CN112562860A - 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 - Google Patents

分类模型的训练方法及装置、冠心病辅助筛查方法及装置 Download PDF

Info

Publication number
CN112562860A
CN112562860A CN202011446282.XA CN202011446282A CN112562860A CN 112562860 A CN112562860 A CN 112562860A CN 202011446282 A CN202011446282 A CN 202011446282A CN 112562860 A CN112562860 A CN 112562860A
Authority
CN
China
Prior art keywords
data
classification model
training
image data
features
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
Application number
CN202011446282.XA
Other languages
English (en)
Inventor
左英男
蔡云鹏
杨博凯
杨舜翔
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 Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202011446282.XA priority Critical patent/CN112562860A/zh
Publication of CN112562860A publication Critical patent/CN112562860A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了分类模型的训练方法及装置、冠心病辅助筛查方法及装置，属于医疗技术领域。该分类模型的训练方法包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。通过上述分类模型，本申请提高了筛查结果的可信度，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，从而避免盲目检查带来的高检查成本，降低受检者的负担，还能够减少医生的负担，节约医院的医疗资源。

Description

分类模型的训练方法及装置、冠心病辅助筛查方法及装置
技术领域
本申请涉及医疗技术领域，特别是涉及分类模型的训练方法及装置、冠心病辅助筛查方法及装置。
背景技术
心血管疾病是当今世界上公认的几大致命性疾病之一，以冠心病为例，每年死于冠心病的人数远多于其他重大疾病。有许多因素可能导致人们患上心血管疾病，例如不健康的生活习惯以及不健康的心理状态都是潜在的诱发心血管疾病的因素。心血管疾病严重的危害着人们的健康，但是心血管疾病在患病早期，其症状并不明显，因此，对心血管疾病的患病情况进行有效的预警与早期筛查就显得尤为重要，准确高效的筛查方法能够极大程度地降低心血管疾病发展到晚期并引发严重后果的风险。
现有的对冠心病进行筛查的方法，例如，利用常规临床数据进行冠心病患病风险预测，然而，即便是经典的弗拉明翰模型，也会出现假阳性或者漏诊等问题，预测的准确率受限；或者，利用CT技术进行临床诊断，然而，CT检测过程繁琐且费用昂贵，会增加患者的负担；又或者，利用冠状动脉造影技术进行诊断，然而，冠状动脉造影技术往往会对人体造成一定的身体负担。
由于现有的筛查方法可能会导致受检者进行盲目检查，又或者是为了避免增加负担而拒绝接受进一步的诊断。因此，需要一个成本较低、操作较简便且结果较精确的针对冠心病的筛查方法，能够对受检者患有冠心病的风险进行相对较为准确的评价，以使受检者根据筛查结果决定是否接收进一步的心血管检查。
发明内容
本申请主要解决的技术问题是提供一种分类模型的训练方法及装置、冠心病辅助筛查方法及装置，通过将超声心动图数据和电子病历记录结合，以基于输入的数据量化评估受检者患病的风险。
为解决上述技术问题，本申请采用的一个技术方案是提供一种分类模型的训练方法，该训练方法包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
其中，通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型的步骤具体包括：将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征；将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征；通过组合特征进行分类预测，得到预测结果；基于预测结果对预设深度学习模型的模型参数进行调整，以构建分类模型。
其中，预设深度学习模型依次包括特征提取层、特征融合层、分类器层以及输出层；将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征的步骤包括：将数据集中的有效影像数据与结构化特征数据输入到特征提取层进行提取处理，得到第一数量的超声心动图特征与相关联的结构化特征；将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征的步骤具体包括：将第一数量的超声心动图特征与数据集中相关联的结构化特征输入到特征融合层进行处理，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征；通过组合特征进行分类预测，得到预测结果的步骤具体包括：将组合特征输入到分类器层进行预测，并通过输出层输出预测结果。
其中，通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型的步骤还包括：将数据集中的设定数量的相关联的有效影像数据与结构化特征数据按设定比例划分为训练集、验证集以及测试集；通过训练集、验证集以及测试集对预设深度学习模型进行训练，以构建分类模型。
其中，通过训练集、验证集以及测试集对预设深度学习模型进行训练，以构建分类模型的步骤具体包括：将训练集中的训练数据输入到预设深度学习模型中进行训练，得到第一模型；将验证集中的验证数据输入到第一模型中进行预测，并基于预测结果对第一模型的参数进行调整，得到调整后的第一模型；将测试集中的测试数据输入到调整后的第一模型中进行预测，并基于预测结果对调整后的第一模型的打分结果进行评价，以构建分类模型。
