医疗健康 算法模型 软件定制 案例

1、立项背景和目标 乳腺癌病理人工诊断效率低、易出现漏诊误诊，基层医师阅片水平参差不齐，同时传统深度学习模型判定过程不透明，难以用于临床参考。本项目目标是搭建 CNN-RNN 混合识别模型，开发配套可视化桌面软件，精准完成乳腺病理图像良恶性判定，通过热力图直观标注病灶区域，打造轻量化 AI 辅助诊断工具，提升病理筛查效率，为医护人员提供可解释的智能判断依据。 2、软件功能、核心功能模块的介绍 本软件基于 Python Tkinter 开发，包含四大核心模块。一是图像上传预处理模块，支持本地病理图片读取、尺寸归一化、像素标准化；二是 AI 模型推理模块，加载训练完成的 CNN-RNN 模型，快速完成良恶性分类并输出置信概率；三是 Grad-CAM 热力可视化模块，反向计算特征权重，生成病灶高亮热力图；四是交互展示模块，分区呈现原图、热力图、预测结果与运行进度，界面简洁易上手，无需编程基础即可操作。 3、业务流程、功能路径描述 完整使用路径：打开软件主界面→点击上传按钮选中本地病理图像，系统自动完成图片预处理→后台调用 AI 模型进行特征提取与推理运算，同步计算热力图层→界面左侧展示原始病理图，右侧实时加载病灶热力图，底部显示良性 / 恶性判定结果、预测可信度数值与执行进度。使用者可查看 AI 识别结果与病灶定位，核验判断逻辑，完成单次辅助诊断，可重复上传多张图片进行批量测试使用。

立项背景：市面上缺乏面向心理学专业领域的 AI 对话产品。本项目旨在构建一个基于大模型的知识型对话 Agent，整合精神分析六大学派（弗洛伊德、荣格、拉康、克莱因、温尼科特、科胡特）40 余部核心著作，为用户提供专业、安全的心理学知识问答服务。 核心功能：飞书群 @机器人 实时双向对话、私聊模式；自建心理学知识库，按学派/著作/概念三层索引，支持中文分词检索；自动检测自杀/自残等高风险输入，触发危机干预并引导拨打心理援助热线（北京 010-82951332）；跨会话长期记忆，自动追踪用户情绪变化轨迹；每次回复后 AI 自评打分，低分回复自动归档待审队列。 业务流程：用户 @潜语 → WebSocket 接收 → 安全过滤（危机检测）→ 知识检索（RAG）→ DeepSeek 思考生成 → 回复用户 + 自评打分 + 情绪记录 + 记忆持久化。

