一種膿毒症患者腿部花斑AI識別評估方法

2023-06-09 20:10:57

一種膿毒症患者腿部花斑ai識別評估方法
技術領域
1.本公開涉及醫學診療技術領域，尤其涉及一種膿毒症患者腿部花斑ai識別評估方法、裝置和評估系統。


背景技術：

2.膿毒症是由細菌等病原微生物侵入機體引起的全身炎症反應症候群。按膿毒症嚴重程度可分膿毒症、嚴重膿毒症(severe sepsis)和膿毒性休克(septic shock)。嚴重膿毒症，是指膿毒症伴有器官功能障礙、組織灌注不良或低血壓。
3.膿毒症臨床表現大都具備如下症狀：體溫》38℃或《36℃；四肢厥冷；毛細血管再充盈時間延長或皮膚出現花斑等。而在現有醫學技術中，對於膿毒症來說，能夠反映機體血流動力學和微循環灌注的指標尤為重要，因此掌握膿毒症常用的監測指標的方法及臨床意義是醫生的重要技能。2021版國際膿毒症和膿毒性休克管理指南中指出：在缺乏高級血流動力學監測手段時，可採用其他器官灌注測量方式來指導復甦：如四肢溫度、皮膚花斑指數以及毛細血管再充盈時間。
4.對於膿毒症患者來說，四肢體溫以及皮膚花斑是非常明顯的症狀識別條件，而現有醫學對膿毒症患者的症狀檢測，需要涉及到不同的昂貴檢測項目，比如進行中心靜脈壓、血氧飽和度、重組人體活化蛋白c等項目檢測，其檢測花費高昂，對於患者不夠經濟實惠。
5.而現有醫學對於膿毒症花斑的評估涉獵較少，一般僅僅用於症狀研究，但是並未提出並利用花斑信息對患者進行症狀評估，缺少直接的有效評估方案。


技術實現要素：

6.為了解決上述問題，本技術提出一種膿毒症患者腿部花斑ai識別評估方法、裝置和控制系統。
7.本技術一方面，提出一種膿毒症患者腿部花斑ai識別評估方法，其特徵在於，包括如下步驟：
8.獲取膿毒症花斑歷史數據並進行預處理，得到膿毒症花斑預處理數據；
9.採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型；
10.採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果；
11.發送並上傳所述膿毒症花斑識別結果至後臺。
12.作為本技術的一可選實施方案，可選地，獲取膿毒症花斑歷史數據並進行預處理，包括：
13.獲取膿毒症花斑歷史數據，包括花斑歷史數據以及對應的四肢體溫數據；
14.按照症狀發病時期，將所述膿毒症花斑歷史數據進行分類，分為早中晚末四個時期的歷史數據；
15.分別保存四個時期的歷史數據，並對其中離散數據進行刪除、缺失數據進行調補處理；
16.得到四個時期的膿毒症花斑預處理數據。
17.作為本技術的一可選實施方案，可選地，採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型，包括：
18.分別獲取四個時期的膿毒症花斑預處理數據；
19.採用深度學習技術，以每個時期膿毒症花斑預處理數據中的花斑歷史數據作為訓練集，進行模型訓練，得到每個時期的膿毒症花斑初始識別模型；
20.以每個時期膿毒症花斑預處理數據中的四肢體溫數據作為驗證集，對所述膿毒症花斑初始識別模型進行驗證和模型參數調整，得到所述膿毒症花斑識別模型；
21.將四個時期的所述膿毒症花斑識別模型分別部署於後臺伺服器。
22.作為本技術的一可選實施方案，可選地，採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果，包括：
23.採集並獲取患者的皮膚表徵數據；
24.對所述皮膚表徵數據進行解析，得到患者的皮膚花斑數據；
25.將所述皮膚花斑數據發送至後臺，並輸入所述膿毒症花斑識別模型進行花斑特徵提取和識別，輸出並上傳對應的花斑識別結果至後臺。
26.作為本技術的一可選實施方案，可選地，採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果，還包括：
