CN110517765B - 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 - Google Patents
一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 Download PDFInfo
- Publication number
- CN110517765B CN110517765B CN201910635587.6A CN201910635587A CN110517765B CN 110517765 B CN110517765 B CN 110517765B CN 201910635587 A CN201910635587 A CN 201910635587A CN 110517765 B CN110517765 B CN 110517765B
- Authority
- CN
- China
- Prior art keywords
- prostate cancer
- patient
- value
- stage
- historical
- 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.)
- Active
Links
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 139
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 39
- 201000010099 disease Diseases 0.000 claims abstract description 18
- 101100261173 Arabidopsis thaliana TPS7 gene Proteins 0.000 claims description 19
- GLQOALGKMKUSBF-UHFFFAOYSA-N [amino(diphenyl)silyl]benzene Chemical compound C=1C=CC=CC=1[Si](C=1C=CC=CC=1)(N)C1=CC=CC=C1 GLQOALGKMKUSBF-UHFFFAOYSA-N 0.000 claims description 19
- 102100041003 Glutamate carboxypeptidase 2 Human genes 0.000 claims description 15
- 101000892862 Homo sapiens Glutamate carboxypeptidase 2 Proteins 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 229920001481 poly(stearyl methacrylate) Polymers 0.000 claims description 15
- 208000017497 prostate disease Diseases 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000002512 chemotherapy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- FOCVUCIESVLUNU-UHFFFAOYSA-N Thiotepa Chemical compound C1CN1P(N1CC1)(=S)N1CC1 FOCVUCIESVLUNU-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009261 endocrine therapy Methods 0.000 description 1
- 229940034984 endocrine therapy antineoplastic and immunomodulating agent Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011471 prostatectomy Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法，该系统利用医院检测的历史数据和Mamdani模糊推理原理，对各疾病指标的权重采用信息熵的处理方法，构建了一种新的基于Mamdani模糊推理系统的前列腺癌检测模型，用辅助于判断疾病的临床分期；该辅助系统将统计分析与医疗数据决策相结合，能够自动为医生提供快速、准确的治疗方案；该系统能够根据不同诊断时间间隔的生理指标比较，可以实时监测前列腺癌的进展情况，医生借助该系统可以评估确定性治疗方案对患者的疗效。
