5000+ longitudinale Gesamtmosaikdaten · 3 Jahre Zeitspanne ?? 8 + 7 medizinische Bildmosaik ICD-10-CN codierte Karte
Hochwertige multimodulare klinische Langzeitdatensätze für die Ausbildung in Zeitreihen und die Argumentation für große medizinische Modelle. Jeder Fall integriert strukturierte Krankenakten, klinische Dokumente, medizinische Bilder, Tests, Arzneimittelakten, pathologische Berichte und quantitative Skalen, wobei sieben große Datenmuster mit vollständigen klinischen Tracks in chronologischer Reihenfolge zu jedem Zeitpunkt für denselben Patienten bewertet werden.
| Name des Datensatzes | 长时序MultimodalAktenDatensatz（Longitudinal Multimodal Electronic Health Records Dataset） |
|---|---|
| Total Scale | Mindestens 5,000 例Qualifizierte Fälle, die 8 Hauptfokuseinheiten + zusätzliche Spezialstämme abdecken |
| Time Span | 3-Jahres-Vertical-Check-up-Aufzeichnung pro Fall, mindestens 2 Besuche/Tests/Behandlung/Follow-up an verschiedenen Stellen |
| Datenzeitrahmen | 2016-2025 (Priorität für Patienten mit vollständigen Krankenakten und Folgedaten) |
| Department Coverage | Onkologie + Intensivstation/Psychopathologie/Ohren, Nase und Rachen/Gynäkologie und Gynäkologie/Rheumatologie |
| 数据模态 | Strukturierte Krankenakten — medizinische Bilder — medizinische Tests — Krankenakten — Pathologieberichte — quantitative Werte |
| Imaging Modality | CT MIS PT-CT Ultrasity ENDRIGHT X-L/DR Pathology WSI |
| Kodierungsstandard | ICD-10-CN Diagnostic Code Map, mit Original ICD Code, Codeversion und Kartenregeln |
| Qualitätsnormen | Schlüsselfeldfüllrate 95 % % Gesamtprüfung 10 % Videospezialisierung % Doppeldissensibilisierung |
| Konformitätsanforderungen | Das Gesetz zum Schutz personenbezogener Daten, das Datenschutzgesetz, erfüllt die volle Menge an Dissensibilisierung und Daten, um das Land nicht zu verlassen |
| Anwendungsfälle | Die medizinische Megamodell-Zeitreihe des Trainings • vertikale Wirksamkeitsvorhersage • klinische Flugbahnmodellierung • polymodulare Integrationsstudien • Vorhersage des Krankheitsverlaufs |
| Supply Format | 硬盘 · 云盘 · API · 数据基础设施 |
| Anbieter | Changsha Langhui Information Technology Co., Ltd. |
Der Kerndifferenzwert dieses Datensatzes ist, dassRelevanz für LangzeitsequenzenNicht nur, dass jeder in Frage kommende Fall den dreijährigen Zeithorizont erfüllt, sondern vor allem gibt es eine konsistente interne Korrelation zwischen Diagnose, Konsultation, Test, Untersuchung, Medikamenten, Papierkram, Bildern, Pathologie, Statistiken und Informationen zum Lebensende innerhalb desselben dissensibilisierten Patienten, die in chronologischer Reihenfolge der klinischen Hauptbahn wiederhergestellt werden können.Zeitreihenbegründung(Befristete Ausbildung)
Chronische oder fortschreitende Erkrankungen wie COPD, IBD, Zirrhose, CKD, Typ-2-Diabetes, Parkinson-Krankheit, Alzheimer-Krankheit usw. werden priorisiert, um längere Zeitreihendaten bereitzustellen.
Die Videoberichte beziehen sich auf die bisherigen Daten des "vergleichbaren Vorfilms" und "Beziehung" zum vorherigen und bieten, soweit möglich, entsprechende Kontrollen und Berichte, die eine kontinuierliche Rückverfolgbarkeit der wichtigsten klinischen Tracks gewährleisten.
Der gleiche Patient kann auf die Anwesenheit des gleichen Patienten zurückgeführt werden.