智能症状诊断（对话式问诊） 业务描述：用户以自然语言描述主诉（如“膝关节不能下蹲”），AI通过多轮追问，引导用户补充细节（如疼痛部位、活动受限幅度、伴随体征）。 典型界面： 用户发送“不能下蹲” → AI先提问“下蹲幅度：小幅度障碍还是不能站直？” → 再问“过伸试验强阳性？” → 逐步缩小范围，输出可能的病因（滑膜炎、髌骨嵌顿、腘肌损伤等）。 价值：模拟医生问诊逻辑，避免用户盲目猜测，提高诊断专业性。 2️⃣ 分层鉴别诊断（结构化推理） 业务描述：按照预设的临床路径（如“下蹲障碍”诊断树），AI自动输出分步骤的鉴别诊断列表，区分小幅度障碍、不能站直、后侧疼痛等不同分支。 截图体现： 小幅度障碍 → 肿胀（查滑膜炎） / 髌骨嵌顿（查股骨-髌骨关系） 不能站直 → 过伸试验强阳性（查膝后侧） / 过屈试验阳性（查膝前侧） 后侧疼痛 → 查臀后侧、腘斜韧带等具体结构 大幅度障碍 → 查脊柱侧弯、骨盆旋移、腿型等全身因素 价值：帮助医生/学员建立清晰的临床思维路径，减少漏诊。 3️⃣ 治疗靶点推荐（针刀/针灸定位） 业务描述：当AI完成诊断后，直接输出需要查治的具体解剖结构或压痛点，例如“查治臀后侧、腘斜韧带、腘肌下隐窝、籽骨、半腱肌、半膜肌”。 扩展功能：可进一步点击某个靶点，查看针刀松解进针方法、解剖图示、操作视频。 价值：从“是什么病”快速过渡到“怎么治”，尤其适合针刀医师临床参考。 4️⃣ 体征试验引导（辅助检查） 业务描述：AI主动建议用户或医生完成特定物理检查试验，如“正/反4字试验、直腿抬高试验、过屈/过伸试验”，并根据试验结果再推理。 交互方式：用户点击试验名称，可以查看操作图解或视频演示；也可输入试验结果为“阳性/阴性”，AI更新诊断结论。 价值：标准化体格检查，提升远程问诊的可靠性。 5️⃣ 多模态教学资源关联 业务描述：在诊断结果下方，直接推荐相关的教学视频、名医课程，例如截图中的“膝关节相关疾病的诊断及进针思路”、“唐国振膝关节临床操作演示”。 业务形态：可免费预览部分内容，完整课程需付费/订阅解锁。 价值：实现“即诊即学”，构建从诊疗到教育的闭环，增加用户粘性和付费转化。 6️⃣ 主动追问与健康档案记录 业务描述：在用户未主动提问时，AI可主动发起常见问题，例如截图底部的三个引导按钮： “下蹲时膝关节有无疼痛？” “膝关节活动时有响声吗？” “平时走路或站立时膝盖感觉如何？” 数据沉淀：用户回答内容自动归入个人健康档案，形成长期追踪记录，未来复诊时可对比变化。 价值：变被动问答为主动健康管理，提升用户活跃度和数据丰富度。 7️⃣ 再答一次/调整诊断（可控生成） 业务描述：用户若对当前AI诊断不满意，可以点击“再答一次”按钮，AI会重新生成一组诊断思路或换一种推理逻辑（例如增加考虑肌筋膜链）

参与外部企业项目外包，应用MediaPipe技术实现动作智能计数系统。负责开发后端程序，用于识别视频中的人体动作，包括俯卧撑和引体向上等。成功编写后端计数程序，确保动作识别的准确性和计数功能的稳定性。同时，负责前后端连接的实现，实现JAVA端和python端的数据传输并维护系统的稳定性。

针对超声医学影像中的斑点噪声问题，开发了一套具备结构保持能力和自动调参功能的智能去噪系统。系统核心功能包括： - 斑点噪声抑制 ：采用深度学习方法有效去除超声图像中的斑点噪声，提升图像质量 - 结构信息保持 ：在去噪的同时保护图像中的组织结构和边缘细节，避免过度平滑 - 自动参数优化 ：基于贝叶斯优化算法自动搜索最优网络参数和超参数配置 - 多模态支持 ：支持多种超声成像模式（B超、彩色多普勒等）的去噪处理 该系统可应用于临床超声诊断、医学研究等场景，帮助医生更清晰地观察病变区域，提高诊断准确性。

医疗保险欺诈识别检测系统，主要面向医保基金监管场景，针对医保报销、就诊记录、药品使用、诊疗项目、参保人员行为等数据进行分析，识别可能存在的异常报销和欺诈行为，辅助监管部门、医院或医保管理机构提高医保基金使用的安全性和透明度。 在实际业务中，医疗保险欺诈通常表现为以下几类问题： 虚假报销：伪造就诊记录、药品清单或医疗费用进行报销。 过度医疗：开具不必要的检查、治疗或高价药品，提高报销金额。 重复报销：同一医疗行为或费用在不同渠道重复申报。 冒名就医：参保人身份被冒用，套取医保基金。 异常诊疗行为：医疗机构或个人在短时间内出现不合理的高频就诊、高额用药、集中开单等情况。 该系统的核心业务目标是： 对医保业务数据进行统一采集、清洗和整合； 基于规则分析与机器学习模型识别高风险欺诈样本； 对高风险记录进行预警、分类和可视化展示； 为医保监管人员提供决策支持，提升欺诈识别效率，减少人工审核压力。

主要功能为实现颅内动脉瘤的智能化检测。其核心功能包括：1. 加载与预处理DICOM格式的医学影像数据；2. 训练深度学习模型对影像进行自动分析识别，精准判断是否存在疑似动脉瘤区域；3. 预测存在颅内动脉瘤的概率，为医生提供诊断决策支持。

