CN110706803A - 一种确定心肌纤维化的方法、装置、可读介质及电子设备 - Google Patents

Abstract

本发明公开了一种确定心肌纤维化的方法、装置、可读介质及电子设备，包括：确定目标患者的病症信息；利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果；通过机器学习算法建立判断模型，并通过常规的医疗方式在低成本、无创伤的情况下采集得到目标患者的病症信息；通过所述判断模型对所述病症信息进行分析计算，确定所述目标患者的心肌纤维化结果；因此，实现了低成本且无创伤确定心肌纤维化，同时准确性满足医疗需求。

Description

一种确定心肌纤维化的方法、装置、可读介质及电子设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种确定心肌纤维化的方法、装置、可读介质及电子设备。

背景技术

心肌纤维化(Myocardial Fibrosis，简称MF)是指心肌正常组织结构中出现的以细胞增殖、细胞外基质过度沉积为主要表现的疾病。近年来大量研究表明，心肌纤维化与许多心脏疾病有密切关系，是多种心脏疾病发展至一定阶段具有的共同病理改变，也是引起心室重塑的关键原因。所以对患者进行心肌纤维化的诊断，在医学上具有非常重要的意义。

但是，现阶段心肌纤维化的诊断难度非常高。一种常用的心肌纤维化确定方式为活体检验，即采取患者的心肌组织样本进行检验。但显然这种方式为有创检验，会为患者带来较大的痛苦。而且采取的样本仅为局部，很难准确的反应患者整个心室的纤维化程度。另一种判断方式是通过核磁共振进行检验。但目前阶段核磁共振检查的成本高昂，不利于普及。

所以现有技术中，缺少一种无创伤、结果准确、且成本低廉容易普及的确定心肌纤维化的解决方案。

发明内容

本发明提供一种确定心肌纤维化的方法、装置、可读介质及电子设备，通过机器学习算法建立判断模型，并利用所述判断模型针对目标患者特定的病症信息进行分析，以确定该患者是否存在心肌纤维化的病症。

第一方面，本发明提供了一种确定心肌纤维化的方法，包括：

确定目标患者的病症信息；

利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

优选地，还包括：

利用样本数据预先建立判断模型；

所述样本数据包括，样本超声影像信息、样本文本信息和样本确定结果。

优选地，所述病症信息包括：

待测超声影像信息和待测文本信息。

优选地，还包括：

将所述样本超声影像信息和所述样本文本信息合并为样本临床信息；

将所述样本临床信息和所述样本确定结果作为训练样本进行监督学习训练，以获得所述样本临床信息与所述样本确定结果的函数关系，通过所述函数关系建立所述判断模型。

优选地，还包括：

将所述样本临床信息和所述样本确定结果代入所述判断模型，以获得所述判断模型的拟合指标；

当所述拟合指标低于预设的拟合标准，则通过所述监督学习训练修正所述函数关系。

优选地，所述样本超声影像信息和所述待测超声影像信息包括：

超声心电图。

优选地，所述样本确定结果包括：

心脏核磁共振图像、

基于所述心脏核磁共振图像的心肌纤维化结果、

或，基于活体检验的心肌纤维化结果。

第二方面，本发明提供了一种确定心肌纤维化的装置，包括：

病症信息确定模块，用于确定目标患者的病症信息；

心肌纤维化确定模块，用于利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。

第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。

本发明提供了一种确定心肌纤维化的方法、装置、可读介质及电子设备；通过机器学习算法建立判断模型，并通过常规的医疗方式在低成本、无创伤的情况下采集得到目标患者的病症信息；通过所述判断模型对所述病症信息进行分析计算，确定所述目标患者的心肌纤维化结果；因此，实现了低成本且无创伤确定心肌纤维化，同时准确性满足医疗需求。

