基于人工智能的糖尿病肾病的辅助诊疗方法及装置

医药医疗技术的改进;医疗器械制造及应用技术1.本公开属于人工智能技术领域，具体涉及基于人工智能的糖尿病肾病的辅助诊疗方法及装置。背景技术：2.糖尿病肾病是由糖尿病引起的肾脏疾病，属于糖尿病最常见的微血管并发症，已成为世界终末期肾脏病的首要原因，糖尿病肾病(dkd)是指由糖尿病所致的慢性肾脏病(ckd)，病变可累及全肾(包括肾小球、肾小管、肾间质等)。我国约20％～40％的糖尿病患者合并糖尿病肾病，现已成为慢性肾脏病和终末期肾病的主要原因。糖尿病肾病的危险因素包括不良生活习惯、年龄、病程、血糖、血压、肥胖(尤其是腹型肥胖)、血脂、尿酸、环境污染物等。肾功能减退最终导致患者需要进行透析或者肾移植，以及全因死亡风险的显著增加。3.目前我国人口与医生的比列严重失调，存在社区全科医生专科知识相对缺乏及缺乏专科医生的诸多矛盾。医疗资源的绝对缺乏导致dkd的预防及诊疗的滞后，常常导致患者出现肾脏功能减退才得到诊治的情况，因此需要一种能够根据用户的相关数据，智能化的进行辅助诊断的方法及装置，帮助糖尿病肾病的三级预防，一定程度上帮助全科医生补充专科救治能力、减轻专科医生负担，同时更有效的结合社区医院及综合型医院的医疗资源，促进糖尿病肾病的早筛查、早预防、早干预的全程管理水平，最终改善患者的肾脏结局，提高患者的满意度及生活质量。技术实现要素：4.本发明的目的在于提出基于人工智能的糖尿病肾病的辅助诊疗方法及装置，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。5.为了实现上述目的，根据本公开的一方面，提供基于人工智能的糖尿病肾病的辅助诊疗方法，所述方法包括以下步骤：6.s100，确定当前的待诊疗用户的egfr以及uacr，并根据egfr以及uacr确定用户的dkd分期；7.s200，采集多个用户在糖尿病肾病诊断时的属性集合中各个属性的相关数据以及对应的诊疗意见形成多个待选择的诊疗意见模版；8.s300，计算当前的待诊疗用户的相关数据与各个待选择的诊疗意见模版的关联指数；9.s400，根据各个待选择的诊疗意见模版的关联指数构建模版倾向方案矩阵；10.s500，对模版倾向方案矩阵中各个关联指数值进行归一化；11.s600，计算各个待选择的诊疗意见模版的属性的重要程度值，并将各属性的重要程度值总和最大的诊疗意见模版推送给医生。12.进一步，在s300中，计算当前的目标用户的相关指标与各个待选择的诊疗意见模版的关联指数的方法为：13.设各个待选择的诊疗意见模版的属性集合t为dkd分期dkd、高血压hbp、高脂血症hlp、冠心病chd和中风数据stk，即t＝{dkd,hbp,hlp,chd,stk}，假设t＝{dkd,hbp,hlp,chd,stk}属于映射集h的关联指数分别为：[0014][0015]映射集h的关联指数包括hh(dkd),hh(hbp),hh(hlp),hh(chd),hh(stk)；[0016]公式(1)称h为各个待选择的诊疗意见模版的映射集，即：[0017][0018]其中，定义在集合t上的映射集h是从t到区间[0,1]上的一个子集的映射集，其数学形式为：[0019]h＝{《t,hh(t)》|t∈t}ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)；[0020]其中，hh(t)是区间[0,1]中几个不同的实数值的集合，它是映射集h的基本元素，hh(t)称为关联指数，将其记为h＝hh(t)，关联指数h可以更详细地表示为：h＝h{γ1,γ2,…,γ#h}(γλ∈[0,1],λ＝1,2,…,#h)，其中#h表示关联指数h中元素的个数，h{a,b,c,d,e}表示在a,b,c,d,e中任意抽取2个数值分别作为x，y构成区间[x,y]并在区间[x,y]取的随机数，其中y大于x。