27.採集並獲取患者的皮膚表徵數據；
28.對所述皮膚表徵數據進行解析，得到患者的皮膚體溫數據；
29.將所述皮膚體溫數據輸入所述膿毒症花斑識別模型，進行體溫匹配，輸出並上傳對應的四肢體溫識別結果至後臺。
30.作為本技術的一可選實施方案，可選地，採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果，還包括：
31.獲取所述花斑識別結果和所述四肢體溫識別結果；
32.結合所述花斑識別結果和所述四肢體溫識別結果，共同判斷出患者的膿毒症花斑識別結果以及所屬時期；
33.輸出並保存患者的膿毒症花斑識別結果以及所屬時期至後臺。
34.本技術另一方面，提出一種裝置，用於實現所述的膿毒症患者腿部花斑ai識別評估方法，包括：
35.預處理模塊，用於獲取膿毒症花斑歷史數據並進行預處理，得到膿毒症花斑預處理數據；
36.膿毒症花斑模型構建模塊，用於採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型；
37.花斑識別模塊，用於採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒
症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果；
38.傳輸模塊，用於發送並上傳所述膿毒症花斑識別結果至後臺
39.作為本技術的一可選實施方案，可選地，所述膿毒症花斑識別模型，包括：
40.早中晚末四個時期的膿毒症花斑識別模型。
41.作為本技術的一可選實施方案，可選地，還包括：
42.解析模塊，用於採集解析並患者的皮膚表徵數據，得到患者的皮膚花斑數據和皮膚體溫數據；
43.判斷模塊，用於結合模型對患者識別的花斑識別結果和四肢體溫識別結果，共同判斷出患者的膿毒症花斑識別結果以及所屬時期；以及輸出並保存患者的膿毒症花斑識別結果以及所屬時期至後臺。
44.本技術另一方面，還提出一種控制系統，包括：
45.處理器；
46.用於存儲處理器可執行指令的存儲器；
47.其中，所述處理器被配置為執行所述可執行指令時實現所述的一種膿毒症患者腿部花斑ai識別評估方法。
48.本發明的技術效果：
49.本技術通過獲取膿毒症花斑歷史數據並進行預處理，得到膿毒症花斑預處理數據；採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型；採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果；發送並上傳所述膿毒症花斑識別結果至後臺。本技術利用花斑識別算法對患者的皮膚體徵數據進行識別，利用花斑識別模型快速識別患者所處的膿毒症時期，利用了深度學習的技術快速識別膿毒症患者的發病時期，便於儘早為用戶提出治療方案。花斑識別模型可以對患者四肢花斑以及四肢體溫進行綜合識別和判斷，準確響應患者的皮膚體徵醫學參數，使得患者儘早得到花斑提醒，其檢測成本低廉，經濟實惠。
50.根據下面參考附圖對示例性實施例的詳細說明，本公開的其它特徵及方面將變得清楚。
附圖說明
51.包含在說明書中並且構成說明書的一部分的附圖與說明書一起示出了本公開的示例性實施例、特徵和方面，並且用於解釋本公開的原理。
52.圖1示出為本發明膿毒症患者腿部花斑ai識別評估方法的實施流程示意圖；
53.圖2示出為本發明四個時期的花斑歷史數據訓練分類示意圖；
54.圖3示出為本發明四個時期的花斑識別模型應用示意圖；
55.圖4示出為本發明膿毒症花斑識別模型的應用原理圖。
具體實施方式
56.以下將參考附圖詳細說明本公開的各種示例性實施例、特徵和方面。附圖中相同
的附圖標記表示功能相同或相似的元件。儘管在附圖中示出了實施例的各種方面，但是除非特別指出，不必按比例繪製附圖。