上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种确定心肌纤维化的方法的流程示意图；

图2为本发明一实施例提供的另一种确定心肌纤维化的方法中建立判断模型的流程示意图；

图3为本发明一实施例提供的另一种确定心肌纤维化的方法的流程示意图；

图4为本发明一实施例提供的一种确定心肌纤维化的装置的结构示意图；

图5为本发明一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

前述已知，现阶段常用的心肌纤维化确定方式都存在一定的缺陷，导致心肌纤维化的诊断难度较高，难以在临床上普及。一方面，活体检验的方式为有创检验，会为患者带来较大的痛苦；而且采取的样本仅为局部，很难准确的反应患者整个心室的纤维化程度。另一方面，通过核磁共振进行检验，在目前阶段成本高昂，很多患者无法承担，所以不利于普及。而其他方式，例如超声检验，虽然无创伤而且成本较低，但准确性较差，难以满足需求。因此，本发明将通过机器学习算法建立判断模型，利用所述判断模型根据患者的病症信息实现对于心肌纤维化的判断。

参照图1所示，为本发明所述确定心肌纤维化的方法的一个具体实施例。本实施例中所述方法包括以下步骤：

步骤101、确定目标患者的病症信息。

步骤102、利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

本实施例中，将首先利用样本数据建立判断模型。所述样本数据，即心肌纤维化诊断的历史临床数据，具体来说可包括大量历史患者的临床数据。针对一个历史患者的一份样本数据当中，可包括该历史患者的样本超声影像信息、样本文本信息和样本确定结果。

所述样本超声信息，一般指所述历史患者在进行超声检验时得到的超声心电图。具体来说，也可从所述超声心电图中选择与心肌纤维化确定相关的具体信息内容，用于进行后续的数据训练。例如，进一步的取得所述超声心电图中的心肌位移峰值及达峰时间的心肌速度向量、心肌应变率(Strain Rate，简称SR)和/或左心室射血分数(EjectionFraction，简称EF)等具体信息。

所述样本文本信息，包括在所述历史患者治疗过程中，产生的各种文字记载的临床信息，例如医生记录的病历、处方、以及其他各种临床检验结果等。本实施例中为便于后续的数据训练，可对所述样本文本信息进行结构化处理，使所述样本文本信息的格式满足所述数据训练的要求。

所述样本确定结果，即对所述历史患者是否患有心肌纤维化的最终判断结果。所述样本确定结果具体可以是，心脏核磁共振图像、基于所述心脏核磁共振图像的心肌纤维化结果、或基于活体检验的心肌纤维化结果。

可见，针对一个历史患者的一份样本数据，能够完整的体现该历史患者的病情和诊断结果等各方面的信息。而通过大量类似的样本数据，基于机器学习算法进行数据训练，即可获悉样本超声影像信息、样本文本信息和样本确定结果三者之间潜在的逻辑关系，进而建立判断模型。通过所述判断模型，即可根据特定患者的病症信息，确定其是否患有心肌纤维化。

本实施例中，所述目标患者的病症信息，包括待测超声影像信息和待测文本信息。

所述待测超声影像信息的具体内容，实际上与所述样本超声影像信息类似。同样是指所述目标患者在进行超声检验时得到的超声心电图。具体来说，也可从所述超声心电图中选择与心肌纤维化确定相关的具体信息内容，用于进行后续的数据训练。例如，进一步的取得所述超声心电图中的心肌位移峰值及达峰时间的心肌速度向量、心肌应变率(Strain Rate，简称SR)和/或左心室射血分数(Ejection Fraction，简称EF)等具体信息。

而所述待测文本信息，同为所述目标患者治疗过程中，产生的各种文字记载的临床信息，例如医生记录的病历、处方、以及其他各种临床检验结果等。本实施例中为便于后续的模型分析计算，可对所述待测文本信息进行结构化处理，使所述待测文本信息的格式满足所述数据训练的要求。

本实施例中，将利用所述判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

此处需要说明的是，待测超声影像信息和待测文本信息可以通过超声检测和常规问诊取得。超声检验和常规问诊都是极其常见的医疗环节，其成本低、无创伤，在当前的医疗中已经广泛普及。但是现有技术中，基于所述待测超声影像信息和待测文本信息进行人工诊断，判断患者是否患有心肌纤维化，准确率是不能满足需求的。所以本发明中，将利用通过机器学习训练得到判断模型进行判断和确定，代替人工诊断，使得确定结果更加准确，能够满足医疗需求。由此解决了现有技术中存在的问题。

另外可以理解的是，所述样本超声影像信息和样本文本信息，与所述待测超声影像信息和待测文本信息属于类似的信息。所以基于样本超声影像信息和样本文本信息训练得到所述判断模型后，在以所述待测超声影像信息和待测文本信息作为对于所述判断模型的输入，所述判断模型即可相应的输出所述目标患者的心肌纤维化结果。

