• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度電子病歷分析研究綜述

    2018-07-28 07:18:52蔣友好
    電腦知識與技術(shù) 2018年15期
    關(guān)鍵詞:電子病歷卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)

    蔣友好

    摘要:伴隨醫(yī)院信息化建設(shè),大量的電子病歷數(shù)據(jù)得以保存,但如何分析和利用這些數(shù)據(jù)成為醫(yī)療健康領(lǐng)域一個重要的研究課題。深度電子病歷分析以深度學(xué)習(xí)技術(shù)為基礎(chǔ),通過特征自學(xué)習(xí),避免了在數(shù)據(jù)預(yù)處理和特征工程上耗費大量時間,而且還能有效捕獲數(shù)據(jù)間的未知關(guān)系,提高算法性能。本文首先概述了5類常用的深度學(xué)習(xí)模型及其變體,其次詳細(xì)分析了這5類模型在電子病歷分析上的應(yīng)用情況,最后從數(shù)據(jù)異質(zhì)性、公開數(shù)據(jù)集和模型可解釋性三個方面對這一領(lǐng)域當(dāng)前的機遇和挑戰(zhàn)做了總結(jié)。

    關(guān)鍵詞:電子病歷;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);循環(huán)神經(jīng)網(wǎng)絡(luò)

    中圖分類號:TP311 文獻標(biāo)識碼:A 文章編號:1009-3044(2018)15-0301-04

    An Overview of Research on Deep Electronic Health Record Analysis

    JIANG You-hao1,2

    (1.Department of Control Science and Engineering School of Electronics and Information Engineering Tongji University,Shanghai 201804,China;2.Shanghai Putuo District Central Hospital, Shanghai 200062, China)

    Abstract:With the development of hospital informatization, the vast amounts of raw electronic health records have been saved. But how to analyze and utilize these data becomes an important research topic in the field of healthcare. Based on deep learning technologies, deep electronic health record analysis models not only can learn features directly from the data itself, avoiding the cost of time on data preprocessing and feature engineering, but also can gain high performance by effectively capturing latent relationships between data. In this paper, five commonly used deep learning models and their variants are firstly discussed, and then analyzes some electronic health record analysis applications in detail. Finally, we summarize the current opportunities and challenges from three aspects: data heterogeneity, public datasets and model interpretability.

    Key words: Electronic Health Record (HER); Deep Learning; Convolutional Neural Networks (CNN); Recurrent Neural Network (RNN)

    引言

    隨著醫(yī)院信息化建設(shè)不斷深入,電子病歷(Electronic Health Record,EHR)系統(tǒng)在臨床診療過程中得到了廣泛應(yīng)用,也因此產(chǎn)生了大量的醫(yī)療數(shù)據(jù)。這些數(shù)據(jù)記錄了患者所有的診治歷史,包括人口統(tǒng)計學(xué)信息、診斷、實驗室檢驗結(jié)果、放射影像、處方、臨床記錄等[1]。之前,電子病歷數(shù)據(jù)主要被用來提高臨床診療效率,并方便醫(yī)院管理。但隨著大數(shù)據(jù)和人工智能技術(shù)的飛速發(fā)展,許多研究者認(rèn)為電子病歷數(shù)據(jù)對提高醫(yī)護質(zhì)量、保障患者安全、降低治療費用等方面大有裨益[2-4]。

    盡管電子病歷數(shù)據(jù)越來越容易獲取,但其異質(zhì)的特性給分析帶來了巨大的挑戰(zhàn)。從表示形式上來看,電子病歷數(shù)據(jù)有以下5種類型:1)數(shù)值型,如年齡、體重;2)時間日期型,如入院時間、處方開立日期;3)類別型,主要是受控詞表中的代碼,如性別、國際疾病分類代碼ICD-10;4)自然語言書寫的自由文本,如放射學(xué)報告、出院小結(jié);5)時間序列,即按時間順序排列的一段數(shù)值或一組文本,如生命體征監(jiān)護記錄、病程記錄[5]。面對這些異質(zhì)的數(shù)據(jù)類型,傳統(tǒng)的機器學(xué)習(xí)與統(tǒng)計技術(shù)通過從數(shù)據(jù)中抽取一組特征來表征數(shù)據(jù),并作為模型的輸入,訓(xùn)練各種分析模型。但上述方法存在兩點不足:1)特征是人手工抽取,依賴于專家的領(lǐng)域知識,這些知識通常都是已知的,不能發(fā)現(xiàn)數(shù)據(jù)間的未知關(guān)系;2)80%的工作用于數(shù)據(jù)的清洗、預(yù)處理等,大大限制了模型的可伸縮性[4]。

    近年來,深度學(xué)習(xí)在許多領(lǐng)域都取得了巨大的成功,通過深層次的分層特征構(gòu)建,有效地捕獲數(shù)據(jù)間的未知關(guān)系[6]。相比于傳統(tǒng)的機器學(xué)習(xí)方法,深度學(xué)習(xí)通過直接從數(shù)據(jù)本身習(xí)得最優(yōu)特征,不需要人工指導(dǎo),實現(xiàn)了特征的自學(xué)習(xí),并能自動發(fā)現(xiàn)那些數(shù)據(jù)間未知或隱含的關(guān)系。當(dāng)前,已有研究人員將深度學(xué)習(xí)應(yīng)用在電子病歷分析上,取得了比傳統(tǒng)機器學(xué)習(xí)方法更好的結(jié)果,而且在數(shù)據(jù)預(yù)處理和特征工程上耗費更少的時間。

    基于前人工作,本文從深度學(xué)習(xí)模型的角度回顧了深度電子病歷分析領(lǐng)域取得的眾多研究成果。在接下來的部分,第2節(jié)概述5類常用的深度學(xué)習(xí)模型及其變體,第3節(jié)詳細(xì)分析這5類模型在電子病歷分析上的應(yīng)用情況,最后第4節(jié)總結(jié)當(dāng)前面臨的挑戰(zhàn)并展望未來的發(fā)展方向。