[0021]进一步，在s400中，根据各个待选择的诊疗意见模版的关联指数构建模版倾向矩阵的方法为：[0022]令x＝{x1,x2,…,xm}为模版倾向方案集，a＝{a1,a2,…,an}为属性集合，倾向选择的诊疗意见模版xi(i＝1,2,…,m)在属性aj(j＝1,2,…,n)下的关联指数aj(xi)，即aj(xi)为xi的属性aj的关联指数，那构建模版倾向方案矩阵为：[0023][0024]其中，[0025][0026]进一步，在s500中，对模版倾向方案矩阵中各个关联指数值进行归一化的方法为：[0027]为了确保所有的属性之间的兼容性，将属性值表示成0至1之间的数值，关联指数值hij归一化数值的具体方法如下：[0028][0029]其中，(hij)c是关联指数hij的补运算，即是归一化后的关联指数数值，并发症属性为除dkd分期属性外的其他属性。[0030]进一步，在s600中，计算各个待选择的诊疗意见模版的属性的重要程度值的方法为：[0031]将模版倾向方案矩阵进行标准化处理得到标准化矩阵h′＝(h′ij)m×n；[0032]其中，hmax为各个属性的中的最大值，hmin为各个属性的中的最小值；[0033]通过计算各个属性的占比程度，得到占比程度矩阵p＝(pij)m×n；[0034]计算待选择的诊疗意见模版的熵值：式中，[0035]根据熵值计算得到各个待选择的诊疗意见模版的属性的重要程度值[0036]本发明还提出基于人工智能的糖尿病肾病的辅助诊疗装置，包括，[0037]dkd分期确定模块，用于确定当前的待诊疗用户的egfr以及uacr，并根据egfr以及uacr确定用户的dkd分期；[0038]模版生成模块，用于采集多个用户在糖尿病肾病诊断时的属性集合中各个属性的相关数据以及对应的诊疗意见形成多个待选择的诊疗意见模版；[0039]第一计算模块，用于计算当前的待诊疗用户的相关数据与各个待选择的诊疗意见模版的关联指数；[0040]第二计算模块，用于根据各个待选择的诊疗意见模版的关联指数构建模版倾向方案矩阵；[0041]第三计算模块，用于对模版倾向方案矩阵中各个关联指数值进行归一化；[0042]第四计算模块，用于计算各个待选择的诊疗意见模版的属性的重要程度值，并将各属性的重要程度值总和最大的诊疗意见模版推送给医生。[0043]进一步，具体的，所述第一计算模块运行如下：[0044]设各个待选择的诊疗意见模版的属性集合t为dkd分期dkd、高血压hbp、高脂血症hlp、冠心病chd和中风数据stk，即t＝{dkd,hbp,hlp,chd,stk}，假设t＝{dkd,hbp,hlp,chd,stk}属于映射集h的关联指数分别为：[0045][0046]映射集h的关联指数包括hh(dkd),hh(hbp),hh(hlp),hh(chd),hh(stk)；[0047]公式(1)称h为各个待选择的诊疗意见模版的映射集，即：[0048][0049]其中，定义在集合t上的映射集h是从t到区间[0,1]上的一个子集的映射集，其数学形式为：[0050]h＝{《t,hh(t)》|t∈t}ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)；[0051]其中，hh(t)是区间[0,1]中几个不同的实数值的集合，它是映射集h的基本元素，hh(t)称为关联指数，将其记为h＝hh(t)，关联指数h可以更详细地表示为：h＝h{γ1,γ2,…,γ#h}(γλ∈[0,1],λ＝1,2,…,#h)，其中#h表示关联指数h中元素的个数，h{a,b,c,d,e}表示在a,b,c,d,e中任意抽取2个数值分别作为x，y构成区间[x,y]并在区间[x,y]取的随机数，其中y大于x。[0052]进一步，具体的，所述第二计算模块运行如下，[0053]令x＝{x1,x2,…,xm}为模版倾向方案集，a＝{a1,a2,…,an}为属性集合，倾向选择的诊疗意见模版xi(i＝1,2,…,m)在属性aj(j＝1,2,…,n)下的关联指数aj(xi)，即aj(xi)为xi的属性aj的关联指数，那构建模版倾向方案矩阵为：[0054][0055]其中，[0056][0057]进一步，具体的，所述第三计算模块运行如下，[0058]为了确保所有的属性之间的兼容性，将属性值表示成0至1之间的数值，关联指数值hij归一化数值的具体方法如下：[0059][0060]其中，(hij)c是关联指数hij的补运算，即是归一化后的关联指数数值，并发症属性为除dkd分期属性外的其他属性。