2019.03 Erste Diagnose · Krankenhauseinweisung + Diagnose (ICD-10:C34.1) + CT-Truhe + pathologische Biopsie + Baseline
2019.05 • Postoperative Chemotherapie Zyklus 1 • Drogenaufzeichnung + Test (Blutroutine / Pastalfunktion) + CT-Review + Pathologieaufzeichnung
2020.03 • Nachbeobachtungszeit ein Jahr • CT-Vorvergleich + Onkologie-Marker + physikalisches Scoring (ECOG) + Folgedokument
2021.06 · 2-Jahres-Überprüfung · MRT + PET-CT + Pathologie + medikamentenbereinigte Aufzeichnung + Lebensqualität
2022.09 · Letztes Follow-up · Ende der Geschichte + Bildbewertung + Letztes Medikament + Total Überlebensrekord
7 Datenmosaik werden für jeden förderfähigen Fall integriert, wobei der KernakzeptanzstandardInterne Relevanz mehrerer Datentypen bei demselben Patienten, demselben Besuch, derselben Untersuchung oder derselben BehandlungAlle Modi sind nachprüfbare Verbindungsverbindungen durch die Nummer des unsensiblen Patienten, die Nummer der Konsultation, die Nummer der Untersuchung, die Nummer des Berichts, den Index des Dokuments.
Die Diagnoseaufzeichnung (ICD-10-CN), die klinische / Krankenhausaufzeichnung, die Testergebnisse, die Untersuchungsaufzeichnung, das Arzneimittelprotokoll, die chirurgische / operative Aufzeichnung.
Der vollständige Text ist ohne ernsthafte Unterbrechung garantiert.
CT/MRI/PET-CT (Dinox DIC), Ultraschall/Endoskop (Originalformat), Röntgen/DR (DICOM), Pathologie WSI (SVS/NDPI/TIFF/KFB).
Der Name des Medikaments, Dosis, Häufigkeit, Weg der Lieferung, Startzeit und medikamentenbasierte Anpassungsaufzeichnung.
Pathologische Diagnoseberichte, Immungruppenergebnisse, molekulare/genetische Tests und TNM-Phasen.
Spezialisierte Bewertungstabellen für NIHSS, mRS, NYHA, LVEF, ECOG, APACHE II, SOFA, DAS28, SLEDAI usw. unterstützen die vertikale Wirksamkeitsbewertung.
Sie können auch die Ergebnisse von Tests auf Blut, Biochemikalien, Gerinnung, Tumormarkern, Mikroorganismen, Genetik usw. und Funktionstests überprüfen.
Follow-up, Überleben, Rückfall/Transfer und Komplikationen: Unterstützung von Schulungen zur Modellierung des Krankheitsverlaufs und von Prognosemodellen.
| 数据模态 | Lieferung | Formatanforderungen | Assoziationsschlüssel |
|---|---|---|---|
| StructuredDaten | Diagnose (ICD-10-CN), Beratung, Test, Untersuchung, Medikamente, chirurgische Aufzeichnungen | CSV / Excel / Datenbank | patient_id + encounter_id |
| Klinische Unterlagen | Krankenhauseinweisungen, Entlassungen, Krankenakten, Transferaufzeichnungen, vollständige chirurgische Aufzeichnungen | Text / PDF | patient_id + encounter_id |
| CTBildgebung | Thin + General Layer Dickensequenzen, bevorzugt 512 x 512 Matrix, Retain Phase Information | 脱敏DICOM | study_id + series_id |
| MRIBildgebung | T1WI/T2WI/FLAIR/DWI/ADC/Stärkung der Sequenzen, Beibehaltung der Sequenzbeschreibung und Scanparameter | 脱敏DICOM | study_id + series_id |
| PET-CT | PET entspricht der C.T.-Sequenz, Beibehaltung der Integration und SUV-Stoffwechselinformationen | 脱敏DICOM | study_id + series_id |
| Ultraschall/Aufsicht | Statische Bilder + dynamische Videos, Assoziationsinspektionsberichte und Schlüsselmessungen | DICOM/Originalexport | study_id + report_id |
| PathologyWSI | Digitales Vollschichtbild, Retentionsmultiplikator/Skala/Chromosomentyp/Scheibenzahl | SVS / NDPI / TIFF / KFB | study_id + report_id |
| Medication Records | Name, Dosis, Häufigkeit, Lieferweg, Startzeit | CSV/Datenbanktabelle | patient_id + encounter_id |
Die Anzahl der Einheiten und Erkrankungen wird gezielt verteilt und die endgültige Lieferstruktur basiert auf der gegenseitig bestätigten Lieferliste.
