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！

龙图腾网获悉山东第一医科大学第一附属医院(山东省千佛山医院);山东大学齐鲁医院申请的专利基于人工智能的抗NMDAR脑炎临床预后评估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：CN120766939B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202510972704.3，技术领域涉及：G16H50/20；该发明授权基于人工智能的抗NMDAR脑炎临床预后评估方法是由乔珊;李海云;杨向东设计研发完成，并于2025-07-15向国家知识产权局提交的专利申请。

本基于人工智能的抗NMDAR脑炎临床预后评估方法在说明书摘要公布了：本发明涉及一种基于人工智能的抗NMDAR脑炎临床预后评估方法，属于人工智能与数据处理技术领域。其包括以下步骤：获取患者的多模态神经影像数据；采用张量分解融合策略对多模态神经影像数据进行融合预处理，通过低秩约束保留跨模态空间相关性，得到融合后的输出张量；通过对融合后的输出张量进行病灶感知各向异性扩散滤波，得到扩散滤波后的输出影像；构建抗NMDAR脑炎临床预后评估模型，所述扩散滤波后的输出影像输入模型中进行训练，采用Adam自适应优化器对训练过程进行优化，最终得到训练好的模型；将待评估的扩散滤波后的输出影像输入到训练好的模型中，得到评估分类结果。本发明能够增强模型对病灶的识别和分类能力。

本发明授权基于人工智能的抗NMDAR脑炎临床预后评估方法在权利要求书中公布了：1.一种基于人工智能的抗NMDAR脑炎临床预后评估方法，其特征在于，包括以下步骤： S1.获取患者的多模态神经影像数据； S2.采用张量分解融合策略对多模态神经影像数据进行融合预处理，通过低秩约束保留跨模态空间相关性，得到融合后的输出张量； S3.通过对融合后的输出张量进行病灶感知各向异性扩散滤波，得到扩散滤波后的输出影像； S4.构建抗NMDAR脑炎临床预后评估模型，所述模型包括动态卷积模块、空间特征解耦模块、门控池化模块及全连接分类器；所述扩散滤波后的输出影像输入抗NMDAR脑炎临床预后评估模型中进行训练，采用Adam自适应优化器对训练过程进行优化，最终得到训练好的模型；具体步骤包括： 所述动态卷积模块通过动态卷积核参数初始化赋予卷积核病灶先验知识，采用各向异性深度可分离卷积沿x轴、y轴、z轴三正交方向分解特征提取过程，利用方向注意力图强化病灶主响应： 动态卷积核参数初始化：分别计算健康样本和患病样本的扩散滤波后影像的平均值，得到健康模板和病灶模板，将健康模板减去病灶模板，得到基础卷积核参数；通过计算随机健康样本与随机患病样本扩散影像差异的Sigmoid加权期望值，并乘以缩放因子，生成病灶差异强化项；将基础卷积核参数与病灶差异强化项相加，得到最终的卷积核初始参数张量； 各向异性深度可分离卷积：沿三维空间坐标轴方向分别计算扩散滤波后的输出影像的偏导数，得到对应方向的梯度场张量，表征影像在该方向的变化率，定义为沿方向的梯度场张量，表示三维空间的x轴、y轴、z轴的方向变量；利用温度调节的Softmax函数，采用温度参数控制权重分布的尖锐程度，将三个方向的梯度场张量转化为对应的方向注意力权重图；公式表示如下： ， 其中，表示方向的注意力权重图；表示温度参数；表示区别于的三维空间的x轴、y轴、z轴的方向变量，表征求和索引遍历x轴、y轴、z轴三个空间方向；表示沿方向的梯度场张量；表示自然指数函数；分别沿三个方向，对扩散滤波后的输出影像加权的输入影像执行一维卷积操作，每个方向使用对应的可训练卷积核参数，生成该方向卷积输出的特征张量；将沿x轴、y轴、z轴三个方向卷积输出的特征张量，沿特征维度进行拼接操作，生成多方向卷积特征张量； 所述空间特征解耦模块通过3D卷积与曲率驱动的空间注意力机制解耦病灶形态特征，具体为：对多方向卷积特征张量进行三维卷积操作，利用高斯误差线性单元激活函数结合非线性，同时，利用拉普拉斯算子计算输入特征的曲率，通过卷积调整和Sigmoid函数生成空间注意力图，将多方向卷积特征张量与空间注意力图逐元素相乘，得到解耦后的空间特征张量； 所述门控池化模块通过病灶差异感知池化操作对特征图进行门控加权下采样，保留病灶敏感区域信息，具体为：利用动态卷积核参数初始化阶段生成的病灶模板，计算解耦后的空间特征张量局部区域与病灶模板的相似度；采用尖锐度调整参数控制权重分布尖锐度，结合相似度与解耦后的空间特征张量特征曲率生成自适应门控权重；采用门控权重对解耦后的空间特征张量局部区域特征加权后，再进行最大池化操作，最终得到池化后的特征张量； 所述全连接分类器包括全连接层和输出层，实现特征的降维和高层次抽象特征提取，具体为：池化后的特征张量被展平为一维特征向量，一维特征向量通过多个全连接层进行数据传递，最终输出紧凑的低维特征向量；每个全连接层由可训练的权重和偏置参数组成，并采用ReLU非线性激活函数进行特征变换；所述紧凑的低维特征向量经过输出层得到预后评估分类类别；所述输出层同样为全连接层，采用Softmax函数； S5.将待评估的扩散滤波后的输出影像输入到训练好的模型中，得到评估分类结果。

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山东第一医科大学第一附属医院(山东省千佛山医院);山东大学齐鲁医院，其通讯地址为：250000 山东省济南市经十路16766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。