Description
技术领域
本发明属于人工智能领域，特别涉及一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法。
背景技术
采用智能医疗系统(专家系统)来改善发展中国家的医疗状况。在智能医疗系统的帮助下，医生或医学专家可以将机械辅助模式的辅助治疗方案与自己的诊断经验相结合，做出更可靠的治疗决策。事实上，通过病理报告中与肿瘤标志物相关的统计资料来评估和确定前列腺癌的临床分期，这是一项繁琐而重复的工作。因此，这些任务可以在机器辅助系统中完成。
此外，根据机器辅助系统，物联网(IoT)可以应用于发展中国家的医疗领域。医院、患者、医生之间建立及时有效的医疗沟通，使医生及时提交有意义的诊断信息，患者获得实时的医疗报告。因此，智能医疗系统可以有效改善医患之间不和谐的社会关系。
发明内容
针对上述不足，提出了一种利用模糊推理逻辑进行前列腺癌大数据辅助决策的智能系统和系统构建方法，模糊推理系统通过手动和自动调节权重，将与各种疾病指标(肿瘤标志物)相关的医学信息融合，构建模型，为前列腺癌的临床分期提供辅助诊断工具和方法。
一种基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法，包括以下步骤：
步骤1：获取医院病人历史前列腺癌检测和诊断数据；
所述前列腺癌检测数据包含列腺癌疾病指标以及PEV，所述前列腺疾病指标包括TPSA、RBC、Hb、FPSA、PAP、PSMA，所述前列腺癌诊断数据包含病人当前疾病所属分期，{I期、II期、III期、IV期}；
步骤2：基于前列腺癌疾病指标历史数据，采用信息熵计算各前列腺癌疾病指标的权重；
步骤3：将前列腺疾病诊断指标分为两类C(t)＝{TPSA,FPSA,Hb,RBC}和M(t)＝{PAP,PSMA}，利用C(t)和M(t)检测值和权重分别构建前列腺癌主关联和次关联计算模型SC(t)和PC(t)；
步骤4：利用各前列腺癌疾病指标的权重，计算病人在第t次检测时，前列腺癌主关联和次关联相关性；
步骤5：基于医院病人历史前列腺癌诊断数据，采用三分法，构建前列腺癌分期关于ADPCa(k)的隶属度函数；
步骤6：随机设定{a1,a2,σ1,σ2}和各分期的PEV值区间点，依次利用医院病人历史前列腺癌历史数据基于构建的隶属度函数，采用质心法计算病人的历史前列腺癌PEV的相位估计值，若超过90％的病人的检测值PEV落入设定的与分期结论一致的PEV值区间中，则获得当前由相关性计算模型和前列腺癌分期的隶属度函数构建的基于模糊推理逻辑的前列腺癌大数据辅助决策系统，否则，重新调整{a1,a2,σ1,σ2}和各分期的PEV值区间点，重复步骤6；
其中，{a1,σ1}和{a2,σ2}分别表示前列腺癌分期关于ADPCa(k)的隶属度函数中第一隶属度函数和第二隶属度函数、第二隶属度函数和第三隶属度函数分界点的均值和方差。
通过将检测指标进行模糊处理后，与诊断分期结果进行模糊对应，构建模糊对应关系，形成了智能化的辅助诊断工具，简化了数据的人工处理过程，加快了处理速度，可以应用该系统实时监测生理指标变化情况。
进一步地，采用信息熵计算各前列腺癌疾病指标的权重的计算公式如下：
其中，
表示第j个前列腺癌疾病指标TM(j)的最佳权重，λTM(j)和wTM(j)分别表示第j个前列腺癌疾病指标TM(j)的权重参数调节因子和权重值，λTM(j)＝{λTPSA,λFPSA,λRBC,λHb,λPAP,λPSMA}，λTM(j)的取值由医生根据经验设定，取值范围为[0,1]，wTM(j)＝{wTPSA,wFPSA,wRBC,wHb,wPAP,wPSMA}；
表示第l个病人Pal在获取的医院病人历史数据中，第j个前列腺癌诊断指标TM(j)的检测均值；m表示获取的医院病人历史数据中包含的病人数量，dTM(j)，ETM(j)，
均属于中间变量。
采用信息熵的方法处理各疾病指标的权重，使得所述辅助系统中的参数更加准确、有效。
进一步地，前列腺癌原发性和继发性疾病的相关性计算模型SC(t)和PC(t)如下：
其中，δTPSA(t)，δRBC(t)，δHb(t)，δFPSA(t)，δPAP(t)，δPSMA(t)分别表示病人在第t次检测时，前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值；δTPSA(i)，δRBC(i)，δHb(i)，δFPSA(i)，δPAP(i)，δPSMA(i)分别表示病人在历史第i次检测前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值，
表示历史检测次数。
进一步地，利用医院病人历史前列腺癌历史数据基于构建的隶属度函数，计算病人的历史前列腺癌检测值PEV，采用的具体公式如下：