| Abschnitt/Kategorie | Zielquote | Anzahl der Empfehlungen | Fokussiertes Krankheitsspektrum | Anforderungen an die Basisinformation |
|---|---|---|---|---|
| Onkologie | Etwa 35-38 Prozent | 1,750-1,900 | Lungenkrebs, Brustkrebs, Darmkrebs, Leberkrebs, Magenkrebs, essbare Krebs, Nackenkarzinom, Bauchspeicheldrüsenkrebs, Eierstockkrebs usw. | Bildberichte, periodische Berichte, pathologische Berichte; molekulare/immunologische Indikatoren auf realistischer Basis verfügbar |
| Herz-Kreislauf | Etwa 20-22% | 1,000-1,100 | Koronare Herzkrankheit/akuter Herzinfarkt, Post-PCI, Herzinsuffizienz, Raumzittern usw. | Koronararterie, Herzultraschall, Elektrokardiogramm, Herzmyase-Spektrum, LVEF, NYHA |
| Neurologie | Etwa 13-15% | 650-750 | Illustrative, hämorrhagische, Parkinson-, kognitive Störungen/Atzheimer-Störungen, etc. | Kopf CT/MRI, Beschreibung der Krankheit, NIHSS, mRS, kognitive/motorisierte Tabelle |
| Atemwegsschnitt | Etwa 7-8 % | 350-400 | COPD, Asthma bronchiale, Gemeinschaftszugang zu Lungenentzündung, bronchiale Expansion, etc. | Bewertung der Lungenfunktion, des Brustbilds, des Grads oder der Symptome |
| Verdauungstrakt | 约6%-7% | 300-350 | Leberzirrhose, IBD, Verdauungsgeschwür, GERD, etc. | Magen-Darm-/Bildberichte, pathologische Berichte, Leberfunktionsbewertungen, Krankheitsaktivitätsbewertungen |
| Nephrologie | 约6%-7% | 300-350 | CKD, Diabetes-Nephrose, Nierenerkrankung am Ende des Lebens, Dialyse, Nachsorge nach der Transplantation und Komplikationen usw. | eGFR, UACR, Urintests, Nierenfunktion, Nierenpathologie, Dialyseaufzeichnungen |
| Endokrinologie | Etwa 5-6 Prozent | 250-300 | Typ-2-Diabetes mellitus und Komplikationen, Schilddrüsen/funktionelle Anomalien/Tumoren, Osteoporose usw. | HbA1c, Blutzuckeraufzeichnungen, Diagnose von Komplikationen, Schilddrüsenfunktion/Ultraschall, Knochendichte |
| Blut. | Etwa 3-4% | 150-200 | Leukämie, Lymphom, Multiple Osteoporose, etc. | Osteomymystalgie/Lebend-, Fließ-, FISH-, Schichtung/Scoring-, Seroproteinelektronenschwimmen |
| Andere spezialisierte Ergänzungen | ≤3% | ≤150 | Intensivstation (Suspensiv/ARDS), psychiatrische, orale, Augenheilkunde, Ohr, Nase und Rachen, Gynäkologie und Geburtshilfe, Rheumatismusimmunisierung | Umsetzung gemäß Bestätigungsliste durch die Parteien |
| Insgesamt | 100% | ≥5,000 | 8 Schlüsselbereiche + 7 zusätzliche Spezialisten | |
Wenn Sie ICD-10-CN zuordnen müssen, geben Sie Kartenregeln, Kartenquellen und Kartenvor- und Nachvergrößerungsfelder an.