57.在這裡專用的詞「示例性」意為「用作例子、實施例或說明性」。這裡作為「示例性」所說明的任何實施例不必解釋為優於或好於其它實施例。
58.另外，為了更好的說明本公開，在下文的具體實施方式中給出了眾多的具體細節。本領域技術人員應當理解，沒有某些具體細節，本公開同樣可以實施。在一些實例中，對於本領域技術人員熟知的方法、手段、元件和電路未作詳細描述，以便於凸顯本公開的主旨。
59.本技術利用花斑識別算法對患者的皮膚體徵數據進行識別，利用花斑識別模型快速識別患者所處的膿毒症時期，利用了深度學習的技術快速識別膿毒症患者的發病時期，便於儘早為用戶提出治療方案。
60.本實施例，深度學習的技術，優選採用卷積神經網絡進行模型訓練，卷積神經算法為現有技術，本實施例關於卷積神經網絡的技術描述，本處不作贅述。本技術優選對患者腿部的花斑進行識別。
61.實施例1
62.如圖1所示，本技術一方面，提出一種膿毒症患者腿部花斑ai識別評估方法，其特徵在於，包括如下步驟：
63.s1、獲取膿毒症花斑歷史數據並進行預處理，得到膿毒症花斑預處理數據；
64.膿毒症花斑歷史數據，可以從醫療機構的醫學資料庫中進行獲取，從歷史的膿毒症患者的診斷書等醫學資料中可以獲得大量的膿毒症病患數據，對其中的花斑歷史數據，單獨獲取用於作為訓練數據，訓練模型。
65.本實施例，主要利用膿毒症患者的皮膚花斑歷史數據以及對應的四肢體溫數據進行數據採集和訓練。膿毒症患者不同時期的皮膚花斑以及對應的四肢體溫是有區別的，因此分別獲取各個時期的皮膚花斑以及對應的四肢體溫，便於所訓練構建的識別模型能夠及時識別出膿毒症患者的症狀所屬時期。
66.作為本技術的一可選實施方案，可選地，獲取膿毒症花斑歷史數據並進行預處理，包括：
67.獲取膿毒症花斑歷史數據，包括花斑歷史數據以及對應的四肢體溫數據；
68.按照症狀發病時期，將所述膿毒症花斑歷史數據進行分類，分為早中晚末四個時期的歷史數據；
69.分別保存四個時期的歷史數據，並對其中離散數據進行刪除、缺失數據進行調補處理；
70.得到四個時期的膿毒症花斑預處理數據。
71.每個膿毒症患者的理石數據，可以分析並剝離出來患者的花斑歷史數據以及對應的四肢體溫數據，比如：
72.早期膿毒症患者a，診療數據中具有皮膚花斑數據a1和四肢體溫數據a2；
73.中期膿毒症患者b，診療數據中具有皮膚花斑數據b1和四肢體溫數據b2；
74.晚期膿毒症患者c，診療數據中具有皮膚花斑數據c1和四肢體溫數據c2；
75.......
76.如圖2所示，本實施例，按照膿毒症患者的症狀發病時期，將所述膿毒症花斑歷史
數據進行分類，分為早中晚末四個時期的歷史數據，也就是具備：
77.早期膿毒症花斑歷史數據，對應訓練得到一個早期的膿毒症花斑識別模型；
78.中期膿毒症花斑歷史數據，對應訓練得到一個中期的膿毒症花斑識別模型；
79.晚期膿毒症花斑歷史數據，對應訓練得到一個晚期的膿毒症花斑識別模型；
80.末期膿毒症花斑歷史數據，對應訓練得到一個末期的膿毒症花斑識別模型；
81.早中晚末四個時期的歷史數據，將由權威專家以及醫生或者膿毒症診斷標準進行界定，本實施例不作限制。
82.將數據分為四個時期的歷史數據後，在後臺伺服器上採用分布式儲存技術，分別保存四個時期的歷史數據，並對其中離散數據進行刪除、缺失數據進行調補處理。
83.預處理的方案，在於將歷史數據進行整合梳理，避免過於離散的數據影響數據的統一性，導致模型結構穩定性較差。
84.s2、採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型；
85.本實施例對各個時期的膿毒症花斑預處理數據單獨構建模型，得到四個時期的膿毒症花斑識別模型，能夠對膿毒症患者的皮膚表徵數據進行統一識別，得到對應匹配的症狀時期。
