通知 | 广州慧扬健康科技有限公司“挑战杯”竞赛立项课题项目团队成员征集

      为充分利用学校与企业在人才培养方面的各自优势，将学校的理论知识与企业的市场经验以及资源结合，广州慧扬健康科技有限公司将开放企业的自身资源，协助学生进行以下“挑战杯”课题的立项申请：

一、课题简介课题名称

DRGs在医院绩效考核中的应用	DRGs(Diagnosis     Related Groups)中文翻译为（疾病）诊断相关分类，它根据病人的年龄、性别、住院天数、临床诊断、病症、手术、疾病严重程度，合并症与并发症及转归等因素把病人分入500-600 个诊断相关组，然后决定应该给医院多少补偿。通过统一的疾病诊断分类定额支付标准的制定，达到医疗资源利用标准化。首先，有助于激励医院加强医疗质量管理，迫使医院为获得利润主动降低成本，缩短住院天数，减少诱导性医疗费用支付，有利于费用控制。其次，有效地降低了医疗保险机构的管理难度和费用；有利于宏观预测和控制医疗费用；为医疗质量的评估提供了一个科学的、可相互比较的分类方法。 其定义一般包括以下三部分内容：第一、它是一种病人分类的方案。作为一种病例组合方法，DRGs的核心思想是将具有某一方面相同特征的病例归为一组，以方便管理。第二、DRGs分类的基础是病人的诊断。在此基础上考虑患者的年龄、手术与否、并发症及合并症等情况的影响。第三、它把医院对病人的治疗和所发生的费用联系起来，从而为付费标准的制定尤其是预付费的实施提供了基础。
基于大数据技术下的医疗图像处理解决方案	▌影像大数据挖掘 数据挖掘从数据形式和相关技术上说，大致可以划分为结构数据挖掘和非结构数据挖掘。 所谓结构数据挖掘是基于结构化的数据基础上的知识发现，例如我们常见的关系型数据，包括数值型数据、字符型数据、日期型数据等等，应用相关的数据挖掘技术对这些关系型数据开展分析。而所谓非结构数据挖掘是基于非结构化的数据基础上的知识发现，例如我们常见的自然语言文本数据、各种图像数据、各种音频数据等等，基于这些类型的数据开展数据挖掘分析。 医学影像数据挖掘就是非结构数据挖掘的一种，它有如下几个主要特点： 1. 影像数据一般具有相对的含义，而结构化数据一般具有绝对的含义。 2. 影像内容的理解具有主观性的特点，对影像信息可以有多种不同理解，并依赖于影像表示方法和应用领域专业知识。 3. 影像信息中包含影像数据对象的空间关系信息。从目前的影像数据挖掘技术的现状来说，原始影像一般还不能直接用于影像数据挖掘分析，必须进行预处理，以生成可用于高层次挖掘的影像特征库。影像数据挖掘的一般流程通常包括影像的存储、影像的预处理、影像的搜索、影像的挖掘和展示等步骤。 ▌影像数据挖掘方案 目前，影像数据挖掘方案主要有功能驱动型模型和信息驱动型模型。所谓功能驱动型模型是以不同的功能模块来组织，功能驱动的影像数据挖掘是针对具体应用的特定要求来设计数据挖掘方案的，通常包括： 1. 影像采集模块-从影像数据库中抽取影像数据； 2. 预处理模块-提取影像特征，并把特征信息存放在特征数据库中； 3. 搜索引擎-利用影像特征信息进行匹配查询； 4. 知识发现模块-对影像数据进行算法分析，以发现数据的主题、特征、关系等规律。 所谓信息驱动型模型，是针对影像的原始信息开展基于内容的影像数据挖掘的方案。该方案基于原始特征的对象或区域信息，利用挖掘算法和专业知识将整幅影像进行有意义地分割，然后开展高层次地计算与挖掘分析，从而推导出具有高层次语义的、易用的、易于理解的模式。该方案将影像信息划分为四个层次： 1. 象素层-由原始影像信息和原始影像特征组成，如象素点、纹理、形状和色彩等。 2. 对象层-处理基于象素层原始特征的对象和区域信息。 3. 语义层：结合专业知识从识别出的对象和区域中生成高层次的语义概念。 4. 知识层：可结合与某一专业相关的文字和数字信息发现潜在的领域知识和模式。在信息驱动方案中，象素层和对象层主要进行影像处理、对象识别和特征提取，而语义层和知识层主要进行影像数据挖掘和知识整合。该方案可以在每个层次上以及不同层次间开展数据挖掘分析。 ▌影像数据挖掘算法 与结构化数据挖掘的步骤和算法相类似，影像数据挖掘的技术主要包括：影像数据预处理技术：如去噪、对比度增强、影像分割等等；特征提取和模式技术；如分类、规则提取、预测和聚类等等，既包括有监督学习也包含无监督学习。下面，我们就简单介绍一下有监督学习的分类技术和无监督学习的聚类技术。基于影像数据的分类技术流程主要分为三步： 1. 建立影像表示模型，对已进行类标记的影像样本数据进行特征提取，并建立每一影像的属性描述； 2. 