    1 深度學(xué)習(xí)模型概述

    經(jīng)過多年發(fā)展,深度學(xué)習(xí)已包含各種各樣的技術(shù)。本節(jié)中,我們將簡要概述最常見的5類深度學(xué)習(xí)模型,這些模型已在深度電子病歷分析上被廣泛使用。從模型架構(gòu)的角度,這5類模型可劃分成兩大類,一類使用監(jiān)督架構(gòu)(包括多層感知機、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)),另一類使用無監(jiān)督架構(gòu)(包括自編碼器、受限玻爾茲曼機)。下面我們對這5類模型逐一進行介紹。

    1.1 多層感知機

    多層感知器(Multilayer Perceptron,MLP)是一類包含多個隱層的人工神經(jīng)網(wǎng)絡(luò),第[i]層的神經(jīng)元與第[i+1]層神經(jīng)元完全連接。其中,每個隱層的神經(jīng)元將前一層的輸出加權(quán)求和,再經(jīng)過一個非線性激活函數(shù),其結(jié)果作為神經(jīng)元的輸出。常見的非線性激活函數(shù)有sigmoid和tanh,現(xiàn)在更多地使用ReLU函數(shù)。

    經(jīng)過模型的訓(xùn)練,隱層神經(jīng)元的權(quán)重得到優(yōu)化,網(wǎng)絡(luò)也從學(xué)到了輸入[x]和輸出[y]之間的關(guān)系。隨著隱層的增加,輸入數(shù)據(jù)也會以更抽象的形式表達出來。雖然MLP模型結(jié)構(gòu)很簡單,但其他神經(jīng)網(wǎng)絡(luò)架構(gòu)經(jīng)常會在最后包含一個由全連接神經(jīng)元組成的MLP結(jié)構(gòu)。

    1.2 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是近幾年最流行的一個網(wǎng)絡(luò)模型,特別是在圖像處理領(lǐng)域。相比于MLP的全連接結(jié)構(gòu),CNN只做局部連接。例如,一張50x50的圖片,MLP會將其展開成一個2500維的向量作為網(wǎng)絡(luò)的輸入,而CNN將其看成是局部像素塊的集合,對每個相同大小的像素塊乘以一組權(quán)值,該過程稱為“卷積”,這組權(quán)值稱為“卷積核”。當(dāng)卷積核在整個圖片上移動時,可以從中提取出有意義的特征。

    CNN的特性可總結(jié)為:局部連接、權(quán)值共享。由于卷積核比完整的輸入要小,所以CNN的參數(shù)更少。而且卷積核在整個圖片上移動時,每個像素塊乘以的都是一組相同的權(quán)值,所以權(quán)值是共享的。卷積操作所在的層稱為卷積層,卷積層之后,通常會跟一個池化層用于聚合卷積層提取到的特征。常見的池化有最大池化和平均池化。

    1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

    當(dāng)輸入數(shù)據(jù)具有清晰的空間結(jié)構(gòu)(如圖片)時,卷積神經(jīng)網(wǎng)絡(luò)是一個合理的選擇。但當(dāng)輸入數(shù)據(jù)按順序排列(如自然語言或時間序列數(shù)據(jù))時,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)則更合適一些,因為它具有處理長時間依賴關(guān)系的特性。RNN在更新隱態(tài)[ht]時,不僅依賴當(dāng)前時刻[t]的輸入[xt],也依賴前一刻的隱態(tài)[ht-1]。依此類推,[ht-1]依賴于[xt-1]和[ht-2]。通過這種方式,最后輸出的隱態(tài)包含先前所有輸入元素的信息。

    流行的RNN變體有長短時記憶單元(LSTM)和門控循環(huán)單元(GRU)模型,這兩者都被稱為門控循環(huán)神經(jīng)網(wǎng)絡(luò)。標(biāo)準(zhǔn)RNN由相互連接的隱藏單元組成,而門控RNN中每個隱藏單元被一個包含內(nèi)部循環(huán)的特殊單元和一組控制信息流的門所取代。相比于標(biāo)準(zhǔn)RNN,循環(huán)RNN在建模長時間依賴關(guān)系上更有優(yōu)勢。

    1.4 自編碼器

    自編碼器(Auto-Encoder,AE)是一個無監(jiān)督表示學(xué)習(xí)模型,最初被用于有監(jiān)督深度學(xué)習(xí)模型的預(yù)訓(xùn)練,對那些標(biāo)記數(shù)據(jù)很少的情況特別有用,但自編碼器依舊可以應(yīng)用在完整的無監(jiān)督學(xué)習(xí)任務(wù)中。自編碼器包含編碼和解碼兩部分,輸入[x]先被編碼為一個低維空間表示[z],再通過解碼重建[x]的近似表示[x]。自編碼器訓(xùn)練時,通過最小化重建誤差[x-x],學(xué)習(xí)表示[z]。訓(xùn)練完成之后,只使用編碼部分獲得輸入的編碼表示。

    由于自編碼器將輸入數(shù)據(jù)轉(zhuǎn)換成低維的、只存儲重要信息的向量,因此它和標(biāo)準(zhǔn)的降維技術(shù)(如主成分分析、奇異值分解)很像。但自編碼器優(yōu)勢在于隱層的非線性激活函數(shù),這種非線性變換可以用來解決許多復(fù)雜問題。研究者常使用堆疊的方式構(gòu)建深度自編碼器網(wǎng)絡(luò)。常見的自編碼器變體有降噪自編碼器(DAE)、稀疏自編碼器(SAE)、變分自編碼器(VAE)等。

    1.5 受限玻爾茲曼機

    另一個無監(jiān)督表示學(xué)習(xí)模型是受限玻爾茲曼機(Restricted Boltzmann Machine,RBM)。與自編碼器不同之處在于,RBM通過一個隨機視角來估計輸入數(shù)據(jù)的概率分布,以此來對數(shù)據(jù)的生成過程進行建模。因而,RBM也被看作生成模型。

    在標(biāo)準(zhǔn)玻爾茲曼機中,所有單元之間采用全連接的方式,而在RBM中,任何兩個可見單元或任何兩個隱藏單元之間沒有連接。RBM的訓(xùn)練常采用隨機優(yōu)化,如Gibbs采樣,生成輸入數(shù)據(jù)的表示。此外,RBM可被分層堆疊形成一個深度置信網(wǎng)絡(luò)(DBN),用于監(jiān)督學(xué)習(xí)任務(wù)。

