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！

龙图腾网获悉西安交通大学医学院第一附属医院申请的专利智能化胃肠道术后肠梗阻诊断与干预决策系统及其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：CN120376115B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202510847051.6，技术领域涉及：G16H50/20；该发明授权智能化胃肠道术后肠梗阻诊断与干预决策系统及其方法是由龚文斌;赵伟;杨魁设计研发完成，并于2025-06-24向国家知识产权局提交的专利申请。

本智能化胃肠道术后肠梗阻诊断与干预决策系统及其方法在说明书摘要公布了：本发明公开了智能化胃肠道术后肠梗阻诊断与干预决策系统及其方法，包括如下步骤：S1、采集术后患者多源数据并预处理，构建输入数据集；S2、构建多尺度视觉Transformer模型，提取多尺度图像特征表示；S3、构建多模态状态表示向量；S4、将多模态状态表示向量输入干预策略网络，生成干预决策；S5、采集反馈数据，计算奖励值，优化策略网络；S6、将优化后策略网络处理多模态状态向量，输出新干预决策；S7、构建图像特征响应评估函数，监督优化多尺度视觉Transformer。本发明通过将多尺度视觉Transformer与信赖域策略优化结合，实现术后肠梗阻的智能诊断与个性化干预。

本发明授权智能化胃肠道术后肠梗阻诊断与干预决策系统及其方法在权利要求书中公布了：1.智能化胃肠道术后肠梗阻诊断与干预决策系统，其特征在于，包括如下模块： 数据采集与预处理模块，用于采集胃肠道术后患者的多源数据并进行预处理，构建输入数据集； 多尺度视觉Transformer特征提取模块，用于从输入数据集中提取多尺度图像特征表示； 多模态状态融合模块，用于将多尺度图像特征表示与输入数据集进行融合，生成多模态状态表示向量； 干预策略网络模块，用于基于信赖域策略优化算法，结合多模态状态表示向量，输出患者干预行为决策； 奖励与罕见事件判别模块，用于根据干预执行后的反馈数据构建奖励函数，并判别是否发生罕见高风险事件，生成用于策略优化的干预策略网络； 模型监督优化模块，用于根据干预策略网络参数和反馈数据，构建图像特征响应评估函数，并作为监督信号引导多尺度视觉Transformer模型的动态优化； 所述智能化胃肠道术后肠梗阻诊断与干预决策系统运行过程具体包括以下步骤： S1、采集胃肠道术后患者的多源数据，对多源数据进行预处理，构建输入数据集； S2、构建多尺度视觉Transformer模型，从输入数据集中提取腹部影像数据，输入至多尺度视觉Transformer模型，提取多尺度图像特征表示； S3、将多尺度图像特征表示与输入数据集中的生命体征数据和术后行为记录数据进行融合，构建患者多模态状态表示向量； S4、将患者的多模态状态表示向量输入至基于信赖域策略优化的干预策略网络，设定最大KL散度限制阈值，生成干预行为决策； S5、根据干预行为决策对患者实施对应干预措施，并采集干预执行后的反馈数据，计算干预行为与结果之间的策略奖励值，采用信赖域策略优化算法，在预设的KL散度约束范围内对干预策略网络的参数进行迭代更新，得到优化后的干预策略网络； S6、将优化后的干预策略网络处理患者的多模态状态表示向量，持续输出新的干预行为决策，实现干预策略的动态更新与应用循环； S7、根据干预策略网络的参数与反馈数据，构建图像特征响应评估函数，作为监督信号输入至多尺度视觉Transformer模型，对多尺度视觉Transformer模型进行优化； S2具体包括： S21、从输入数据集中提取腹部区域的腹部影像数据，构建原始图像张量，其中，表示图像高度，表示图像宽度，表示图像通道数，R为实数集； S22、对获得的原始图像张量采用多尺度金字塔策略进行下采样，获得多个不同空间分辨率的腹部影像张量集合,其中，表示在第s个空间分辨率下的腹部影像张量，表示多尺