CT增强对比剂智能匹配模型的建立方法

摘要

本发明公开了CT增强对比剂智能匹配模型的建立方法，属于医学大数据分析领域，包括数据标准化处理，对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行统计；对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行聚合；运用贝叶斯岭回归模型对未来CT增强检查人员使用何种对比剂具有过敏反应进行预测；将预测序列和真实对比剂过敏人数序列计算相关性，得到影响因子和对比剂过敏反应之间的相关程度，根据分析结果得出影响对比剂的关键因子；通过logistic回归分析，得到自变量的权重，确定关键因子的等级。本发明使得对比剂的使用更加科学化、标准化，能够有效减少医疗事故的发生，既能减少对比剂对患者产生危害的几率，又能提高医院的服务水平。

权利要求

1.CT增强对比剂智能匹配模型的建立方法，其特征在于包括以下步骤：数据标准化处理，对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行统计；

对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行聚合，寻找变量间的强相关性，得出最佳的影响因子，并根据所述最佳影响因子对不同过敏情况进行聚合；

所述聚合包括如下步骤：

t t

根据不同的时间粒度m对每日CT增强检查过敏人数Y以及单一的因子指标数据X进行聚合：

t t‑1 t‑2 t‑mY＝Y +Y +...+Y ，t t‑1 t‑2 t‑mX＝X +X +...+X ；

t t

使用皮尔森相关系数衡量每日CT增强检查过敏人数Y以及因子指标数据X之间的强相关性，皮尔森相关系数r公式如下：其中， 为某种聚合后的因子指标数据的历史均值， 为CT检查人数均值，n为序列总长度；

通过r确定最佳的影响因子M：依次寻找出不同因子的最佳聚合并进行聚合操作；

运用贝叶斯岭回归模型对未来CT增强检查人员使用何种对比剂具有过敏反应进行预测；

将预测序列和真实对比剂过敏人数序列计算相关性，得到影响因子和对比剂过敏反应之间的相关程度，根据分析结果得出影响对比剂的关键因子；

通过logistic回归分析，得到自变量的权重，确定关键因子的等级。

2.根据权利要求1所述的CT增强对比剂智能匹配模型的建立方法，其特征在于：所述数据标准化处理包括以下步骤：在患者病历上筛选所研究的CT增强检查；

统计每日该CT增强检查类型的过敏患者人数；

通过过敏患者的病历情况获取对比剂过敏反应指标数据。

3.根据权利要求2所述的CT增强对比剂智能匹配模型的建立方法，其特征在于，所述预测包括如下步骤：

根据贝叶斯岭回归模型作为组合模型，通过贝叶斯岭回归预测CT增强检查过敏人数序t t

列Y，假设Y关于 服从高斯分布：概率模型的先验参数ω服从球型高斯分布：t

其中，Xall为通过贝叶斯岭回归拟合的多因子指标数据的组合特征值，ω为权重参数向‑1 ‑1

量，α 为对应的多种因子指标数据的集合的方差，β 为ω的高斯分布的方差。

4.根据权利要求3所述的CT增强对比剂智能匹配模型的建立方法，其特征在于，计算相关性包括如下步骤：从预测的CT增强检查过敏人数序列后，计算预测序列和真实序列之间的相关系数，得到因子指标和检查过敏人数之间的相关程度，相关系数绝对值越大，相关程度越强，从而对关键因子和CT增强检查过敏人数影响进行评估。

5.根据权利要求4所述的CT增强对比剂智能匹配模型的建立方法，其特征在于：对历史数据采用了logistic回归算法来根据患者身体体质将对比剂的关键因子分为四个等级，根据不同等级匹配使用何种对比剂，建立对比剂专家知识库。

6.一种计算机设备，其特征在于：包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如权利要求1～5中任意一项所述的方法。

7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～5中任意一项所述的方法。

说明书

CT增强对比剂智能匹配模型的建立方法

技术领域

[0001] 本发明属于医学大数据分析技术领域，具体涉及一种CT增强对比剂智能匹配模型的建立方法。

背景技术

[0002] 对比剂目前广泛应用于医学检查领域，如增强CT、各种血管造影、肾盂造影、支气管造影、消化道造影等。

[0003] 患者进行CT增强检查时，都需要使用对比剂。对比剂可以使检测结果更加准确，在医疗检查当中是非常常用的。但是，由于CT增强使用的对比剂含有一定的碘量，在使用的同
时也会对人体产生影响，有可能会出现过敏性反应、肾功能损害等。严重者甚至可能出现休
克、呼吸循环衰竭等，危及生命。