    2 深度學(xué)習(xí)模型在電子病歷分析上的應(yīng)用

    介紹完上述5種常見的深度學(xué)習(xí)模型,本節(jié)將詳細(xì)分析這些模型在電子病歷分析研究中的應(yīng)用情況,包括應(yīng)用于哪些任務(wù),對模型做了哪些適配,以及取得的成果有哪些。表 1從深度學(xué)習(xí)模型的角度,給深度電子病歷分析研究做了一個分類。

    2.1 多層感知機

    由于多層感知機比較簡單,它在電子病歷分析中多作為基礎(chǔ)模型存在。Choi等[7]使用嵌入患者向量的MLP模型來預(yù)測心臟衰竭,其中患者向量通過臨床事件的分布式表示獲得?;颊咭淮尉驮\過程可以看作一個有序的臨床事件集合,從入院、檢查、手術(shù)、醫(yī)囑到出院,使用臨床事件集合表示患者的方法稱為患者向量表示。文獻[7]和[8]均借鑒詞向量分布式表示中的skip-gram方法來獲取臨床事件的分布式表示。

    2.2 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)在入院概率預(yù)測和命名實體識別任務(wù)中均有應(yīng)用。Nguyen等[9]使用CNN來預(yù)測出院后無計劃的再入院概率,網(wǎng)絡(luò)輸入為離散的臨床事件代碼,結(jié)果顯示他們的方法優(yōu)于Bag-of-Codes和Logistic回歸兩個基準(zhǔn)模型。有趣的是,他們發(fā)現(xiàn)輸入序列中的長時間間隔并不會影響預(yù)測的準(zhǔn)確性,他們也沒有對數(shù)據(jù)做特殊的預(yù)處理。Wu等[10]將CNN應(yīng)用在中文臨床記錄文本的命名實體識別任務(wù)中,他們使用CNN對文本進行詞向量的預(yù)訓(xùn)練,以此提高基準(zhǔn)模型的準(zhǔn)確率。

    2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

    循環(huán)神經(jīng)網(wǎng)絡(luò)因適用于時間序列建模,特別是處理文本,眾多面向臨床記錄文本的研究均使用了循環(huán)神經(jīng)網(wǎng)絡(luò)。為從臨床記錄文本中抽取臨床事件及其時間,F(xiàn)ries[11]使用了一個標(biāo)準(zhǔn)RNN,并結(jié)合從兩大臨床語料庫預(yù)訓(xùn)練出的詞向量和人工構(gòu)造的特征。Jagannatha等[12, 13]嘗試多種RNN模型來從臨床記錄文本中抽取概念,他們將此視為一個序列標(biāo)記任務(wù),為每個單詞分配藥物或疾病標(biāo)簽。他們嘗試的RNN模型有LSTM、GRU、雙向LSTM、LSTM與條件隨機場(CRF)的多種組合。他們實驗發(fā)現(xiàn),所有RNN模型的結(jié)果都比基準(zhǔn)的CRF有大幅度提升,尤其是在檢測那些細(xì)微屬性(如服藥時長和頻率、疾病嚴(yán)重程度)上表現(xiàn)更好。與文獻[7]任務(wù)類似,Pham等[14]也研究了患者向量表示,不同的是,他們使用改進的LSTM對時間、入院方式、診斷結(jié)果和治療措施進行建模,以此表示完整的疾病史。

    在結(jié)果預(yù)測方面,RNN也有廣泛應(yīng)用,如疾病預(yù)測[15]、腎移植的術(shù)后并發(fā)癥預(yù)測[16]。Choi等[15]提出了Doctor AI框架對醫(yī)生行為進行建模,從而實現(xiàn)疾病預(yù)測。他們在患者的(臨床事件,時間)觀測對數(shù)據(jù)上訓(xùn)練一個GRU網(wǎng)絡(luò),目標(biāo)是預(yù)測下一個臨床事件及其時間,以及未來患病情況。實驗結(jié)果表明,Doctor AI框架recall@30的值為79%,recall@10的值為64%,該結(jié)果可以與醫(yī)生比肩。Esteban等[16]利用不同類型的RNN模型預(yù)測腎移植的術(shù)后并發(fā)癥,模型輸入包括靜態(tài)和動態(tài)特征,輸出則為低、正常、高三類。他們實驗發(fā)現(xiàn),結(jié)合靜態(tài)特征的GRU網(wǎng)絡(luò)表現(xiàn)結(jié)果好于其他深度模型。此外,他們還發(fā)現(xiàn),對那些長時間依賴不那么重要的任務(wù),結(jié)合靜態(tài)特征效果更好,但對輸入具有重要時間依賴性的任務(wù),結(jié)合動態(tài)特征會更有效。

    2.4 自編碼器

    因為自編碼器適用于無監(jiān)督的表示學(xué)習(xí),因此Miotto等[17]在患者表示研究中引入了堆疊的AE模型,從臨床代碼中直接生成患者向量,以此提高疾病預(yù)測性能。原始特征經(jīng)過一個三層AE網(wǎng)絡(luò)轉(zhuǎn)換為患者的向量表示,而患者關(guān)聯(lián)的臨床記錄文本則通過隱含狄利克雷分布(LDA)被編碼進患者向量。最終,這些向量作為Logistic回歸分類器的輸入來預(yù)測診斷結(jié)果。

    2.5 受限玻爾茲曼機

    受限玻爾茲曼機在電子病歷分析研究中的應(yīng)用主要由兩類,一類是患者向量表示[18],另一類是結(jié)構(gòu)預(yù)測[19, 20]。相比于文獻[7, 8, 14, 17]使用聚合的方式表示患者向量,也可以直接從時序關(guān)系入手,對患者時間線進行建模。Mehrabi等[18]在患者時序診斷代碼上訓(xùn)練了一個堆疊的RBM,用于生成時間相關(guān)的患者向量表示。他們?yōu)槊總€病人構(gòu)建了一個診斷矩陣,矩陣的行是診斷代碼,列是時間間隔。整個矩陣被0、1填充,表示在給定時間間隔內(nèi)患者是否被診斷為該疾病。因為矩陣的行是診斷代碼,所有RBM隱層是診斷代碼的向量表示。