肝脏肿瘤的精准分割是临床诊断、手术规划及疗效评估的关键环节，传统手工分割方法高度依赖医师经验，存在耗时长、主观性强及可重复性低等问题。随着医学影像数据的快速增长，发展高效、准确的自动分割技术已成为医学图像分析领域的迫切需求。 近年来，深度学习技术，尤其是全卷积神经网络，在医学图像分割中展现出巨大潜力。其中，U-net网络以其独特的编码器-解码器结构和跳跃连接，在小样本医学数据上实现了优异的像素级分割效果，成为该领域的基准模型之一。然而，标准U-net在处理肝脏肿瘤图像时仍面临挑战：肝脏与肿瘤的灰度相似、边界模糊、肿瘤尺寸和形态差异巨大，以及图像中存在噪声伪影等问题，常导致分割精度不足、细节丢失或假阳性增多。 因此，针对肝脏肿瘤分割的特殊复杂性，对经典U-net结构进行针对性改进，提升其特征提取能力、上下文信息捕捉效率和边界分割精度，具有重要的理论意义与临床应用价值。本研究旨在探索改进U-net模型的有效途径，为实现更鲁棒、更精准的肝脏肿瘤自动分割提供可行方案。

使用GFNet 模型对来自 ADNI（阿尔茨海默病神经影像学倡议）的脑部 MRI 图像进行 分类，以识别阿尔茨海默症（AD）与认知正常（CN）状态，准确率达到 74.85%，并 展示了优秀的泛化能力和鲁棒性。 系统以GFNet模型为核心，具备以下功能模块： 1. 图像预处理模块 支持图像统一缩放至224×224像素； 提供数据增强功能（随机水平翻转、随机擦除等）； 支持灰度转换与自动黑边裁剪，突出关键区域。 2. 特征提取与分类模块 基于GFNet的块嵌入与位置编码，提取图像全局特征； 通过频域全局滤波层（Global Filter）捕获长程依赖关系； 经多层Transformer块与MLP层进行高层次特征融合与分类。 3. 训练与评估模块 支持余弦退火学习率调整、早停机制等训练策略； 提供准确率、损失曲线、混淆矩阵等可视化评估工具； 支持模型检查点保存与最佳模型自动选择。 4. 预测服务模块 提供单张或批量MRI图像的AD/CN状态预测； 输出分类结果及相关置信度。

1、基于隐私保护背景下的人体姿态监测； 2、适用于公共场所和有隐私保护需求场景； 3、使用TOF传感器采集点云数据，不包含人眼可识别的可见光信息、面部、面貌、细节信息等，保护人员隐私； 4、监测人员运动状态，发生异常时（跌倒、爬墙、斗殴等）告警

该算法主要对DR系统采集的原始图像进行增强处理。输入原始采集的X摄像图像，通过多尺度分解，对图像的不同频域进行相应的增强或抑制，从而达到增强图像的目的。项目以C/C++编写，封装成标准C库调用，能够被C#,MFC，QT等不同场景下调用。

独立搭建多跳问答系统，结合稀疏检索和稠密检索提升召回率，微调HuggingFaceTransformers模型，提升上下文理解能力与推理精度，集成 LangChain流程，实现跨文档的多步推理 实现批量推理和增量知识库更新，优化响应时间至<1s。项目已开源至github，展示了完整的代码、模型和部署效果。可以上传医疗文件解析，并通过专有的文档进行私有化问答 。 还可以选择是否连网和多跳推理。

该项目致力于在提高现有医学图像分割模型的实时高效性、适应不同数据的能力，在提高现有医学图像分割模型性能的同时降低其计算量和参数量。并完成相关文档撰写，论文及专利转化。在 Intel 酷睿i5 CPU、1000×1000分辨率图像上不做任何推理加速处理的模型推理时间为168ms左右，分割准确性相对于现有模型进一步提高。自研的上采样与下采样策略在其它模型上均能达到约1%以上的性能提升，具备很好的即插即用能力