Die Ergebnisse können nach Abschnitt, Krankheitsspektrum, ICD-Code, diagnostischem Namen, Anzahl der Fälle, Zeitspanne und Datenmodellabdeckung zusammengefasst werden.
Bilddaten werden für KI-Trainings verwendet, wobei die Bereitstellung von dünnen, rohen Auflösungs- und Sequenz-vollständigen Daten Vorrang hat. Das Projekt umfasst multipathologische, multidimensionale, multihistorische Daten, ohne eine einzige Schicht dicker Schwellenwerte als Voraussetzung für den Kernzugang zu verwenden. DIOCOM-Bilder behalten wichtige Metadaten und räumliche Positionierungsinformationen, die für KI-Trainings erforderlich sind.
| BildgebungType | Delivery Format | Wesentliche technische Anforderungen |
|---|---|---|
| CT | 脱敏DICOM | Prioritäre Dünnschichtfolgen und ursprünglicher Schichtdicken-/Pixelabstand; gleiche Untersuchung Dünnschicht + konventionelle Schichtdicke, die so weit wie möglich gleichzeitig geliefert wird; Matrix-Thallium 512 x 512; verbesserte Untersuchung von Informationen über Retentionszeitphasen |
| MRI | 脱敏DICOM | Behalten Sie wichtige Diagnosesequenzen wie T1WI/T2WI/FLAIR/DWI/ADC/enhanced; Serienname, Scan-Ort, Schichtdicke, Pixelabstand identifizierbar |
| PET-CT | 脱敏DICOM | PET entspricht der CT-Sequenz, Beibehaltung der Integration; Bericht / Metadaten spiegeln metabolische Informationen wie SUV |
| X-Linie/DR | 脱敏DICOM | Behalten Sie den Lieferort, überprüfen Sie das Teil, die Pixelgröße und die Berichtszuordnung; darf nicht durch eine Vorschau mit niedriger Auflösung ersetzt werden |
| Ultrasound | DICOM/Video/Vorausfuhr | Statische Bilder + dynamisches Video; Berichte über Verknüpfungsinspektionen, wichtige Messungen, Teile und Schlussfolgerungen beibehalten |
| 内镜 | Originalbild/Video/Systemexport | Pflegen Sie Inspektionsstellen, Zeit, Berichte / Aufzeichnungen, Schlüsselbilder / Videos; pathologische Korrespondenz |
| PathologyWSI | SVS/NDPI/TIFF/KFB | Behalten Sie Vielfache, Skalen, Scan-Levels, Farbstofftypen, Scheibennummern; prioritäre H & E- und diagnostische Scheiben |
StudyInstanceUID, SeriesInstanceUID, SOPInstanceUID, AccessionNumber
ImagePositionPatient, ImageOrientationPatient, SliceLocation, FrameOfReferenceUID
Rows, Columns, PixelSpacing, SliceThickness, SpacingBetweenSlices
KVP, Exposure/mAs, ConvolutionKernel, Pitch, Manufacturer, ModelName
Desensibilisierung entfernt keine Schlüsselfelder, die die Verwendung von 3D-Rekonstruktion, Serienerkennung, räumlicher Positionierung und Training beeinflussen.
{
"patient_id": "LH_PT_2024_003172",
"demographics": {
"gender": "M",
"age_at_baseline": 58,
"age_unit": "year"
},
"primary_diagnosis": {
"icd_code_original": "C34.1",
"icd_version": "ICD-10",
"icd_code_mapped": "C34.1",
"diagnosis_name": "肺上叶恶性肿瘤",
"department": "肿瘤科",
"disease_spectrum": "实体瘤-肺癌"
},
"temporal_trajectory": {
"time_span_years": 3.5,
"encounter_count": 8,
"first_record_date": "2019-03-15",
"last_record_date": "2022-09-20",
"encounters": [
{
"encounter_id": "ENC_001",
"date": "2019-03-15",
"type": "inpatient",
"department": "肿瘤科",
"phase": "baseline_diagnosis",
"linked_data": {
"clinical_notes": ["入院记录", "首次病程", "出院小结"],
"imaging": [
{"study_id": "IMG_CT_001", "modality": "CT", "body_part": "CHEST", "report_id": "RPT_001"}
],
"pathology": [
{"report_id": "PATH_001", "type": "biopsy", "finding": "非小细胞肺癌，腺癌"}
],
"lab_results": ["血常规", "生化", "肿瘤标志物"],
"medications": [],
"scales": [{"name": "ECOG", "score": 1}]
}
},
{
"encounter_id": "ENC_004",
"date": "2020-03-10",
"type": "outpatient",
"phase": "follow_up_1y",
"linked_data": {
"imaging": [
{"study_id": "IMG_CT_004", "modality": "CT", "body_part": "CHEST",
"comparison": "对比前片IMG_CT_003", "report_id": "RPT_004"}
],
"lab_results": ["肿瘤标志物"],
"scales": [{"name": "ECOG", "score": 0}]
}
}
]
}
}
Sonstige Veranstalter
"Patient id": "LH PT 2024 00317".
