一种精准诊疗系统、设备及方法

摘要

本申请公开了一种精准诊疗系统、设备及方法，涉及智能诊疗技术领域，该系统包括心电图智能诊断模块、心血管医学影像分析模块以及心血管疾病预测与筛查模块；所述心电图智能诊断模块设置有数据单元、互联单元、出模单元以及训练单元；所述心血管医学影像分析模块设置有深度学习单元以及用于采集大量正常人或患者的医学影像数据资料并供所述深度学习单元使用的采集单元；所述心血管疾病预测与筛查模块设置有数据实验单元，所述数据实验单元用于存储心电图图像资料、医学影像数据资料以及生化检查资料。本申请具有显著提升诊疗精度的效果，进而实现诊疗准确、及时以及效果提升的目的。

权利要求

1.一种精准诊疗系统，其特征在于：包括心电图智能诊断模块、心血管医学影像分析模块以及心血管疾病预测与筛查模块；

所述心电图智能诊断模块设置有数据单元、互联单元、出模单元以及训练单元；

所述数据单元，用于采用多导联心电图图像作为数据基础；

所述互联单元，用于供在线心电图医生对所述数据单元内相关数据基础进行人工标注，获取心电图图像的智能诊断；

所述出模单元，用于基于深度神经网络进行统计建模；

所述训练单元，用于采用卷积神经网络作为训练模型对心电图图像进行训练；

所述心血管医学影像分析模块设置有深度学习单元以及用于采集大量正常人或患者的医学影像数据资料并供所述深度学习单元使用的采集单元；

所述心血管疾病预测与筛查模块设置有数据实验单元，所述数据实验单元用于存储心电图图像资料、医学影像数据资料以及生化检查资料。

2.根据权利要求1所述的一种精准诊疗系统，其特征在于：所述训练单元将心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练。

3.根据权利要求1所述的一种精准诊疗系统，其特征在于：所述心电图智能诊断模块还设置有用于数据分析的云平台单元以及结合所述云平台单元的数据分析和心电图图像的智能诊断的AI智能单元，所述AI智能单元用于优化算法并改善心电图图像的智能诊断质量。

4.根据权利要求1所述的一种精准诊疗系统，其特征在于：所述医学影像数据资料包括超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)和光学相干断层成像(OCT)中的一种或多种。

5.根据权利要求1所述的一种精准诊疗系统，其特征在于：所述医学影像数据资料采集自65周岁以上的老年人的医学影像数据。

6.一种精准诊疗设备，其特征在于：包括如权利要求1-5任一项所述的精准诊疗系统。

7.一种精准诊疗方法，其特征在于：包括心电图智能诊断方法、心血管医学影像分析方法以及心血管疾病预测与筛查方法；

所述心电图智能诊断方法包括如下步骤：

步骤1、数据单元获取多导联心电图图像，并将多导联心电图图像作为数据基础；

步骤2、在线心电图医生通过互联单元接收数据基础，并对相关的数据基础进行人工标注与分析，形成心电图图像的智能诊断；

步骤3、出模单元基于深度神经网络对数据基础以及人工标注与分析进行统计建模；

步骤4、训练单元将数据基础中的心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；

步骤5、在云平台单元进行数据分析后，AI智能单元结合云平台单元的数据分析和心电图图像的智能诊断，优化算法并改善心电图图像的智能诊断质量，并最终获得心电图智能诊断；

所述心血管医学影像分析方法包括如下步骤：

步骤1、采集单元采集大量正常人或患者的医学影像数据资料；

步骤2、深度学习单元获取医学影像数据资料并采用深度学习方法进行心血管医学影像分析；

所述心血管疾病预测与筛查方法包括如下步骤：

步骤1、获取协作诊所、医院的心电图图像资料、医学影像数据资料以及生化检查资料；

步骤2、建立数据实验单元，收录并存储心电图图像资料、医学影像数据资料以及生化检查资料；

步骤3、结合数据实验单元内的心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病的预测与筛查。

8.根据权利要求7所述的一种精准诊疗方法，其特征在于：在所述心血管医学影像分析方法中，所述医学影像数据资料包括超声心动图、冠脉CTA、冠脉造影以及血管内超声(I VUS)和光学相干断层成像(OCT)中的一种或多种。