- 功能层面： - 非接触式精准监测：运用医用级摄像头，对保温箱内的早产儿进行持续视频采集，无需传感器直接接触婴儿，避免了对婴儿造成刺激。基于改进的深度学习算法，如YOLOv4/YOLOv5等，能够精准定位早产儿的头部、四肢、躯干等关键身体部位，实现对其姿态的高精度识别。 - 异常行为智能检测：通过对早产儿姿态的时序分析，系统可以有效识别出持续性异常体位、活动减少等异常姿态模式。一旦检测到这些异常，便会及时发出预警，提示医护人员关注潜在的神经系统问题。 - 模型优化与实时性保障：采用TensorRT等技术对姿态识别模型进行加速，确保系统能够在不损失过多精度的前提下，实现对早产儿姿态的实时监测与分析。针对早产儿体型小、易出现遮挡等特点，对模型的anchor设计进行针对性优化，提升模型在复杂情况下的鲁棒性。 - 业务层面： - 助力早期风险筛查：能够协助医生尽早发现早产儿患脑瘫、神经发育迟缓等疾病的风险信号，为早期干预争取宝贵时间。研究表明，早期干预可使早产儿的脑瘫发生率从35.5‰降到9.4‰ ，对改善早产儿的健康预后具有重要意义。

供应链计划算法供应链计划算法供应链计划供应链计划算法供应链计划算法供应链计划算法供应链计划算法供应链计划算法供应链计划算法供应链计划供应链计划算法供应链计划算法供应链计划算法供应链计划算法供应链计划算法供应链计划算法供应链计划供应链计划算法供应链计划算法供应链计划算法供应链计划算法

CSUF重建系统显著减少了迭代算法的超参数依赖。并且在仅使用 20 个投影的条件下，重建的 CT 图像的峰值信噪比（PSNR）和结构相似性指数（SSIM）出色可达 26 dB 和 0.85。实验结果表明，重建图像具有较好的视觉质量，能够满足临床诊断的需求。

具体功能模块及使用者功能 图像处理功能：对眼底图像进行轮廓裁剪、CLAHE 处理和双目拼接，提取视盘区域，消除光照不均干扰，增强血管纹理细节，实现左右眼图像空间对齐，为诊断提供清晰统一的图像。 疾病检测功能：支持单张或批量图像上传，通过多标签分类能力判别 7 类眼科疾病与正常类别，允许单张图像存在多个病理标签，精准诊断复杂病例。 报告生成功能：快速生成详细诊断报告，支持打印和 PDF 格式导出，方便医生查看、存档及与患者沟通。 历史记录查询功能：便捷查询历史检测记录，包括时间、诊断结果和 AI 建议，便于病情复核与长期存档。 诊断建议功能：集成医疗大模型，依据诊断结果生成个性化治疗建议和健康管理方案，提升患者依从性和诊疗效率。 疾病科普功能：提供常见眼病的详实介绍，包括示意图和文字说明，点击 “了解更多” 可跳转至百度百科获取更多资料。 主要功能路径：用户上传眼底图像，系统对图像进行预处理（轮廓裁剪、CLAHE 处理、双目拼接），然后通过深度学习模型进行疾病检测，生成诊断结果，基于诊断结果生成诊断建议和报告，同时将检测记录存储以便用户查询。用户还可通过疾病科普功能了解相关眼病知识。

红区图 通过AI图像处理技术分离皮肤中到红色成分，运用图像增强技术突显相关症状。 通过红区图能过直观的观察到粉刺、寻常痤疮、酒糟鼻、血管阻导致的色素沉淀、色斑、红血丝等皮肤问题。 红区热力图 运用图像增强技术与症状影像映射分析，通过蓝色-绿色- 黄色-红色渐变映射， 更直观反应肌肤的严重程度。蓝色为健康皮肤，红色为严重程度皮肤。 可以直观的查看人脸痤疮、敏感度、红血丝等问题

本项目集成了肺炎图像智能诊断的多项核心功能模块，主要包括图像上传、肺炎分类、病灶定位及诊断结果可视化。系统支持用户通过Web界面上传胸部X光图像，后端自动调用深度学习模型（DenseNet121、ResNet18、YOLOv8）进行图像分类与病灶检测，实现对肺炎的辅助诊断。分类模块可识别是否患有肺炎，定位模块则标注出疑似病灶区域。所有功能通过Flask框架集成，提供实时、轻量化、一体化的诊断服务路径，极大提升了用户操作便捷性和诊断效率。

基于FFQ问卷算法，获取用户饮食、生活习惯，再依此推荐适合的单粒营养补剂。营养补剂按照每日服用的计量封装为小包，30包为一份。 这样用户可以方便的获取到量身定制的营养补剂，小包的包装也方便携带与服用。