针对目前DWG格式数据向SHP格式数据转换过程中,存在对象离散化、层次掺杂和属性分离等问题,提出一种顾及对象分层的DWG格式转换为SHP格式的数据转换方法。通过设计中间结构,在图元对象分层的过程中,将DWG格式数据分散层次中的对象进行聚合,相应属性进行合并,最后以对象为单位输出到SHP图元层次中;基于Visual Studio 2019开发环境,采用Object-ARX SDK进行二次开发,定制数据转换工具。经实际生产验证,该方法及工具能有效提高工作效率,并且保证数据转换的准确性,解决数据转换过程中无损建库的问题。
背景围术期真实世界数据(real world data,RWD)涉及详细的患者信息和临床诊疗过程,很少用于临床研究。目的通过构建围术期物联网数据资源模型体系(widespread IoT resources edifice for perioperative setting,WIRE),整合手术患者围术...
详细信息
背景围术期真实世界数据(real world data,RWD)涉及详细的患者信息和临床诊疗过程,很少用于临床研究。目的通过构建围术期物联网数据资源模型体系(widespread IoT resources edifice for perioperative setting,WIRE),整合手术患者围术期的多源RWD,推动智能化技术真实世界研究的开展与应用。方法基于HL7参考信息模型,结合医疗物联网数据特征和临床数据模型,设计WIRE体系,实现围术期医学信息的数据模型层整合。同时,基于WIRE的围术期智能化预警技术的真实世界研究通用方法,针对术中低氧血症和低血压开展预警模型研究,研发集成预警模型的手术患者风险预警系统。结果在解放军总医院第六医学中心和广东省人民医院均成功构建了基于WIRE的围术期专科数据资源库,分别汇集了6483台次、27939台次手术相关数据,为预警模型提供了充足的数据资源。术中低血压以及术中低氧血症预测模型在提前3 min和提前5 min的预测精确率、召回率、F1分数均优于麻醉医师表现(P<0.05)。此外,开发的风险预警系统实现了对手术患者术中并发症发生可能性的即时预警。结论WIRE能有效整合手术患者围术期RWD,促进临床科研工作开展,并对临床数据要素的产业化价值释放提供了实践参考。
为了解决文本分类任务中未标注数据无法即时标注及成本过高的问题,提出一种面向文本分类的不确定性主动学习方法。提出MSDL(Measure sample density by LDA)算法对未标注样本密集度进行计算,引入新的度量样本聚集情况的密集度计算方式,...
详细信息
为了解决文本分类任务中未标注数据无法即时标注及成本过高的问题,提出一种面向文本分类的不确定性主动学习方法。提出MSDL(Measure sample density by LDA)算法对未标注样本密集度进行计算,引入新的度量样本聚集情况的密集度计算方式,在密集度高的样本区域选取初始训练集样本,从而使初始训练集更具代表性;从未标注样本中选取更具不确定性的样本加入到训练集中,并基于信息熵对样本进行加权训练,迭代更新分类器模型,直至达到预期终止条件。实验结果表明,在文本分类任务中,该方法相较于其他传统主动学习算法性能更优。
暂无评论