    在結(jié)果預(yù)測方面,受限玻爾茲曼機和深度置信網(wǎng)絡(luò)分別被用于預(yù)測院內(nèi)感染(HAI)和識別骨質(zhì)疏松癥。Jacobson等[19]從臨床記錄文本出發(fā),比較兩類無監(jiān)督表示學(xué)習(xí)模型在院內(nèi)感染方面的預(yù)測能力。他們比較的模型是堆疊的SAE和堆疊的RBM,實驗發(fā)現(xiàn),融合了tf-idf特征的堆疊RBM取得了最高的F1值,而融合詞向量特征的堆疊SAE總體性能要好于RBM。Li等[20]使用了兩層DBN來識別骨質(zhì)疏松癥,其創(chuàng)新之處在于使用DBN重建誤差來識別最大風(fēng)險因素。實驗結(jié)果表明,包含所有已識別風(fēng)險因素的模型性能最好。

    3 機遇與挑戰(zhàn)

    上一節(jié)中,我們對當(dāng)前深度電子病歷分析研究做了一個簡要的概述。這是一個新興領(lǐng)域,大多數(shù)文獻都是在過去兩年中發(fā)表的。從深度學(xué)習(xí)在圖像和自然語言處理方面的研究進展,我們可以一窺深度電子病歷分析的發(fā)展歷程。從中,我們發(fā)現(xiàn)大多數(shù)研究都涉及表示學(xué)習(xí),即如何最好地表示大量的原始病人數(shù)據(jù)。這些研究分別從個人臨床診斷代碼、人口統(tǒng)計學(xué)信息、臨床記錄文本等方面做出了不同探索,它們也為未來深度電子病歷分析研究指明了方向。下面,我們對此做一簡要分析。

    4.1 數(shù)據(jù)異質(zhì)性

    由于電子病歷數(shù)據(jù)異質(zhì)的特性,導(dǎo)致電子病歷數(shù)據(jù)的表示學(xué)習(xí)帶來了巨大挑戰(zhàn)。第1節(jié)中,我們已經(jīng)介紹過電子病歷有以診斷代碼、人口統(tǒng)計學(xué)信息、時序的生命體征數(shù)據(jù)、實驗室檢驗結(jié)果等為代表的數(shù)值型數(shù)據(jù),也有文本形式的數(shù)據(jù),如出院小結(jié)、放射學(xué)報告等。面對類型如此多樣、豐富的數(shù)據(jù),現(xiàn)有研究多采用分而治之的策略來進行表示學(xué)習(xí)。

    對于診斷代碼這一類離散型數(shù)據(jù),用到的模型有MLP[7, 8]、CNN[9]、RNN[14]、AE[17]、RBM[18]。由于離散數(shù)據(jù)容易處理,現(xiàn)有研究多關(guān)注這一類數(shù)據(jù)的表示學(xué)習(xí),而時序生命體征數(shù)據(jù)、實驗室檢驗結(jié)果這類實值數(shù)據(jù)的表示學(xué)習(xí)還未獲得足夠的重視。因為實值數(shù)據(jù)包含更多的醫(yī)學(xué)信息,所有希望以后能有更多的研究關(guān)注數(shù)值數(shù)據(jù)的表示學(xué)習(xí)。

    由于文本是一段字符串序列,對于臨床記錄文本,一般采用RNN[12, 13]模型,也有使用CNN[10]模型。由于文本缺少結(jié)構(gòu)信息,使得信息抽取困難重重。例如,不同的作者在表達同一個意思時,文字往往存在一些差異,這些差異表現(xiàn)在不同寫作風(fēng)格、不同的排序偏好、以及多種多樣的縮寫形式。如何更好地利用臨床記錄文本,永遠(yuǎn)是一個開放的問題,它不僅要求研究者掌握基礎(chǔ)的自然語言處理技術(shù),也需要熟悉特定的臨床知識。因此,如何將眾多的臨床知識應(yīng)用到臨床記錄文本處理中,這是未來深度電子病歷文本分析值得探索的一個方向。

    相比于現(xiàn)有這些分而治之的表示學(xué)習(xí)方法,是否存在一個統(tǒng)一的、能處理所有數(shù)據(jù)類型的框架,這也是一個可以嘗試的方向。統(tǒng)一的表示框架可以更好地表征數(shù)據(jù)間關(guān)系,提高模型性能。

    4.2 公開數(shù)據(jù)集

    另一個深度電子病歷分析研究需要解決的問題是實驗結(jié)果缺乏透明度和不可復(fù)現(xiàn)??紤]到電子病歷涉及患者隱私,現(xiàn)有的大部分研究使用的都是私有數(shù)據(jù)集。雖然患者隱私得到了保護,但對于算法效果提升的評判,就缺乏了統(tǒng)一基準(zhǔn)。而且許多研究聲稱取得了最先進成果,由于數(shù)據(jù)集不公開,這些結(jié)果均無法得到外部人員的證實。公開數(shù)據(jù)集的缺失,可能阻礙深度電子病歷分析研究的發(fā)展,使其發(fā)展緩慢。

    4.3 模型可解釋性

    最后,深度學(xué)習(xí)模型的可解釋性目前還是一個亟待解決的問題。模型透明度對于許多臨床應(yīng)用來說是至關(guān)重要的,因此,深度電子病歷分析模型的可解釋性也是未來研究的重點。由于正確的臨床決策可能是生與死的區(qū)別,許多醫(yī)務(wù)工作者必須能夠理解和信任深度學(xué)習(xí)系統(tǒng)所做的預(yù)測和建議。雖然一些研究人員淡化了可解釋性的重要性,片面追求模型表現(xiàn)能有顯著改進,但我們認(rèn)為一個可解釋的模型將加速深度電子病歷分析研究在臨床中的應(yīng)用推廣。

    致謝:

    本文工作得到上海市科學(xué)技術(shù)委員會資助(No.16511102800)。

    參考文獻:

    [1] Birkhead G S, Klompas M, Shah N R. Uses of Electronic Health Records for Public Health Surveillance to Advance Public Health[J]. Annual review of public health, 2015, 36: 345-359.