[0004] 目前，针对检查类别和对象，CT增强对比剂的选用主要靠医生积累的经验，根据每一位患者的具体情况进行匹配。然而不同层级的医生可能对同一个患者匹配出不同的对比
剂，差异化的判断增大了患者产生不良事件的几率，出现该情况后，对医生、患者和社会都
会造成不良影响。

发明内容

[0005] 为了解决现有技术存在的上述问题，本发明目的在于提供一种CT增强对比剂智能匹配模型的建立方法，使得对比剂的使用更加科学化、标准化，能够有效减少医疗事故的发
生，既能减少对比剂对患者产生危害的几率，又能提高医院的服务水平。

[0006] 第一方面，本发明提供一种CT增强对比剂智能匹配模型的建立方法，包括以下步骤：

[0007] 数据标准化处理，对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行统计；

[0008] 对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行聚合，寻找变量间的强相关性，得出最佳的影响因子，并根据所述最佳影响因子对不同过敏情况进行聚合；

[0009] 运用贝叶斯岭回归模型对未来CT增强检查人员使用何种对比剂具有过敏反应进行预测；

[0010] 将预测序列和真实对比剂过敏人数序列计算相关性，得到影响因子和对比剂过敏反应之间的相关程度，根据分析结果得出影响对比剂的关键因子；

[0011] 通过logistic回归分析，得到自变量的权重，确定关键因子的等级。

[0012] 优选的，所述数据标准化处理包括以下步骤：

[0013] 在患者病历上筛选所研究的CT增强检查；

[0014] 统计每日该CT增强检查类型的过敏患者人数；

[0015] 通过过敏患者的病历情况获取对比剂过敏反应指标数据。

[0016] 优选的，所述聚合包括如下步骤：

[0017] 根据不同的时间粒度m对每日CT增强检查过敏人数Yt以及单一的因子指标数据Xt进行聚合:

[0018] Yt＝Yt‑1+Yt‑2+...+Yt‑m，

[0019] Xt＝Xt‑1+Xt‑2+...+Xt‑m；

[0020] 使用皮尔森相关系数衡量每日CT增强检查过敏人数Yt以及因子指标数据Xt之间的强相关性，皮尔森相关系数r公式如下：

[0021]

[0022] 其中， 为某种聚合后的因子指标数据的历史均值， 为CT检查人数均值，n为序列总长度；

[0023] 通过r确定最佳的影响因子M：

[0024]

[0025] 依次寻找出不同因子的最佳聚合并进行聚合操作。

[0026] 进一步的，所述预测包括如下步骤：

[0027] 根据贝叶斯岭回归模型作为该组合模型，通过贝叶斯岭回归预测CT增强检查过敏t t
人数序列Y，假设Y关于 服从高斯分布：

[0028]

[0029] 概率模型的先验参数ω服从球型高斯分布：

[0030]

[0031] 其中，Xtall为通过贝叶斯岭回归拟合的多因子指标数据的组合特征值，ω为权重‑1 ‑1
参数向量，α 为对应的多种因子指标数据的集合的方差，β 为ω的高斯分布的方差。

[0032] 更进一步的，计算相关性包括如下步骤：从预测的CT增强检查过敏人数序列后，计算预测序列和真实序列之间的相关系数，得到因子指标和检查过敏人数之间的相关程度，
相关系数绝对值越大，相关程度越强，从而对关键因子和CT增强检查过敏人数影响进行评
估。

[0033] 优选的，对历史数据采用了logistic回归算法来根据患者身体体质将对比剂的关键因子分为四个等级，根据不同等级匹配使用何种对比剂，建立对比剂专家知识库。

[0034] 第二方面，本发明提供一种CT增强对比剂智能匹配模型，其中影响对比剂的关键因子包括1、2、3、4四个等级；等级1为绝对禁忌因子，包含等级1因子的患者不能做增强；等
级2、3、4均为相对禁忌因子，包含等级2因子的患者必须使用等渗对比剂碘克沙醇，包含等
级3因子的患者采用高渗、低渗和等渗三种对比剂中的任意一种；其中包含一个等级4因子
的患者使用高渗、低渗和等渗三种对比剂中的任意一种，包含两个及以上等级4因子的患者
使用等渗对比剂碘克沙醇；其中等级1因子包括甲亢病和碘过敏；等级2因子包括eGFR＜
45mls/min；等级3因子包括过敏源数≥3；等级4因子包括双侧肾脏损伤、哮喘、骨髓瘤、痛
风、充血性心脏衰竭、脱水、糖尿病和45mls/min≤eGFR＜60mls/min。

[0035] 第三方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于
读取所述计算机程序，执行如上第一方面或第一方面中任意一种可能设计的方法。