对样本数据集进行训练和学习，得到具有相当分类精度的分类模型； 3. 根据分类模型对未标记的影像数据集进行自动分类判别。 影像数据分类的挑战性在于，如何建立低层可视特征和高层语义分类间的映射关系。 基于影像数据的聚类技术，是根据没有先验知识的影像数据分布，将无类别标记的影像数据划分为有含义的不同簇，通常包括四个步骤： 1.影像特征提取和选择； 2. 建立影像相似性模型； 3. 尝试不同的聚类算法； 4. 评估最佳的分组方案。 影像数据聚类的挑战性在于，如何在分簇未知的情况下，如何科学地找到一个最佳的分类方案。 ▌影像数据挖掘应用 人脑是高度复杂的时空动力系统。基于神经影像大数据，群组独立成分分析（ICA）作为一种信息驱动型算法，被广泛应用于探索人脑系统的时空特性。据文献报道，中国科学院心理研究所研发出一种在多被试神经影像数据中挖掘被试分组（亚组）的群组ICA方法-gRAICAR。模拟数据显示，gRAICAR可以精确地揭示脑功能网络的个体间差异。进一步地，基于实际静息态功能磁共振成像数据，gRAICAR不仅能够估计每个脑功能网络的被试间的一致性，揭示被试间在脑功能上的相似关系，而且可以据此探测具有较高一致性的亚组。gRAICAR成为完全的信息驱动方法，为科研人员基于数据产生进一步的科学假设提供参考，将为深入挖掘多被试神经影像数据，为建立与心理精神相关脑功能疾病的神经影像标志提供有力工具，为“开放式神经科学”提供方法学支撑。
骨骼切片的3D影像重建	所谓的医学图像三维重建技术，就是指用一系列二维切片图像重建三维图像模型，并进行定性分析和定量分析的技术。该技术可以从二维图像中获取三维结构信息，能够为医生提供更逼真的显示手段和定量分析工具，能够弥补映像设备在成像上的不足，能够为医生提供具有真实感的三维医学图像，并且能够使医生有效地参与数据分析和处理过程，便于医生从多角度、多层次进行观察和分析。 医学图像的三维重建在于针对不同的医学断层影像，提取出图像的边缘特征，根据各幅图像的边缘特征将二维图像序列拟合成三维图像。
区块链在医疗领域的应用	如今，在政府层面上，大多数国家都制定了以数字医疗为目标的政策或战略，大大增加了数字健康记录（EHR/EMR）和其他健康信息技术（HIT）系统或基础设施的使用。然而，不管这些数字计划如何，当前，个人健康数据的安全性、完整性和访问控制依然有很多限制，使护理服务的创新大计遭遇很大的瓶颈。反过来导致造成数字医疗工作流程的低效，使不同的提供商、医院和付款人之间，甚至卫生系统内部各部门之间都产生了数据孤岛，妨碍医疗协调的正常运行。当医疗行业苦苦在风险与回报之间权衡徘徊时，区块链技术的潜在应用为缓解这些迫切的需求提供了一个及时的解决方案。 ▌电子健康病例（EHR） 医疗方面，区块链最主要的应用是对个人医疗记录的保存，可以理解为区块链上的电子病历。如果把病历想象成一个账本，原本它是掌握在各个医院手上的，患者自己并不掌握，所以病人就没有办法获得自己的医疗记录和历史情况，这对患者就医会造成很大的困扰，因为医生无法详尽了解到你的病史记录。 但现在如果可以用区块链技术来进行保存，就有了个人医疗的历史数据，看病也好，对自己的健康做规划也好，就有历史数据可供使用，而这个数据真正的掌握者是患者自己，而不是某个医院或第三方机构。 ▌ DNA钱包 基因和医疗数据能够运用区块链技术进行安全存储并且通过使用私人秘钥来获得，这将形成一个DNA钱包。这使得医疗健康服务商能够安全地分享和统计病人数据，帮助药企更有效率地研发药物。而这种模式也正在逐步建立起来。 ▌比特币支付 区块链技术的发展促进了比特币支付，给予病人进行保险支付更多的选择。虽然这也依赖于比特币在市场上的发展状况，但提供这一方式的保险公司相对于竞争对手来说也有着更大的优势。对于健康医疗保险公司而言，区块链作为金融服务的一个部分正在被建立。 ▌药品防伪 与编码防伪技术类似的是，对于运用区块链技术防伪的药品而言，在药品包装盒表面有一个可以被刮去的面，底下是一个特别的验证标签，这与区块链相互对照来确保药品的合法性。

二、立项参与形式

如有意向参与，将报名信息表（附件一）编辑邮件主题为“暨南大学+科技立项申报+负责人姓名”发送至：[e-mail]

截止日期：2018年1月24日

若对项目内容有疑问，欢迎咨询。

总部地址：广州市 黄埔区 鱼珠智谷 C03栋

广州慧扬健康科技有限公司（五号线鱼珠站，BRT 茅岗站）

联系电话：[phone] 刘小姐

点击“阅读原文”获取附件