密度DBSCAN聚类算法，进行异常值检测，创建DBSCAN异常值集合并存入检测到的异常值；在步骤S2中，多密度DBSCAN聚类算法进行异常值检测，具体包括以下步骤：步骤S21：数据点定义，将每一个清洗与去噪后的医学检验数据设置成一个数据点；步骤S22：提取低密度数据点，使用欧式距离计算低密度数据点密度，设置阈值，密度低于阈值的数据点为低密度数据点；步骤S23：寻找自然聚类，在低密度数据点上进行初步聚类，识别出核心点，计算核心点之间的密度比值，将密度比值范围在[0.9，1.1]的核心点所在的聚类进行连接，形成自然聚类；步骤S24：提取剩余数据点，剔除低密度数据点后，剩余的数据点属于高密度区域，提取剩余的高密度数据点；步骤S25：对高密度区域的数据点进行聚类，将无法归属聚类的数据点标记噪声点；步骤S26：分配噪声点，使用k近邻算法找到噪声点最近的聚类，并将噪声点分配给最近的聚类；步骤S27：异常值，最终得到异常值为低密度区域中未归属自然聚类的数据点，高密度区域中通过k近邻算法未能找到最近的聚类的噪声点；步骤S3：四分位数法的异常值检测，进行异常值检测，创建四分位数法异常值集合并存入检测到的异常值；步骤S4：集合合并，合并DBSCAN异常值集合和四分位数法异常值集合，创建综合异常值集合；步骤S5：综合处理，对综合异常值集合中的异常值进行处理；在数据解读与分析子系统中，SFS-多标准决策方法具体包括以下步骤：步骤Q1：定义模糊集，设置评估标准，包括准确性、灵敏度、特异性、精确度、检测时间、舒适度和成本，为每个评估标准构建球形模糊集；步骤Q2：定义隶属度函数；步骤Q3：评估和加权，对评估标准进行升序排序，计算所有评估标准的调整系数和最终权重；步骤Q4：计算决策矩阵，构建关键特征在评估标准上的得分，形成决策矩阵，决策矩阵的每一行代表一个关键特征，每一列代表一个评估标准；步骤Q5：计算加权综合得分，使用隶属度函数计算每个关键特征的综合得分，所用公式如下： ；其中，是关键特征的加权综合得分，是评估标准的最终权重，是关键特征在评估标准上的隶属度；步骤Q6：距离矩阵，计算关键特征之间的欧氏距离，形成距离矩阵；步骤Q7：计算相对距离和优先级，所用公式如下： ； ；其中，为关键特征与除了以外其他所有关键特征的相对距离和，为距离矩阵中的最大值，是关键特征和其他关键特征之间的欧氏距离，为关键特征的优先级得分；步骤Q8：优先级排序和分析，对每个关键特征的优先级得分进行降序排序并进行分析。

全文数据：

权利要求：

百度查询： 西安医学院第二附属医院 一种医学检验结果自动化解读与诊断支持系统