其中，相关联的有效影像数据与结构化特征数据为从同一受检者处获取的有效影像数据与结构化特征数据。
其中，有效影像数据包括心脏剖面结构图、心脏剖面结构图对应的腔内测量图、心脏彩色多普勒超声图以及心脏彩色多普勒超声图对应的频谱图。
为解决上述技术问题，本申请采用的另一个技术方案是提供一种基于分类模型的冠心病辅助筛查方法，该筛查方法包括：获取上述训练好的分类模型；接收受检者的超声心动图数据与电子病历数据；对受检者的超声心动图数据与电子病历数据进行预处理，获取到相关联的有效影像数据与结构化特征数据；将相关联的有效影像数据与结构化特征数据输入到分类模型中，通过分类模型对受检者的有效影像数据与结构化特征数据进行预测；输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
为解决上述技术问题，本申请采用的又一个技术方案是提供一种分类模型的训练装置，该训练装置包括：预处理模块，用于对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；分类模型构建模块，用于通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
为解决上述技术问题，本申请采用的另一个技术方案是提供一种基于分类模型的冠心病辅助筛查装置，该筛查装置包括上述的训练好的分类模型，包括接收模块、预处理模块、分类模块以及输出模块，接收模块用于接收受检者的超声心动图数据与电子病历数据；预处理模块用于对受检者的超声心动图数据与电子病历数据进行预处理，获取到受检者的有效影像数据与结构化特征数据；分类模块用于对受检者的有效影像数据与结构化特征数据进行预测；输出模块用于输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
为解决上述技术问题，本申请采用的又一个技术方案是提供一种基于分类模型的冠心病辅助筛查系统，该系统包括：存储器，用于存储程序数据，存储程序数据被执行时可实现如上述任一项所述的分类模型的训练方法中的步骤或上述的基于分类模型的冠心病辅助筛查方法中的步骤；处理器，用于执行存储器存储的程序指令以实现如可实现如上述任一项所述的分类模型的训练方法中的步骤或上述的基于分类模型的冠心病辅助筛查方法中的步骤。
为解决上述技术问题，本申请采用的另一个技术方案是提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任一项所述的分类模型的训练方法中的步骤或上述的基于分类模型的冠心病辅助筛查方法中的步骤。
本申请的有益效果是：区别于现有技术，本申请通过将超声心动图数据和电子病历记录结合，对分类模型进行训练，以基于输入的数据量化评估受检者患病的风险，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，避免了盲目检查带来的高检查成本，降低了受检者的负担；且由于本申请充分挖掘了受检者的常规体检信息，并利用特征融合思想将挖掘到的特征信息进行了充分的融合与利用，能够极大提高筛查结果的可信度；进一步地，预先通过分类模型对冠心病进行辅助筛查，还能够减少医生的负担，节约医院的医疗资源。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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是本申请分类模型的训练方法一实施方式的流程示意图；
图2是图1中对心脏彩超影像进行筛选处理一具体实施方式的流程示意图；
图3是本申请有效影像数据的示意图；
图4是本申请分类模型的训练方法另一实施方式的流程示意图；
图5是本申请分类模型一实施方式的结构示意图；
图6是图4中对分类模型进行训练一具体实施方式的流程示意图；
图7是本申请分类模型的训练方法又一实施方式的流程示意图；
图8是图7中对预设深度学习模型进行训练一具体实施方式的流程示意图；
图9是本申请基于分类模型的冠心病辅助筛查方法一实施方式的流程示意图；
图10是本申请分类模型的训练装置一实施方式的结构示意图；
图11是本申请基于分类模型的冠心病辅助筛查装置一实施方式的结构示意图；
图12是本申请基于分类模型的冠心病辅助筛查系统一实施方式的结构示意图；
图13是本发明计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，均属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，本文中使用的术语“包括”、“包含”或者其他任何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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有的对冠心病进行筛查的方法，例如，利用常规临床数据进行冠心病患病风险预测，即根据受检者的电子病历记录当中所记录的诸多与冠心病患病状况相关的风险因素(如高血压，年龄，糖尿病等)的情况，来预测其未来患有冠心病的风险，比较成熟且被广泛使用的方法包括了美国心脏协会/美国心脏病学会(ACC/AHA)的推荐方法、QRISK2法以及弗拉明翰(Framingham)模型。其中，弗拉明翰模型利用受检者的体检数据、血压、胆固醇水平、血糖、吸烟状况以及用药状况等多种方面的影响因素，建立了一个回归模型来评估受检者的患病风险。然而，即便是经典的弗拉明翰模型，也会出现假阳性或者漏诊等问题，预测的准确率受限。
或者，利用CT技术进行临床诊断，即利用CT技术对心血管进行成像，通过对相关部位在CT影像上所反映出的辐射剂量进行测定，从而监测到心血管的相关状况，然而，CT检测过程繁琐且费用昂贵，会增加患者的负担，无法被大规模的应用在冠心病的早期筛查当中。
又或者，利用冠状动脉造影技术进行诊断，通过使用血管造影机，将特制定型的心导管经皮穿刺入下肢股动脉，沿降主动脉逆行至升主动脉根部，然后探寻左或右冠状动脉口插入，注入造影剂，使冠状动脉显影，将冠状动脉血管腔显示出来，从而了解血管是否有狭窄病灶存在，然而，冠状动脉造影技术往往会对人体造成一定的身体负担，也无法被大规模地应用在冠心病的早期筛查当中。
且现有的自动化检测手段只能作为疾病诊断过程中的一个参考因素，并不能直接地给出对冠心病的诊断结果，目前为止，所有的对心血管疾病的最终诊断都需要临床医生来判断，而临床医生判断的准确性很大程度上受到了这些检查结果的影响，而不够精确的检查结果会极大的增加医生的负担，可能导致医生做出错误的判断，从而导致真正的患者无法得到及时的治疗。