9.根据权利要求7所述的一种精准诊疗方法，其特征在于：在所述心血管医学影像分析方法中，所述医学影像数据资料采集自65周岁以上的老年人的医学影像数据。

说明书

一种精准诊疗系统、设备及方法

技术领域

[0001] 本申请涉及智能诊疗技术领域，特别涉及一种精准诊疗系统、设备及方法。

背景技术

[0002] 疾病诊断主要有准确性以及及时性两项要点。

[0003] 诊断的准确性将直接影响后续的医疗和疗效。而在现实中，医生的问诊交流由于仔细程度与全面程度的不足，常常会导致重大疏忽的发生。且有统计数据显示，国内外医院的误诊率平均为30％。

[0004] 诊断的及时性将直接影响到能否在早期发现恶性疾病和危险疾病。在保证诊断及时性的同时，再通过准确的诊断以及适应的治疗手段，将为患者带来切实有效的帮助。

[0005] 目前，国内外对心电图的智能诊断已经开展了研究。梅奥中心基于心电图采用人工智能的方法实现了左心室功能不全的诊断。斯坦福大学吴恩达团队用卷积神经网络达到了专家级的心率失常检测。美国AliveCor基于人工智能KardiaPro平台实现了对早期房颤的监控。法国医疗科技公司Cardilogs Technologies将AI用于动态心电图监控。苹果手表采用“人工智能+心电图”来检测评估心脏异常等等。但是，这些方法或系统大多是基于单导联或双导联的心电信号，在实际的12导联心电图的诊断上，丢掉了很多有用的信息。另一方面，现有的心电图智能诊断方法的数据基础都是基于设备本身采集的单纯心脏搏动电信号。而由于心电设备各自具有不同数据结构和格式标准，导致这些心电图智能诊断产品缺乏通用性，不能适用于其他设备采集到的心电信号。

[0006] 公开号为CN108937918A的中国专利公开了一种精准诊疗系统，包括诊断模块和治疗模块，所述的诊断模块设有心电图机、脑电图机、全身CT机、核磁共振仪和彩色超声诊断仪；所述的治疗模块设有计算机诊疗终端，所述的计算机诊疗终端设有运算和存储芯片以及输入设备、输出设备。

[0007] 但是该精准诊疗系统仅通过多个设备的连接进行人体资料的集中获取，诊疗精度低，影响到患者病情诊断的准确性与及时性，有待改进。

发明内容

[0008] 有鉴于此，本申请的第一个目的在于提供一种精准诊疗系统，以实现诊疗准确、及时以及效果提升的目的。其具体方案如下：

[0009] 一种精准诊疗系统，包括心电图智能诊断模块、心血管医学影像分析模块以及心血管疾病预测与筛查模块；

[0010] 所述心电图智能诊断模块设置有数据单元、互联单元、出模单元以及训练单元；

[0011] 所述数据单元，用于采用多导联心电图图像作为数据基础；

[0012] 所述互联单元，用于供在线心电图医生对所述数据单元内相关数据基础进行人工标注，获取心电图图像的智能诊断；

[0013] 所述出模单元，用于基于深度神经网络进行统计建模；

[0014] 所述训练单元，用于采用卷积神经网络作为训练模型对心电图图像进行训练；

[0015] 所述心血管医学影像分析模块设置有深度学习单元以及用于采集大量正常人或患者的医学影像数据资料并供所述深度学习单元使用的采集单元；

[0016] 所述心血管疾病预测与筛查模块设置有数据实验单元，所述数据实验单元用于存储心电图图像资料、医学影像数据资料以及生化检查资料。

[0017] 优选地：所述训练单元将心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练。

[0018] 优选地：所述心电图智能诊断模块还设置有用于数据分析的云平台单元以及结合所述云平台单元的数据分析和心电图图像的智能诊断的AI智能单元，所述AI智能单元用于优化算法并改善心电图图像的智能诊断质量。

[0019] 优选地：所述医学影像数据资料包括超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)和光学相干断层成像(OCT)中的一种或多种。