[0036] 第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如上第一方面或第一方面中任意一种可能
设计的方法。

[0037] 本发明的有益效果为：

[0038] 1.本发明提供的CT增强对比剂智能匹配模型的建立方法，使得对比剂的使用更加科学化、标准化，能够有效减少医疗事故的发生，既能减少对比剂对患者产生危害的几率，
又能提高医院的服务水平。

[0039] 2.通过使用本发明建立的CT增强对比剂智能匹配模型，能够更加准确地为患者匹配出符合患者特性的对比剂，最大程度上减轻了对比剂离子失衡、肝肾功能损害等对患者
的影响，有效降低了出现过敏、休克、呼吸循环衰竭等情况的发生。

附图说明

[0040] 为了更清楚地说明本发明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
发明的一些实施例，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
根据这些附图获得其他的附图。

[0041] 图1是本发明提供的一种CT增强对比剂智能匹配模型的建立方法的流程示意图。

[0042] 图2是本发明提供的一种优选的数据标准化处理方法的流程示意图。

[0043] 图3是本发明提供的一种优选的聚合处理方法的流程示意图。

[0044] 图4是本发明提供的计算机设备的结构示意图。

具体实施方式

[0045] 下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公
开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来
体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

[0046] 应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第
一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示
例实施例的范围。

[0047] 应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存
在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示
可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于
本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

[0048] 应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与
另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解
释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”“, 相邻”
对“直接相邻”等等)。

[0049] 应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文
明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中
被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个
或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

[0050] 应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时
可以以相反的顺序来执行连续示出的两个图。

[0051] 应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。
例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可
以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

[0052] 实施例1：

[0053] 如图1～3所示，本实施例提供的CT增强对比剂智能匹配模型的建立方法，可以但不限于包括有如下步骤S100～S500。

[0054] S100.数据标准化处理，对每日进行CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行统计。数据标准化处理可以采用现有方法处理，但是更加推荐如下步骤：

[0055] S101.在患者病历上筛选所研究的CT增强检查；

[0056] S102.统计每日该CT增强检查类型的过敏患者人数；

[0057] S103.通过过敏患者的病历情况获取对比剂过敏反应指标数据。

[0058] S200.对CT增强检查的患者过敏人数和对比剂过敏反应指标数据进行聚合，寻找变量间的强相关性，得出最佳的影响因子，并根据所述最佳影响因子对不同过敏情况进行
聚合。聚合处理可以采用现有的方法进行处理，但是更加推荐如下步骤：

[0059] S201.根据不同的时间粒度m对每日CT增强检查过敏人数Yt以及单一的因子指标t
数据X进行聚合:

[0060] Yt＝Yt‑1+Yt‑2+...+Yt‑m，

[0061] Xt＝Xt‑1+Xt‑2+...+Xt‑m；

[0062] S202.使用皮尔森相关系数衡量每日CT增强检查过敏人数Yt以及因子指标数据Yt之间的强相关性，皮尔森相关系数r公式如下：

[0063]

[0064] 其中， 为某种聚合后的因子指标数据的历史均值， 为CT检查人数均值，n为序列总长度；

[0065] S203.通过r确定最佳的影响因子M：

[0066]

[0067] S204.依次寻找出不同因子的最佳聚合并进行聚合操作。

[0068] S300.运用贝叶斯岭回归模型对未来CT增强检查人员使用何种对比剂具有过敏反应进行预测。预测处理可以采用现有的方法进行处理，但是更加推荐如下方法：根据贝叶斯
t t
岭回归模型作为该组合模型，通过贝叶斯岭回归预测CT增强检查过敏人数序列Y ，假设Y关
于 服从高斯分布：

[0069]

[0070] 概率模型的先验参数ω服从球型高斯分布：

[0071]

[0072] 其中，Xtall为通过贝叶斯岭回归拟合的多因子指标数据的组合特征值，ω为权重‑1 ‑1
参数向量，α 为对应的多种因子指标数据的集合的方差，β 为ω的高斯分布的方差。

[0073] S400.将预测序列和真实对比剂过敏人数序列计算相关性，得到影响因子和对比剂过敏反应之间的相关程度，根据分析结果得出影响对比剂的关键因子。具体的，从预测的
CT增强检查过敏人数序列后，计算预测序列和真实序列之间的相关系数，得到因子指标和
检查过敏人数之间的相关程度，相关系数绝对值越大，相关程度越强，从而对关键因子和CT
增强检查过敏人数影响进行评估。

[0074] S500.通过logistic回归分析，得到自变量的权重，确定关键因子的等级。根据患者身体体质将对比剂的关键因子分为四个等级，根据不同等级匹配使用何种对比剂，建立
对比剂专家知识库。