度金字塔结构中腹部影像张量的总尺度数； S23、对获得的每一个尺度的腹部影像张量，按照固定大小的窗口进行划分，获得不重叠窗口集合，并在每个窗口内部利用局部自注意力机制计算窗口内的自注意力特征，其中，表示在第s个空间分辨率下，将腹部影像张量划分后得到的第i个窗口区域的图像子块，表示第s个尺度下腹部影像张量被划分的窗口总数； S24、对每一个尺度下获得的全部窗口区域，通过局部自注意力机制分别提取各窗口的特征表示，按照原有空间顺序将所有窗口的特征进行拼接，得到尺度下的编码特征图； S25、将所有尺度下的编码特征图，按照通道拼接并加权求和的方式，将各尺度的编码特征图进行融合，得到融合后的多尺度图像特征表示； S26、将融合后的多尺度图像特征表示输入双分支协同架构，分别输入至结构解码分支和辅助判别分支，结构解码分支提取腹部结构特征信息，辅助判别分支提取肠梗阻风险判别相关特征； S27、在结构解码分支的解码器中，采用层次化反卷积和跳跃连接机制，将腹部结构特征信息按照从深到浅的层次顺序进行多级上采样与空间特征融合，重建得到腹部结构预测图； S28、在辅助判别分支中，对肠梗阻风险判别相关特征利用全连接层和激活函数进行处理，输出辅助风险判别结果； S29、在多尺度图像特征表示上进一步引入滑动窗口局部注意力机制，通过滑动窗口覆盖特征图的各个区域，在每一窗口内计算局部自注意力； S210、在多尺度视觉Transformer模型训练过程中，采用结构损失函数与功能损失函数进行加权组合，通过最小化加权组合的联合损失函数优化多尺度视觉Transformer模型参数，所述结构损失函数是采用像素级交叉熵损失函数构建，功能损失函数是采用二分类交叉熵损失函数进行构建，最终通过设定加权系数，将结构损失函数与功能损失函数线性加权组合，形成联合损失函数； S211、在训练过程中利用高分辨率特征分支对低分辨率特征分支执行知识蒸馏，通过最小化高低分辨率分支输出分布的KL散度； S212、在多尺度视觉Transformer模型训练完成后，保存多尺度视觉Transformer模型的全部参数配置，将新采集的腹部影像数据输入至已训练的多尺度视觉Transformer模型，获得最终输出的多尺度图像特征表示； 所述S3具体包括： S31、从输入数据集中提取与腹部影像数据同一时间点的生命体征数据和术后行为记录数据，生命体征数据包括体温、心率、呼吸频率、血压和血氧饱和度的时序监测参数，术后行为记录数据包括患者排气、排便、进食和活动的关键行为时间序列； S32、对提取的生命体征数据与术后行为记录数据进行归一化与时序对齐，构建多模态结构化特征张量，其中，表示时间步数，表示临床特征维度数量，为实数集； S33、将获得的多尺度图像特征表示进行时序索引对齐，对于影像特征与临床数据在同一时间步对应； S34、将对齐后的多尺度图像特征表示与获得的多模态结构化特征张量进行特征级融合，采用拼接方式获得患者多模态状态表示向量； S35、对所有时间步的患者多模态状态表示向量进行批量整理，形成用于干预策略网络输入的患者多模态状态表示向量； 所述S4具体包括： S41、将获得的患者多模态状态表示向量作为当前输入状态输入至基于信赖域策略优化的干预策略网络； S42、在干预策略网络中设定干预行为集合，其中，表示第种干预行为，为干预行为总数； S43、初始化干预策略网络参数，采用深度神经网络将患者多模态状态表示向量输入干预策略网络，通过干预策略网络的前向计算得到每一种干预行为的概率分布结果； S44、设置信赖域约束，限定每次策略分布更新的最大KL散度阈值； S45、在策略优化过程中，嵌入医学先验约束，将医学指南、手术禁忌和专家经验的临床医学先验知识以约束项形式融入到策略优化流程中，对于不符合医学规范或存在重大医疗风险的干预行为，在干预策略网络的概率分布中降低权重； S46、采用信赖域动态自适应机制，根据信号函数动态调整KL散度阈值： ； S47、引入多目标分层信赖域优化机制，在干预策略网络优化过程中，将干预目标细化为多个层级目标，包括疗效最大化、安全风险最小化和医疗资源优化，分别对每个目标建立独立的信赖域约束，并通过分层聚合机制平衡不同目标下的策略输出； S48、在干预策略网络的训练与优化过程中，将历史出现概率低于预设阈值且对应风险评分高于预设阈值的事件样本定义为罕见高风险事件样本，针对罕见高风险事件样本，设置经验记忆池并提升罕见高风险事件样本在训练样本中的采样权重，在策略更新过程中对涉及罕见高风险事件的训练批次应用更为严格的信赖域约束，加强收敛约束； S49、采集患者干预执行后的反馈，构建奖励函数： ； 其中，表示临床反馈奖励映射函数，依据患者个体响应动态调整奖励权重，将奖励信号分为短期效果、长期结局和风险惩罚不同层级；同时，在奖励信号生成过程中引入反馈溯源解释机制，对奖励信号的关键贡献因素进行标注与溯源分析，提升奖励反馈的个性化、动态性和可解释性，为干预策略网络的持续优化和精准调整提供更丰富的反馈信息支持； S410、输出经优化后的干预策略网络产生的干预行为决策，将干预行为决策应用于患者当前实际干预，并进行闭环效果反馈采集和动态策略更新； 所述S5具体包括： S51、根据干预策略网络输出的干预行为决策，对患者实施对应的医疗干预措施，所述医疗干预措施包括保守观察、饮食控制、药物治疗、胃肠减压、影像复查或手术处理； S52、采集每次干预措施实施后的反馈数据，所述反馈数据包括患者的症状表现、生命体征参数、实验室检查指标和不良事件信息，形成反馈数据集； S53、对反馈数据集进行预处理，得到干预效果变化特征向量，并根据干预效果变化特征向量构建综合性奖励函数： ； 其中，为临床反馈奖励映射函数； S54、将综合性奖励函数及罕见高风险事件指示函数作为反馈信号输入干预策略网络，所述罕见高风险事件指示函数用于判别患者在干预后是否发生历史发生概率低于预设阈值且风险评分高于预设阈值的事件，当反馈数据中出现这类事件时，罕见高风险事件指示函数取值为1，否则取值为0，联合当前状态-动作对进行策略优化，其中，表示第t个时间步下患者的多模态状态表示向量，表示第t个时间步下所选择并执行的干预行为决策； S55、采用信赖域策略优化算法进行参数更新，优化目标为； ； 并满足动态KL散度约束： ； 其中，表示当前干预策略网络参数下，针对患者的多模态状态表示向量选择干预行为决策的概率，表示上一次更新前干预策略网络参数下，对同一状态-动作对的概率，为奖励信号加权系数，为罕见事件奖励权重系数，为期望算子，表示取使目标函数取得最大值时对应的参数，为KL散度阈值，表示KL散度； S56、持续采集和归档每一次干预及其反馈数据，动态调整奖励函数参数和罕见事件权重参数； S57、循环执行上述S51至S56步骤，实现基于奖励机制和动态策略优化的干预策略网络持续迭代更新； 所述S7具体包括： S71、根据最新干预策略网络的参数与患者干预执行后的反馈数据，结合当前融合后的多尺度图像特征表示，构建图像特征响应评估函数； S72、将图像特征响应评估函数作为监督信号输入多尺度视觉Transformer模型，作为注意力分布权重调整的依据，优化多尺度视觉Transformer模型在不同空间尺度下的注意力权重参数； S73、在多尺度视觉Transformer模型优化过程中，迭代更新各尺度Transformer编码层的注意力分布权重，多尺度视觉Transformer模型在处理新输入腹部影像数据时，能够自适应地强化对与反馈高度相关的关键区域的特征提取能力； S74、将优化后的多尺度视觉Transformer模型参数进行保存，形成可持续自适应更新的多尺度视觉Transformer模型，并在腹部影像数据分析过程中，持续利用图像特征响应评估函数及注意力引导机制，实现多尺度视觉Transformer模型动态监督优化与个体化特征提取能力提升。

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西安交通大学医学院第一附属医院，其通讯地址为：710061 陕西省西安市雁塔西路277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。