其中，xs AD和ys MD分别表示病人在第s次检查的疾病指标相关值和隶属度值，n表示病人当前检查周期的检查次数，其中病人在时间S对应的SC(t)和PC(t)，若SC(t)和PC(t)同时小于医院给定的在II期和III期的临界值，则xs AD的取值为对应的SC(t)，否则，xs AD的取值为对应的PC(t)。
进一步地，所构建的前列腺癌分期关于ADPCa(k)的隶属度函数如下：
一种应用所述的前列腺癌大数据辅助决策系统进行辅助决策的方法，获取病人的前列腺癌疾病诊断指标，输入所述基于模糊推理逻辑的前列腺癌大数据决策系统，依据医院设定的前列腺癌各分期中SC(t)和PC(t)对应的区间，获得隶属度值，依据隶属度值计算PEV值，对应各分期的PEV值区间，得到病人前列腺癌所属分期辅助预测结果。
有益效果
本发明提供了一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法，该系统利用医院检测的历史数据和Mamdani模糊推理原理，对各疾病指标的权重采用信息熵的处理方法，构建了一种新的基于Mamdani模糊推理系统的前列腺癌检测模型，用辅助于判断疾病的临床分期；该辅助系统将统计分析与医疗数据决策相结合，能够自动为医生提供快速、准确的治疗方案；该系统能够根据不同诊断时间间隔的生理指标比较，可以实时监测前列腺癌的进展情况，医生借助该系统可以评估确定性治疗方案对患者的疗效。
机器辅助诊断与人工判断相结合，对医务人员的最终治疗决策具有重要意义。
附图说明
图1为本发明中的示例所述系统的构建示意图；
图2为本发明中的示例中疾病关联的三个不同级别隶属函数示意图；
图3为本发明中的示例中三个不同级别隶属函数的解模糊控制结果示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示，一种基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法，包括以下步骤：
步骤1：获取医院病人历史前列腺癌检测和诊断数据；
所述前列腺癌检测数据包含列腺癌疾病指标以及PEV，所述前列腺疾病指标包括TPSA、RBC、Hb、FPSA、PAP、PSMA，所述前列腺癌诊断数据包含病人当前疾病所属分期，{I期、II期、III期、IV期}；
步骤2：基于前列腺癌疾病指标历史数据，采用信息熵计算各前列腺癌疾病指标的权重；
采用信息熵计算各前列腺癌疾病指标的权重的计算公式如下：
其中，
表示第j个前列腺癌疾病指标TM(j)的最佳权重，λTM(j)和wTM(j)分别表示第j个前列腺癌疾病指标TM(j)的权重参数调节因子和权重值，λTM(j)＝{λTPSA,λFPSA,λRBC,λHb,λPAP,λPSMA}，
的取值由医生根据经验设定，取值范围为[0,1]，wTM(j)＝{wTPSA,wFPSA,wRBC,wHb,wPAP,wPSMA}；
表示第l个病人Pal在获取的医院病人历史数据中，第j个前列腺癌诊断指标TM(j)的检测均值；m表示获取的医院病人历史数据中包含的病人数量，dTM(j)，ETM(j)，
均属于中间变量。
采用信息熵的方法处理各疾病指标的权重，使得所述辅助系统中的参数更加准确、有效。
步骤3：将前列腺疾病诊断指标分为两类C(t)＝{TPSA,FPSA,Hb,RBC}和M(t)＝{PAP,PSMA}，利用C(t)和M(t)检测值和权重分别构建前列腺癌主关联和次关联计算模型SC(t)和PC(t)；
前列腺癌原发性和继发性疾病的相关性计算模型SC(t)和PC(t)如下：
其中，δTPSA(t)，δRBC(t)，δHb(t)，δFPSA(t)，δPAP(t)，δPSMA(t)分别表示病人在第t次检测时，前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值；δTPSA(i)，δRBC(i)，δHb(i)，δFPSA(i)，δPAP(i)，δPSMA(i)分别表示病人在历史第i次检测前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值，
表示历史检测次数。
步骤4：利用各前列腺癌疾病指标的权重，计算病人在第t次检测时，前列腺癌主关联和次关联相关性；
步骤5：基于医院病人历史前列腺癌诊断数据，采用三分法，构建前列腺癌分期关于ADPCa(k)的隶属度函数；
步骤6：随机设定{a1,a2,σ1,σ2}和各分期的PEV值区间点，依次利用医院病人历史前列腺癌历史数据基于构建的隶属度函数，采用质心法计算病人的历史前列腺癌PEV的相位估计值，若超过90％的病人的检测值PEV落入设定的与分期结论一致的PEV值区间中，则获得当前由相关性计算模型和前列腺癌分期的隶属度函数构建的基于模糊推理逻辑的前列腺癌大数据辅助决策系统，否则，重新调整{a1,a2,σ1,σ2}和各分期的PEV值区间点，重复步骤6；