[0075] 实施例2：

[0076] 本实施例提供的CT增强对比剂智能匹配模型，各个关键因子的推导过程如下：

[0077] S100：数据标准化处理，根据电子病历记录统计出每日CT增强检查人数以及因子指标数据。这里针对影响因子进行分析，影响因子指标挑选：未经控制症状的甲亢患者、双
侧肾脏损伤、哮喘、骨髓瘤、痛风、充血性心脏衰竭、脱水、糖尿病、eGFR、年龄、碘对比剂严重
不良反应、碘轻微过敏、已知的过敏源数、服用肾脏损伤类药物和双侧肾脏手术史。

[0078] S101：在患者病历上筛选做过CT增强检查的病历；

[0079] S102：统计每日做CT增强检查的人数；

[0080] S103:统计过敏者的数据，获取对比剂过敏反应指标数据。

[0081] S200.根据S100中获取的标准化数据构建数据聚合单元：

[0082] S201.根据不同的时间粒度m对每日CT增强检查过敏人数Yt以及单一的因子指标t
数据X进行聚合:

[0083] Yt＝Yt‑1+Yt‑2+...+Yt‑m，

[0084] Xt＝Xt‑1+Xt‑2+...+Xt‑m；

[0085] S202.使用皮尔森相关系数衡量每日CT增强检查过敏人数Yt以及因子指标数据Xt之间的强相关性，皮尔森相关系数r公式如下：

[0086]

[0087] 其中， 为某种聚合后的因子指标数据的历史均值， 为CT检查人数均值，n为序列总长度；

[0088] S203.通过r确定最佳的影响因子M：

[0089]

[0090] S204.通过实验，依次寻找出不同影响因子的近一次住院记录与当前增强CT检查间隔的聚合天数，得到如下结果：

[0091] 未经控制症状的甲亢患者：40天，双侧肾脏损伤：32天，哮喘：30天，骨髓瘤：33天，痛风：31天，充血性心脏衰竭：41天，脱水：44天，糖尿病：33天，eGFR：29天，年龄：35天，碘对
比剂严重不良反应：34天，碘轻微过敏：31天，已知的过敏源数，33天，服用肾脏损伤类药物：
30天，双侧肾脏手术史：40天。

[0092] S205：根据S204中聚合的数据进行时延处理，分析相关因子住院记录与增强CT检查间隔的最强作用天数。

[0093] S206.对聚合后单一的影响因子序列Xt进行移位处理，形成时延：

[0094] Xt＝Xt‑d，d＝0,1,2,3…

[0095] S207.计算每日住院人数Yt以及影响因子指标数据Xt之间绝对值最高的相关性系数r，从而确定影响因子最强的影响周期，公式如下：

[0096]

[0097] S208.通过实验寻找出不同影响影子的最强的影响周期如下：

[0098] 未经控制症状的甲亢患者延时10天，双侧肾脏损伤延时10天，哮喘延时7天，骨髓瘤延时5天，痛风延时10天，充血性心脏衰竭延时20天，脱水延时5天，糖尿病延时10天，eGFR
延时10天，年龄延时9天，碘对比剂严重不良反应延时10天，碘轻微过敏延时8天，已知的过
敏源数延时10天，服用肾脏损伤类药物延时10天，双侧肾脏手术史延时10天。

[0099] 不同影响因子与过敏单因子相关性如下：

[0100] 未经控制症状的甲亢患者(HPWUS)与过敏相关性：0.8145；

[0101] 哮喘(asthma)与过敏相关性：0.3085；

[0102] 骨髓瘤(myeloma)与过敏相关性：0.2858；

[0103] 痛风(gout)与过敏相关性：0.3032；

[0104] 充血性心脏衰竭(CHF)与过敏相关性：0.2502；

[0105] 脱水(dehydration)与过敏相关性：0.2261；

[0106] 糖尿病(diabetes)与过敏相关性：0.2797；

[0107] 45mls/min≤eGFR＜60mls/min与过敏相关性：0.4260；

[0108] eGFR＜45mls/min与过敏相关性:0.6250；

[0109] 年龄(age)>70岁：0.2260；

[0110] 碘对比剂严重不良反应(saroicm)与过敏相关性：0.9260；

[0111] 碘轻微过敏(SIA)与过敏相关性：0.3360；

[0112] 已知的过敏源数(Sensitive)与过敏相关性：0.3240；

[0113] 服用肾脏损伤类药物(TKID)与过敏相关性：0.2153；

[0114] 双侧肾脏手术史(HOKS)与过敏相关性：0.2262。

[0115] S300.构建贝叶斯岭回归预测单元。运用贝叶斯岭回归模型对未来CT增强检查人员使用何种对比剂具有过敏反应进行预测。具体的：根据贝叶斯岭回归模型作为该组合模
t t
型，通过贝叶斯岭回归预测CT增强检查过敏人数序列Y，假设Y关于 服从高斯分布：

