CN110349668A - 一种基于bp神经网络的治疗方案辅助决策方法及其系统 - Google Patents
一种基于bp神经网络的治疗方案辅助决策方法及其系统 Download PDFInfo
- Publication number
- CN110349668A CN110349668A CN201910622607.6A CN201910622607A CN110349668A CN 110349668 A CN110349668 A CN 110349668A CN 201910622607 A CN201910622607 A CN 201910622607A CN 110349668 A CN110349668 A CN 110349668A
- Authority
- CN
- China
- Prior art keywords
- data
- therapeutic scheme
- neural network
- treatment
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于BP神经网络的治疗方案辅助决策方法及其系统,所述方法包括:一种基于BP神经网络的治疗方案辅助决策方法,包括以下步骤:S1:获取医院对应的电子病历;S2:电子病历数据预处理;S3:基于BP神经网络的训练和数据挖掘S4:将电子病历输入专家系统,可以得到相应治疗方案的推荐。所述系统包括:数据处理模块、特征选择模块和治疗方法推荐模块;本发明收集了大量治疗案例,并分配出最佳的治疗方案,提高的医生坐诊效率,帮助医生快速确定治疗方案。
Description
技术领域
本发明涉及治疗方案辅助技术领域,特别涉及一种基于BP神经网络的治疗方案辅助决策方法及其系统。
背景技术
BP神经网络,是一种按照误差反向传播算法训练的多层前馈神经网络。人工神经网络无需先确定输入与输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入时得到最接近期望输出值的结果。作为一种智能信息处理系统,BP神经网络,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
肝脏是人体重要的器官之一,肝脏对来自体内外的许多非营养性物质如各种药物、毒物以及体内某些代谢产物具有生物转化作用。肝癌诊断较为复杂,早期症状不明显,疾病进展较快,转移较早。目前,临床上涉及肝癌的诊断和治疗的方法多种多样,它们的适用条件也较复杂,因此,临床医师对肝癌患者的病情评估较为困难,不同医疗机构所使用的治疗方案也各不相同。对于不同背景的治疗医师,由于自身的知识水平以及临床经验的限制,在面对病情复杂多变的肝癌患者,如何为患者进行诊断以及选择合适的治疗方案,是目前肝病临床诊断和治疗中急需解决的难题。
发明内容
本发明针对现有技术的缺陷,提供了一种基于BP神经网络的治疗方案辅助决策方法及其系统,解决了现有技术中存在的缺陷。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于BP神经网络的治疗方案辅助决策方法,包括以下步骤:
S1:获取医院对应的电子病历;
S2:电子病历数据预处理;
对每一例病人的每一项数据做归一化处理;
归一化处理公式如下:
xi,j是编号为i的病人的第j项指标的值。是所有病人的第j项指标的最大值,是所有病人的第j项指标的最小值。0.01是为了防止xi,j在数据为最小值时,xi,j为0。此时xi,j当最大值时为1.01,对于数据计算来讲没有很大的影响。
将N种治疗方案分别赋值。
S3:基于BP神经网络的训练和数据挖掘
Ii为数据处理之后的每项病例数据,经过隐含层计算,每个隐含层输出为:
f()为激活函数,输入到隐含层以及隐含层到隐含层之间采用Sigmoid激活函数。输出层激活函数,采用softmax(ok)激活函数。
因为输出分为M=N类,softmax(ok)能够得到输入数据属于N类治疗方案的概率,取其中的最大概率为分类结果。
S4:将电子病历输入专家系统,可以得到相应治疗方案的推荐。
本发明还公开了一种基于BP神经网络的治疗方案辅助决策系统,包括:数据处理模块、特征选择模块和治疗方法推荐模块;
数据处理模块:对病人电子病例数据进行数据预处理。采用的数据处理方法是归一化处理,减小各项医疗指标之间的数据差别。
特征选择模块:病人电子病例中包含很多项检查数据,有些医疗指标数据对于疾病的治疗诊断具有重要价值,有的医疗指标数据相对没那么大价值。通过特征选择模块能够提取到治疗方案与哪些医疗指标数据存在紧密的潜在联系。特征选择模块通过BP神经网络进行特征学习。
治疗方法推荐模块:通过把特征选择模块得到的特征数据,进行加权处理得到相对应的推荐治疗方案。
进一步地,治疗方案推荐模块采用全连接网络结合softmax分类器进行判断。
与现有技术相比,本发明的优点在于:通过对病人的临床信息的处理、分析,通过人工神经网络方法,找到各指标与治疗方案之间的潜在联系,找到最佳治疗方案。医生可以根据推荐的治疗方案,综合考虑病人的自身情况以及推荐的治疗方案的可行性以及合理性,指导患者的治疗,因收集了大量治疗案例,并分配出最佳的治疗方案,提高的医生坐诊效率,帮助医生快速确定治疗方案。
附图说明
图1为本发明实施例肝癌决策系统的模块框图;
图2为本发明实施例治疗方案辅助决策方法流程图;
图3为本发明实施例BP神经网络结构图;
图4为本发明实施例BP神经网络模型参数示意图;
图5为本发明实施例BP神经网络辅助诊断训练结果示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