基于上述情况，本申请提供一种分类模型的训练方法及装置、冠心病辅助筛查方法及装置，通过将超声心动图数据和电子病历记录结合，以基于输入的数据量化评估受检者患病的风险。
本申请所提供的分类模型的训练方法，包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
本申请所提供的基于分类模型的冠心病辅助筛查方法，包括：获取上述训练好的分类模型；接收受检者的超声心动图数据与电子病历数据；对受检者的超声心动图数据与电子病历数据进行预处理，获取到相关联的有效影像数据与结构化特征数据；将相关联的有效影像数据与结构化特征数据输入到分类模型中，通过分类模型对受检者的有效影像数据与结构化特征数据进行预测；输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
本申请通过将超声心动图数据和电子病历记录结合，对分类模型进行训练，以基于输入的数据量化评估受检者患病的风险，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，避免了盲目检查带来的高检查成本，降低了受检者的负担；且由于本申请充分挖掘了受检者的常规体检信息，并利用特征融合思想将挖掘到的特征信息进行了充分的融合与利用，能够极大提高筛查结果的可信度；进一步地，预先通过分类模型对冠心病进行辅助筛查，还能够减少医生的负担，节约医院的医疗资源。
下面结合附图和实施方式对本申请进行详细说明。
请参阅图1，图1是本申请分类模型的训练方法一实施方式的流程示意图。如图1所示，在本实施方式中，该训练方法包括：
S11：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集。
本实施方式中，相关联的有效影像数据与结构化特征数据为从同一受检者处获取的有效影像数据与结构化特征数据。
超声心动图数据共包括两部分信息：心脏彩超影像和与该心脏彩超影像对应的受检者的个人标识(pid)、出生日期、性别、影像编号、影像检查日期以及影像文件名等非直接影像数据。
本实施方式中，对超声心动图数据进行预处理包括对心脏彩超影像进行筛选处理，以及对非直接影像数据进行结构化存储。
具体地，请参阅图2，图2是图1中对心脏彩超影像进行筛选处理一具体实施方式的流程示意图。如图2所示，对心脏彩超影像进行筛选处理，包括如下步骤：
S1101：设置多种标签对超声心动图数据中的心脏彩超影像进行标记。
本实施方式中，多种标签分为有效影像数据标签与无效影像数据标签。
本实施方式中，有效影像数据包括心脏剖面结构图、心脏剖面结构图对应的腔内测量图、心脏彩色多普勒超声图以及心脏彩色多普勒超声图对应的频谱图，本实施方式使用四种有效影像数据标签分别为以上四类超声心动图图像进行标记。
具体地，请参阅图3，图3是本申请有效影像数据的示意图。如图3所示，左上为心脏剖面结构图，右上为该心脏剖面结构图对应的腔内测量图；左下为心脏彩色多普勒超声图，右下为该心脏彩色多普勒超声图对应的频谱图。
本实施方式中，使用无效影像数据标签为除以上四类图像的其他心脏彩超影像进行标记。
S1102：当每种标签下的影像数达到一定数量时，利用已标记的超声心动图数据训练预设图像分类网络。
本实施方式中，通过人工对超声心动图数据中的心脏彩超影像进行标记，当有效影像数据标签下的四类图像的影像数均达到一定数量时，利用已标记的超声心动图数据训练一个图像分类网络，对图像分类网络进行训练。
本实施方式中，当有效影像数据标签下的四类图像的影像数均达到500张时，利用已标记的超声心动图数据训练图像分类网络。
在其他实施方式中，一定数量可以为800、1000或更高的数量，本申请对此不作限定。
S1103：将数据库中的全部超声心动图数据输入训练好的图像分类网络，以剔除无效影像数据。
本实施方式中，通过将数据库中的全部超声心动图数据输入该图像分类网络以剔除无效影像数据，从而保留有效影像数据。
本实施方式中，对超声心动图数据中的非直接影像数据进行结构化存储的步骤包括：以受检者的个人标识(pid)为单位进行分组，以2019年1月1日为基准日期，计算其中记录的出生日期与接受影像检查的日期与基准日期的时间差，分别将其记录为年龄特征与距最近一次检查时长特征，然后以结构化的方式存储这些非直接影像数据。
电子病历数据共包括如下内容：受检者个人标识(pid)、高血压(0或1)、糖尿病(0或1)、高血脂(0或1)、高尿酸血症(0或1)、心律失常(0或1)、房颤(0或1)、早搏(0或1)、胸闷或胸痛(0或1)、头痛或头晕(0或1)、以及是否患有冠心病的标签。
其中，电子病历信息当中的受检者个人标识(pid)与超声心动图数据当中的受检者个人标识(pid)可进行关联操作，其余的特征信息均为与心血管疾病患病具有较强相关性的症状特征，并以0表示没有此特征，1表示具有此特征。
其中，电子病历数据以结构化数据的形式进行存储。
进一步地，将电子病历数据与超声心动图数据以受检者个人标识(pid)为基准进行关联，将超声心动图数据中以结构化存储的非直接影像数据与电子病历数据合并，以组成完整的结构化特征数据。
其中，结构化特征数据具体包括：受检者个人标识(pid)、年龄特征、性别、距最近一次检查时长特征、高血压(0或1)、糖尿病(0或1)、高血脂(0或1)、高尿酸血症(0或1)、心律失常(0或1)、房颤(0或1)、早搏(0或1)、胸闷或胸痛(0或1)、头痛或头晕(0或1)、以及是否患有冠心病的标签。
本实施方式中，对预处理获得的相关联的有效影像数据与结构化特征数据进行采样，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集。
本实施方式中，以受检者个人标识(pid)为基准，使用“欠采样”方式对预处理获得的相关联的有效影像数据与结构化特征数据进行采样，使形成的数据集中患病与未患病的受检者的比例约为1:1。
其中，“欠采样”方式指的是去除原始数据中一部分占比较多的实例(未患病的受检者)，从而使正反两类数据的占比接近，此处的正反指的是受检者是否患有冠心病，且正为患有冠心病，反为未患冠心病。
本实施方式中，设定数量可以为1000、1500或更多的数量，本申请对此不作限定。
S12：通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
进一步请参阅图4，图4是本申请分类模型的训练方法另一实施方式的流程示意图。如图4所示，在本实施方式中，该训练方法包括：
S21：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集。