86.如圖3所示，作為本技術的一可選實施方案，可選地，採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型，包括：
87.分別獲取四個時期的膿毒症花斑預處理數據；
88.採用深度學習技術，以每個時期膿毒症花斑預處理數據中的花斑歷史數據作為訓練集，進行模型訓練，得到每個時期的膿毒症花斑初始識別模型；
89.以每個時期膿毒症花斑預處理數據中的四肢體溫數據作為驗證集，對所述膿毒症花斑初始識別模型進行驗證和模型參數調整，得到所述膿毒症花斑識別模型；
90.將四個時期的所述膿毒症花斑識別模型分別部署於後臺伺服器。
91.首先以每個時期膿毒症花斑預處理數據中的花斑歷史數據作為訓練集，進行模型訓練，得到每個時期的膿毒症花斑初始識別模型。花斑歷史數據為膿毒症患者的主要識別特徵，因此利用花斑歷史數據作為訓練集作為模型的輸入，進行深度學習，構建得到對應的花斑初始識別模型。此時的花斑為每個時期膿毒症花斑的識別模型，可以應用識別花斑並得到對應的症狀時期。
92.但是為了提高膿毒症患者的識別精度，本實施例利用各個時期膿毒症患者的四肢體溫數據，對各個模型進行反饋調整，以每個時期膿毒症花斑預處理數據中的四肢體溫數據(a-d)作為驗證集，對各個時期的識別模型進行模型參數調節，比如以早期的四肢體溫a，對膿毒症花斑初始識別模型進行參數調整，或者增加模型對四肢體溫參數的識別特徵，對四肢體溫a進行特徵值計算，並將特徵值配置在早期的膿毒症花斑識別模型上，後續便於對花斑識別後再進行四肢體溫識別。
93.各個時期的膿毒症花斑識別模型建立後，分別部署於後臺伺服器上，為其進行資料庫配置，用於膿毒症花斑識別。
94.s3、採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果；
95.患者皮膚表徵數據，包括患者的皮膚花斑數據和四肢體溫數據的採集獲取。
96.本實施例，患者的皮膚花斑數據獲取方式，可以採用皮膚花斑ai拍照設備進行獲取，利用患者所佩戴的磁懸浮投影裝置(由佩戴在患者四肢上的磁懸浮底盤以及配合的飛盤組成，飛盤上設有對準患者皮膚的攝像設備，採用類似的「磁懸浮飛碟」方法，實現懸浮式的拍照方案)對四肢的皮膚花斑進行智能拍照，將患者四肢皮膚的花斑獲取，並上傳系統。四肢花斑數據經過後臺圖像處理軟體處理後，可以得到符合格式要求的皮膚花斑數據並輸入模型進行識別。「磁懸浮飛碟」方式，可以結合現有的比如磁懸浮陀螺儀的設備進行實現。
97.對於四肢皮膚花斑的攝像的角度和位置，本實施例不作限定，按照醫生要求或者標準進行設定攝像設備，獲取對應位置的皮膚花斑數據即可。
98.四肢體溫數據的採集獲取方式，可以由集成的紅外感應溫度設備、紅外傳感器、溫度貼片等進行採集，採集後發送至後臺處理系統即可。
99.如圖4所示，作為本技術的一可選實施方案，可選地，採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果，包括：
100.採集並獲取患者的皮膚表徵數據；
101.對所述皮膚表徵數據進行解析，得到患者的皮膚花斑數據；
102.將所述皮膚花斑數據發送至後臺，並輸入所述膿毒症花斑識別模型進行花斑特徵提取和識別，輸出並上傳對應的花斑識別結果至後臺。
103.患者的皮膚表徵數據，包括皮膚花斑數據和皮膚體溫數據。
104.首先將皮膚花斑數據輸入膿毒症花斑識別模型進行識別，得到一個識別結果，再將皮膚體溫數據跟各個時期的膿毒症花斑識別模型上所配置的題為特徵值進行匹配，得到一個識別結果，最後綜合兩個識別結果判斷膿毒症患者的發病時期。
105.作為本技術的一可選實施方案，可選地，採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果，還包括：
106.採集並獲取患者的皮膚表徵數據；