[0116]

[0117] 概率模型的先验参数ω服从球型高斯分布：

[0118]

[0119] 其中，Xtall为通过贝叶斯岭回归拟合的多因子指标数据的组合特征值，ω为权重‑1 ‑1
参数向量，α 为对应的多种因子指标数据的集合的方差，β 为ω的高斯分布的方差。

[0120] 贝叶斯增量学习过程：通过前一个数据集Dt‑1的后验概率p(ω|Dt‑1)，乘以新的样t t
本点 得到新集合D的后验概率p(ω|D)：

[0121]

[0122] 实验结果：

[0123] Yt过敏＝0.257*XtHPWUS‑0.268*Xtasthma‑0.054*Xtmyeloma‑0.873*Xtgout‑0.147*XtCHF‑t t t t
0.510*X dehydration‑0.291*X diabetes+0.235*X 45mls/min≤eGFR＜60mls/min+0.257*XeGFR＜45mls/min+
t t t t t t
0.324*Xage+0.259*XSAROICM+0.157*XSIA+0.267*XSensitive+0.237*XTKID‑0.357*XHOKS。

[0124] S400.将预测序列和真实对比剂过敏人数序列计算相关性，得到影响因子和对比剂过敏反应之间的相关程度，根据分析结果得出影响对比剂的关键因子。确定影响因子对
病患过敏的影响。实验过程中，将70％的数据用于训练模型，30％的数据用于预测和计算相
关性(皮尔森相关性计算)，最终预测序列与真实序列的多因子相关系数为：0.7021，实验证
明，影响因子与过敏性存在正相关性，影响因子越多，过敏人数会明显上升。

[0125] S500.通过logistic回归分析，得到自变量的权重，确定关键因子的等级。根据患者身体体质将对比剂的关键因子分为四个等级，根据不同等级匹配使用何种对比剂，建立
对比剂专家知识库。

[0126] 其中影响对比剂的关键因子包括1、2、3、4四个等级；等级1为绝对禁忌因子，包含等级1因子的患者不能做增强；等级2、3、4均为相对禁忌因子，包含等级2因子的患者必须使
用等渗对比剂碘克沙醇，包含等级3因子的患者采用高渗、低渗和等渗三种对比剂中的任意
一种；其中包含一个等级4因子的患者使用高渗、低渗和等渗三种对比剂中的任意一种，包
含两个及以上等级4因子的患者使用等渗对比剂碘克沙醇；其中等级1因子包括甲亢病和碘
过敏；等级2因子包括eGFR＜45mls/min；等级3因子包括过敏源数≥3；等级4因子包括双侧
肾脏损伤、哮喘、骨髓瘤、痛风、充血性心脏衰竭、脱水、糖尿病和45mls/min≤eGFR＜60mls/
min；具体见下表。

[0127]

[0128] 实施例3：

[0129] 如图4所示，本实施例提供了一种执行实施例1所述CT增强对比剂智能匹配模型的建立方法的计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器
用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执
行实施例1的方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(RAM)、只读
存储器(ROM)、闪存(Flash Memory)、先进先出存储器(FIFO)和/或先进后出存储器(FILO)
等等；所述收发器可以但不限于包括WiFi(无线保真)无线收发器、蓝牙无线收发器、GPRS
(General Packet Radio Service，通用分组无线服务技术)无线收发器和/或ZigBee(紫蜂
协议，基于IEEE802.15.4标准的低功耗局域网协议)无线收发器等；所述处理器可以不限于
采用型号采用STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电
源模块、输入设备、显示屏和其它必要的部件。

[0130] 本实施例提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见实施例1所述的方法，于此不再赘述。

[0131] 实施例4：

[0132] 本实施例提供了一种存储包含实施例1所述的CT增强对比剂智能匹配模型的建立方法的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计
算机上运行时，执行如实施例1所述的CT增强对比剂智能匹配模型的建立方法。其中，所述
计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘
和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、
或者其他可编程装置。

[0133] 本实施例提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见实施例1所述的方法，于此不再赘述。

[0134] 以上所描述的多个实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也
可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实
际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员
在不付出创造性的劳动的情况下，即可以理解并实施。

[0135] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施
例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者
替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

[0136] 最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限
制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要
求书。