[0020] 优选地：所述医学影像数据资料采集自65周岁以上的老年人的医学影像数据。

[0021] 本申请的第二个目的在于提供一种精准诊疗设备，包括上述的精准诊疗系统。

[0022] 本申请的第三个目的在于提供一种精准诊疗方法，包括心电图智能诊断方法、心血管医学影像分析方法以及心血管疾病预测与筛查方法；

[0023] 所述心电图智能诊断方法包括如下步骤：

[0024] 步骤1、数据单元获取多导联心电图图像，并将多导联心电图图像作为数据基础；

[0025] 步骤2、在线心电图医生通过互联单元接收数据基础，并对相关的数据基础进行人工标注与分析，形成心电图图像的智能诊断；

[0026] 步骤3、出模单元基于深度神经网络对数据基础以及人工标注与分析进行统计建模；

[0027] 步骤4、训练单元将数据基础中的心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；

[0028] 步骤5、在云平台单元进行数据分析后，AI智能单元结合云平台单元的数据分析和心电图图像的智能诊断，优化算法并改善心电图图像的智能诊断质量，并最终获得心电图智能诊断；

[0029] 所述心血管医学影像分析方法包括如下步骤：

[0030] 步骤1、采集单元采集大量正常人或患者的医学影像数据资料；

[0031] 步骤2、深度学习单元获取医学影像数据资料并采用深度学习方法进行心血管医学影像分析；

[0032] 所述心血管疾病预测与筛查方法包括如下步骤：

[0033] 步骤1、获取协作诊所、医院的心电图图像资料、医学影像数据资料以及生化检查资料；

[0034] 步骤2、建立数据实验单元，收录并存储心电图图像资料、医学影像数据资料以及生化检查资料；

[0035] 步骤3、结合数据实验单元内的心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病的预测与筛查。

[0036] 优选地：在所述心血管医学影像分析方法中，所述医学影像数据资料包括超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)和光学相干断层成像(OCT)中的一种或多种。

[0037] 优选地：在所述心血管医学影像分析方法中，所述医学影像数据资料采集自65周岁以上的老年人的医学影像数据。

[0038] 通过以上方案可知，本申请提供了一种精准诊疗系统、设备及方法，该精准诊疗系统、设备及方法具有以下有益效果：

[0039] 1、通过采用多导联心电图图像作为数据基础，以确保其通用性和实用性；

[0040] 2、通过围绕心电图图像的智能诊断，优化算法与结合云平台的数据分析，持续改善心电诊断质量；

[0041] 3、通过建立存储心电图图像资料、医学影像数据资料以及生化检查资料的数据实验单元，为临床医学人工智能研究提供坚实的数据支持，有助于提高治疗效率；

[0042] 4、通过与诊所、医院协作，充实数据资料，提升诊疗效果，增加受益人群。

附图说明

[0043] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

[0044] 图1为本申请公开的精准诊疗系统的结构框图；

[0045] 图2为本申请公开的心电图智能诊断模块的结构框图；

[0046] 图3为本申请公开的心血管医学影像分析模块的结构框图；

[0047] 图4为本申请公开的心血管疾病预测与筛查模块的结构框图。

具体实施方式

[0048] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0049] 实施例一

[0050] 如图1所示，一种精准诊疗系统，包括心电图智能诊断模块、心血管医学影像分析模块以及心血管疾病预测与筛查模块；心电图智能诊断模块用于对心电图图像处理并获得心电图智能诊断；心血管医学影像分析模块用于对大量正常人或患者的医学影像数据资料进行心血管医学影像分析；心血管疾病预测与筛查模块用于获取资料，并通过相关资料进行心血管疾病的预测与筛查

[0051] 如图2所示，心电图智能诊断模块设置有数据单元、互联单元、出模单元、训练单元、云平台单元以及AI智能单元。数据单元用于采用多导联心电图图像作为数据基础；互联单元用于供在线心电图医生对所述数据单元内相关数据基础进行人工标注，获取心电图图像的智能诊断；出模单元用于基于深度神经网络进行统计建模；训练单元用于将心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；云平台单元用于数据分析；AI智能单元用于结合云平台单元的数据分析和心电图图像的智能诊断，实现优化算法并改善心电图图像的智能诊断质量的目的。