本实施方式中，数据集中以pid为标识，每个pid对应的可用于模型输入的数据均包括有效影像数据与结构化特征数据，其中，有效影像数据包括4张不同视图的超声心动图数据。
S22：将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征。
本实施方式中，数据集中每一条输入到模型当中的数据，其超声心动图部分数据均包含了4张不同视图的超声心动图视图，对于其中的每一张视图都进行特征提取，将得到分别与4个视图相对应的4条超声心动图特征。
本实施方式中，第一数量为4条。
本实施方式中，为提高数据的稳定性，数据集中的每个pid均包括4条数据，4条数据中的结构化特征数据完全相同，包括的有效影像数据的种类也相同，但4条数据中同一类型的每张图略有差别。
在其他实施方式中，为提高数据的稳定性，数据集中的每个pid可包括6条、8条或更多条数据，本申请对此不作限定。
S23：将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征。
本实施方式中，将4条超声心动图特征分别与相关联的结构化特征数据进行融合，得到4条同时包含超声心动图特征以及结构化特征的组合特征。
S24：通过组合特征进行分类预测，得到预测结果。
本实施方式中，对组合特征进行训练，得到受检者患有心血管疾病的概率值。
其中，该概率值用于评估受检者患有冠心病的风险。
具体地，该概率值为从0到1的值，当概率值大于0.5时，患病风险较高。
S25：基于预测结果对预设深度学习模型的模型参数进行调整，以构建分类模型。
为了清楚说明上述对分类模型的结构以及训练方式，如图5所示，图5是本申请分类模型一实施方式的结构示意图。
本实施方式中，分类模型50本身是在预设深度学习模型的基础上进行训练而得到的，具体地，预设深度学习模型依次包括特征提取层、特征融合层、分类器层以及输出层，故分类模型50依次包括特征提取层51、特征融合层52、分类器层53以及输出层54。
其中，特征提取层51用于对数据集中的有效影像数据与结构化特征数据进行提取处理，特征融合层52用于对超声心动图特征与相关联的结构化特征数据进行融合处理以形成组合特征，分类器层53用于对组合特征进行分类预测，输出层54用于对分类预测的结果进行输出。
其中，特征提取层51还包括超声心动图特征提取层511与结构化特征提取层512，超声心动图特征提取层511用于提取有效影像数据中的超声心动图特征，结构化特征提取层512用于提取结构化特征。
其中，超声心动图特征提取层511还包括视图1特征提取层、视图2特征提取层、视图3特征提取层以及视图4特征提取层。
本实施方式中，视图1特征提取层用于提取心脏剖面结构图的视图特征，视图2特征提取层用于提取心脏剖面结构图对应的腔内测量图的视图特征，视图3特征提取层用于提取心脏彩色多普勒超声图的视图特征，视图4特征提取层用于提取心脏彩色多普勒超声图对应的频谱图的视图特征。
为了清楚说明上述对分类模型的训练方式，如图6所示，图6是图4中对分类模型进行训练一具体实施方式的流程示意图，包括如下步骤：
S31：将数据集中的有效影像数据与结构化特征数据输入到特征提取层进行提取处理，得到第一数量的超声心动图特征与相关联的结构化特征。
具体地，先将用于训练分类模型50的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取处理，得到第一数量的超声心动图特征与相关联的结构化特征。
通过特征提取层51对数据集中的有效影像数据与结构化特征数据进行提取处理，其中，通过超声心动图特征提取层511对有效影像数据进行提取处理，通过结构化特征提取层512提取结构化特征数据中的结构化特征。
进一步地，通过视图1特征提取层提取心脏剖面结构图的视图特征，通过视图2特征提取层提取心脏剖面结构图对应的腔内测量图的视图特征，通过视图3特征提取层提取心脏彩色多普勒超声图的视图特征，通过视图4特征提取层提取心脏彩色多普勒超声图对应的频谱图的视图特征。
S32：将第一数量的超声心动图特征与数据集中相关联的结构化特征输入到特征融合层进行处理，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征。
具体地，将心脏剖面结构图的视图特征、心脏剖面结构图对应的腔内测量图的视图特征、心脏彩色多普勒超声图的视图特征、心脏彩色多普勒超声图对应的频谱图的视图特征与相关联的结构化特征输入到特征融合层52，通过特征融合层52将4种超声心动图特征与结构化特征以拼接的方式进行融合，得到4条同时包含超声心动图特征与结构化特征的组合特征。
具体地，4条组合特征分别为包含心脏剖面结构图的视图特征与结构化特征的组合特征1、包含心脏剖面结构图对应的腔内测量图的视图特征与结构化特征的组合特征2、包含心脏彩色多普勒超声图的视图特征与结构化特征的组合特征3、包含心脏彩色多普勒超声图对应的频谱图的视图特征与结构化特征的组合特征4。
S33：将组合特征输入到分类器层进行预测，并通过输出层输出预测结果。
具体地，将4条组合特征输入到分类器层53进行预测，并通过输出层54输出预测结果。
请参阅图7，图7是本申请分类模型的训练方法又一实施方式的流程示意图。如图7所示，在本实施方式中，该训练方法包括：
S41：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集。
本实施方式中，设定数量可以为1000、1500或更多的数量，本申请对此不作限定。
S42：将数据集中的设定数量的相关联的有效影像数据与结构化特征数据按设定比例划分为训练集、验证集以及测试集。
本实施方式中，训练集用于对预设深度学习模型进行训练，验证集用于对模型进行评估与调整，测试集用于对模型进行最终的评价。
本实施方式中，将数据集中的设定数量的相关联的有效影像数据与结构化特征数据按4:1:1的比例划分为训练集、验证集以及测试集。
在其他实施方式中，设定比例还可以为4:2:1或其他比例，本申请对此不作限定。
S43：通过训练集、验证集以及测试集对预设深度学习模型进行训练，以构建分类模型。
本实施方式中，为了防止过拟合而提高模型的泛化性能，预设深度学习模型采用基于深度卷积神经网络模型进行修改的特征提取器进行特征提取，相较于原始的深度卷积神经网络模型，经过修改的特征提取器对原模型进行了适当的精简。
具体地，过拟合会导致训练集的准确性很高，但是会导致验证集与测试集的准确性下降，为了保证测试的一致性需要防止模型过拟合。
本实施方式中，采用基于InceptionV3模型进行修改得到的特征提取器进行特征提取。