[0061]进一步，具体的，所述第四计算模块运行如下，[0062]计算各个待选择的诊疗意见模版的属性的重要程度值的方法为：[0063]将模版倾向方案矩阵进行标准化处理得到标准化矩阵h′＝(h′ij)m×n；[0064]其中，hmax为各个属性的中的最大值，hmin为各个属性的中的最小值；[0065]通过计算各个属性的占比程度，得到占比程度矩阵p＝(pij)m×n；[0066]计算待选择的诊疗意见模版的熵值：式中，[0067]根据熵值计算得到各个待选择的诊疗意见模版的属性的重要程度值[0068]本公开的有益效果为：本发明提供基于人工智能的糖尿病肾病的辅助诊疗方法及装置，该方法能够根据用户的相关数据，智能化的进行辅助诊断的方法及装置，进而在一定程度上减轻医生的负担，促进糖尿病肾病防治及诊疗工作。附图说明[0069]通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：[0070]图1所示为基于人工智能的糖尿病肾病的辅助诊疗方法的流程图。具体实施方式[0071]以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。[0072]如图1所示为基于人工智能的糖尿病肾病的辅助诊疗方法的流程图，下面结合图1来阐述根据本发明的实施方式的基于人工智能的糖尿病肾病的辅助诊疗方法，所述方法包括以下步骤：[0073]s100，确定当前的待诊疗用户的egfr以及uacr，并根据egfr以及uacr确定用户的dkd分期；[0074]s200，采集多个用户在糖尿病肾病诊断时的属性集合中各个属性的相关数据以及对应的诊疗意见形成多个待选择的诊疗意见模版；[0075]s300，计算当前的待诊疗用户的相关数据与各个待选择的诊疗意见模版的关联指数；[0076]s400，根据各个待选择的诊疗意见模版的关联指数构建模版倾向方案矩阵；[0077]s500，对模版倾向方案矩阵中各个关联指数值进行归一化；[0078]s600，计算各个待选择的诊疗意见模版的属性的重要程度值，并将各属性的重要程度值总和最大的诊疗意见模版推送给医生。[0079]具体的，在应用时，社区糖尿病肾病电子医生，用于疾病诊断和分期、进展风险评估及诊疗建议[0080]患者a女60岁体重60kg[0081]血肌酐：134umol/l[0082]egfr估算：37ml/min/1.73m2推荐测定血清肌酐，然后使用ckd-epi公式或mdrd公式计算egfr(可通过网址http：//www.nkdep.nih.gov中提供的模块直接计算结果)[0083]uacr＝尿白蛋白/尿肌酐：50mg/g[0084]属于dkd分期g3ba2期，dkd进展极高风险，建议每年内分泌科和肾内科就诊1次筛查糖尿病其他并发症、评估慢性肾脏病原因和并发症，同时每半年社区复诊1次复查血肌酐、尿白蛋白/尿肌酐水平、糖化血红蛋白，观察疾病变化状态。[0085]还可以根据年龄、是否存在高血压、高脂血症、冠心病、中风等基础疾病状态选择控制目标比如糖尿病患者a，无其他疾病，空腹血糖建议控制在6.1-7.8mmol/l，餐后2小时血糖控制在7.8-10mmol/l，糖化血红蛋白控制在7％。[0086]如果合并高血压，建议血压控制在130/80mmhg以下。[0087]如果合并高脂血症，建议低密度脂蛋白控制在2.6mmol/l以下。[0088]如果存在冠心病，建议空腹血糖控制在7.8-10mmol/l，餐后2小时血糖控制在7.8-13.9mmol/l，血压控制在140/90mmhg，低密度脂蛋白控制在1.8mmol/l以下.[0089]进一步，在s300中，计算当前的目标用户的相关指标与各个待选择的诊疗意见模版的关联指数的方法为：[0090]设各个待选择的诊疗意见模版的属性集合t为dkd分期dkd、高血压hbp、高脂血症hlp、冠心病chd和中风数据stk，即t＝{dkd,hbp,hlp,chd,stk}，假设t＝{dkd,hbp,hlp,chd,stk}属于映射集h的关联指数分别为：[0091][0092]映射集h的关联指数包括hh(dkd),hh(hbp),hh(hlp),hh(chd),hh(stk)；[0093]公式(1)称h为各个待选择的诊疗意见模版的映射集，即：[0094][0095]其中，定义在集合t上的映射集h是从t到区间[0,1]上的一个