[0052] 如图3所示，心血管医学影像分析模块设置有深度学习单元以及用于采集大量正常人或患者的医学影像数据资料并供深度学习单元使用的采集单元；医学影像数据资料采集自65周岁以上的老年人的医学影像数据，并包括超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)和光学相干断层成像(OCT)。超声心动图可实时显示心脏和大血管结构，反映血流速度和类型，评估心功能状态；冠脉CTA可三维显示冠脉管腔狭窄，定位斑块等病变，评估斑块成分与稳定性，对PCI等手术规划和术后评估有重要意义；冠脉造影是心脏与血管系统检查的标准之一，同时也是介入手术引导的最主要成像手段；而血管内超声(IVUS)和光学相干断层成像(OCT)可更好实现血管横切面的图像。与此同时，光学相干断层成像(OCT)对管腔狭窄评估更精确，而血管内超声(IVUS)对斑块成分分析更有优势。

[0053] 如图4所示，心血管疾病预测与筛查模块设置有数据实验单元。数据实验单元用于存储心电图图像资料、医学影像数据资料以及生化检查资料。通过结合心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病预测与筛查，具有显著提高治疗效率的效果。

[0054] 本申请还提供一种精准诊疗设备，包括如上的精准诊疗系统。

[0055] 本申请还提供一种精准诊疗方法，包括心电图智能诊断方法、心血管医学影像分析方法以及心血管疾病预测与筛查方法；

[0056] 所述心电图智能诊断方法包括如下步骤：

[0057] 步骤1、数据单元获取多导联心电图图像，并将多导联心电图图像作为数据基础；

[0058] 步骤2、在线心电图医生通过互联单元接收数据基础，并对相关的数据基础进行人工标注与分析，形成心电图图像的智能诊断；

[0059] 步骤3、出模单元基于深度神经网络对数据基础以及人工标注与分析进行统计建模；

[0060] 步骤4、训练单元将数据基础中的心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；

[0061] 步骤5、在云平台单元进行数据分析后，AI智能单元结合云平台单元的数据分析和心电图图像的智能诊断，优化算法并改善心电图图像的智能诊断质量，并最终获得心电图智能诊断；

[0062] 所述心血管医学影像分析方法包括如下步骤：

[0063] 步骤1、采集单元采集大量65周岁以上的身体正常或患病的老年人的超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)和光学相干断层成像(OCT)；

[0064] 步骤2、深度学习单元获取超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)和光学相干断层成像(OCT)，并采用深度学习方法进行心血管医学影像分析；

[0065] 所述心血管疾病预测与筛查方法包括如下步骤：

[0066] 步骤1、获取协作诊所、医院的心电图图像资料、医学影像数据资料以及生化检查资料；

[0067] 步骤2、建立数据实验单元，收录并存储心电图图像资料、医学影像数据资料以及生化检查资料；

[0068] 步骤3、结合数据实验单元内的心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病的预测与筛查。

[0069] 实施例二

[0070] 如图1所示，一种精准诊疗系统，包括心电图智能诊断模块、心血管医学影像分析模块以及心血管疾病预测与筛查模块；心电图智能诊断模块用于对心电图图像处理并获得心电图智能诊断；心血管医学影像分析模块用于对大量正常人或患者的医学影像数据资料进行心血管医学影像分析；心血管疾病预测与筛查模块用于获取资料，并通过相关资料进行心血管疾病的预测与筛查

[0071] 如图2所示，心电图智能诊断模块设置有数据单元、互联单元、出模单元、训练单元、云平台单元以及AI智能单元。数据单元用于采用多导联心电图图像作为数据基础；互联单元用于供在线心电图医生对所述数据单元内相关数据基础进行人工标注，获取心电图图像的智能诊断；出模单元用于基于深度神经网络进行统计建模；训练单元用于将心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；云平台单元用于数据分析；AI智能单元用于结合云平台单元的数据分析和心电图图像的智能诊断，实现优化算法并改善心电图图像的智能诊断质量的目的。