"Begegnungskennung": "ENC 006",
"Studie id."
"Studie Datumszeit": "2021-06-18T09:30:00",
"Modalität": "MRI",
"Körperteil": "Gehirn",
"Studienbeschreibung": "MRI Sweeping of Head + Enhancement",
"Serie":
Sonstige Veranstalter
"Serienkennung": "SER 006 01",
"Serienbeschreibung": "T1WI",
„Scheibendicke: 5,0,
"Pixelabstand": [5, 0.5],
"Zeilen": 512,
"Spalten": 512,
"Aktenzahl": 24,
"Dateipfad": "Patient 00317/enc 006/mri/ser 01/"
{\cHFFFFFF}{\cH00FFFF}
Sonstige Veranstalter
"Serienkennung": "SER 006 02",
"Serienbeschreibung": "T2WI FLAIR",
„Scheibendicke: 5,0,
"Pixelabstand": [5, 0.5],
"Zeilen": 512,
"Spalten": 512,
"Aktenzahl": 24,
"Dateipfad": "Patient 00317/enc 006/mri/ser 02/"
{\cHFFFFFF}{\cH00FFFF}
Sonstige Veranstalter
"serie id": "SER 006 05",
"Serienbeschreibung": "T1WI+C"
„Scheibendicke: 5,0,
"Pixelabstand": [5, 0.5],
"Zeilen": 512,
"Spalten": 512,
"Aktenzahl": 24,
"Dateipfad": "Patient 00317/enc 006/mri/ser 05/",
"Kontrastfall": "Postkontrast"
♪ Tut mir leid ♪
Ich weiß es nicht.
"Linkreport": {
"report id": "RPT 006",
"Befunde": "Die rechte Seite des Frontallappens ist sichtbar, keine signifikante Veränderung gegenüber der vorherigen ..."
"Impression": "Empfehlen Sie weitere Follow-up bei der Betrachtung Transferstabilisierung."
"Berichtsdatum": "2021-06-18"
{\cHFFFFFF}{\cH00FFFF}
"Linkbegegnung":
"Begegnungskennung": "ENC 006",
"Datum": "2021-06-18",
"Abteilung": "Onkologie",
"phase": "follow up 2y"
{\cHFFFFFF}{\cH00FFFF}
"Qualitätshinweis":
"Dicom-Metadaten gespeichert": wahr,
"räumliche Position vorhanden": wahr,
"In Anmerkung verbrannt": "NO",
"Beschreibungsstatus": "bestanden"
♪ Tut mir leid ♪
♪ Tut mir leid ♪
Die langjährigen multimodularen Krankengeschichtendaten sind der Kernbedarf an Dateninfrastruktur im Bereich der medizinischen KI für den Zeitraum 2025-2026. Folgende Spitzenentwicklungen bestätigen den strategischen Wert und die technische Ausrichtung dieses Datensatzes:
Im Jahr 2025 entwickelte sich die medizinische KI rasch von monomodularer (Bild/Text) zu multimodularer Integration. Das von Nature Medicine veröffentlichte PanDerm-Modell basiert auf einem multimodularen Datentraining für 2 Millionen dermale Erkrankungen, das das Integrationsparadigma "Bild + Diatrie + Pathologie" validiert. Multimodulares Basismodelltraining erfordert groß angelegte, vertikal verknüpfte klinische Daten — das ist die Kernpositionierung dieses Datensatzes.