在其他实施方式中，还可以采用基于Inception V2模型或Inception V4模型进行修改得到的特征提取器进行特征提取，本申请对此不作限定。
具体地，请参阅图8，图8是图7中对预设深度学习模型进行训练一具体实施方式的流程示意图。如图8所示，该训练方法包括如下步骤：
S4301：将训练集中的训练数据输入到预设深度学习模型中进行训练，得到第一模型。
本实施方式中，在利用训练集对预设深度学习模型进行训练后得到第一模型，再利用验证集对得到的第一模型进行评估与调整。
S4302：将验证集中的验证数据输入到第一模型中进行预测，并基于预测结果对第一模型的参数进行调整，得到调整后的第一模型。
本实施方式中，采用ROC曲线下与坐标轴围成的面积(Area Under Curve，AUC)为指标，对第一模型的参数进行调整。
具体地，AUC的取值范围在0.5和1之间，AUC越接近1.0，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。
本实施方式中，将验证集中的验证数据输入到第一模型中进行预测，在经过数十轮预测，且最近十轮内没有出现AUC的极大值时，训练过程结束，根据极大值的结果对第一模型的参数进行调整。
本实施方式中，设定当AUC的极大值大于0.82时，训练过程结束；当AUC的极大值小于0.82时，对第一模型的参数进行调整并基于调整后的第一模型继续进行训练，直至AUC的极大值大于0.82，则训练过程结束，得到调整后的第一模型。
S4303：将测试集中的测试数据输入到调整后的第一模型中进行预测，并基于预测结果对调整后的第一模型的打分结果进行评价，以构建分类模型。
本实施方式中，采用AUC为指标，对调整后的第一模型的打分结果进行评价，当AUC大于0.82时，使用调整后的第一模型构建分类模型。
经过训练的分类模型，在接收到符合格式的输入之后，将会依据训练好的结果，给出相应输入的患病概率，作为患病风险评估的依据。
具体地，该概率值为从0到1的值，当概率值大于0.5时，患病风险较高。
在实际应用中，本申请的发明人发现，本申请构建的分类模型可以达到如下效果：针对大数量的样本进行分类预测，AUC可达到0.8374，且预测结果的正确率(Accuracy，ACC)可达到0.7642，召回率(recall)可达到0.7911。
其中，正确率是针对测试整体的，既包括患病的，也包括未患病的，对患病或未患病样本都判断正确的数据属于正确率，例如，测试人数100人，患病人数30人，未患病人数70人，分类模型检测出实际未患病人数为53，患病人数23，则正确率为0.76；而召回率是仅针对患病样本的验证，例如，实际患病100人，通过分类模型检测出79人，则召回率为0.79。
区别于现有技术，本实施方式将超声心动图数据与电子病历数据进行结合，利用深度学习技术训练了分类模型，由于充分挖掘了受检者的常规体检信息，并利用特征融合思想将挖掘到的特征信息进行了充分的融合与利用，能够极大提高分类模型的预测可信度，从而能够应用于对冠心病的辅助筛查中。
对应地，本申请提供一种基于分类模型的冠心病辅助筛查方法。
请参阅图9，图9是本申请基于分类模型的冠心病辅助筛查方法一实施方式的流程示意图。如图9所示，在本实施方式中，该筛查方法包括：
S51：获取上述训练好的分类模型。
S52：接收受检者的超声心动图数据与电子病历数据。
本实施方式中，受检者的超声心动图数据共包括两部分信息：心脏彩超影像和与该心脏彩超影像对应的受检者的个人标识(pid)、出生日期、性别、影像编号、影像检查日期以及影像文件名等非直接影像数据。
本实施方式中，电子病历数据共包括如下内容：受检者个人标识(pid)、高血压(0或1)、糖尿病(0或1)、高血脂(0或1)、高尿酸血症(0或1)、心律失常(0或1)、房颤(0或1)、早搏(0或1)、胸闷或胸痛(0或1)、头痛或头晕(0或1)。
本实施方式中，受检者的超声心动图数据与电子病历数据均可由常规体检方式获取。
S53：对受检者的超声心动图数据与电子病历数据进行预处理，获取到相关联的有效影像数据与结构化特征数据。
本实施方式中，获取四种有效影像数据与完整的结构化特征数据。
S54：将相关联的有效影像数据与结构化特征数据输入到分类模型中，通过分类模型对受检者的有效影像数据与结构化特征数据进行预测。
本实施方式中，经过训练的分类模型接收到相关联的有效影像数据与结构化特征数据后，依据训练好的结果，对相关联的4条有效影像数据与结构化特征数据进行特征提取及融合，获得4条同时包含超声心动图特征以及结构化特征的组合特征，并基于4条组合特征对受检者患有心血管疾病的概率值进行预测。
S55：输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
本实施方式中，输出受检者患有心血管疾病的概率值，该概率值用于评估受检者患有冠心病的风险。
具体地，该概率值为从0到1的值，当概率值大于0.5时，患病风险较高。
当概率值大于0.5时，表明受检者的患病风险较高，需要尽快进行如CT检查或冠状造影术检查等较为复杂的检查，以确定是否确诊；当该概率值小于0.5时，表明受检者的患病风险较低，受检者可根据身体状况及经济状况，决定是否接收进一步检查。
在实际应用中，由于超声检查以及电子病例记录特征一般都包含在常规体检的范畴内，故所需要的受检者相关数据与特征的获取均较为方便，且由于本申请可以根据获取到的数据与特征实时地给与受检者反馈，减少了受检者的等待时间，从而间接的降低了真正患病的受检者在等待期间的风险。
医生也可根据分类模型输出的概率值，规劝患病风险较高的受检者尽快接收下一步检查，以减少真正患病的受检者在等待期间的风险；或告知患病风险较低的受检者暂时不用做下一步检查，从而降低患者的负担，节约医院的资源。
由于本申请能够尽早地筛选出患病风险较高的患者，因而可仅对一部分患病风险较高的患者进行复杂的检查，使医院的资源配置更加合理。本申请通过降低专业医生的工作负担，能够使诊断过程更高效，检查结果更准确，从而让真正的患者得到及时的治疗。
进一步地，本申请所提供的分类模型并不局限于进行心血管疾病的患病风险的评估，对于其他类似的疾病，只要能够以较低的代价获得关注点不同的多角度的医学影像，并且受检者拥有与相关疾病有关联的电子病历记录，都可利用本申请所提供的分类模型分别提取不同视图的医学影像的特征以及电子病历记录的结构化特征，然后对多种特征进行融合并预测出患病风险，从而达到对相关疾病进行筛查的目的。