107.對所述皮膚表徵數據進行解析，得到患者的皮膚體溫數據；
108.將所述皮膚體溫數據輸入所述膿毒症花斑識別模型，進行體溫匹配，輸出並上傳對應的四肢體溫識別結果至後臺。
109.皮膚表徵數據，即膿毒症患者的皮膚花斑圖像，輸入到膿毒症花斑識別模型後，首先進行圖像中花斑的特徵圖像提取，將特徵圖提取後與各個模型的識別特徵進行匹配，看各個模型對特徵圖的識別匹配值，取最優識別的模型的識別結果作為花斑識別結果。
110.如圖4所示，本實施例，模型對患者的皮膚花斑圖像進行識別時，是四個時期的模型同時進行的模型識別方案，每個模型進行識別後，都會得到一個對皮膚花斑圖像的識別結果值(圖像相似度的計算，圖像特徵比對時採用的相似度算法，採用現有技術即可)，也即得到四個的圖像計算值，取相似度最大的值作為花斑識別結果即可，這時最優值所對應的膿毒症花斑識別模型的類型也知道了，比如末期的膿毒症花斑識別模型。再採用該膿毒症花斑識別模型的體溫特徵值對患者的皮膚表徵數據進行匹配，看是否準確，最終得到一個綜合識別的識別結果。
111.作為本技術的一可選實施方案，可選地，採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果，還包括：
112.獲取所述花斑識別結果和所述四肢體溫識別結果；
113.結合所述花斑識別結果和所述四肢體溫識別結果，共同判斷出患者的膿毒症花斑識別結果以及所屬時期；
114.輸出並保存患者的膿毒症花斑識別結果以及所屬時期至後臺。
115.上述四肢體溫識別，與對應時期的模型的體溫特徵值進行對比即可。識別完成後，共同判斷出患者的膿毒症花斑識別結果(皮膚花斑的病症信息以及花斑醫學屬性值)以及所屬時期。
116.s4、發送並上傳所述膿毒症花斑識別結果至後臺。
117.將模型識別的結果上傳至後臺，醫生或者患者可以登錄後臺進行識別結果的查看，便於了解患者膿毒症的發病時期以及皮膚症狀和體表溫度，可以遠程實現膿毒症患者的智能醫療，醫生可以從醫療機構後臺查閱膿毒症患者資料並給出結果以及對應的診療方案。
118.本技術所採用的花斑識別模型可以對患者四肢花斑以及四肢體溫進行綜合識別和判斷，準確響應患者的皮膚體徵醫學參數，使得患者儘早得到花斑提醒，其檢測成本低廉，經濟實惠。
119.本實施例，花斑評分，可以採取對皮膚的花斑圖像進行圖像特徵提取，將其和預設的花斑特徵數據進行比對，以此進行打分。比如0分指沒有花斑。1分指膝蓋中心位置存在小面積花斑(硬幣大小)。2分指花斑面積不超過髕骨的上緣。3分指花斑面積不超過大腿中部，4分指花斑面積不超過腹股溝皺褶處。5分指花斑非常嚴重，面積超過腹股溝皺褶處。
120.將對應位置的花斑圖像獲取並經過模型的特徵提取，將其和資料庫花斑特徵進行比較，得到對應的花斑識別結果並進行評分。皮膚花斑評分無創、便於監測，通過監測花斑的趨勢來反映臨床治療效果。
121.需要說明的是，儘管以相似度算法作為示例介紹了如上皮膚花斑圖像的識別計算，但本領域技術人員能夠理解，本公開應不限於此。事實上，用戶完全可根據實際應用場景靈活設定識別算法和相似度計算算法，只要可以按照上述技術方法實現本技術的技術功能即可。
122.顯然，本領域的技術人員應該明白，實現上述實施例方法中的全部或部分流程，是可以通過電腦程式來指令相關的硬體來完成的，程序可存儲於一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各控制方法的實施例的流程。
123.本領域技術人員可以理解，實現上述實施例方法中的全部或部分流程，是可以通過電腦程式來指令相關的硬體來完成的，程序可存儲於一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各控制方法的實施例的流程。其中，存儲介質可為磁碟、光碟、只讀存儲記憶體(read-onlymemory，rom)、隨機存儲記憶體(randomaccessmemory，ram)、快閃記憶體(flashmemory)、硬碟(harddiskdrive，縮寫：hdd)或固態硬碟(solid-statedrive，ssd)等；存儲介質還可以包括上述種類的存儲器的組合。