子集的映射集，其数学形式为：[0096]h＝{《t,hh(t)》|t∈t}ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)；[0097]其中，hh(t)是区间[0,1]中几个不同的实数值的集合，它是映射集h的基本元素，hh(t)称为关联指数，将其记为h＝hh(t)，关联指数h可以更详细地表示为：h＝h{γ1,γ2,…,γ#h}(γλ∈[0,1],λ＝1,2,…,#h)，其中#h表示关联指数h中元素的个数，h{a,b,c,d,e}表示在a,b,c,d,e中任意抽取2个数值分别作为x，y构成区间[x,y]并在区间[x,y]取的随机数，其中y大于x。[0098]进一步，在s400中，根据各个待选择的诊疗意见模版的关联指数构建模版倾向矩阵的方法为：[0099]令x＝{x1,x2,…,xm}为模版倾向方案集，a＝{a1,a2,…,an}为属性集合，倾向选择的诊疗意见模版xi(i＝1,2,…,m)在属性aj(j＝1,2,…,n)下的关联指数aj(xi)，即aj(xi)为xi的属性aj的关联指数，那构建模版倾向方案矩阵为：[0100][0101]其中，[0102][0103]进一步，在s500中，对模版倾向方案矩阵中各个关联指数值进行归一化的方法为：[0104]为了确保所有的属性之间的兼容性，将属性值表示成0至1之间的数值，关联指数值hij归一化数值的具体方法如下：[0105][0106]其中，(hij)c是关联指数hij的补运算，即是归一化后的关联指数数值，并发症属性为除dkd分期属性外的其他属性。[0107]进一步，在s600中，计算各个待选择的诊疗意见模版的属性的重要程度值的方法为：[0108]将模版倾向方案矩阵进行标准化处理得到标准化矩阵h′＝(h′ij)m×n；[0109]其中，hmax为各个属性的中的最大值，hmin为各个属性的中的最小值；[0110]通过计算各个属性的占比程度，得到占比程度矩阵p＝(pij)m×n；[0111]计算待选择的诊疗意见模版的熵值：式中，[0112]根据熵值计算得到各个待选择的诊疗意见模版的属性的重要程度值[0113]本发明还提出基于人工智能的糖尿病肾病的辅助诊疗装置，其特征在于，包括，[0114]dkd分期确定模块，用于确定当前的待诊疗用户的egfr以及uacr，并根据egfr以及uacr确定用户的dkd分期；[0115]模版生成模块，用于采集多个用户在糖尿病肾病诊断时的属性集合中各个属性的相关数据以及对应的诊疗意见形成多个待选择的诊疗意见模版；[0116]第一计算模块，用于计算当前的待诊疗用户的相关数据与各个待选择的诊疗意见模版的关联指数；[0117]第二计算模块，用于根据各个待选择的诊疗意见模版的关联指数构建模版倾向方案矩阵；[0118]第三计算模块，用于对模版倾向方案矩阵中各个关联指数值进行归一化；[0119]第四计算模块，用于计算各个待选择的诊疗意见模版的属性的重要程度值，并将各属性的重要程度值总和最大的诊疗意见模版推送给医生。[0120]进一步，具体的，所述第一计算模块运行如下：[0121]设各个待选择的诊疗意见模版的属性集合t为dkd分期dkd、高血压hbp、高脂血症hlp、冠心病chd和中风数据stk，即t＝{dkd,hbp,hlp,chd,stk}，假设t＝{dkd,hbp,hlp,chd,stk}属于映射集h的关联指数分别为：[0122][0123]映射集h的关联指数包括hh(dkd),hh(hbp),hh(hlp),hh(chd),hh(stk)；[0124]公式(1)称h为各个待选择的诊疗意见模版的映射集，即：[0125][0126]其中，定义在集合t上的映射集h是从t到区间[0,1]上的一个子集的映射集，其数学形式为：[0127]h＝{《t,hh(t)》|t∈t}ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)；[0128]其中，hh(t)是区间[0,1]中几个不同的实数值的集合，它是映射集h的基本元素，hh(t)称为关联指数，将其记为h＝hh(t)，关联指数h可以更详细地表示为：h＝h{γ1,γ2,…,γ#h}(γλ∈[0,1],λ＝1,2,…,#h)，其中#h表示关联指数h中元素的个数，h{a,b,c,d,e}表示在a,b,c,d,e中任意抽取2个数值分别作为x，y构成区间[x,y]并在区间[x,y]取的随机数，其中y大于x。