区别于现有技术，本实施方式通过将心脏超声心动图和电子病历记录结合，对分类模型进行训练，以基于输入的数据量化评估受检者患病的风险，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，避免了盲目检查带来的高检查成本，降低了受检者的负担；且由于本实施方式充分挖掘了受检者的常规体检信息，并利用特征融合思想将挖掘到的特征信息进行了充分的融合与利用，能够极大提高筛查结果的可信度；进一步地，预先通过分类模型对冠心病进行辅助筛查，还能够减少医生的负担，节约医院的医疗资源。
对应地，本申请提供一种分类模型的训练装置。
具体地，请参阅图10，图10是本申请分类模型的训练装置一实施方式的结构示意图。如图10所示，该训练装置60包括预处理模块61以及分类模型构建模块62。
本实施方式中，预处理模块61用于对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集。
其中，设定数量可以为1000、1500或更多的数量，本申请对此不作限定。
本实施方式中，分类模型构建模块62用于通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
具体地，分类模型构建模块62用于对相关联的有效影像数据与结构化特征数据进行提取，得到第一数量的超声心动图特征与相关联的结构化特征。
其中，数据集中每一条输入到模型当中的数据，其超声心动图部分数据均包含了4张不同视图的超声心动图视图，分类模型构建模块62对于其中的每一张视图都进行特征提取，共得到分别与4个视图相对应的4条超声心动图特征。
进一步地，分类模型构建模块62将4条超声心动图特征与相关联的结构化特征进行融合，得到4条同时包含超声心动图特征以及结构化特征的组合特征。
分类模型构建模块62还用于对组合特征进行分类预测，得到预测结果，并基于预测结果对预设深度学习模型的模型参数进行调整，以构建分类模型。
对应地，本申请提供一种基于分类模型的冠心病辅助筛查装置。
具体地，请参阅图11，图11是本申请基于分类模型的冠心病辅助筛查装置一实施方式的结构示意图。如图11所示，该筛查装置70包括上述的训练好的分类模型，还包括接收模块71、预处理模块72、分类模块73以及输出模块74。
本实施方式中，接收模块71用于接收受检者的超声心动图数据与电子病历数据。
其中，受检者的超声心动图数据与电子病历数据均可由常规体检方式获取。
预处理模块72用于对受检者的超声心动图数据与电子病历数据进行预处理，获取到受检者的有效影像数据与结构化特征数据。
具体地，预处理模块72通过对受检者的超声心动图数据与电子病历数据进行预处理，获取4条有效影像数据与完整的结构化特征数据。
分类模块73用于对受检者的有效影像数据与结构化特征数据进行预测。
本实施方式中，将4条有效影像数据与完整的结构化特征数据输入到分类模块73中后，分类模块73依据训练好的结果，对相关联的4条有效影像数据与结构化特征数据进行特征提取及融合，获得4条同时包含超声心动图特征以及结构化特征的组合特征，并基于4条组合特征对受检者患有心血管疾病的概率值进行预测。
输出模块74用于输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
本实施方式中，输出模块74接收分类模块73的预测结果，并输出受检者患有心血管疾病的概率值，该概率值用于评估受检者患有冠心病的风险。
具体地，该概率值为从0到1的值，当概率值大于0.5时，患病风险较高。
当概率值大于0.5时，表明受检者的患病风险较高，需要尽快进行如CT检查或冠状造影术检查等较为复杂的检查，以确定是否确诊；当该概率值小于0.5时，表明受检者的患病风险较低，受检者可根据身体状况及经济状况，决定是否接收进一步检查。
区别于现有技术，本实施方式通过预处理模块对心脏超声心动图和电子病历记录进行预处理，继而通过分类模块对受检者的有效影像数据与结构化特征数据进行预测，再利用输出模块输出预测结果，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，避免了盲目检查带来的高检查成本，降低了受检者的负担；且由于预处理模块充分挖掘了受检者的常规体检信息，并利用特征融合思想通过分类模块将挖掘到的特征信息进行了充分的融合与利用，极大提高了筛查结果的可信度；进一步地，预先通过分类模型对冠心病进行辅助筛查，还能够减少医生的负担，节约医院的医疗资源。
对应地，本申请提供一种基于分类模型的冠心病辅助筛查系统。
具体地，请参阅图12，图12是本申请基于分类模型的冠心病辅助筛查系统一实施方式的结构示意图。如图12所示，该辅助筛查系统80包括相互耦接的处理器81和存储器82。
本实施方式中，存储器82用于存储程序数据，程序数据被执行时可实现如上述任一项所述的分类模型的训练方法中的步骤中的步骤或上述的基于分类模型的冠心病辅助筛查方法中的步骤；处理器81用于执行存储器82存储的程序指令以实现上述任一方法实施例中的步骤或者上述任一方法实施例中分类模型的训练装置或基于分类模型的冠心病辅助筛查装置对应执行的步骤。该辅助筛查系统80除包括上述处理器81和存储器82之外，还可根据需求包括触摸屏、通信电路等，在此不做限定。
具体而言，处理器81用于控制其自身以及存储器82以实现上述任一轨迹获取方法实施例中的步骤。处理器81还可以称为CPU(Central Processing Unit，中央处理单元)。处理器81可能是一种集成电路芯片，具有信号的处理能力。处理器81还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated 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。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。另外，处理器81可以由多个集成电路芯片共同实现。
对应地，本申请提供一种计算机可读存储介质。
请参阅图13，图13是本发明计算机可读存储介质一实施方式的结构示意图。
计算机可读存储介质90包括计算机可读存储介质90上存储的计算机程序901，计算机程序901被上述处理器执行时实现上述任一方法实施例中的步骤或者上述方法实施例中分类模型的训练装置或基于分类模型的冠心病辅助筛查装置对应执行的步骤。
具体地，集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质90中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质90中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质90包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (12)