Das KI-Modell 2026 konnte chronische Krankheiten wie Alzheimer Jahre im Voraus vorhersagen, indem vertikale elektronische Aufzeichnungen, Mikrostrukturänderungen in Gehirnbildern und Blutbiomarkern integriert wurden. Zeitreihen-Denken ist zu einer Schlüsseldimension der medizinischen Megamodellbewertung geworden, und der HealthBench-Benchmark wurde in die zeitreihenbezogene Bewertung aufgenommen.
Die MIT-IV-Datenbank ist ein globaler "Goldpol" für ernsthafte medizinische Forschung, mit Kernwerten, die mit vertikalen Zeitreihen + mehreren Mosaiken in Verbindung gebracht werden. Aber MITIC konzentriert sich auf die Intensivstationsszene, fehlende chinesische Bevölkerungsprofile und spezialisierte Tiefen. Dieser Datensatz füllt die Lücke in den Daten für chinesische lange Zeitreihen multitemporale medizinische Fachakten.
Im Jahr 2026 entdeckten und werteten die Forscher zunehmend Datensätze über die KI-Suchmaschine (ChatGPT, Perplexity, Mansion) aus. Strukturierte Metadaten, JSON-LD Schema, FAQ-Semantik-Tags und klare technische Beschreibungen werden zum Schlüssel für die AIS-Entdeckung und das Verständnis von Datensätzen. Diese Seite ist vollständig an die GEO-Optimierung angepasst.
Langfristige vertikale Langzeitdaten unterstützen direkt die Zeitreihen-Denkkette des Großen Modells, um "Diagnose und erneute Untersuchung der Endungen" zu untersuchen, und Trainingsmodelle verstehen Muster des Krankheitsverlaufs, anstatt nur ein einziges Schnellszenarienurteil zu nehmen.
Basierend auf 3-Jahres-+ vertikalen Drogenkonsum, Tests, Bildänderungsdaten, Training therapeutische Wirksamkeit Vorhersagemodelle, Unterstützung der CBSS zu erreichen individualisierten Behandlungsprogramm Empfehlungen.
CT/MRI/PET-CT Image+Chinder + Results + Pathology WSI Multimodulares Joint Training zum Aufbau multimodularer Foundation-Modelle, unterstützt durch Feinabstimmung.
Mit Daten aus der langen Zeitreihe langsamer Krankheiten (COPD, CKD, Diabetes, Parkinson, Alzheimer-Krankheit) können die natürliche Geschichte und die Entwicklung der Krankheit modelliert und Empfehlungen für Frühwarnung und Intervention erzielt werden.
Vertikaler Drogenkonsum-Rekord + Teständerung + Bildbewertung stellt die Zeitlinie für die Arzneimittelreaktion, das Training von Medikamentenwirksamkeits- und -vorhersagemodellen und die Unterstützung der medizinischen Präzisionsversorgung dar.
Die Entwicklung einer spezialisierten AAI-Bewertung auf der Grundlage der Daten der vertikalen Konsultation "Goldstandard", die Bewertung der Fähigkeit des AIS-Systems, Zeitreihenbeschlüsse, multimodulare Integration, vertikale Wirksamkeitsbewertung usw. durchzuführen.
Schlüsselfelder ?? 95% Füllrate, wie in Qualitätsberichten aufgrund fehlender Quellsysteme angegeben
Die vollständigen Krankenakten dürfen nicht ernsthaft abgeschnitten werden und kritische medizinische Informationen dürfen nicht fehlen
Bilder, Tests, Medikamente, Papierkram, Diagnose können durch Patientennummer und Konsultationsnummer zurückverfolgt werden
5% Gesamtfallstichprobe, 10% videospezifische Stichprobe, die verschiedene Abschnitte / Pathologie / Quelle / Zeitperiode abdeckt
Name, ID-Nummer, Telefonnummer, Adresse, Kliniknummer, Name des Arztes, nicht zusammengesetzter Krankenhausname entfernen
DICOM/WSI Metadaten, Private Labels, Text in Bildern brennen, Tag Maps synchronisieren
Pflegen Sie die für die Skalierung, den Multiplikator, die räumliche Positionierung und die Sequenzerkennung erforderlichen KI-Trainingsinformationen
Daten sind verboten, das Land in Übereinstimmung mit dem Datenschutzgesetz, dem Datenschutzgesetz, zu verlassen.