其中，{a1,σ1}和{a2,σ2}分别表示前列腺癌分期关于ADPCa(k)的隶属度函数中第一隶属度函数和第二隶属度函数、第二隶属度函数和第三隶属度函数分界点的均值和方差。
如图2所示，所构建的前列腺癌分期关于ADPCa(j)的隶属度函数如下：
利用医院病人历史前列腺癌历史数据基于构建的隶属度函数，计算病人的历史前列腺癌检测值PEV，采用的具体公式如下：
其中，xs AD和ys MD分别表示病人在第s次检查的疾病指标相关值和隶属度值，n表示病人当前检查周期的检查次数，其中病人在时间S对应的SC(t)和PC(t)，若SC(t)和PC(t)同时小于医院给定的在II期和III期的临界值，则xs AD的取值为对应的SC(t)，否则，xs AD的取值为对应的PC(t)。
通过将检测指标进行模糊处理后，与诊断分期结果进行模糊对应，构建模糊对应关系，形成了智能化的辅助诊断工具，简化了数据的人工处理过程，加快了处理速度，可以应用该系统实时监测生理指标变化情况。
一种应用所述的前列腺癌大数据辅助决策系统进行辅助决策的方法，获取病人的前列腺癌疾病诊断指标，输入所述基于模糊推理逻辑的前列腺癌大数据决策系统，依据医院设定的前列腺癌各分期中SC(t)和PC(t)对应的区间，获得隶属度值，依据隶属度值计算PEV值，对应各分期的PEV值区间，得到病人前列腺癌所属分期辅助预测结果；本实例中的隶属度函数的解模糊控制结果如图3所示。
医生借助该系统获得PEV值，利用该PEV值的大小进行疾病变化情况的辅助诊断。
在该实施例中，所使用的医疗信息来自中国三所一流医院：湘雅医院、湘雅第二医院、湘雅第三医院。信息记录中心根据三家医院的不同系统收集、分类、预处理和集成与前列腺癌相关的各类医疗数据。这些统计主要反映治疗选择的疗效和患者生理指标在整个诊断周期中的变化。此外，就2011年至2015年三家医院前列腺癌病例关键参数的平均表现而言，自2011年至2015年期间，与前列腺癌有关的大量医疗数据被三家医院的不同系统严格记录、预处理和分类。为了保证实验的准确性和合理性，我们从8000多名确诊患者中提取了23658项结构化和可识别的医学信息。
2011年至2015年期间，TPSA的平均性能从18.63ng/ml缓慢上升到20.17ng/ml，2013年达到最大值45.2ng/ml，说明近5年来，癌症患者的病情得到了有效的控制。然而，由于TPSA的正常范围在0到4ng/ml之间，那些被诊断为Pr的病例在过去的5年中，三家医院的癌症患者仍处于生理紊乱状态。理论上，TPSA值在10纳克/毫升以上的人很可能会受苦前列腺癌。此外，当TSPA的平均表现超过50ng/ml时，患者有可能患上前列腺癌。总的来说，先升后跌的趋势趋势线显示，这些病例在过去5年中逐渐从医生的治疗决定中恢复过来。
此外，FPSA/TPSA的性能也是临床医学检测、诊断和治疗前列腺癌的另一个重要依据。FPSA/TPSA的正常范围理论上等于或大于0.25。当FPSA/TPSA的平均表现低于0.1时，前列腺癌的发病率必须在56％以上。就2011年至2015年三家医院前列腺癌病例关键参数的平均表现而言。根据2011～2014年间的医学统计数据，FPSA/TPSA的平均表现从0.22急剧下降到0.05，这明显地说明大多数前列腺癌患者的病情在不断恶化。此外，这些结构化医疗数据进一步表明，在过去5年中，三家医院诊断的大多数病例处于前列腺癌的临床阶段III或IV期(中晚期)。幸运的是，从2014年至2015年，这些前列腺癌患者的健康状况开始逐步改善，主要是因为医生对其采取了一些治疗措施，如药物治疗、切除、放疗、化疗等。
作为前列腺癌诊断、诊断和预后最重要的指标，关键参数(PSMA和PAP)应在整个诊断周期内进行分析和评估，使机器系统能够准确地做出治疗决策。此外，临床医学概念表明，PSMA和PAP的正常范围分别小于4和3.5ng/ml。就2011年至2015年三家医院前列腺癌病例关键参数的平均表现而言，过去5年来与关键部分有关的统计数据有先迅速上升后缓慢下降的趋势。此外，应当指出，PAP和PSMA在2014年分别达到最大值56.2和33.78纳克/毫升。这表明，从2011年至2014年，大多数病例的症状仍在恶化，自2014年以来，这些症状已开始逐步恢复。从医学数据决策的角度看，医生可以通过专家咨询，制定更有效的治疗方法来控制患者的病情。
本实施例在分布式Hadoop和Spark集群上实现，借助HDFS(分布式文件系统)作为数据存储层，借助Mapreduce和Rdd计算框架搭建计算编程模型作为数据计算层，高效快速并行处理数据，应用本发明所述的构建方法构建所述辅助决策系统和算法求解影响力最大化初始节点，并设计不同的对比实验分析初始节点选取效果和质量，从而验证理论分析方法的正确性。