    [2] Jensen P B, Jensen L J, Brunak S. Mining electronic health records: towards better research applications and clinical care[J]. Nature Reviews Genetics, 2012, 13(6): 395.

    [3] Bates D W, Saria S, Ohno-Machado L, et al. Big data in health care: using analytics to identify and manage high-risk and high-cost patients[J]. Health Affairs, 2014, 33(7): 1123-1131.

    [4] Rajkomar A, Oren E, Chen K, et al. Scalable and accurate deep learning for electronic health records[J]. arXiv preprint arXiv:1801.07860, 2018.

    [5] Shickel B, Tighe P J, Bihorac A, et al. Deep EHR: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis[J]. IEEE Journal of Biomedical & Health Informatics, 2017.

    [6] Bengio Y, Courville A, Vincent P. Representation learning: A review and new perspectives[J]. IEEE transactions on pattern analysis and machine intelligence, 2013, 35(8): 1798-1828.

    [7] Choi E, Schuetz A, Stewart W F, et al. Medical concept representation learning from electronic health records and its application on heart failure prediction[J]. arXiv preprint arXiv:1602.03686, 2016.

    [8] Choi E, Bahadori M T, Searles E, et al. Multi-layer representation learning for medical concepts[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016: 1495-1504.

    [9] Nguyen P, Tran T, Wickramasinghe N, et al. Deepr: A Convolutional Net for Medical Records[J]. IEEE journal of biomedical and health informatics, 2017, 21(1): 22-30.

    [10] Wu Y, Jiang M, Lei J, et al. Named Entity Recognition in Chinese Clinical Text Using Deep Neural Network[J]. Stud Health Technol Inform, 2015, 216:624-628.

    [11] Fries J A. Brundlefly at SemEval-2016 Task 12: Recurrent Neural Networks vs. Joint Inference for Clinical Temporal Information Extraction[J]. 2016:1274-1279.

    [12] Jagannatha A. Structured prediction models for RNN based sequence labeling in clinical text[C]//Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. 2016: 856-865.

    [13] Jagannatha A N, Yu H. Bidirectional RNN for Medical Event Detection in Electronic Health Records[C]//Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. 2016: 473-482.

    [14] Pham T, Tran T, Phung D, et al. DeepCare: A Deep Dynamic Memory Model for Predictive Medicine[J]. 2016:30-41.

    [15] Choi E, Bahadori M T, Schuetz A, et al. Doctor AI: Predicting Clinical Events via Recurrent Neural Networks.[J]. 2015, 56:301-318.

    [16] Esteban C, Staeck O, Baier S, et al. Predicting Clinical Events by Combining Static and Dynamic Information Using Recurrent Neural Networks[C]// IEEE International Conference on Healthcare Informatics. IEEE, 2016:93-101.

    [17] Miotto R, Li L, Kidd B A, et al. Deep patient: an unsupervised representation to predict the future of patients from the electronic health records[J]. Scientific reports, 2016, 6: 26094.

    [18] Mehrabi S, Sohn S, Li D, et al. Temporal Pattern and Association Discovery of Diagnosis Codes Using Deep Learning[C]// International Conference on Healthcare Informatics. IEEE, 2015:408-416.

    [19] Jacobson O, Dalianis H. Applying deep learning on electronic health records in Swedish to predict healthcare-associated infections[C]// The Workshop on Biomedical Natural Language Processing. 2016:191-195.

    [20] Li H, Li X, Ramanathan M, et al. Identifying informative risk factors and predicting bone disease progression via deep belief networks[J]. Methods, 2014, 69(3):257-265.