Dieser Datensatz erfordert, dass jeder Fall drei Jahre lang ist und dass er eine Aufzeichnung der Besuche von mindestens zwei oder mehr verschiedenen Zeitpunkten enthält und dass die Informationen über Diagnose, Testung, Untersuchung, Medikation, Papierkram, Bilder und Endeffekte innerhalb desselben Patienten in chronologischer Reihenfolge auf den klinischen Hauptverlauf zurückgeführt werden. Der normale elektronische Krankengeschichtendatensatz ist in der Regel eine Einzeldiagnose-Schnappschussaufnahme, es fehlen vertikale Zeitreihenverbindungen und es ist nicht möglich, eine Ausbildung in Zeitreihen-Denkmodellen zu unterstützen.
Unterstützt sieben Arten von medizinischen Bildmodellierungen für CT, MRI, PET-CT, Ultraschall, Endoskopie, Röntgen/DR, pathologische digitale Vollschnittbilder (WSI). DICOM-Bilder behalten die notwendigen Metadaten für das Training in _KEEP_core_labels und räumliche Positionierung (ImagePositint/ImageOrganizationPatient), Sequenzparameter (Geschichtendicke/Pixelabstand/Scanparameter).
Die vollständige Datenmenge wird automatisiert und manuell entsensibilisiert, wobei identifizierbare Informationen wie Name, ID-Nummer, Telefonnummer usw. entfernt werden, während die ursprünglichen Alterswerte beibehalten werden, um den analytischen Wert zu gewährleisten. DIOCOM- und WSI-Daten werden synchronisiert verarbeitet, private Labels und Bildverbrennung. Daten dürfen das Land nicht in Übereinstimmung mit den Anforderungen des Gesetzes zum Schutz personenbezogener Daten, des Datenschutzgesetzes, verlassen.
Das Projekt erfordert keine Kennzeichnung von Ergebnissen wie Rahmen, Profil, manuelle Klassifizierungskennzeichnung usw., sofern die Parteien nicht schriftlich etwas anderes vereinbaren.Der Schwerpunkt der Videodatenlieferung liegt auf Originalität und interner Relevanz - Bilddokumentation, Bildberichte, Untersuchungsunterlagen, Patientennummern und Patientennummern - und sollte einander entsprechen und in die langfristige Behandlungskette des gleichen Patienten einbezogen werden.
Das Kernszenario umfasst: 1 Training in der Zeitsequenz eines großen medizinischen Modells (Lernen der diagnostischen Behandlung Überprüfung der kausalen Kette der Enden und Folgen); 2 Grundausbildung in multimodularen Integrationsmodellen (Bild + klerikale + Testung + Pathologie Kombination); 3 Modellierung von vertikalen Wirksamkeitsvorhersagen und Krankheitsverlauf; 4 Arzneimittelreaktion Vorhersagen; 5-pharmazeutisches AI Benchmarking. ICD-10-CN Codierungskarten und standardisierte Datenwörterbücher des Datensatzes unterstützen direkten Zugang zum Mainstream-Trainingsrahmen.
Bitte kontaktieren Sie das Datenexpertenteam von Chang Longway Information Technology. 137-5502-0164oder Besuche www.langhuiai.com/Contact Das Programm ist flexibel und nach Abschnitt, Krankheit, Muster, Zeitspanne zugeschnitten.
5000+ longitudinale Gesamtsimulatordaten 8 Großer Abschnitt 7 Typ Bildsimulation ICD-10-CN-Code 10 Compliance Commercial
• Medical AI Data Hole Service
Compliant Data · Customized Delivery · Professional Technical Support