本实施例以肝癌辅助决策为例。
肝癌辅助决策系统主要的功能模块有(如图1所示):
数据处理模块:主要对病人电子病例数据进行数据预处理。采用的数据处理方法是归一化处理,减小各项医疗指标之间的数据差别。
特征选择模块:病人电子病例中包含很多项检查数据,有些医疗指标数据对于疾病的治疗诊断具有重要价值,有的医疗指标数据相对没那么大价值。通过特征选择模块能够提取到治疗方案与哪些医疗指标数据存在紧密的潜在联系。特征选择模块通过BP神经网络进行特征学习。
治疗方法推荐模块:通过把特征选择模块得到的特征数据,进行加权处理得到相对应的推荐治疗方案。治疗方案推荐模块采用全连接网络结合softmax分类器进行判断。
肝癌辅助决策系统主要的研究路线有:
(1)数据预处理
医疗数据对于疾病诊断具有重要影响,数据预处理方法则直接影响到辅助决策的准确度。
(2)研究方法:BP神经网络
随着人工智能技术的不断进步,促进了医疗专家系统的发展。BP神经网络是一种多层前馈神经网络,通过误差反向传播算法,能够学习到医疗指标数据与治疗方案之间的潜在联系,而这种潜在的联系很难被人为获取到。随着电子病理数据库的不断更新和扩充,BP神经网络能够不断优化
(3)专家系统建立
建立肝癌诊断辅助决策系统,将病人的电子病历输入专家系统,能够推荐最适合的治疗方案。
专家系统应用的主要流程如图2所示:
其中数据预处理流程如下:
首先病人病例中的各项数据范围不统一,为了使所有的数据具有同等的重要性,对每一例病人的每一项数据做归一化处理。
归一化处理:
xi,j是编号为i的病人的第j项指标的值。是所有病人的第j项指标的最大值,是所有病人的第j项指标的最小值。0.01是为了防止xi,j在数据为最小值时,xi,j为0。此时xi,j当最大值时为1.01,对于数据计算来讲没有很大的影响。
4种治疗方案分别赋值为:根治性切除治疗0001,射频治疗0010,介入治疗0100,肝移植1000。
BP神经网络训练:
BP网络的训练过程如图3所示,Ii为数据处理之后的每项病例数据,经过隐含层计算,每个隐含层输出为:
f()为激活函数,输入到隐含层以及隐含层到隐含层之间采用Sigmoid激活函数。输出层激活函数,采用softmax(ok)激活函数。
因为输出分为M=4类,softmax(ok)能够得到输入数据属于这4类治疗方案的概率,取其中的最大概率为分类结果。
隐含层层数可以加深,层数增加会更加抽象数据之间的高层潜在联系,但是层数不能过多,首先会增加训练时间和内存需求,其次容易出现过拟合问题。
该肝癌治疗方案辅助决策系统,主要应用于肝癌治疗方案选择方面。在患者进行一系列常规检查后,将电子病历输入专家系统,可以得到相应治疗方案的推荐。医生可以根据推荐的治疗方案,综合考虑病人的自身情况以及推荐的治疗方案的可行性以及合理性,指导患者的治疗。
本实施例技术实验效果如下。
从华西医院获取的3635例电子病例,每项病例内容主要包括:就诊时年龄age,乙肝感染史HepaB,丙肝感染史HepaC,酗酒史Alcohol,肝功能分级,肝病分期,以及肿瘤大小,病理分类,干细胞癌的分化程度,是否复发等等,主要治疗方案四种:根治性切除治疗,射频治疗,介入治疗,肝移植。
BP神经网络的结构如图4所示:共4层隐含层,参数个数共2324个。治疗方案为1,2,3,4的病例数为1305,306,1779,244。每一类中随机选择20%的病例作为测试样本,80%的病例作为训练样本。将数据输入神经网络之前进行归一化处理。通过对下图3的网络参数进行调整,对于测试样本的提升没有明显作用。经过300多次迭代训练后,测试损失函数基本不下降。图5.(a)为训练过程中的损失值,经过500次迭代损失值基本稳定在0.6左右。如图5.(b)所示,测试准确度在80%左右。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于BP神经网络的治疗方案辅助的决策系统,其特征在于,包括:数据处理模块、特征选择模块和治疗方法推荐模块;
数据处理模块:对病人电子病例数据进行数据预处理;采用的数据处理方法是归一化处理,减小各项医疗指标之间的数据差别;
特征选择模块:病人电子病例中包含很多项检查数据,有些医疗指标数据对于疾病的治疗诊断具有重要价值,有的医疗指标数据相对没那么大价值;通过特征选择模块能够提取到治疗方案与哪些医疗指标数据存在紧密的潜在联系;特征选择模块通过BP神经网络进行特征学习;
治疗方法推荐模块:通过把特征选择模块得到的特征数据,进行加权处理得到相对应的推荐治疗方案。
2.根据权利要求1所述的一种基于BP神经网络的治疗方案辅助的决策系统,其特征在于:治疗方案推荐模块采用全连接网络结合softmax分类器进行判断。
3.根据权利要求1或2所述的一种基于BP神经网络的治疗方案辅助的决策系统的决策方法,其特征在于包括以下步骤:
S1:获取医院对应的电子病历;
S2:电子病历数据预处理,
对每一例病人的每一项数据做归一化处理;
归一化处理公式如下:
xi,j是编号为i的病人的第j项指标的值;是所有病人的第j项指标的最大值,是所有病人的第j项指标的最小值;0.01是为了防止xi,j在数据为最小值时,xi,j为0;此时xi,j当最大值时为1.01,对于数据计算来讲没有很大的影响;
将N种治疗方案分别赋值;
S3:基于BP神经网络的训练和数据挖掘
Ii为数据处理之后的每项病例数据,经过隐含层计算,每个隐含层输出为:
f()为激活函数,输入到隐含层以及隐含层到隐含层之间采用Sigmoid激活函数;输出层激活函数,采用softmax(ok)激活函数;