124.實施例2
125.基於實施例1的實施原理，本技術另一方面，提出一種裝置，用於實現所述的膿毒症患者腿部花斑ai識別評估方法，包括：
126.預處理模塊，用於獲取膿毒症花斑歷史數據並進行預處理，得到膿毒症花斑預處理數據；
127.膿毒症花斑模型構建模塊，用於採用深度學習技術，以所述膿毒症花斑預處理數據為訓練集，進行模型訓練，得到膿毒症花斑識別模型；
128.花斑識別模塊，用於採集患者皮膚表徵數據，將所述皮膚表徵數據輸入所述膿毒症花斑識別模型，通過所述膿毒症花斑識別模型對皮膚花斑進行識別，得到膿毒症花斑識別結果；
129.傳輸模塊，用於發送並上傳所述膿毒症花斑識別結果至後臺
130.作為本技術的一可選實施方案，可選地，所述膿毒症花斑識別模型，包括：
131.早中晚末四個時期的膿毒症花斑識別模型。
132.作為本技術的一可選實施方案，可選地，還包括：
133.解析模塊，用於採集解析並患者的皮膚表徵數據，得到患者的皮膚花斑數據和皮膚體溫數據；
134.判斷模塊，用於結合模型對患者識別的花斑識別結果和四肢體溫識別結果，共同判斷出患者的膿毒症花斑識別結果以及所屬時期；以及輸出並保存患者的膿毒症花斑識別結果以及所屬時期至後臺。
135.上述各個模塊的功能和原理具體參見實施例1的描述，本實施例不作贅述。
136.上述的本發明的各模塊或各步驟可以用通用的計算裝置來實現，它們可以集中在單個的計算裝置上，或者分布在多個計算裝置所組成的網絡上，可選地，它們可以用計算裝置可執行的程序代碼來實現，從而，可以將它們存儲在存儲裝置中由計算裝置來執行，或者將它們分別製作成各個集成電路模塊，或者將它們中的多個模塊或步驟製作成單個集成電路模塊來實現。這樣，本發明不限制於任何特定的硬體和軟體結合。
137.實施例3
138.更進一步地，本技術另一方面，還提出一種控制系統，包括：
139.處理器；
140.用於存儲處理器可執行指令的存儲器；
141.其中，所述處理器被配置為執行所述可執行指令時實現所述的一種膿毒症患者腿部花斑ai識別評估方法。
142.本公開實施例來控制系統包括處理器以及用於存儲處理器可執行指令的存儲器。其中，處理器被配置為執行可執行指令時實現前面任一所述的一種膿毒症患者腿部花斑ai識別評估方法。
143.此處，應當指出的是，處理器的個數可以為一個或多個。同時，在本公開實施例的控制系統中，還可以包括輸入裝置和輸出裝置。其中，處理器、存儲器、輸入裝置和輸出裝置之間可以通過總線連接，也可以通過其他方式連接，此處不進行具體限定。
144.存儲器作為一計算機可讀存儲介質，可用於存儲軟體程序、計算機可執行程序和各種模塊，如：本公開實施例的一種膿毒症患者腿部花斑ai識別評估方法所對應的程序或模塊。處理器通過運行存儲在存儲器中的軟體程序或模塊，從而執行控制系統的各種功能
應用及數據處理。
145.輸入裝置可用於接收輸入的數字或信號。其中，信號可以為產生與設備/終端/伺服器的用戶設置以及功能控制有關的鍵信號。輸出裝置可以包括顯示屏等顯示設備。
146.以上已經描述了本公開的各實施例，上述說明是示例性的，並非窮盡性的，並且也不限於所披露的各實施例。在不偏離所說明的各實施例的範圍和精神的情況下，對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇，旨在最好地解釋各實施例的原理、實際應用或對市場中的技術的技術改進，或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。