机器辅助系统对前列腺癌的治疗建议主要依赖于由该系统决定的疾病的临床分期。从诊断间隔1～3开始，8000例患者中大多数在前列腺癌的Ⅲ、Ⅳ期才刚刚发现，因此化疗可作为该系统的主要治疗建议。此后，从诊断间隔4至8，对前列腺癌分期的周期性评估显示，平均诊断参数从179.88下降到125.29，因此在此诊断期内推荐给医生许多替代疗法，主要包括切除、内分泌治疗、放疗或前列腺切除术。随着前列腺癌患者症状的改善，机器辅助系统将优先考虑在诊断间隔9和10期间的积极监测和药物治疗。
前列腺癌分期的目的是描述前列腺癌的严重程度和癌细胞在体内扩散的程度。因此，了解前列腺癌是否处于I、II、III或IV期对于做出最佳治疗选择具有重要意义。就过去5年三家医院前列腺癌患者与疾病分期相关的平均诊断参数P EVP Ca而言，2011年至2015年平均P EVP Ca增加近2.1倍，一年平均P EVP Ca从67.29上升到139.44，近5年总体平均PEVP Ca约为100，表明大多数前列腺癌为间歇性或高级别(Ⅲ、Ⅳ期)。此外，23658项医学信息表明，在这3所医院的8000名患者中，大多数在被发现时已发展为中晚期前列腺癌，这与机器辅助系统中的检测结果几乎一致。
在这个实际案例之中，诊断的准确性被严格地定义为患者在第一次发现时被诊断为前列腺癌的概率。随着病例数从200例，持续增加到8000例，内科医生的诊断准确率从97％下降到81％，而机器辅助系统的诊断准确率则逐渐提高。从61％到87％。特别是当样本总数达到8000份时，机器辅助系统的诊断精度首次超过医生。另外，当数据样本的大小从200增加到8000时，机器辅助系统的精度提高了大约42.6％。本发明所述的系统，可以通过不断的增加历史数据，对前列腺癌疾病指标的权重进行进一步的更新，使得辅助系统更加准确。
以上所述仅是本发明技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (3)
1.一种基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法，其特征在于，包括以下步骤：
步骤1：获取医院病人历史前列腺癌检测和诊断数据；
所述前列腺癌检测数据包含前列腺癌疾病指标以及PEV，所述前列腺疾病指标包括TPSA、RBC、Hb、FPSA、PAP、PSMA，所述前列腺癌诊断数据包含病人当前疾病所属分期，{I期、II期、III期、IV期}；
步骤2：基于前列腺癌疾病指标历史数据，采用信息熵计算各前列腺癌疾病指标的权重；
步骤3：将前列腺疾病指标分为两类C(t)＝{TPSA,FPSA,Hb,RBC}和M(t)＝{PAP,PSMA}，利用C(t)和M(t)的前列腺疾病指标的检测值和权重分别构建前列腺癌主关联和次关联计算模型SC(t)和PC(t)；
前列腺癌原发性和继发性疾病的相关性计算模型SC(t)和PC(t)如下：
其中，δTPSA(t)，δRBC(t)，δHb(t)，δFPSA(t)，δPAP(t)，δPSMA(t)分别表示病人在第t次检测时，前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值；δTPSA(i)，δRBC(i)，δHb(i)，δFPSA(i)，δPAP(i)，δPSMA(i)分别表示病人在历史第i次检测前列腺癌的6个诊断指标TPSA、RBC、Hb、FPSA、PAP、PSMA的检测值，
表示历史检测次数；
步骤4：利用各前列腺癌疾病指标的权重，计算病人在第t次检测时，前列腺癌主关联和次关联计算模型SC(t)和PC(t)；
步骤5：基于医院病人历史前列腺癌诊断数据，采用三分法，构建前列腺癌分期关于ADPCa(k)的隶属度函数；
所构建的前列腺癌分期关于ADPCa(k)的隶属度函数如下：
步骤6：随机设定{a1,a2,σ1,σ2}和各分期的PEV值区间点，依次利用医院病人历史前列腺癌历史数据基于构建的隶属度函数，采用质心法计算病人的历史前列腺癌PEV的相位估计值，若超过90％的病人的检测值PEV落入设定的与分期结论一致的PEV值区间中，则获得当前由相关性计算模型和前列腺癌分期的隶属度函数构建的基于模糊推理逻辑的前列腺癌大数据辅助决策系统，否则，重新调整{a1,a2,σ1,σ2}和各分期的PEV值区间点，重复步骤6；
其中，{a1,σ1}和{a2,σ2}分别表示前列腺癌分期关于ADPCa(k)的隶属度函数中第一隶属度函数和第二隶属度函数、第二隶属度函数和第三隶属度函数分界点的均值和方差；
利用医院病人历史前列腺癌历史数据基于构建的隶属度函数，计算病人的历史前列腺癌检测值PEV，采用的具体公式如下：
其中，xs AD和ys MD分别表示病人在第s次检查的疾病指标相关值和隶属度值，n表示病人当前检查周期的检查次数，其中病人在第s次检查对应的SC(t)和PC(t)，若SC(t)和PC(t)同时小于医院给定的在II期和III期的临界值，则xs AD的取值为对应的SC(t)，否则，xs AD的取值为对应的PC(t)。