通过以上技术方案可知，本实施例所述方法存在的有益效果是：通过机器学习算法建立判断模型，并通过常规的医疗方式在低成本、无创伤的情况下采集得到目标患者的病症信息；通过所述判断模型对所述病症信息进行分析计算，确定所述目标患者的心肌纤维化结果；因此，实现了低成本且无创伤确定心肌纤维化，同时准确性满足医疗需求。

图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。

如图2所示，为本发明所述确定心肌纤维化的方法的另一个具体实施例。本实施例在前述实施例的基础上，对于训练建模过程进行了更具体的描述和一定程度的优化。本实施例中，所述建立判断模型包括以下步骤：

步骤201、将所述样本超声影像信息和所述样本文本信息合并为样本临床信息。

步骤202、将所述样本临床信息和所述样本确定结果作为训练样本进行监督学习训练，以获得所述样本临床信息与所述样本确定结果的函数关系。

步骤203、通过所述函数关系建立所述判断模型。

步骤204、将所述样本临床信息和所述样本确定结果代入所述判断模型，以获得所述判断模型的拟合指标。

步骤205、当所述拟合指标低于预设的拟合标准，则通过所述监督学习训练修正所述函数关系。

所述监督学习训练，即通过机器学习算法，来发现数据特征和目标之间的关联性。所以本实施例中，将所述样本超声影像信息和所述样本文本信息合并为样本临床信息，将所述样本临床信息作为所述监督学习训练中的特征。并将所述样本确定结果作为所述监督学习训练中的目标。

在进行数据训练之前，可根据需求对所述样本数据进行预处理，以使所述样本数据的格式满足所述数据训练的要求。所述预处理具体可包括，数据特征提取，数据特征降维、数据特征空值处理、数据特征转换、数据特征归一化、数据目标值空值处理、数据目标值转换等。

假设一份样本数据表示为(x_1-n,y)。其中x表示所述样本临床信息，即数据的特征，具体可以用x_1-n＝(x₁,x₂…x_n)来表达x₁～x_n共n项具体参数的数值。y表示所述样本确定结果，即数据的目标。

经过所述监督学习训练，可获得所述样本临床信息与所述样本确定结果的函数关系y＝f(x_1-n)。即获得所述判断模型。后续只需将目标患者的病症信息作为x_1-n代入模型，即可将计算得到的输出y作为所述目标患者对应的心肌纤维化结果。

监督学习训练的具体过程，以及相应的函数关系y＝f(x_1-n)的表达式，在本实施例中不做限定。现有技术中所有可实现的机器学习算法均可结合在本实施例的整体技术方案之下。并且根据具体应用场景和需求，建模的数学运算过程也可进行适当的调整。

为确保所述判断模型的准确性，本实施例中在通过一定程度的训练获得上述函数关系后，还需对其进行校验及修正。校验方式为，将所述样本临床信息代入所述判断模型进行计算，判断计算获得的数据的目标(即y值)与预先已知的样本确定结果是否相符合。

在本实施例中，在得到函数关系y＝f(x_1-n)的同时，还能够得到一个损失函数定义为L(f(x_1-n),y)。通过大量样本临床信息代入所述判断模型进行校验，即可根据所述损失函数计算得出所述判断模型的拟合指标。原则上拟合指标越高说明所述判断模型越准确。但如果所述拟合指标低于预设的拟合标准，则说明所述判断模型目前的准确程度尚不符合要求。所以需要对其继续进行监督学习训练，修正所述函数关系，直到符合拟合标准的要求。

另外还需说明的是，在一些特殊情况下，可能出现所述判断模型与临床经验明显违背的情况。在这种情况下，还可对所述判断模型进行人工修正，以确保准确性。

通过以上技术方案可知，本实施例在图1所示实施例的基础上，进一步存在的有益效果是：详细公开了利用监督学习训练方法建立判断模型的过程，并且进一步包括了对于判断模型的校验和修正步骤。由此保障了所述判断模型的精度，提高了对于心肌纤维化确定的准确率。

如图3所示，为本发明所述确定心肌纤维化的方法的另一个具体实施例。本实施例中，所述方法包括以下步骤：

步骤301、确定历史患者的样本超声影像信息、样本文本信息和样本确定结果。

所述历史患者的数量为多个，优选地可以是5000～10000个。一个历史患者对应一份样本数据，一份样本数据中包括该历史患者的样本超声影像信息、样本文本信息和样本确定结果。在此不重复叙述。

步骤302、将所述样本超声影像信息和所述样本文本信息合并为样本临床信息。

具体的，可以对所述样本超声影像信息进行病变标记，进而进行特征提取；同时对所述样本文本信息进行特征提取。然后将所述样本超声影像信息和所述样本文本信息合并为样本临床信息。

步骤303、将所述样本临床信息和所述样本确定结果作为训练样本进行监督学习训练，以获得所述样本临床信息与所述样本确定结果的函数关系。

将所述样本临床信息作为所述监督学习训练中的特征，并将所述样本确定结果作为所述监督学习训练中的目标，以进行监督学习训练。在此不重复叙述。

步骤304、通过所述函数关系建立所述判断模型。

步骤305、将所述样本临床信息和所述样本确定结果代入所述判断模型，以获得所述判断模型的拟合指标。

步骤306、当所述拟合指标低于预设的拟合标准，则通过所述监督学习训练修正所述函数关系。

即根据判断模型的拟合指标对模型进行测试和优化，经过测试和优化之后最终确定判断模型。在此不重复叙述。

步骤307、确定目标患者的病症信息。

所述目标患者的病症信息，包括待测超声影像信息和待测文本信息。在此不重复叙述。

步骤308、利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

将利用所述判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

如图4所示，为本发明所述确定心肌纤维化的装置的一个具体实施例。本实施例所述装置，即用于执行图1～3所述方法的实体装置。其技术方案本质上与上述实施例一致，上述实施例中的相应描述同样适用于本实施例中。本实施例中所述装置包括：

病症信息确定模块401，用于确定目标患者的病症信息。

心肌纤维化确定模块402，用于利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

图5是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放执行指令。具体地，执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器，并向处理器提供执行指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成确定心肌纤维化的装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的确定心肌纤维化的方法。

上述如本发明图3所示实施例提供的确定心肌纤维化的装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal 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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。

结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提出了一种可读介质，该可读存储介质存储有执行指令，存储的执行指令被电子设备的处理器执行时，能够使该电子设备执行本发明任一实施例中提供的确定心肌纤维化的方法，并具体用于执行如图1或图2所示的方法。

前述各个实施例中所述的电子设备可以为计算机。

本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种确定心肌纤维化的方法，其特征在于，包括：

确定目标患者的病症信息；

利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

2.根据权利要求1所述方法，其特征在于，还包括：

利用样本数据预先建立所述判断模型；

所述样本数据包括，样本超声影像信息、样本文本信息和样本确定结果。

3.根据权利要求2所述方法，其特征在于，所述病症信息包括：

待测超声影像信息和待测文本信息。

4.根据权利要求2所述方法，其特征在于，还包括：

将所述样本超声影像信息和所述样本文本信息合并为样本临床信息；

将所述样本临床信息和所述样本确定结果作为训练样本进行监督学习训练，以获得所述样本临床信息与所述样本确定结果的函数关系；

通过所述函数关系建立所述判断模型。

5.根据权利要求4所述方法，其特征在于，还包括：

将所述样本临床信息和所述样本确定结果代入所述判断模型，以获得所述判断模型的拟合指标；

当所述拟合指标低于预设的拟合标准，则通过所述监督学习训练修正所述函数关系。

6.根据权利要求3所述方法，其特征在于，所述样本超声影像信息和所述待测超声影像信息包括：

超声心电图。

7.根据权利要求2所述方法，其特征在于，所述样本确定结果包括：

心脏核磁共振图像、

基于所述心脏核磁共振图像的心肌纤维化结果、

或，基于活体检验的心肌纤维化结果。

8.一种确定心肌纤维化的装置，其特征在于，包括：

病症信息确定模块，用于确定目标患者的病症信息；

心肌纤维化确定模块，用于利用预先建立的判断模型，通过所述目标患者的病症信息进行分析计算，确定所述目标患者对应的心肌纤维化结果。

9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至7中任一所述的方法。

10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。

Images