[0129]进一步，具体的，所述第二计算模块运行如下，[0130]令x＝{x1,x2,…,xm}为模版倾向方案集，a＝{a1,a2,…,an}为属性集合，倾向选择的诊疗意见模版xi(i＝1,2,…,m)在属性aj(j＝1,2,…,n)下的关联指数aj(xi)，即aj(xi)为xi的属性aj的关联指数，那构建模版倾向方案矩阵为：[0131][0132]其中，[0133][0134]进一步，具体的，所述第三计算模块运行如下，[0135]为了确保所有的属性之间的兼容性，将属性值表示成0至1之间的数值，关联指数值hij归一化数值的具体方法如下：[0136][0137]其中，(hij)c是关联指数hij的补运算，即是归一化后的关联指数数值，并发症属性为除dkd分期属性外的其他属性。[0138]进一步，具体的，所述第四计算模块运行如下，[0139]计算各个待选择的诊疗意见模版的属性的重要程度值的方法为：[0140]将模版倾向方案矩阵进行标准化处理得到标准化矩阵h′＝(h′ij)m×n；[0141]其中，hmax为各个属性的中的最大值，hmin为各个属性的中的最小值；[0142]通过计算各个属性的占比程度，得到占比程度矩阵p＝(pij)m×n；[0143]计算待选择的诊疗意见模版的熵值：式中，[0144]根据熵值计算得到各个待选择的诊疗意见模版的属性的重要程度值[0145]本公开的实施例提供的基于人工智能的糖尿病肾病的辅助诊疗系统，该实施例的基于人工智能的糖尿病肾病的辅助诊疗系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的糖尿病肾病的辅助诊疗系统实施例中的步骤。[0146]所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：[0147]dkd分期确定模块，用于确定当前的待诊疗用户的egfr以及uacr，并根据egfr以及uacr确定用户的dkd分期；[0148]模版生成模块，用于采集多个用户在糖尿病肾病诊断时的属性集合中各个属性的相关数据以及对应的诊疗意见形成多个待选择的诊疗意见模版；[0149]第一计算模块，用于计算当前的待诊疗用户的相关数据与各个待选择的诊疗意见模版的关联指数；[0150]第二计算模块，用于根据各个待选择的诊疗意见模版的关联指数构建模版倾向方案矩阵；[0151]第三计算模块，用于对模版倾向方案矩阵中各个关联指数值进行归一化；[0152]第四计算模块，用于计算各个待选择的诊疗意见模版的属性的重要程度值，并将各属性的重要程度值总和最大的诊疗意见模版推送给医生。[0153]所述基于人工智能的糖尿病肾病的辅助诊疗系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于人工智能的糖尿病肾病的辅助诊疗系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是基于人工智能的糖尿病肾病的辅助诊疗系统的示例，并不构成对基于人工智能的糖尿病肾病的辅助诊疗系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于人工智能的糖尿病肾病的辅助诊疗系统还可以包括输入输出设备、网络通信设备、总线等。[0154]所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于人工智能的糖尿病肾病的辅助诊疗系统运行系统的控制中心，利用各种接口和线路连接整个基于人工智能的糖尿病肾病的辅助诊疗系统可运行系统的各个部分。[0155]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于人工智能的糖尿病肾病的辅助诊疗系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。[0156]尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!