[0072] 如图3所示，心血管医学影像分析模块设置有深度学习单元以及用于采集大量正常人或患者的医学影像数据资料并供深度学习单元使用的采集单元；医学影像数据资料采集自65周岁以上的老年人的医学影像数据，并包括超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)。超声心动图可实时显示心脏和大血管结构，反映血流速度和类型，评估心功能状态；冠脉CTA可三维显示冠脉管腔狭窄，定位斑块等病变，评估斑块成分与稳定性，对PCI等手术规划和术后评估有重要意义；冠脉造影是心脏与血管系统检查的标准之一，同时也是介入手术引导的最主要成像手段；而血管内超声(IVUS)可更好实现血管横切面的图像。与此同时，血管内超声(IVUS)具有优异的斑块成分分析能力。

[0073] 如图4所示，心血管疾病预测与筛查模块设置有数据实验单元。数据实验单元用于存储心电图图像资料、医学影像数据资料以及生化检查资料。通过结合心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病预测与筛查，具有显著提高治疗效率的效果。

[0074] 本申请还提供一种精准诊疗设备，包括如上的精准诊疗系统。

[0075] 本申请还提供一种精准诊疗方法，包括心电图智能诊断方法、心血管医学影像分析方法以及心血管疾病预测与筛查方法；

[0076] 所述心电图智能诊断方法包括如下步骤：

[0077] 步骤1、数据单元获取多导联心电图图像，并将多导联心电图图像作为数据基础；

[0078] 步骤2、在线心电图医生通过互联单元接收数据基础，并对相关的数据基础进行人工标注与分析，形成心电图图像的智能诊断；

[0079] 步骤3、出模单元基于深度神经网络对数据基础以及人工标注与分析进行统计建模；

[0080] 步骤4、训练单元将数据基础中的心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；

[0081] 步骤5、在云平台单元进行数据分析后，AI智能单元结合云平台单元的数据分析和心电图图像的智能诊断，优化算法并改善心电图图像的智能诊断质量，并最终获得心电图智能诊断；

[0082] 所述心血管医学影像分析方法包括如下步骤：

[0083] 步骤1、采集单元采集大量65周岁以上的身体正常或患病的老年人的超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)；

[0084] 步骤2、深度学习单元获取超声心动图、冠脉CTA、冠脉造影以及血管内超声(IVUS)，并采用深度学习方法进行心血管医学影像分析；

[0085] 所述心血管疾病预测与筛查方法包括如下步骤：

[0086] 步骤1、获取协作诊所、医院的心电图图像资料、医学影像数据资料以及生化检查资料；

[0087] 步骤2、建立数据实验单元，收录并存储心电图图像资料、医学影像数据资料以及生化检查资料；

[0088] 步骤3、结合数据实验单元内的心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病的预测与筛查。

[0089] 实施例三

[0090] 如图1所示，一种精准诊疗系统，包括心电图智能诊断模块、心血管医学影像分析模块以及心血管疾病预测与筛查模块；心电图智能诊断模块用于对心电图图像处理并获得心电图智能诊断；心血管医学影像分析模块用于对大量正常人或患者的医学影像数据资料进行心血管医学影像分析；心血管疾病预测与筛查模块用于获取资料，并通过相关资料进行心血管疾病的预测与筛查

[0091] 如图2所示，心电图智能诊断模块设置有数据单元、互联单元、出模单元、训练单元、云平台单元以及AI智能单元。数据单元用于采用多导联心电图图像作为数据基础；互联单元用于供在线心电图医生对所述数据单元内相关数据基础进行人工标注，获取心电图图像的智能诊断；出模单元用于基于深度神经网络进行统计建模；训练单元用于将心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；云平台单元用于数据分析；AI智能单元用于结合云平台单元的数据分析和心电图图像的智能诊断，实现优化算法并改善心电图图像的智能诊断质量的目的。