1.一种分类模型的训练方法，其特征在于，包括：
对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；
通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型。
2.根据权利要求1所述的分类模型的训练方法，其特征在于，所述通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型的步骤具体包括：
将所述数据集中的所述有效影像数据与所述结构化特征数据输入到所述预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征；
将所述第一数量的超声心动图特征与所述数据集中相关联的所述结构化特征进行融合，得到第一数量的同时包含所述超声心动图特征以及所述结构化特征的组合特征；
通过所述组合特征进行分类预测，得到预测结果；
基于所述预测结果对所述预设深度学习模型的模型参数进行调整，以构建所述分类模型。
3.根据权利要求2所述的分类模型的训练方法，其特征在于，
所述预设深度学习模型依次包括特征提取层、特征融合层、分类器层以及输出层；
所述将所述数据集中的所述有效影像数据与所述结构化特征数据输入到所述预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征的步骤包括：
将所述数据集中的所述有效影像数据与所述结构化特征数据输入到所述特征提取层进行提取处理，得到所述第一数量的超声心动图特征与相关联的结构化特征；
所述将所述第一数量的超声心动图特征与所述数据集中相关联的所述结构化特征进行融合，得到第一数量的同时包含所述超声心动图特征以及所述结构化特征的组合特征的步骤具体包括：
将所述第一数量的超声心动图特征与所述数据集中相关联的所述结构化特征输入到所述特征融合层进行处理，得到所述第一数量的同时包含超声心动图特征以及所述结构化特征的组合特征；
所述通过所述组合特征进行分类预测，得到预测结果的步骤具体包括：
将所述组合特征输入到所述分类器层进行预测，并通过所述输出层输出所述预测结果。
4.根据权利要求1所述的分类模型的训练方法，其特征在于，所述通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型的步骤还包括：
将所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据按设定比例划分为训练集、验证集以及测试集；
通过所述训练集、所述验证集以及所述测试集对所述预设深度学习模型进行训练，以构建所述分类模型。
5.根据权利要求4所述的分类模型的训练方法，其特征在于，
所述通过所述训练集、所述验证集以及所述测试集对所述预设深度学习模型进行训练，以构建所述分类模型的步骤具体包括：
将所述训练集中的训练数据输入到所述预设深度学习模型中进行训练，得到第一模型；
将所述验证集中的验证数据输入到所述第一模型中进行预测，并基于预测结果对所述第一模型的参数进行调整，得到调整后的第一模型；
将所述测试集中的测试数据输入到所述调整后的第一模型中进行预测，并基于预测结果对所述调整后的第一模型的打分结果进行评价，以构建所述分类模型。
6.根据权利要求1所述的分类模型的训练方法，其特征在于，所述相关联的有效影像数据与结构化特征数据为从同一受检者处获取的有效影像数据与结构化特征数据。
7.根据权利要求6所述的分类模型的训练方法，其特征在于，所述有效影像数据包括心脏剖面结构图、心脏剖面结构图对应的腔内测量图、心脏彩色多普勒超声图以及心脏彩色多普勒超声图对应的频谱图。
8.一种基于分类模型的冠心病辅助筛查方法，其特征在于，包括：
获取如权利要求1～7中任一项所述的训练好的分类模型；
接收受检者的超声心动图数据与电子病历数据；
对所述受检者的超声心动图数据与电子病历数据进行预处理，获取到相关联的有效影像数据与结构化特征数据；
将所述相关联的有效影像数据与结构化特征数据输入到所述分类模型中，通过所述分类模型对所述受检者的有效影像数据与结构化特征数据进行预测；
输出预测结果，以使所述受检者根据所述预测结果决定是否接收进一步检查。
9.一种分类模型的训练装置，其特征在于，包括：
预处理模块，用于对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；
分类模型构建模块，用于通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型。
10.一种基于分类模型的冠心病辅助筛查装置，其特征在于，所述筛查装置包括如权利要求1～7中任一项所述的训练好的分类模型，包括接收模块、预处理模块、分类模块以及输出模块，
所述接收模块用于接收受检者的超声心动图数据与电子病历数据；
所述预处理模块用于对所述受检者的超声心动图数据与电子病历数据进行预处理，获取到受检者的有效影像数据与结构化特征数据；
所述分类模块用于对所述受检者的有效影像数据与结构化特征数据进行预测；
所述输出模块用于输出预测结果，以使所述受检者根据所述预测结果决定是否接收进一步检查。
11.一种基于分类模型的冠心病辅助筛查系统，其特征在于，所述系统包括：
存储器，用于存储程序数据，所述存储程序数据被执行时实现如权利要求1～7任一项所述的分类模型的训练方法中的步骤或权利要求8所述的基于分类模型的冠心病辅助筛查方法中的步骤；
处理器，用于执行所述存储器存储的程序指令以实现如权利要求1～7任一项所述的分类模型的训练方法中的步骤或权利要求8所述的基于分类模型的冠心病辅助筛查方法中的步骤。
12.一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有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～7任一项所述的分类模型的训练方法中的步骤或权利要求8所述的基于分类模型的冠心病辅助筛查方法中的步骤。
CN202011446282.XA 2020-12-08 2020-12-08 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 Pending CN112562860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011446282.XA CN112562860A (zh) 2020-12-08 2020-12-08 分类模型的训练方法及装置、冠心病辅助筛查方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011446282.XA CN112562860A (zh) 2020-12-08 2020-12-08 分类模型的训练方法及装置、冠心病辅助筛查方法及装置