2.根据权利要求1所述的方法，其特征在于，采用信息熵计算各前列腺癌疾病指标的权重的计算公式如下：
其中，
表示第j个前列腺癌疾病指标TM(j)的最佳权重，λTM(j)和wTM(j)分别表示第j个前列腺癌疾病指标TM(j)的权重参数调节因子和权重值，λTM(j)＝{λTPSA,λFPSA,λRBC,λHb,λPAP,λPSMA}，λTM(j)的取值由医生根据经验设定，取值范围为[0,1]，wTM(j)＝{wTPSA,wFPSA,wRBC,wHb,wPAP,wPSMA}；
表示第l个病人Pal在获取的医院病人历史数据中，第j个前列腺癌诊断指标TM(j)的检测均值；m表示获取的医院病人历史数据中包含的病人数量，dTM(j)，ETM(j)，
均属于中间变量。
3.一种应用权利要求1-2任一项所述的基于模糊推理逻辑的前列腺癌大数据辅助决策系统构建方法中的前列腺癌大数据辅助决策系统进行辅助决策的方法，其特征在于，获取病人的前列腺癌疾病诊断指标，输入所述基于模糊推理逻辑的前列腺癌大数据决策系统，依据医院设定的前列腺癌各分期中SC(t)和PC(t)对应的区间，获得隶属度值，依据隶属度值计算PEV值，对应各分期的PEV值区间，得到病人前列腺癌所属分期辅助预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635587.6A CN110517765B (zh) | 2019-07-15 | 2019-07-15 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635587.6A CN110517765B (zh) | 2019-07-15 | 2019-07-15 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517765A CN110517765A (zh) | 2019-11-29 |
| CN110517765B true CN110517765B (zh) | 2022-06-14 |
Family
ID=68623633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910635587.6A Active CN110517765B (zh) | 2019-07-15 | 2019-07-15 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517765B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111312392B (zh) * | 2020-03-13 | 2023-08-22 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
| CN113793683B (zh) * | 2021-08-23 | 2024-04-02 | 广州医科大学附属第一医院（广州呼吸中心） | 一种基于psa的前列腺癌辅助决策方法及其系统 |
| CN113707308A (zh) * | 2021-08-31 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 一种医疗数据的分析装置及计算机可读存储介质 |
| CN116570848B (zh) * | 2023-07-13 | 2023-09-15 | 神州医疗科技股份有限公司 | 一种基于自动勾画的放疗临床辅助决策系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1547149A (zh) * | 2003-12-04 | 2004-11-17 | 上海交通大学 | 基于数据挖掘的脑部胶质瘤计算机辅助诊断系统的实现方法 |
| GB0714842D0 (en) * | 2007-07-31 | 2007-09-12 | Imp Innovations Ltd | Methods |
| KR101212714B1 (ko) * | 2011-01-26 | 2013-01-22 | 계명대학교 산학협력단 | 계층적 퍼지 추론에 기반한 임상진단 지원방법 및 그 시스템 |
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| CN109003671A (zh) * | 2018-06-29 | 2018-12-14 | 重庆柚瓣家科技有限公司 | 一种基于模糊决策的疾病概率计算系统及方法 |
-
2019