[0092] 如图3所示，心血管医学影像分析模块设置有深度学习单元以及用于采集大量正常人或患者的医学影像数据资料并供深度学习单元使用的采集单元；医学影像数据资料采集自65周岁以上的老年人的医学影像数据，并包括超声心动图、冠脉CTA、冠脉造影以及光学相干断层成像(OCT)。超声心动图可实时显示心脏和大血管结构，反映血流速度和类型，评估心功能状态；冠脉CTA可三维显示冠脉管腔狭窄，定位斑块等病变，评估斑块成分与稳定性，对PCI等手术规划和术后评估有重要意义；冠脉造影是心脏与血管系统检查的标准之一，同时也是介入手术引导的最主要成像手段；而光学相干断层成像(OCT)可更好实现血管横切面的图像。与此同时，光学相干断层成像(OCT)具有对管腔狭窄评估精确的效果。

[0093] 如图4所示，心血管疾病预测与筛查模块设置有数据实验单元。数据实验单元用于存储心电图图像资料、医学影像数据资料以及生化检查资料。通过结合心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病预测与筛查，具有显著提高治疗效率的效果。

[0094] 本申请还提供一种精准诊疗设备，包括如上的精准诊疗系统。

[0095] 本申请还提供一种精准诊疗方法，包括心电图智能诊断方法、心血管医学影像分析方法以及心血管疾病预测与筛查方法；

[0096] 所述心电图智能诊断方法包括如下步骤：

[0097] 步骤1、数据单元获取多导联心电图图像，并将多导联心电图图像作为数据基础；

[0098] 步骤2、在线心电图医生通过互联单元接收数据基础，并对相关的数据基础进行人工标注与分析，形成心电图图像的智能诊断；

[0099] 步骤3、出模单元基于深度神经网络对数据基础以及人工标注与分析进行统计建模；

[0100] 步骤4、训练单元将数据基础中的心电图图像按照导联信号分割成小块图像patch，并将分割成的小块图像patch在采用卷积神经网络作为训练模型时作为网络输入进行训练；

[0101] 步骤5、在云平台单元进行数据分析后，AI智能单元结合云平台单元的数据分析和心电图图像的智能诊断，优化算法并改善心电图图像的智能诊断质量，并最终获得心电图智能诊断；

[0102] 所述心血管医学影像分析方法包括如下步骤：

[0103] 步骤1、采集单元采集大量65周岁以上的身体正常或患病的老年人的超声心动图、冠脉CTA、冠脉造影以及光学相干断层成像(OCT)；

[0104] 步骤2、深度学习单元获取超声心动图、冠脉CTA、冠脉造影以及光学相干断层成像(OCT)，并采用深度学习方法进行心血管医学影像分析；

[0105] 所述心血管疾病预测与筛查方法包括如下步骤：

[0106] 步骤1、获取协作诊所、医院的心电图图像资料、医学影像数据资料以及生化检查资料；

[0107] 步骤2、建立数据实验单元，收录并存储心电图图像资料、医学影像数据资料以及生化检查资料；

[0108] 步骤3、结合数据实验单元内的心电图图像资料、医学影像数据资料以及生化检查资料进行心血管疾病的预测与筛查。

[0109] 实施例四

[0110] 实施例四与实施例三的不同之处在于，实施例四中的医学影像数据包括超声心动图、冠脉CTA以及光学相干断层成像(OCT)。

[0111] 实施例五

[0112] 实施例五与实施例三的不同之处在于，实施例五中的医学影像数据，并包括超声心动图、冠脉造影以及光学相干断层成像(OCT)。

[0113] 实施例六

[0114] 实施例六与实施例三的不同之处在于，实施例六中的医学影像数据，并包括冠脉CTA、冠脉造影以及光学相干断层成像(OCT)。

[0115] 综上，本申请通过采用多导联心电图图像作为数据基础，以确保其通用性和实用性；进而通过围绕心电图图像的智能诊断，优化算法与结合云平台的数据分析，持续改善心电诊断质量；并通过建立存储心电图图像资料、医学影像数据资料以及生化检查资料的数据实验单元，为临床医学人工智能研究提供坚实的数据支持，有助于提高治疗效率；与此同时，通过与诊所、医院协作，充实数据资料，提升诊疗效果，增加受益人群。在帮助患者更快速地完成健康检查，发现病灶所在的同时，也帮助影像医生提升读片效率，降低误诊概率，进而更便捷的为用户提供服务。

[0116] 本申请涉及的“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法或设备固有的其它步骤或单元。

[0117] 需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

[0118] 本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。