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！

龙图腾网获悉厦门大学附属第一医院(厦门市第一医院、厦门市红十字会医院、厦门市糖尿病研究所)申请的专利一种呼吸道感染病原体辅助诊断方法、装置及可读介质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：CN120998473B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202511519669.6，技术领域涉及：G16H50/20；该发明授权一种呼吸道感染病原体辅助诊断方法、装置及可读介质是由宁万山;杨静静;陈群;苏笃斌;许睿智;马驰原设计研发完成，并于2025-10-23向国家知识产权局提交的专利申请。

本一种呼吸道感染病原体辅助诊断方法、装置及可读介质在说明书摘要公布了：本发明公开了一种呼吸道感染病原体辅助诊断方法、装置及可读介质，涉及医疗数据处理领域，包括：获取待诊断人员与呼吸道感染相关的关键特征并输入到呼吸道感染病原体辅助诊断模型中，关键特征先经过经训练的呼吸道感染部位预测模型，得到感染部位预测结果，感染部位预测结果与关键特征输入到经训练的呼吸道感染病原体预测模型中，得到病原体预测结果并输入到经训练的混合感染预测模型中，得到混合感染预测概率，将感染部位预测结果与病原体预测结果输入到经训练的重症风险预测模型中，得到重症风险预测概率；根据混合感染预测概率和重症风险预测概率分别确定待诊断人员是否存在混合感染和重症风险。本发明解决现有诊断准确性低等问题。

本发明授权一种呼吸道感染病原体辅助诊断方法、装置及可读介质在权利要求书中公布了：1.一种呼吸道感染病原体辅助诊断方法，其特征在于，包括以下步骤： 构建基于集成学习的特征表示架构，所述特征表示架构包括若干个投票集成模型，所述投票集成模型的构建过程如下：选择梯度提升决策树模型、轻梯度提升机模型、随机森林模型和极限梯度提升模型作为基学习器，采用基于多目标协同进化策略的超参数搜索机制对每个基学习器进行训练，得到经训练的基学习器；所述基于多目标协同进化策略的超参数搜索机制的过程如下： 将所有的基学习器的共享及特有的超参数嵌入到一个高维复合搜索空间中，构建协同优化目标函数，如下式所示： ； 其中，表示所有基学习器的超参数集合，表示第m个基学习器的超参数集合；分别表示梯度提升决策树模型、轻梯度提升机模型、随机森林模型和极限梯度提升模型的超参数，表示取最大值时的超参数集合，表示第m个基学习器的动态权重，表示验证集，为第m个基学习器在验证集上的曲线下面积性能指标，为正则化系数，为刻画超参数复杂度的正则化项，其表达式如下： ； 其中，分别表示第一惩罚强度、第二惩罚强度和第三惩罚强度，表示第m个基学习器的超参数集合中的第个超参数的值，表示所有基学习器的第个超参数的基准值，表示第m个基学习器的超参数集合中的所有超参数的数量，表示第m个基学习器的复杂度的函数，表示衡量第m个基学习器和第n个基学习器的预测差异性的函数，其表达式如下： ； 其中，表示第m个基学习器在验证集上的预测概率向量，表示皮尔逊相关系数； 在第t个训练周期下，其对应在第t个训练周期下的动态权重由以下公式计算： ； 其中，表示在第t个训练周期下第m个基学习器在验证集上的曲线下面积性能指标，表示在第t个训练周期下第n个基学习器在验证集上的曲线下面积性能指标，为缩放因子，为温度参数； 采用改进的贝叶斯优化算法对所述高维复合搜索空间进行对所述超参数集合进行全局搜索，基于所述协同优化目标函数进行多目标优化，确定最优的超参数集合； 采用软投票集成机制将所有经训练的基学习器输出的预测概率进行加权融合，构成初始投票集成模型； 对所述初始投票集成模型中的每个经训练的基学习器采用装袋法进行重新训练，得到若干个投票集成模型；采用软投票法融合所有投票集成模型的预测结果，得到所述特征表示架构的输出结果； 构建呼吸道感染病原体辅助诊断模型，所述呼吸道感染病原体辅助诊断模型包括经训练的呼吸道感染部位预测模型、经训练的呼吸道感染病原体预测模型、经训练的混合感染预测模型和经训练的重症风险预测模型，其中所述呼吸道感染部位预测模型采用所述特征表示架构，所述呼吸道感染病原体预测模型为包含所述特征表示架构的循环结构；所述呼吸道感染病原体预测模型采用K层循环的病原体预测架构，所述病原体预测架构采用所述特征表示架构，在第一轮次中，感染部位预测结果、关键特征与零向量拼接后输入到第一层的病原体预测架构中，得到第一轮次的病原体预测概率，在当前轮次中，所述感染部位预测结果、关键特征与上一轮次的病原体预测概率拼接后输入到当前轮次的病原体预测架构中，得到当前轮次的病原体预测概率，如下式所示： ； ； 其中，表示第k轮次的病原体预测架构，表示第k轮次的病原体预测架构输出的病原体预测概率，是第k-1轮的病原体预测架构输出的病原体预测概率，表示关键特征，表示感染部位预测结果；表示在第k轮次感染部位预测结果、关键特征与第k-1轮的病原体预测概率拼接后的特征；将第K轮次的病原体预测概率作为病原体预测结果； 获取待诊断人员与呼吸道感染相关的关键特征并输入到所述呼吸道感染病原体辅助诊断模型中，所述关键特征先经过所述经训练的呼吸道感染部位预测模型，得到感染部位预测结果，所述感染部位预测结果与所述关键特征输入到所述经训练的呼吸道感染病原体预测模型中，得到病原体预测结果，将所述病原体预测结果输入到所述经训练的混合感染预测模型中，得到混合感染预测概率，将所述感染部位预测结果与所述病原体预测结果输入到所述经训练的重症风险预测模型中，得到重症风险预测概率；根据所述混合感染预测概率和重症风险预测概率分别确定所述待诊断人员是否存在混合感染和重症风险，并结合所述感染部位预测结果和病原体预测结果确认待诊断人员感染的病原体和感染的部位。

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厦门大学附属第一医院(厦门市第一医院、厦门市红十字会医院、厦门市糖尿病研究所)，其通讯地址为：361000 福建省厦门市思明区镇海路55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。