Publications (1)

Publication Number Publication Date
CN112562860A true CN112562860A (zh) 2021-03-26

Family

ID=75061413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011446282.XA Pending CN112562860A (zh) 2020-12-08 2020-12-08 分类模型的训练方法及装置、冠心病辅助筛查方法及装置

Country Status (1)

Country Link
CN (1) CN112562860A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689927A (zh) * 2021-10-26 2021-11-23 湖北经济学院 一种基于深度学习模型的超声图像处理方法及装置
WO2022246707A1 (zh) * 2021-05-26 2022-12-01 京东方科技集团股份有限公司 疾病风险预测方法、装置、存储介质及电子设备
CN117315379A (zh) * 2023-11-29 2023-12-29 中电科大数据研究院有限公司 面向深度学习的医学影像分类模型公平性评估方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109300121A (zh) * 2018-09-13 2019-02-01 华南理工大学 一种心血管疾病诊断模型的构建方法、系统及该诊断模型
CN110808096A (zh) * 2019-10-30 2020-02-18 北京邮电大学 基于卷积神经网络的心脏病变自动检测系统
CN111260209A (zh) * 2020-01-14 2020-06-09 山东大学 电子病历与医学影像结合的心血管疾病风险预测评估系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109300121A (zh) * 2018-09-13 2019-02-01 华南理工大学 一种心血管疾病诊断模型的构建方法、系统及该诊断模型
CN110808096A (zh) * 2019-10-30 2020-02-18 北京邮电大学 基于卷积神经网络的心脏病变自动检测系统
CN111260209A (zh) * 2020-01-14 2020-06-09 山东大学 电子病历与医学影像结合的心血管疾病风险预测评估系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022246707A1 (zh) * 2021-05-26 2022-12-01 京东方科技集团股份有限公司 疾病风险预测方法、装置、存储介质及电子设备
CN113689927A (zh) * 2021-10-26 2021-11-23 湖北经济学院 一种基于深度学习模型的超声图像处理方法及装置
CN113689927B (zh) * 2021-10-26 2022-01-18 湖北经济学院 一种基于深度学习模型的超声图像处理方法及装置
CN117315379A (zh) * 2023-11-29 2023-12-29 中电科大数据研究院有限公司 面向深度学习的医学影像分类模型公平性评估方法及装置
CN117315379B (zh) * 2023-11-29 2024-03-12 中电科大数据研究院有限公司 面向深度学习的医学影像分类模型公平性评估方法及装置

Similar Documents

Publication Publication Date Title
CN111260209B (zh) 电子病历与医学影像结合的心血管疾病风险预测评估系统
US10706545B2 (en) Systems and methods for analysis of anatomical images
CN111310851B (zh) 一种人工智能超声辅助系统及其应用
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
US7653227B2 (en) Hierarchical modeling in medical abnormality detection
CN113557576A (zh) 在表征生理系统时配置和使用神经网络的方法和系统
EP3567525A1 (en) Systems and methods for analysis of anatomical images each captured at a unique orientation
CN112562860A (zh) 分类模型的训练方法及装置、冠心病辅助筛查方法及装置
US11031121B2 (en) System and method for indicating the quality of information to support decision making
JP2007524461A (ja) 乳房撮像の自動診断及び決定支援システム及び方法
EP3654343A1 (en) Application of deep learning for medical imaging evaluation
US20210166812A1 (en) Apparatus and methods for the management of patients in a medical setting
JP2007018460A (ja) 診療支援システム
US20230248998A1 (en) System and method for predicting diseases in its early phase using artificial intelligence
KR20210080328A (ko) 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법
US20090136111A1 (en) System and method of diagnosing a medical condition
CN113706559A (zh) 基于医学图像的血管分段提取方法和装置
Luo et al. Computational methods to automate the initial interpretation of lower extremity arterial Doppler and duplex carotid ultrasound studies
Sharma et al. Heart disease prediction using convolutional neural network
KR20210053545A (ko) 질환 예측을 위한 사용자 인터페이스 제공 방법 및 이를 이용한 질환 예측을 위한 사용자 인터페이스 제공용 장치
Nancy et al. A review on unstructured data in medical data
JP4651271B2 (ja) コンピュータ援用患者診断決定支援システム
US20230143229A1 (en) Method for diagnostic ultrasound of carotid artery
US20200342964A1 (en) Medical information processing apparatus, ordering system and method
JP7097350B2 (ja) 医用画像評価のためのディープラーニングの応用

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