    猜你喜歡
    電子病歷卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    電子病歷保全與認(rèn)證研究
    法制博覽(2016年12期)2016-12-28 13:05:51
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    基于病種的全結(jié)構(gòu)化病歷模板研發(fā)與應(yīng)用
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識別的算法的研究
    現(xiàn)階段電子病歷問題的探討及改革
    電子病歷臨床信息系統(tǒng)的解決方案
    亚洲色图综合在线观看| 国内精品美女久久久久久| 极品少妇高潮喷水抽搐| 禁无遮挡网站| 777米奇影视久久| 国产精品av视频在线免费观看| 日韩,欧美,国产一区二区三区| 成人美女网站在线观看视频| 中文字幕免费在线视频6| 夫妻午夜视频| 日韩一本色道免费dvd| 国产精品一区二区在线观看99| 男女无遮挡免费网站观看| 中文字幕免费在线视频6| 黄色视频在线播放观看不卡| 性色avwww在线观看| 听说在线观看完整版免费高清| 久久久久久伊人网av| 国产爱豆传媒在线观看| 久久精品熟女亚洲av麻豆精品| 国产精品久久久久久久久免| 美女高潮的动态| 亚洲欧美日韩卡通动漫| 亚洲精品色激情综合| 国内少妇人妻偷人精品xxx网站| 黄色配什么色好看| 丝瓜视频免费看黄片| 五月天丁香电影| 丰满乱子伦码专区| 婷婷色麻豆天堂久久| 成人亚洲欧美一区二区av| 成人午夜精彩视频在线观看| 国产精品久久久久久精品电影小说 | 国产成人a∨麻豆精品| 天天躁日日操中文字幕| 天美传媒精品一区二区| 少妇丰满av| 亚洲精品亚洲一区二区| 99视频精品全部免费 在线| 免费看不卡的av| 老女人水多毛片| 91精品国产九色| 国产精品一区www在线观看| 日韩亚洲欧美综合| 国产免费一区二区三区四区乱码| 国产综合精华液| 国产亚洲最大av| 精品午夜福利在线看| 亚洲av.av天堂| 搡女人真爽免费视频火全软件| 久久精品久久久久久噜噜老黄| 久久精品久久久久久噜噜老黄| 欧美日韩视频精品一区| 老司机影院毛片| 尾随美女入室| a级一级毛片免费在线观看| 国产亚洲精品久久久com| 一个人观看的视频www高清免费观看| 亚洲精品影视一区二区三区av| 秋霞在线观看毛片| 中文字幕制服av| 欧美日韩亚洲高清精品| 免费观看的影片在线观看| 国产精品久久久久久av不卡| 最后的刺客免费高清国语| 久久韩国三级中文字幕| av在线播放精品| 欧美一区二区亚洲| 欧美成人一区二区免费高清观看| 乱系列少妇在线播放| 久久久久网色| 一个人观看的视频www高清免费观看| 亚洲av福利一区| 成人黄色视频免费在线看| 中文天堂在线官网| 亚洲欧美一区二区三区黑人 | 岛国毛片在线播放| 精品久久久久久久人妻蜜臀av| 久久这里有精品视频免费| 亚洲国产成人一精品久久久| 国产一级毛片在线| 国产69精品久久久久777片| 建设人人有责人人尽责人人享有的 | 久久精品国产亚洲av涩爱| 人妻一区二区av| 午夜视频国产福利| 乱码一卡2卡4卡精品| 国产日韩欧美亚洲二区| 久久久久网色| 精品少妇久久久久久888优播| 色吧在线观看| 丰满人妻一区二区三区视频av| 久久热精品热| 亚洲最大成人中文| 国产成人精品福利久久| 成人一区二区视频在线观看| 亚洲av不卡在线观看| 一二三四中文在线观看免费高清| 丰满乱子伦码专区| av一本久久久久| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 少妇裸体淫交视频免费看高清| videossex国产| 五月天丁香电影| 亚洲国产最新在线播放| 欧美性猛交╳xxx乱大交人| 久久精品综合一区二区三区| 777米奇影视久久| 国产成年人精品一区二区| 久久久久久久久大av| 亚洲天堂av无毛| 亚洲精品久久久久久婷婷小说| 久久久久久九九精品二区国产| av在线蜜桃| 九九在线视频观看精品| 最近中文字幕2019免费版| 国产白丝娇喘喷水9色精品| av在线亚洲专区| 日韩在线高清观看一区二区三区| 成人午夜精彩视频在线观看| 青春草视频在线免费观看| 中文在线观看免费www的网站| 国产久久久一区二区三区| 蜜桃久久精品国产亚洲av| 国产91av在线免费观看| 亚洲精品国产av蜜桃| 久久精品国产亚洲网站| 蜜桃亚洲精品一区二区三区| 黄色视频在线播放观看不卡| 亚洲av免费高清在线观看| 热99国产精品久久久久久7| 亚洲精品国产av成人精品| 一区二区三区乱码不卡18| 最后的刺客免费高清国语| 国产在视频线精品| 午夜福利视频1000在线观看| 一区二区三区免费毛片| 毛片一级片免费看久久久久| 亚洲精品影视一区二区三区av| 欧美日韩国产mv在线观看视频 | 丰满人妻一区二区三区视频av| 日韩大片免费观看网站| 一本色道久久久久久精品综合| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 777米奇影视久久| 777米奇影视久久| 又粗又硬又长又爽又黄的视频| 亚洲av福利一区| 一边亲一边摸免费视频| 久久ye,这里只有精品| 亚洲伊人久久精品综合| 街头女战士在线观看网站| 亚洲天堂av无毛| 26uuu在线亚洲综合色| 精品国产三级普通话版| 精品久久久久久电影网| 七月丁香在线播放| 国产精品人妻久久久影院| 亚州av有码| 一级片'在线观看视频| 免费不卡的大黄色大毛片视频在线观看| 一级毛片 在线播放| 亚洲国产欧美在线一区| 少妇的逼好多水| 搡老乐熟女国产| 亚洲精品影视一区二区三区av| 成人漫画全彩无遮挡| 久久精品久久精品一区二区三区| 亚洲内射少妇av| 欧美另类一区| 国产精品国产三级国产av玫瑰| 国内揄拍国产精品人妻在线| 免费播放大片免费观看视频在线观看| 草草在线视频免费看| 精品国产三级普通话版| 成人国产av品久久久| 1000部很黄的大片| 日本-黄色视频高清免费观看| 天堂中文最新版在线下载 | 成人漫画全彩无遮挡| 一区二区三区四区激情视频| 毛片女人毛片| 亚洲精品乱码久久久v下载方式| 观看免费一级毛片| 欧美激情国产日韩精品一区| 人妻夜夜爽99麻豆av| 1000部很黄的大片| 一区二区三区精品91| 国产永久视频网站| 国产毛片a区久久久久| 亚洲,欧美,日韩| 99re6热这里在线精品视频| 一个人看的www免费观看视频| 免费观看av网站的网址| 熟女电影av网| 亚洲精品久久久久久婷婷小说| 色吧在线观看| 国产免费视频播放在线视频| 欧美成人a在线观看| 丝袜美腿在线中文| 一级二级三级毛片免费看| 色哟哟·www| 久久久久久久午夜电影| 女人十人毛片免费观看3o分钟| 久久99热这里只频精品6学生| 亚洲婷婷狠狠爱综合网| 丝袜脚勾引网站| 午夜爱爱视频在线播放| 日本欧美国产在线视频| 久久久久九九精品影院| 水蜜桃什么品种好| 成人二区视频| 在线亚洲精品国产二区图片欧美 | 国产精品一区www在线观看| 老司机影院成人| 国产精品伦人一区二区| 日日啪夜夜爽| 黄色一级大片看看| 大陆偷拍与自拍| 久久久午夜欧美精品| 色吧在线观看| 欧美一区二区亚洲| 亚洲va在线va天堂va国产| 亚洲最大成人手机在线| 51国产日韩欧美| 如何舔出高潮| 波多野结衣巨乳人妻| 天天一区二区日本电影三级| 白带黄色成豆腐渣| 全区人妻精品视频| 午夜福利在线在线| 亚洲精品色激情综合| 91精品伊人久久大香线蕉| 国产淫片久久久久久久久| 91精品国产九色| 免费黄频网站在线观看国产| 亚洲,欧美,日韩| 日本-黄色视频高清免费观看| 国产黄色免费在线视频| 在线观看三级黄色| 免费观看性生交大片5| 午夜激情福利司机影院| 欧美潮喷喷水| 男的添女的下面高潮视频| 26uuu在线亚洲综合色| 九九久久精品国产亚洲av麻豆| 亚洲一级一片aⅴ在线观看| 观看美女的网站| 亚洲成色77777| 中文资源天堂在线| 精品酒店卫生间| 亚洲最大成人中文| 国产毛片a区久久久久| 午夜日本视频在线| 3wmmmm亚洲av在线观看| 综合色av麻豆| av一本久久久久| 最后的刺客免费高清国语| 一本久久精品| 久久久久精品性色| 亚洲成人一二三区av| 亚洲av成人精品一区久久| 伦理电影大哥的女人| 日韩一本色道免费dvd| 街头女战士在线观看网站| 精品久久国产蜜桃| 精品一区二区三区视频在线| 熟妇人妻不卡中文字幕| 欧美激情国产日韩精品一区| 亚洲一区二区三区欧美精品 | 久久精品国产亚洲网站| 看黄色毛片网站| www.av在线官网国产| 欧美日韩一区二区视频在线观看视频在线 | 亚洲欧美一区二区三区国产| 国产v大片淫在线免费观看| 国产综合懂色| 岛国毛片在线播放| 两个人的视频大全免费| 草草在线视频免费看| av又黄又爽大尺度在线免费看| 男男h啪啪无遮挡| 建设人人有责人人尽责人人享有的 | av国产免费在线观看| 国产高清国产精品国产三级 | 亚洲综合精品二区| 国产在线一区二区三区精| 国产毛片a区久久久久| 91aial.com中文字幕在线观看| 又大又黄又爽视频免费| 久久久久久伊人网av| 色哟哟·www| 少妇裸体淫交视频免费看高清| 国产精品99久久99久久久不卡 | 亚洲一区二区三区欧美精品 | 国产淫片久久久久久久久| 51国产日韩欧美| tube8黄色片| 熟女av电影| 国产精品一区二区在线观看99| 亚洲精品自拍成人| 大片电影免费在线观看免费| 热99国产精品久久久久久7| 久久99热6这里只有精品| av线在线观看网站| 欧美97在线视频| 欧美高清成人免费视频www| 久久久久久久久久久免费av| 精品国产露脸久久av麻豆| 国产永久视频网站| 国产av不卡久久| 久久韩国三级中文字幕| 久久久久精品性色| 国产久久久一区二区三区| 国产一区二区三区综合在线观看 | 国产成人免费无遮挡视频| 欧美3d第一页| 尾随美女入室| 亚洲天堂av无毛| 欧美激情在线99| 99热全是精品| 久久精品熟女亚洲av麻豆精品| 永久网站在线| av免费在线看不卡| 成人无遮挡网站| 别揉我奶头 嗯啊视频| 内射极品少妇av片p| 又大又黄又爽视频免费| 女人十人毛片免费观看3o分钟| 婷婷色综合www| 内地一区二区视频在线| 亚洲,欧美,日韩| 永久免费av网站大全| 2018国产大陆天天弄谢| 精品一区二区三区视频在线| 亚洲在线观看片| 国产精品一区二区在线观看99| 街头女战士在线观看网站| 91久久精品国产一区二区三区| 日韩亚洲欧美综合| 老师上课跳d突然被开到最大视频| 国产成人freesex在线| 深夜a级毛片| 亚洲精品久久午夜乱码| 国产69精品久久久久777片| 国产成人精品福利久久| 精品久久久久久久久亚洲| 久久久成人免费电影| 久久精品久久精品一区二区三区| 成人亚洲精品av一区二区| 亚洲欧美日韩东京热| 亚洲精品日韩av片在线观看| 成人漫画全彩无遮挡| 在线免费观看不下载黄p国产| 99久国产av精品国产电影| 亚洲精品一区蜜桃| 久久精品人妻少妇| 18禁在线播放成人免费| 中文字幕人妻熟人妻熟丝袜美| 婷婷色麻豆天堂久久| 国产免费一区二区三区四区乱码| 赤兔流量卡办理| 99热网站在线观看| 少妇人妻精品综合一区二区| 亚洲av二区三区四区| 久久久精品欧美日韩精品| 乱码一卡2卡4卡精品| 精品久久久久久久久亚洲| 亚洲精品456在线播放app| 亚洲一区二区三区欧美精品 | 中文天堂在线官网| 久久精品夜色国产| 国产精品福利在线免费观看| 久久久久久久大尺度免费视频| 婷婷色综合大香蕉| 亚洲精品乱码久久久v下载方式| 成人国产麻豆网| 亚洲图色成人| 日韩大片免费观看网站| 男女无遮挡免费网站观看| 精品久久久久久久久av| 亚洲精品一二三| 久久影院123| 欧美+日韩+精品| 国产黄片视频在线免费观看| 人人妻人人澡人人爽人人夜夜| 18禁在线无遮挡免费观看视频| 色网站视频免费| 最后的刺客免费高清国语| 一级毛片黄色毛片免费观看视频| 麻豆成人午夜福利视频| 汤姆久久久久久久影院中文字幕| 亚洲精品中文字幕在线视频 | 女人久久www免费人成看片| 69av精品久久久久久| 亚洲av二区三区四区| 一区二区三区乱码不卡18| 精品熟女少妇av免费看| 