- 2019-07-15 CN CN201910635587.6A patent/CN110517765B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517765A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517765B (zh) | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 | |
| Tong et al. | Application of machine learning in ophthalmic imaging modalities | |
| Saleh et al. | Learning ensemble classifiers for diabetic retinopathy assessment | |
| Jain et al. | Improving the prediction rate of diabetes using fuzzy expert system | |
| AU2016278356A1 (en) | Method and system for assessing mental state | |
| CN113241196B (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
| CN112164448B (zh) | 免疫治疗疗效预测模型训练方法、预测系统及方法和介质 | |
| JP2006507875A (ja) | 患者の健康を自動診断するシステムおよび方法 | |
| Hdaib et al. | Detection of polycystic ovary syndrome (PCOS) using machine learning algorithms | |
| CN117877692B (zh) | 一种视网膜病变个性化差异分析方法 | |
| CN114202772B (zh) | 基于人工智能和智慧医疗的参考信息生成系统及方法 | |
| CN112336310B (zh) | 一种基于fcbf和svm融合的心脏疾病诊断系统 | |
| Zubar et al. | Green computing process and its optimization using machine learning algorithm in healthcare sector | |
| CN116313046A (zh) | 基于数据分析的中医临床辅助决策系统 | |
| Rodrigues et al. | Obstructive sleep apnea diagnosis: the Bayesian network model revisited | |
| JP7319602B2 (ja) | 皮膚の病理学的状態と対応する治療および用量との間の分類および相関の方法 | |
| Shekhar | Prediction Of The Sickle Cell Anaemia Disease Using Machine Learning Techniques | |
| Demchenko et al. | The Use of Machine Learning Methods to the Automated Atherosclerosis Diagnostic and Treatment System Development. | |
| Ranadive et al. | Predicting Glaucoma Diagnosis Using AI | |
| CN110675930A (zh) | 一种针对非小细胞肺癌的决策方法、系统及装置 | |
| CN118379173B (zh) | 一种基于数字化养老综合安全监测方法 | |
| Elsersy et al. | Federated Learning Model for Early Detection of Dementia Using Blood Biosamples | |
| CN114283944A (zh) | 一种基于大数据分析的结直肠癌预测方法 | |
| CN118629640A (zh) | 一种基于药物暴露的重症心力衰竭患者易损期内生存预测模型及其建立方法和应用 | |
| Praveen et al. | Statistical Feature Analysis and Machine Learning based Classification of Lower Back Pain Using Thermal Images |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |