CN112216391B - 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置 - Google Patents

基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置 Download PDF

Info

Publication number
CN112216391B
CN112216391B CN202011140590.XA CN202011140590A CN112216391B CN 112216391 B CN112216391 B CN 112216391B CN 202011140590 A CN202011140590 A CN 202011140590A CN 112216391 B CN112216391 B CN 112216391B
Authority
CN
China
Prior art keywords
plaque
parameters
carotid
risk level
current
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
Application number
CN202011140590.XA
Other languages
English (en)
Other versions
CN112216391A (zh
Inventor
李振洲
任力杰
黄珊珊
吴欣殷
邵玉凤
管林军
周羿
罗舒榆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Second Peoples Hospital
Original Assignee
Shenzhen Second Peoples Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Second Peoples Hospital filed Critical Shenzhen Second Peoples Hospital
Priority to CN202011140590.XA priority Critical patent/CN112216391B/zh
Publication of CN112216391A publication Critical patent/CN112216391A/zh
Application granted granted Critical
Publication of CN112216391B publication Critical patent/CN112216391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请提供了一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置，包括：利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；通过对应关系，确定与当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将对应关系中与当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为当前脑卒中发病风险等级。能良好地实现通过颈动脉粥样硬化斑块的情况参数对脑卒中发病风险进行量化估测。

Description

基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置
技术领域
本申请涉及医学检测领域，特别是一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置。
背景技术
CAS(Carotid atherosclerosis，动脉粥样硬化)是引起缺血性脑卒中的主要因素之一。因此，早期诊断及正确评估颈动脉斑块的稳定性，发现并有效控制影响颈动脉斑块稳定性的危险因素对缺血性脑卒中的预防有重要价值。超声是目前评估CAS的主要方法，可以有效检出颈动脉斑块，评估其稳定性。本研究严格按照操作规范，全面系统的检查颈部动脉。
对发现的颈动脉斑块均进行稳定性评估，主要评估斑块形态、有无表面溃疡、偏心指数、内部回声特征等方面。斑块表面纤维帽破坏后会导致表面凹凸不平，严重的会形成溃疡，溃疡口局部血流易形成涡流，并且纤维帽破坏后，斑块内脂质成分一旦在血液中暴露，会促使急性血栓形成，从而导致动脉管腔栓塞或缺血性脑卒中的发生。斑块的形态偏心可引起血管腔形态失常和压力重新分配、斑块内部受力不均衡，导致斑块力学不稳定，容易被破坏同。斑块内部脂质核心较大或斑块内部血管破裂出血可以导致斑块内出现超声可见的液性成分，以上都是斑块不稳定的特征。
Lp-PLA2又称为血小板活化因子乙酰水解酶，是一种非钙离子依赖性磷脂酶。近年研究表明，Lp-PLA2在血浆中主要与低密度脂蛋白(LDL)相结合形成LDL-Lp-PLA2，从而催化产生炎性产物，这种炎性产物作用于动脉粥样硬化炎症反应的各个阶段，促进斑块的形成，并可引发斑块破裂、血栓形成等并发症，从而影响动脉粥样硬化斑块的稳定性，它作为血管炎症的特异性标记物，近年引起了广泛关注。
现有的临床研究表明，血浆脂蛋白相关磷脂酶A2(Lp-PLA2)水平升高是动脉粥样硬化的危险因素。Lp-PLA2所介导的细胞因子可促进基质金属蛋白酶在CAS斑块中的表达，这种酶可将斑块的纤维帽和胶原基质等成分降解，因此Lp-PLA2水平升高可能通过促进斑块破裂，导致斑块内出血等途径增加其易损性，这种易损性可以导致缺血性脑卒中的发生。
现有研究表明，不稳定斑块组血浆Lp-PLA2水平较高，与稳定斑块组间差异有统计学意义(P＜0.05)。不稳定斑块的形态不规则、表面溃疡、偏心指数>2、斑块内部液化等特征均与血浆高Lp-PLA2有相关性(P＜0.05)。血浆Lp-PLA2过高是影响颈动脉粥样硬化斑块稳定性的独立危险因素(P＜0.05)。血浆Lp-PLA2水平与颈动脉粥样硬化斑块稳定性相关，Lp-PLA2过高是影响斑块稳定性的独立危险因素。
但是现有的对脑卒中发病风险的评估方法中缺少包含Lp-PLA2水平为评估条件的方法。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置，包括：
一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法，所述方法用于依据颈动脉粥样硬化斑块的情况参数评估颈动脉粥样硬化斑块的稳定性，所述方法包括：
利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；
获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；
通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
进一步地，所述颈动脉粥样硬化斑块的情况参数，包括：受试者病史特征和/或斑块图像特征，和/或由按设定规律自所述受试者病史特征、所述斑块图像特征中提取的特征组成的一维或两维以上的数组；其中，
所述受试者病史特征，包括：血压参数，血脂参数，胆固醇参数，Lp-PLA2参数，脑卒中家族史；
所述斑块图像特征，包括：斑块形态，斑块表面溃疡情况，斑块偏心指数，以及斑块内部液化情况；
和/或，
所述对应关系，包括：函数关系；所述颈动脉粥样硬化斑块的情况参数为所述函数关系的输入参数，所述脑卒中发病风险等级为所述函数关系的输出参数；
确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，还包括：
当所述对应关系包括函数关系时，将所述当前颈动脉粥样硬化斑块的情况参数输入所述函数关系中，确定所述函数关系的输出参数为当前脑卒中发病风险等级。
进一步地，所述建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系的步骤，包括：
获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据；
分析所述颈动脉粥样硬化斑块的情况参数的特性及其规律，根据所述特性及其规律，确定所述人工智能的模型结构及其模型参数；
使用所述样本数据，对所述模型结构和所述模型参数进行训练和测试，确定所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级的所述对应关系。
进一步地，所述获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据的步骤，包括：
收集不同受试者的所述颈动脉粥样硬化斑块的情况参数和所述脑卒中发病风险等级；
对所述颈动脉粥样硬化斑块的情况参数进行分析、并结合预存的专家经验信息，选取与所述脑卒中发病风险等级相关的数据作为所述颈动脉粥样硬化斑块的情况参数；
将所述脑卒中发病风险等级、以及选取的所述颈动脉粥样硬化斑块的情况参数构成的数据对，作为样本数据。
进一步地，所述模型结构，包括FasterR-CNN网络，FPN网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，Network-In-Network模型中的至少之一；
和/或，
所述模型参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
进一步地，对所述模型结构和所述模型参数进行训练，包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述模型结构，通过所述模型结构的损失函数，激活函数和所述模型参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应脑卒中发病风险等级之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述模型结构和所述模型参数的所述训练完成；
和/或，
对所述模型结构和所述模型参数进行测试，包括：
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述训练完成的所述模型结构中，以所述损失函数，激活函数和所述训练完成的所述模型参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应脑卒中发病风险等级之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述模型结构和所述模型参数的所述测试完成。
进一步地，对所述模型结构和所述模型参数进行训练，还包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述模型结构的误差损失函数更新所述模型参数；
通过所述模型结构的所述损失函数，激活函数和更新后的所述模型参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
和/或，
对所述模型结构和所述模型参数进行测试，还包括：
当所述实际测试误差不满足所述设定测试误差时，对所述模型结构和所述模型参数进行重新训练，直至所述重新训练后的实际测试误差满足所述设定测试误差。
一种基于颈动脉粥样硬化情况评估脑卒中发病风险装置，所述装置用于依据颈动脉粥样硬化斑块的情况参数评估颈动脉粥样硬化斑块的稳定性，所述装置包括：
建立模块，用于利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；
获取模块，用于获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；
确定模块，用于通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于颈动脉粥样硬化情况评估脑卒中发病风险方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的基于颈动脉粥样硬化情况评估脑卒中发病风险方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。能良好地实现通过颈动脉粥样硬化斑块的情况参数对脑卒中发病风险进行量化估测，节省了大量的冗余工作；通过人工智能模型对颈动脉粥样硬化斑块的情况参数与脑卒中发病决定性指标进行深度学习识别，能更好地提高颈动脉粥样硬化斑块的情况参数与脑卒中发病决定性指标之间的协作性，从而提升发病风险判别的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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申请的一些实施例，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是本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法的步骤流程图；
图2a是本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法的稳定斑块示意图；
图2b是本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法的不稳定斑块示意图；
图2c是本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法的溃疡口内血流充盈示意图；
图3是本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法的回归分析的Logistic回归模型的ROC曲线图；
图4是本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险装置的结构框图；
图5是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法，所述方法用于依据颈动脉粥样硬化斑块的情况参数评估颈动脉粥样硬化斑块的稳定性，所述方法包括：
S110、利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；
S120、获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；
S130、通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
在本申请的实施例中，通过利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。能良好地实现通过颈动脉粥样硬化斑块的情况参数对脑卒中发病风险进行量化估测，节省了大量的冗余工作；通过人工智能模型对颈动脉粥样硬化斑块的情况参数与脑卒中发病决定性指标进行深度学习识别，能更好地提高颈动脉粥样硬化斑块的情况参数与脑卒中发病决定性指标之间的协作性，从而提升发病风险判别的准确性。
下面，将对本示例性实施例中基于颈动脉粥样硬化情况评估脑卒中发病风险方法作进一步地说明。
如上述步骤S110所述，利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系。
例如：利用人工智能算法来分析脑卒中发病风险等级对应的显示状态规律，通过人工智能的自学习、自适应特性找到受试者颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级间的映射规律。
其中，所述风险等级可以一以发病人数占比为结果的百分比数值，其计算过程可以为如下方式：
式中，M为符合该部分条件的受试者总人数；m为符合该部分条件受试者中患有脑卒中的人数；L为患病风险等级。
亦可以为一依据前述百分比数值为基础，按照不同占比区间而设置的，等级，如：在[0-5％)的为低风险等级；[5％-20％)为中等风险等级；[20％-50％)为高风险等级；大于50％为危险等级，以上占比区间仅作为设计原理的示例展示，每个等级之间的数值区间可以根据实际数据迭代以及专家建议进行动态的调整。
例如：可以利用人工智能算法，通过对大量不同受试者(包括但不限于如下的一种或多种：年龄，性别，以及身体状况，其中，身体状况包括但不限于如下一种或多种：是否有高血压，是否有高血糖，是否有高血脂，是否有高胆固醇，是否有吸烟史，以及是否有脑卒中家族史)的颈动脉粥样硬化斑块的情况参数汇总收集，选取若干受试者的颈动脉粥样硬化斑块的情况参数及脑卒中发病风险等级作为样本数据，对预测模型进行学习和训练，通过调整模型结构及计算节点间的权值，使预测模型拟合颈动脉粥样硬化斑块的情况参数及脑卒中发病风险等级之间的关系，最终使预测模型能准确拟合出不同受试者的颈动脉粥样硬化斑块的情况参数及脑卒中发病风险等级的对应关系。
在一实施例中，所述颈动脉粥样硬化斑块的情况参数，包括：受试者病史特征和/或斑块图像特征，和/或由按设定规律自所述受试者病史特征、所述斑块图像特征中提取的特征组成的一维或两维以上的数组；其中，
可选地，所述受试者病史特征，包括：血压参数，血脂参数，胆固醇参数，Lp-PLA2参数，脑卒中家族史；
可选地，所述斑块图像特征，包括：斑块形态，斑块表面溃疡情况，斑块偏心指数，以及斑块内部液化情况；
参照图2a、2b、2c以及3，需要说明的是，选择2016年8月一2017年1月我院门诊行颈动脉超声筛查的患者185例，均无血缘关系。其中男104例，女81例，年龄48～88岁，平均(70.22±10.54)岁。排除有严重颅脑血管疾病、心肌病、房颤、严重的心脏功能不全、肝肾功能不全、恶性肿瘤、血液病史。
所有入选者均进行血浆Lp-PLA2检测。依据颈动脉超声筛查结果将入选者分为2组：
①稳定斑块组：97例，颈动脉可见斑块，但均无不稳定斑块的特征；
②不稳定斑块组：88例，至少1个颈动脉斑块出现以下不稳定的特征，其中，该不稳定特征包括但不限于：斑块形态不规则、表面溃疡、偏心指数(斑块厚度/对侧内中膜厚度)>2，内部出现液化成分。
以上两组中对象年龄、性别构成匹配，无统计学差异。
具体地，涉及数据及获取过程如下：
对研究对象(上述入选者)进行详细的病史询问，并做相关的检查，记录数据包括：有无高血压、有无糖尿病、有无高血脂、有无吸烟史、有无脑卒中家族史等。
具体地，超声探测过程如下：
采用Philips IU22超声诊断仪，L9-3线阵探头，频率3～9MHz。被检查者平卧位，充分暴露颈部。
检测过程按照中国医师协会超声医师分会《血管和浅表器官超声检查指南》推荐的检查方法，对所有入选者的双侧颈总动脉、颈内动脉、颈外动脉、椎动脉和锁骨下动脉进行检查。将内膜局限性增厚≥1.5mm定义为斑块。评价上述血管有无内膜增厚、有无斑块及斑块的位置、大小、形态、内部回声特征、管腔有无狭窄及程度等。
具体地，对受试者的血浆标本的采集及Lp-PLA2的测定
于检查当天清晨空腹采血，用普通管或促凝管取血2mL，1500r/min离心10min分离血清，如不即时检测，则将采集的样本在-20℃环境下保存。Lp-PLA2采用酶联免疫双抗体夹心法(ELISA)检测。采用天津康尔克生物科技有限公司提供的试剂盒，检测仪器为雷杜TR-6000酶标分析仪。按照试剂盒说明书进行操作。Lp-PLA2正常参考值上限为175ng/mL，当测值高于175ng/mL则提示为过高。
具体地，数据的统计
应用SPSS17.0统计软件，计量资料以表示，比较采用t检验。计数资料比较采用卡方检验。多因素分析采用Logistic回归法，模型筛选采用逐步回归法，模型评价采用ROC曲线。P＜0.05表示有统计学意义。
统计数据的对比
1.稳定斑块组与不稳定斑块组一般临床资料、血浆Lp-PLA2的比较
两组对象年龄、性别构成差异无统计学意义(P>0.05)。两组间高血压、高血糖、高血脂发病率、脑卒中家族史发生率、血浆Lp-PLA2均有统计学差异(P<0.05)。见表1。
表1
2.颈动脉不稳定斑块特征与高Lp-PLA2的关系
颈动脉粥样硬化斑块的情况参数升高与颈动脉粥样硬化斑块的情况参数正常组间斑块特征如斑块形态不规则、表面溃疡、偏心指数>2、内部液化等出现的例数均有统计学差异(P<0.05)。见表2。
表2
Logistic回归分析
以是否有颈动脉斑块不稳定为因变量，将表1中有统计学差异的指标高血压、高血糖、高血脂发病率、吸烟史、脑卒中家族史发生率、血浆颈动脉粥样硬化斑块的情况参数等多因素作为自变量进行Logistic回归分析。高血压、高血脂、脑卒中家族史等均是颈动脉粥样硬化斑块不稳定的独立危险因素。在校正了传统危险因素后，高Lp-PLA2仍然是影响颈动脉粥样硬化斑块稳定性的独立危险因素(P～0.01)。采用ROC曲线评价预测模型效果，ROC曲线下面积为0.854(95％CI：0.797～0.910)，曲线下面积>0.8，说明所建立的Lo-gistic回归模型效果较好。见表3。
表3
在一实施例中，所述对应关系，包括：函数关系。
优选地，所述颈动脉粥样硬化斑块的情况参数为所述函数关系的输入参数，所述脑卒中发病风险等级为所述函数关系的输出参数。
确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，还包括：
当所述对应关系包括函数关系时，将所述当前颈动脉粥样硬化斑块的情况参数输入所述函数关系中，确定所述函数关系的输出参数为当前脑卒中发病风险等级。
由此，通过多种形式的对应关系，可以提升对当前脑卒中发病风险等级确定的灵活性和便捷性。
在一实施例中，可以结合下列描述进一步说明步骤S110中“建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系”的具体过程。
如下列步骤所述：获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据；
在一进阶实施例中，可以结合下列描述进一步说明“获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据”的具体过程。
如下列步骤所述：收集不同受试者的所述颈动脉粥样硬化斑块的情况参数和所述脑卒中发病风险等级；
例如：数据搜集：搜集不同身体状况的受试者的颈动脉粥样硬化斑块的情况参数及对应的脑卒中发病风险等级；以及，搜集不同年龄的受试者的颈动脉粥样硬化斑块的情况参数及对应的脑卒中发病风险等级；以及，搜集不同性别的受试者的颈动脉粥样硬化斑块的情况参数及对应的脑卒中发病风险等级。
由此，通过多种途径收集运行数据，有利于增加运行数据的量，提升人工智能的学习能力，进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述：对所述颈动脉粥样硬化斑块的情况参数进行分析、并结合预存的专家经验信息，选取与所述脑卒中发病风险等级相关的数据作为所述颈动脉粥样硬化斑块的情况参数(例如：选取对脑卒中发病风险等级有影响的颈动脉粥样硬化斑块的情况参数作为输入参数，将指定参数作为输出参数)；
例如：通过将已确诊的受试者的相关数据中的颈动脉粥样硬化斑块的情况参数作为输入参数，将其相关数据中的脑卒中发病风险等级作为输出参数。
如下列步骤所述：将所述脑卒中发病风险等级、以及选取的所述颈动脉粥样硬化斑块的情况参数构成的数据对，作为样本数据。
例如：将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。
由此，通过对收集到的颈动脉粥样硬化斑块的情况参数进行分析及处理，进而得到样本数据，操作过程简单，操作结果可靠性高。
如下列步骤所述：分析所述颈动脉粥样硬化斑块的情况参数的特性及其规律，根据所述特性及其规律，确定所述人工智能的模型结构及其模型参数；
例如：分析颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级，可初步确定模型的基本结构、模型的输入、输出节点数、隐节点数、模型初始权值等。
优选地，所述网络结构，包括：Faster R-CNN网络，FPN网络，AlexNet网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，深度特征增强网络中的至少之一。
优选地，所述网络参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，特征增强层，初始权值，以及，偏置值中的至少之一。
作为一种示例，所述人工智能模型可以为人工神经网络，其具体结构包括：首先包含4层5*5的卷积层，然后是8个残差块，每一个残差块之后都连接一个池化层进行下采样，每个残差块由3个残差单元组成。为了提升网络模型的检测精度，对第四层下采样之后的特征进行两次上采样，并且上采样所得的特征与对应大小的下采样特征进行横向连接，以充分利用特征信息。
可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述模型结构和所述模型参数进行训练和测试，确定所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级的所述对应关系”中对所述模型结构和所述模型参数进行训练的具体过程。
如下列步骤所述，选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述模型结构，通过所述模型结构的损失函数，激活函数和所述模型参数进行训练，得到实际训练结果；
具体地，通过梯度下降算法最小化损失函数，更新模型参数，训练当前预测模型模型，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应脑卒中发病风险等级之间的实际训练误差是否满足预设训练误差；当所述实际训练误差满足所述预设训练误差时，确定对所述模型结构和所述模型参数的所述训练完成；
具体地，当所述实际训练误差满足所述预设训练误差时，且在当前训练的模型收敛，确定对所述模型结构和所述模型参数的所述训练完成。
更可选地，对所述模型结构和所述模型参数进行训练，还包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述模型结构的误差损失函数更新所述模型参数；通过所述模型结构的所述损失函数，激活函数和更新后的所述模型参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
例如：若测试误差满足要求，则模型训练测试完成。
由此，通过将测试样本用于训练得到的模型结构和模型参数进行测试，以进一步验证模型结构及模型参数的可靠性。
可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述模型结构和所述模型参数进行训练和测试，确定所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级的所述对应关系”中对所述模型结构和所述模型参数进行测试的具体过程。
如下列步骤所述，选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述训练完成的所述模型结构中，以所述损失函数，激活函数和所述训练完成的所述模型参数进行测试，得到实际测试结果；确定所述实际测试结果与所述测试样本中的相应脑卒中发病风险等级之间的实际测试误差是否满足设定测试误差；当所述实际测试误差满足所述设定测试误差时，确定对所述模型结构和所述模型参数的所述测试完成。
在一个可选例子中，
可选地，对所述模型结构和所述模型参数进行训练，还可以包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述模型结构的误差能量函数更新所述模型参数。
通过所述模型结构的所述激活函数和更新后的所述模型参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差。
由此，通过在训练误差较大时对模型参数进行修正后重新训练，有利于得到更为精准和可靠的模型结构，进而得到更为精准和可靠的对应关系。
可选地，对所述模型结构和所述模型参数进行测试，还可以包括：
当所述实际测试误差不满足所述设定测试误差时，对所述模型结构和所述模型参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。
例如：当测试误差不满足要求时，则重复以上步骤，重新训练模型。
由此，通过在测试误差较大时对模型结构进行重新训练以进行重新测试，有利于得到更为精准和可靠的模型结构，进而提升对结霜状态确定的精准性。
如上述步骤S120所述，获取受试者的当前当前颈动脉粥样硬化斑块的情况参数；
如上述步骤S130所述，通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级。
例如：实时识别出受试者的颈动脉粥样硬化斑块的情况参数。
由此，通过基于对应关系，根据当前颈动脉粥样硬化斑块的情况参数有效地识别出当前脑卒中发病风险等级，从而为测试员的诊断提供准确的判断依据，且判断结果精准性好。
在一个可选例子中，步骤S130中确定与所述颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，可以包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
在一个可选例子中，步骤S130中确定与所述颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，还可以包括：当所述对应关系可以包括函数关系时，将所述当前颈动脉粥样硬化斑块的情况参数输入所述函数关系中，确定所述函数关系的输出参数为当前脑卒中发病风险等级。
由此，通过基于对应关系或函数关系，根据当前颈动脉粥样硬化斑块的情况参数确定当前脑卒中发病风险等级，确定方式简便，确定结果可靠性高。
例如，用训练所得到的人工智能模型去检测测试集中每一个样例的脑卒中发病风险等级。
在一个可选实施方式中，还可以包括：验证所述当前脑卒中发病风险等级与实际脑卒中发病风险等级是否相符的过程。
可选地，可以接收到所述当前脑卒中发病风险等级与实际脑卒中发病风险等级不符的验证结果、和/或确定所述对应关系中没有与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数时，对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如：设备本身无法获知到实际脑卒中发病风险等级，需要有测试员的反馈操作才行，即如果设备智能判断出脑卒中发病风险等级，测试员通过操作反馈其与实际的状态不符，设备才能获知。
验证所述当前脑卒中发病风险等级与实际脑卒中发病风险等级是否相符(例如：可以通过AR显示模块对实际脑卒中发病风险等级进行显示，以验证确定的所述当前脑卒中发病风险等级与实际脑卒中发病风险等级是否相符)。
当所述当前脑卒中发病风险等级与实际脑卒中发病风险等级不符、和/或所述对应关系中没有与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数时，对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如：可以根据维护后的对应关系，根据所述当前颈动脉粥样硬化斑块的情况参数确定当前脑卒中发病风险等级。例如：将维护后的所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数对应的脑卒中发病风险等级，确定为当前脑卒中发病风险等级。
由此，通过对确定的颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系的维护，有利于提升对脑卒中发病风险等级确定的精准性和可靠性。
将收集的数据的一半导入本方法的人工智能模型中进行学习训练，并用采用剩余的另一半数据作为模型的检测数据，通过与实际结果对比，本发明方法所得到的结果在风险估测的准确率上能够达到95％以上。
对于装置实施例而言，由于其与方法实施例基本相似，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。
参照图4，示出了本申请一实施例提供的一种基于颈动脉粥样硬化情况评估脑卒中发病风险装置，所述装置用于依据颈动脉粥样硬化斑块的情况参数评估颈动脉粥样硬化斑块的稳定性，所述装置包括：
建立模块410，用于利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；
获取模块420，用于获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；
确定模块430，用于通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
在一实施例中，所述颈动脉粥样硬化斑块的情况参数，包括：受试者病史特征和/或斑块图像特征，和/或由按设定规律自所述受试者病史特征、所述斑块图像特征中提取的特征组成的一维或两维以上的数组；其中，
所述受试者病史特征，包括：血压参数，血脂参数，胆固醇参数，Lp-PLA2参数，脑卒中家族史；
所述斑块图像特征，包括：斑块形态，斑块表面溃疡情况，斑块偏心指数，以及斑块内部液化情况；
和/或，
所述对应关系，包括：函数关系；所述颈动脉粥样硬化斑块的情况参数为所述函数关系的输入参数，所述脑卒中发病风险等级为所述函数关系的输出参数；
确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，还包括：
当所述对应关系包括函数关系时，将所述当前颈动脉粥样硬化斑块的情况参数输入所述函数关系中，确定所述函数关系的输出参数为当前脑卒中发病风险等级。
在一实施例中，所述建立模块410，包括：
获取子模块，用于获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据；
分析子模块，用于分析所述颈动脉粥样硬化斑块的情况参数的特性及其规律，根据所述特性及其规律，确定所述人工智能的模型结构及其模型参数；
训练子模块，用于使用所述样本数据，对所述模型结构和所述模型参数进行训练和测试，确定所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级的所述对应关系。
在一实施例中，所述获取子模块，包括：
收集子模块，用于收集不同受试者的所述颈动脉粥样硬化斑块的情况参数和所述脑卒中发病风险等级；
分析子模块，用于对所述颈动脉粥样硬化斑块的情况参数进行分析、并结合预存的专家经验信息，选取与所述脑卒中发病风险等级相关的数据作为所述颈动脉粥样硬化斑块的情况参数；
样本数据生成子模块，用于将所述脑卒中发病风险等级、以及选取的所述颈动脉粥样硬化斑块的情况参数构成的数据对，作为样本数据。
在一实施例中，所述模型结构，包括Faster R-CNN网络，FPN网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，Network-In-Network模型中的至少之一；
和/或，
所述模型参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
在一实施例中，
所述训练子模块，包括：
训练结果生成子模块，用于选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述模型结构，通过所述模型结构的损失函数，激活函数和所述模型参数进行训练，得到实际训练结果；
训练结果误差判断子模块，用于确定所述实际训练结果与所述训练样本中的相应脑卒中发病风险等级之间的实际训练误差是否满足预设训练误差；
训练完成判定子模块，用于当所述实际训练误差满足所述预设训练误差时，确定对所述模型结构和所述模型参数的所述训练完成；
和/或，
测试子模块，用于对所述模型结构和所述模型参数进行测试，所述测试子模块，包括：
测试结果生成子模块，用于选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述训练完成的所述模型结构中，以所述损失函数，激活函数和所述训练完成的所述模型参数进行测试，得到实际测试结果；
测试结果误差判断子模块，用于确定所述实际测试结果与所述测试样本中的相应脑卒中发病风险等级之间的实际测试误差是否满足设定测试误差；
测试完成判定子模块，用于当所述实际测试误差满足所述设定测试误差时，确定对所述模型结构和所述模型参数的所述测试完成。
在一实施例中，
所述训练子模块，还包括：
模型参数更新子模块，用于当所述实际训练误差不满足所述设定训练误差时，通过所述模型结构的误差损失函数更新所述模型参数；
第一重训练子模块，用于通过所述模型结构的所述损失函数，激活函数和更新后的所述模型参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
和/或，
所述测试子模块，还包括：
第二重训练子模块，用于当所述实际测试误差不满足所述设定测试误差时，对所述模型结构和所述模型参数进行重新训练，直至所述重新训练后的实际测试误差满足所述设定测试误差。
参照图5，示出了本发明的一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于颈动脉粥样硬化情况评估脑卒中发病风险方法。
也即，上述处理单元16执行上述程序时实现：利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的基于颈动脉粥样硬化情况评估脑卒中发病风险方法：
也即，给程序被处理器执行时实现：利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种基于颈动脉粥样硬化情况评估脑卒中发病风险方法，所述方法用于依据受试者的颈动脉粥样硬化斑块的情况参数预测受试者的脑卒中发病风险，其特征在于，所述方法包括：
利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；具体地，所述颈动脉粥样硬化斑块的情况参数，包括：受试者病史特征和斑块图像特征，按设定规律自所述受试者病史特征、所述斑块图像特征中提取的特征组成的一维或两维以上的数组；其中，所述受试者病史特征，包括：血压参数，血脂参数，胆固醇参数，Lp-PLA2参数，脑卒中家族史；所述斑块图像特征，包括：斑块形态，斑块表面溃疡情况，斑块偏心指数，以及斑块内部液化情况；所述对应关系，包括：函数关系；所述颈动脉粥样硬化斑块的情况参数为所述函数关系的输入参数，所述脑卒中发病风险等级为所述函数关系的输出参数；所述脑卒中发病风险等级，包括：以发病人数占比为结果的百分比数值或占比区间等级；
获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；
通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级；具体地，将所述当前颈动脉粥样硬化斑块的情况参数输入所述函数关系中，确定所述函数关系的输出参数为当前脑卒中发病风险等级。
2.根据权利要求1所述的方法，其特征在于，所述建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系的步骤，包括：
获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据；
分析所述颈动脉粥样硬化斑块的情况参数的特性及其规律，根据所述特性及其规律，确定所述人工智能的模型结构及其模型参数；
使用所述样本数据，对所述模型结构和所述模型参数进行训练和测试，确定所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级的所述对应关系。
3.根据权利要求2所述的方法，其特征在于，所述获取用于建立所述颈动脉粥样硬化斑块的情况参数与所述脑卒中发病风险等级之间的对应关系的样本数据的步骤，包括：
收集不同受试者的所述颈动脉粥样硬化斑块的情况参数和所述脑卒中发病风险等级；
对所述颈动脉粥样硬化斑块的情况参数进行分析、并结合预存的专家经验信息，选取与所述脑卒中发病风险等级相关的数据作为所述颈动脉粥样硬化斑块的情况参数；
将所述脑卒中发病风险等级、以及选取的所述颈动脉粥样硬化斑块的情况参数构成的数据对，作为样本数据。
4.根据权利要求3所述的方法，其特征在于，
所述模型结构，包括Faster R-CNN网络，FPN网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，Network-In-Network模型中的至少之一；
和/或，
所述模型参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
5.根据权利要求2-4任一项所述的方法，其特征在于，
对所述模型结构和所述模型参数进行训练，包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述模型结构，通过所述模型结构的损失函数，激活函数和所述模型参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应脑卒中发病风险等级之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述模型结构和所述模型参数的所述训练完成；
和/或，
对所述模型结构和所述模型参数进行测试，包括：
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述颈动脉粥样硬化斑块的情况参数输入到所述训练完成的所述模型结构中，以所述损失函数，激活函数和所述训练完成的所述模型参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应脑卒中发病风险等级之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述模型结构和所述模型参数的所述测试完成。
6.根据权利要求5所述的方法，其特征在于，
对所述模型结构和所述模型参数进行训练，还包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述模型结构的误差损失函数更新所述模型参数；
通过所述模型结构的所述损失函数，激活函数和更新后的所述模型参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
和/或，
对所述模型结构和所述模型参数进行测试，还包括：
当所述实际测试误差不满足所述设定测试误差时，对所述模型结构和所述模型参数进行重新训练，直至所述重新训练后的实际测试误差满足所述设定测试误差。
7.一种基于颈动脉粥样硬化情况评估脑卒中发病风险装置，所述装置用于依据颈动脉粥样硬化斑块的情况参数评估颈动脉粥样硬化斑块的稳定性，其特征在于，所述装置包括：
建立模块，用于利用人工智能的自学习能力，建立颈动脉粥样硬化斑块的情况参数与脑卒中发病风险等级之间的对应关系；具体地，所述颈动脉粥样硬化斑块的情况参数，包括：受试者病史特征和斑块图像特征，按设定规律自所述受试者病史特征、所述斑块图像特征中提取的特征组成的一维或两维以上的数组；其中，所述受试者病史特征，包括：血压参数，血脂参数，胆固醇参数，Lp-PLA2参数，脑卒中家族史；所述斑块图像特征，包括：斑块形态，斑块表面溃疡情况，斑块偏心指数，以及斑块内部液化情况；所述对应关系，包括：函数关系；所述颈动脉粥样硬化斑块的情况参数为所述函数关系的输入参数，所述脑卒中发病风险等级为所述函数关系的输出参数；所述脑卒中发病风险等级，包括：以发病人数占比为结果的百分比数值或占比区间等级；
获取模块，用于获取当前受试者的当前颈动脉粥样硬化斑块的情况参数；
确定模块，用于通过所述对应关系，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级；具体地，确定与所述当前颈动脉粥样硬化斑块的情况参数对应的当前脑卒中发病风险等级，包括：将所述对应关系中与所述当前颈动脉粥样硬化斑块的情况参数相同的颈动脉粥样硬化斑块的情况参数所对应的脑卒中发病风险等级，确定为所述当前脑卒中发病风险等级；具体地，将所述当前颈动脉粥样硬化斑块的情况参数输入所述函数关系中，确定所述函数关系的输出参数为当前脑卒中发病风险等级。
8.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN202011140590.XA 2020-10-22 2020-10-22 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置 Active CN112216391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011140590.XA CN112216391B (zh) 2020-10-22 2020-10-22 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011140590.XA CN112216391B (zh) 2020-10-22 2020-10-22 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置

Publications (2)

Publication Number Publication Date
CN112216391A CN112216391A (zh) 2021-01-12
CN112216391B true CN112216391B (zh) 2024-05-10

Family

ID=74054865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011140590.XA Active CN112216391B (zh) 2020-10-22 2020-10-22 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置

Country Status (1)

Country Link
CN (1) CN112216391B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114203295B (zh) * 2021-11-23 2022-05-20 国家康复辅具研究中心 脑卒中风险预测干预方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009226043A (ja) * 2008-03-24 2009-10-08 Gifu Univ 医用画像処理装置及び異常陰影検出方法
DE102017203299A1 (de) * 2016-03-01 2017-09-07 Siemens Healthcare Gmbh System und Verfahren zur kardioembolischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern
CN108389626A (zh) * 2018-02-09 2018-08-10 上海长江科技发展有限公司 基于人工智能的脑卒中筛查方法及系统
CN109584209A (zh) * 2018-10-29 2019-04-05 深圳先进技术研究院 血管壁斑块识别设备、系统、方法及存储介质
CN111261279A (zh) * 2019-11-06 2020-06-09 浙江大学 一种针对普通人群的颈动脉硬化与颈动脉斑块预测模型的建立方法
CN111430029A (zh) * 2020-03-24 2020-07-17 浙江达美生物技术有限公司 基于人工智能的多维度脑卒中预防筛查方法
JPWO2020184648A1 (zh) * 2019-03-14 2020-09-17

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257545A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Imaging based symptomatic classification and cardiovascular stroke risk score estimation
EP3196317A1 (en) * 2016-01-21 2017-07-26 Institut d'Investigació Biomèdica de Bellvitge (IDIBELL) Predictive methods of atherosclerosis and stenosis

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009226043A (ja) * 2008-03-24 2009-10-08 Gifu Univ 医用画像処理装置及び異常陰影検出方法
DE102017203299A1 (de) * 2016-03-01 2017-09-07 Siemens Healthcare Gmbh System und Verfahren zur kardioembolischen Schlaganfallrisikovorhersage auf der Basis von medizinischen Bildern
CN108389626A (zh) * 2018-02-09 2018-08-10 上海长江科技发展有限公司 基于人工智能的脑卒中筛查方法及系统
CN109584209A (zh) * 2018-10-29 2019-04-05 深圳先进技术研究院 血管壁斑块识别设备、系统、方法及存储介质
WO2020087838A1 (zh) * 2018-10-29 2020-05-07 深圳先进技术研究院 血管壁斑块识别设备、系统、方法及存储介质
JPWO2020184648A1 (zh) * 2019-03-14 2020-09-17
CN111261279A (zh) * 2019-11-06 2020-06-09 浙江大学 一种针对普通人群的颈动脉硬化与颈动脉斑块预测模型的建立方法
CN111430029A (zh) * 2020-03-24 2020-07-17 浙江达美生物技术有限公司 基于人工智能的多维度脑卒中预防筛查方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CEUS颈动脉斑块灌注模式与短暂性脑缺血发作患者脑卒中发病的关系;李振洲 等;中国医学影像技术;第33卷(第4期);第534-538页 *
CLINICAL STUDY OF NEUROLOGY NURSING ON CEREBRAL APOPLEXY REHABILITATION;Chen, J 等;TRANSLATIONAL NEUROSCIENCE;20190131;第10卷(第1期);第164-167页 *
超声检测颈动脉粥样斑块对脑梗死的预测和评价作用;杨翠娈;黎红;;内科(第05期);第679-681页 *
颈动脉斑块形态学易损性的临床评价及意义;吴伟;;山东医药;第50卷(第31期);第105-106页 *

Also Published As

Publication number Publication date
CN112216391A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
Rossi et al. Assessing liver fibrosis with serum marker models
Mulherin et al. Spectrum bias or spectrum effect? Subgroup variation in diagnostic test evaluation
Yu et al. Predicting metabolic syndrome with machine learning models using a decision tree algorithm: retrospective cohort study
JP6873916B2 (ja) 前立腺がんの積極的監視のための組成物および方法
Kim et al. Detection and severity assessment of peripheral occlusive artery disease via deep learning analysis of arterial pulse waveforms: Proof-of-concept and potential challenges
Shu et al. Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases
Li et al. Development and multicenter validation of a CT-based radiomics signature for predicting severe COVID-19 pneumonia
CN112216391B (zh) 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置
Kitano et al. Prognostic value of right ventricular strains using novel three-dimensional analytical software in patients with cardiac disease
CN116821753A (zh) 一种基于机器学习的社区获得性肺炎病原类型预测方法
CN111028940B (zh) 肺结节多尺度检测方法、装置、设备及介质
Vukadinovic et al. Deep learning-enabled analysis of medical images identifies cardiac sphericity as an early marker of cardiomyopathy and related outcomes
CN117274185B (zh) 检测方法、检测模型产品、电子设备及计算机存储介质
CN116994751A (zh) 一种孕早期子痫前期风险预测模型的构建方法及装置
RU2632509C1 (ru) Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных
CN113128654A (zh) 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
Kusunose et al. Deep learning approach for analyzing chest x-rays to predict cardiac events in heart failure
Çildag et al. Pulmonary artery obstruction index and right ventricular dysfunction signs in initial and follow up pulmonary computed tomography angiography in acute pulmonary embolism
CN116206764A (zh) 风险分级方法、装置、电子设备及存储介质
Pellikka et al. Automated analysis of limited echocardiograms: Feasibility and relationship to outcomes in COVID-19
Jikuzono et al. VsN, a reliability-index of shear-wave measurement in sonoelastography, is useful for the diagnosis of thyroid tumor malignancy
CN111696664B (zh) 一种心衰疾病检测系统
White et al. Venous flow variation predicts preoperative pulmonary venous obstruction in children with total anomalous pulmonary venous connection
Heckerling et al. Reproducibility of predictor variables from a validated clinical rule
CN112215836A (zh) 基于医学超声图像的颈动脉斑块检测方法及装置

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