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！

龙图腾网获悉中国人民解放军总医院第七医学中心申请的专利基于多影像组学和血清标志物的DCM早期无创分析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：CN120508971B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202510471296.3，技术领域涉及：G16H50/20；该发明授权基于多影像组学和血清标志物的DCM早期无创分析方法是由衣慧;阚福泉;张然;万雷;王晓东;周更须;韩帆;师秀娟设计研发完成，并于2025-04-15向国家知识产权局提交的专利申请。

本基于多影像组学和血清标志物的DCM早期无创分析方法在说明书摘要公布了：本发明涉及医学诊断技术领域，公开了基于多影像组学和血清标志物的DCM早期无创分析方法。通过多模态医学影像设备采集影像数据，血液检测设备采集血清标志物数据；利用多尺度特征提取算法和时序分析模型分别生成影像组学特征集与血清标志物时序特征集；采用动态加权融合策略融合特征生成联合特征矩阵；将其输入预先训练的多任务深度学习模型预测DCM风险概率；最后基于遗传算法优化诊断决策树输出早期DCM诊断结果。该方法无创、精准，能有效提高DCM早期诊断准确率。

本发明授权基于多影像组学和血清标志物的DCM早期无创分析方法在权利要求书中公布了：1.基于多影像组学和血清标志物的DCM早期无创分析方法，其特征在于，包括： 通过多模态医学影像设备采集儿童患者的影像数据，所述多模态医学影像包括心脏MRI、超声心动图和心脏CT； 通过血液检测设备采集血清标志物数据； 基于多尺度特征提取算法对所述影像数据进行影像组学特征提取，生成影像组学特征集； 基于时序分析模型对所述血清标志物数据进行动态变化建模，生成血清标志物时序特征集，包括：采集多个时间点的血清标志物浓度数据，构建时间序列矩阵；采用自回归积分滑动平均模型对所述时间序列矩阵进行趋势分解，得到趋势项、季节项和残差项；基于动态时间规整算法对多个患者的时序数据进行对齐，消除个体间采样时间偏差；构建基于长短时记忆网络的时序预测模型，输入对齐后的时序数据，预测未来时间点的标志物浓度变化；提取所述时序预测模型的隐藏状态向量作为动态变化特征；结合趋势项、季节项、残差项和动态变化特征，生成血清标志物时序特征集； 采用动态加权融合策略对所述影像组学特征集和所述血清标志物时序特征集进行跨模态特征融合，生成联合特征矩阵； 将所述联合特征矩阵输入预先训练的多任务深度学习模型，所述多任务深度学习模型包含分类模块和重构模块，其中所述分类模块用于执行DCM分类任务以预测疾病风险概率，所述重构模块用于执行特征重构任务以重建所述联合特征矩阵，通过图神经网络架构对分类模块与重构模块的节点嵌入向量进行交互学习，并基于联合损失函数对两类任务进行同步优化，输出DCM风险概率；其中，所述多任务深度学习模型的构建步骤包括： 构建患者特征图，节点表示单个患者的联合特征向量，边表示患者间的临床相似性，所述临床相似性基于年龄、性别和基础疾病匹配度计算； 采用图注意力机制对节点特征进行聚合，生成节点嵌入向量；设计分类任务分支，将节点嵌入向量输入全连接层，输出DCM风险概率； 根据所述DCM风险概率构建个性化诊断决策树，其中，‌决策树初始化设计包括： ‌‌根节点‌：基于DCM风险概率进行首次分叉，分为高风险和低风险； ‌中间节点‌：结合临床指标与重构模块输出的特征重构误差生成二级分支‌； ‌叶子节点‌：输出诊断结论及置信度，诊断结论包括确诊DCM、疑似病例和排除风险； 基于遗传算法对决策树的分支阈值进行优化，生成最优诊断路径；基于所述最优诊断路径输出早期DCM诊断结果。

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中国人民解放军总医院第七医学中心，其通讯地址为：100007 北京市东城区南门仓5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。