因为输出分为M=N类,softmax(ok)能够得到输入数据属于N类治疗方案的概率,取其中的最大概率为分类结果;
S4:将电子病历输入专家系统,可以得到相应治疗方案的推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622607.6A CN110349668A (zh) | 2019-07-11 | 2019-07-11 | 一种基于bp神经网络的治疗方案辅助决策方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622607.6A CN110349668A (zh) | 2019-07-11 | 2019-07-11 | 一种基于bp神经网络的治疗方案辅助决策方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349668A true CN110349668A (zh) | 2019-10-18 |
Family
ID=68175003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622607.6A Pending CN110349668A (zh) | 2019-07-11 | 2019-07-11 | 一种基于bp神经网络的治疗方案辅助决策方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349668A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111180059A (zh) * | 2019-12-30 | 2020-05-19 | 中国人民解放军陆军军医大学第一附属医院 | 基于5g网络的远程医疗监护系统 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
CN113345582A (zh) * | 2021-06-01 | 2021-09-03 | 华中科技大学同济医学院附属协和医院 | 一种大众健康管理系统及其使用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106175726A (zh) * | 2016-07-11 | 2016-12-07 | 夏茂 | 基于bp神经网络的人体健康状况识别方法 |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN109730699A (zh) * | 2018-12-28 | 2019-05-10 | 苏州泓邃生物科技有限公司 | 一种基于生命体征数据的情绪预测方法 |
CN109935336A (zh) * | 2019-01-15 | 2019-06-25 | 北京思普科软件股份有限公司 | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统 |
-
2019
- 2019-07-11 CN CN201910622607.6A patent/CN110349668A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106175726A (zh) * | 2016-07-11 | 2016-12-07 | 夏茂 | 基于bp神经网络的人体健康状况识别方法 |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN109730699A (zh) * | 2018-12-28 | 2019-05-10 | 苏州泓邃生物科技有限公司 | 一种基于生命体征数据的情绪预测方法 |
CN109935336A (zh) * | 2019-01-15 | 2019-06-25 | 北京思普科软件股份有限公司 | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111180059A (zh) * | 2019-12-30 | 2020-05-19 | 中国人民解放军陆军军医大学第一附属医院 | 基于5g网络的远程医疗监护系统 |
CN111180059B (zh) * | 2019-12-30 | 2023-08-22 | 中国人民解放军陆军军医大学第一附属医院 | 基于5g网络的远程医疗监护系统 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
CN111524571B (zh) * | 2020-05-21 | 2022-06-10 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐系统 |
CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
CN113270189B (zh) * | 2021-05-19 | 2023-08-18 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
CN113345582A (zh) * | 2021-06-01 | 2021-09-03 | 华中科技大学同济医学院附属协和医院 | 一种大众健康管理系统及其使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349668A (zh) | 一种基于bp神经网络的治疗方案辅助决策方法及其系统 | |