国产人妻一区二区三区在| 国产永久视频网站| 啦啦啦啦在线视频资源| 成人黄色视频免费在线看| 成人亚洲精品av一区二区| 亚洲av成人精品一二三区| 尤物成人国产欧美一区二区三区| 亚洲国产欧美在线一区| 久久久欧美国产精品| 欧美一区二区亚洲| 成人免费观看视频高清| 国产亚洲av嫩草精品影院| 成人毛片60女人毛片免费| 国产成人aa在线观看| 欧美亚洲 丝袜 人妻 在线| 婷婷色av中文字幕| 亚洲av成人精品一二三区| 国产日韩欧美亚洲二区| 国产男女内射视频| 97超碰精品成人国产| 在线观看美女被高潮喷水网站| 免费大片黄手机在线观看| 亚洲高清免费不卡视频| av在线蜜桃| 久久久久国产精品人妻一区二区| 国产真实伦视频高清在线观看| 亚洲av不卡在线观看| 精品久久久久久电影网| 大又大粗又爽又黄少妇毛片口| 亚洲精品国产成人久久av| 久久久久久久久久成人| 欧美xxxx黑人xx丫x性爽| 日本-黄色视频高清免费观看| 乱系列少妇在线播放| 久久99精品国语久久久| 99热这里只有精品一区| 国产一区亚洲一区在线观看| 另类亚洲欧美激情| 国产av国产精品国产| 亚洲成人av在线免费| 日本欧美国产在线视频| 亚洲真实伦在线观看| 极品教师在线视频| 国产成人免费观看mmmm| 久热这里只有精品99| 亚洲av一区综合| 国产毛片a区久久久久| 最后的刺客免费高清国语| 午夜福利网站1000一区二区三区| 国产高清国产精品国产三级 | 哪个播放器可以免费观看大片| 内地一区二区视频在线| 自拍欧美九色日韩亚洲蝌蚪91 | 午夜精品一区二区三区免费看| 亚洲国产欧美人成| 国产探花极品一区二区| 日韩欧美精品免费久久| 午夜福利网站1000一区二区三区| 欧美丝袜亚洲另类| 成人国产麻豆网| 久久久久久久亚洲中文字幕| 我要看日韩黄色一级片| 成年版毛片免费区| 久久久久网色| 国产真实伦视频高清在线观看| 别揉我奶头 嗯啊视频| 欧美精品国产亚洲| 亚洲无线观看免费| videossex国产| 成人毛片a级毛片在线播放| 成年免费大片在线观看| 日韩制服骚丝袜av| 可以在线观看毛片的网站| 亚洲av一区综合| 国产高清不卡午夜福利| 欧美xxxx性猛交bbbb| 婷婷色综合大香蕉| 免费少妇av软件| 噜噜噜噜噜久久久久久91| 99久久九九国产精品国产免费| 国产亚洲av嫩草精品影院| 日日啪夜夜撸| 别揉我奶头 嗯啊视频| 久久人人爽人人爽人人片va| 亚洲在久久综合| 精品久久久精品久久久| 日韩av在线免费看完整版不卡| 欧美成人精品欧美一级黄| 国产精品一及| 亚洲精品一二三| 六月丁香七月| 中文天堂在线官网| 久久久久久久大尺度免费视频| 免费不卡的大黄色大毛片视频在线观看| 国产精品国产av在线观看| 日日摸夜夜添夜夜爱| 大话2 男鬼变身卡| 国产精品伦人一区二区| 亚洲av免费在线观看| 中国美白少妇内射xxxbb| 精品久久久久久久末码| 亚洲精品乱码久久久久久按摩| 国产欧美日韩一区二区三区在线 | 日韩国内少妇激情av| 最近手机中文字幕大全| 自拍偷自拍亚洲精品老妇| 国产在线一区二区三区精| 久久久久久国产a免费观看| 九草在线视频观看| 日韩亚洲欧美综合| 亚洲熟女精品中文字幕| av在线老鸭窝| 少妇裸体淫交视频免费看高清| 99视频精品全部免费 在线| 亚洲精品成人av观看孕妇| 亚洲av成人精品一二三区| 日韩一区二区视频免费看| 亚洲,一卡二卡三卡| 在线看a的网站| 一级av片app| 黑人高潮一二区| 日韩成人伦理影院| 久久久久九九精品影院| 国产精品成人在线| 亚洲人成网站高清观看| 天美传媒精品一区二区| 制服丝袜香蕉在线| 国产精品久久久久久久久免| 午夜激情久久久久久久| 国产成人精品福利久久| 亚洲成人久久爱视频| 成人国产麻豆网| 日韩欧美一区视频在线观看 | 在线观看美女被高潮喷水网站| 你懂的网址亚洲精品在线观看| 韩国高清视频一区二区三区| av免费在线看不卡| 高清视频免费观看一区二区| 99久国产av精品国产电影| 成人黄色视频免费在线看| 亚洲在线观看片| 国产高清有码在线观看视频| 男的添女的下面高潮视频| 亚洲人成网站在线播| 亚洲内射少妇av| 白带黄色成豆腐渣| 免费黄色在线免费观看| 少妇人妻久久综合中文| 尾随美女入室| 国内精品宾馆在线| 3wmmmm亚洲av在线观看| 99久久精品一区二区三区| 亚洲国产精品成人综合色| 国内少妇人妻偷人精品xxx网站| 熟妇人妻不卡中文字幕| 国产亚洲最大av| 国产老妇女一区| 性色av一级| 日本熟妇午夜| 丝袜脚勾引网站| 国产伦精品一区二区三区视频9| 小蜜桃在线观看免费完整版高清| 97热精品久久久久久| 国产黄频视频在线观看| 精品久久久噜噜| 丝袜美腿在线中文| 亚洲精品视频女| 国产日韩欧美亚洲二区| 综合色丁香网| 欧美精品一区二区大全| 亚洲图色成人| 美女xxoo啪啪120秒动态图| 国产午夜福利久久久久久| 久久久久久久大尺度免费视频| 亚洲欧洲日产国产| 国产精品一区二区在线观看99| 三级国产精品片| 国产精品国产三级国产av玫瑰| 伊人久久精品亚洲午夜| 国产成人aa在线观看| 99热网站在线观看| 精品少妇黑人巨大在线播放| 国产淫片久久久久久久久| 婷婷色综合大香蕉| 国产欧美日韩精品一区二区| av国产久精品久网站免费入址| 国产午夜精品久久久久久一区二区三区| 欧美97在线视频| 亚洲精品影视一区二区三区av| 免费看a级黄色片| 午夜精品一区二区三区免费看| 色播亚洲综合网| 久久久午夜欧美精品| 日本一本二区三区精品| 日日摸夜夜添夜夜爱| 2022亚洲国产成人精品| 免费少妇av软件| av卡一久久| 国产午夜精品久久久久久一区二区三区| 青春草视频在线免费观看| 好男人视频免费观看在线| 国产午夜精品久久久久久一区二区三区| 国产探花在线观看一区二区| 嫩草影院入口| 久久99精品国语久久久| 男女无遮挡免费网站观看| videossex国产| 成人黄色视频免费在线看| 精品久久久久久久人妻蜜臀av| 春色校园在线视频观看| 在线观看一区二区三区| 亚洲国产精品999| 下体分泌物呈黄色| 久久久久久伊人网av| 亚洲国产日韩一区二区| 少妇熟女欧美另类| 在线观看三级黄色|