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！

龙图腾网获悉四川大学华西医院申请的专利一种基于电子健康记录的特征融合肺癌风险预测方法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：CN120766979B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202511254890.3，技术领域涉及：G16H50/30；该发明授权一种基于电子健康记录的特征融合肺癌风险预测方法是由古韬;李昱林;宋立军;钟剑丹;李为民设计研发完成，并于2025-09-04向国家知识产权局提交的专利申请。

本一种基于电子健康记录的特征融合肺癌风险预测方法在说明书摘要公布了：本发明公开了一种基于电子健康记录的特征融合肺癌风险预测方法，属于医疗数据分析技术领域，所述方法包括的步骤为：提取结构化数据特征和取非结构化文本特征、将结构化特征向量与词向量矩阵进行拼接、利用GRU门控模型进行时序建模、对拼接向量的权重和依赖关系进行学习、输入词级注意力池化层通过门控注意力机制捕捉特征矩阵中不同向量的重要性等；本发明通过特征级融合结构化数据与非结构化数据更加充分的利用了电子健康记录中的数据信息，将电子健康记录中可利用的特征维度提升30%以上，建立了不同数据类型间的深层交互融合机制，解决了数据孤岛问题，显著减少了关键信息的遗漏，同时丰富的数据信息极大的增强了模型的泛化能力与预测精度。

本发明授权一种基于电子健康记录的特征融合肺癌风险预测方法在权利要求书中公布了：1.一种基于电子健康记录的特征融合肺癌风险预测方法，其特征在于，包括下述步骤： S1：提取结构化数据特征，得到结构化特征向量； S2：提取非结构化文本特征，得到词向量矩阵； S3：将步骤S1得到的结构化特征向量与步骤S2得到的词向量矩阵进行拼接，得到拼接后的特征向量矩阵； S4：利用GRU门控模型进行时序建模，对拼接向量的权重和依赖关系进行学习，得到融合后的特征向量矩阵； S5：将步骤S4得到的融合后的特征向量矩阵输入词级注意力池化层中，通过门控注意力机制捕捉特征矩阵中不同向量的重要性，将高维特征矩阵聚合形成低维的特征向量，得到融合特征向量； S6：将步骤S5得到的融合特征向量输入全连接分类器，采用Softmax激活函数输出最终肺癌风险预测的概率分布结果；其中， 步骤S2中，提取非结构化文本特征的方法为： 选择使用预训练的Bert中文模型获取自由文本的向量表示，Bert模型由至少6层transformer编码器堆叠构成，依靠多头注意力机制捕捉词语间细致的依赖关系，并且将文本关系投射到高维语义空间转化为特征向量表示； 所述提取非结构化文本特征的具体方法为： 所述Bert模型输预设长度设置为Bert模型支持的最大长度512维，所述Bert模型的输入为队列形式，模型每个时间步输入一个词嵌入，输出当前时间步的隐藏层状态作为文本的局部语义表征，表示为一个768维的向量形式，即文本的词向量表示；获取每一个时间步输出的词向量，构成一个向量矩阵，所述向量矩阵为：Bert输出维度×模型预设长度，作为提取到的非结构化特征矩阵； 步骤S5中，所述注意力池化层由一个词级注意力网络和一个加权池化网络构成，其中， 所述词级注意力网络由两层全连接层和Tanh激活函数构成；输入为GRU输出的特征向量矩阵，首层全连接层通过线性映射和Tanh激活函数生成中间表示，中间维度小于GRU隐藏层维度，次层全连接层通过无偏置线性变换产生注意力得分，最后应用Softmax归一化得到每个时间步的权重分布，在训练过程中，所述词级注意力网络会学习到每个时间步的特征权重，输出与每个时间步特征向量对应的权重分数向量； 所述加权池化网络的训练方法为：将获得的权重分数向量重新与GRU输出的特征矩阵中对应时间步的特征向量相乘，获得加权后的特征矩阵，然后将加权后的特征向量逐个相加，生成固定维度的全文级特征表示，获得最终的融合特征向量，实现动态聚焦关键诊断片段的技术效果，最终融合获得一个维度等于GRU隐藏层维度的一维向量。

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四川大学华西医院，其通讯地址为：610000 四川省成都市武侯区国学巷37号；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”。

以上内容由龙图腾AI智能生成。