Kilicarslan et al. | Hybrid models based on genetic algorithm and deep learning algorithms for nutritional Anemia disease classification | |
Khemphila et al. | Heart disease classification using neural network and feature selection | |
Thukral et al. | Versatility of fuzzy logic in chronic diseases: A review | |
CN106778014A (zh) | 一种基于循环神经网络的患病风险预测方法 | |
Thawkar | A hybrid model using teaching–learning-based optimization and Salp swarm algorithm for feature selection and classification in digital mammography | |
Caliskan et al. | Classification of coronary artery disease data sets by using a deep neural network | |
CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
CN116189847B (zh) | 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 | |
CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
West et al. | Improving diagnostic accuracy using a hierarchical neural network to model decision subtasks | |
CN113270189A (zh) | 一种基于强化学习的肿瘤治疗辅助决策方法 | |
Chang et al. | The study that applies artificial intelligence and logistic regression for assistance in differential diagnostic of pancreatic cancer | |
Peng et al. | Heart disease prediction using artificial neural networks: a survey | |
Priyadarshini et al. | Design of an ANFIS based decision support system for diabetes diagnosis | |
Wang et al. | Heart disease diagnosis using deep learning and cardiac color doppler ultrasound | |
Walia et al. | A survey on applications of adaptive neuro fuzzy inference system | |
Gamara et al. | Early stage diabetes likelihood prediction using artificial neural networks | |
Ragab et al. | Intelligent Firefly Algorithm Deep Transfer Learning Based COVID-19 Monitoring System. | |
Karaca et al. | Artificial neural network modeling of systems biology datasets fit based on mittag-leffler functions with heavy-tailed distributions for diagnostic and predictive precision medicine | |
Abiyev et al. | Type‐2 Fuzzy Neural System for Diagnosis of Diabetes | |
Azam et al. | Classification of COVID-19 Symptoms Using Multilayer Perceptron | |
Rajeshwari et al. | Dermatology disease prediction based on firefly optimization of ANFIS classifier | |
Bastaki | Application of hierarchical temporal memory to anomaly detection of vital signs for ambient assisted living | |
Sellamuthu et al. | Liver Disease Prediction using Logistic Regression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |