CN113380413A - 一种构建无效再通fr预测模型的方法和装置 - Google Patents

一种构建无效再通fr预测模型的方法和装置 Download PDF

Info

Publication number
CN113380413A
CN113380413A CN202110706528.0A CN202110706528A CN113380413A CN 113380413 A CN113380413 A CN 113380413A CN 202110706528 A CN202110706528 A CN 202110706528A CN 113380413 A CN113380413 A CN 113380413A
Authority
CN
China
Prior art keywords
image
clinical
clinical information
fusion
model
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
CN202110706528.0A
Other languages
English (en)
Inventor
刘丽萍
聂曦明
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.)
Beijing Tiantan Hospital
Original Assignee
Beijing Tiantan 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 Beijing Tiantan Hospital filed Critical Beijing Tiantan Hospital
Priority to CN202110706528.0A priority Critical patent/CN113380413A/zh
Publication of CN113380413A publication Critical patent/CN113380413A/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种构建无效再通FR预测模型的方法和装置，该方法包括：获取训练样本集；基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者发生无效再通的概率。所述FR预测模型应用到医院中时，能够提前预测患者在术后是否会出现无效再通及指导早期预后判别，减少医护人员的工作压力。

Description

一种构建无效再通FR预测模型的方法和装置
技术领域
本申请涉及应用于FR模型构建技术领域，更具体地，涉及一种构建无效再通FR预测模型的方法和装置。
背景技术
近年来计算机技术进步，特别是人工智能的飞速发展令人瞠目，人工智能技术广泛应用于医学各个邻域。随着神经重症监护、神经病学及交叉学科技术的革新，在信息技术高速发展的背景下，利用人工智能技术进行神经重症监护数据分析，并进行疾病预后评估、重症监测、病情预测、治疗决策成为未来研究新靶点。人工智能技术联合多模式监测技术，可使医护人员能从繁杂的高重复性、低技术性工作中解脱，患者将能获得更好的监测效果，信号分析更准确。
目前血管内治疗已获得全球多项国际组织及国际指南的最高级治疗推荐。但并非使所有患者均能从中获益，约40％接受血管内治疗患者术后最终仍发展为不良预后。尽管良好再通，仍有很多患者在术后未出现临床改善，最终表现为不良预后。症状性脑出血、再闭塞、无效再通、脑疝等是发生的常见原因，无效再通是指患者接受血管再通治疗(包括静脉溶栓与血管内治疗)后90天发生的预后不良，甚至死亡。但具体发生机制仍不清楚。
基于线性的临床信息，同时整合多模影像信息有指导优化预测模型效力的可能,但相关数据的整合存在难度、现有技术方法难以实现有效分析。本申请试图建立面向多模态影像临床信息的基于人工智能技术的急性缺血性卒中血管内治疗无效再通预测模型研究，以优化血管内治疗适应症选择及指导早期预后判别。
如何实现相关数据的整合从而进行有效分析，继而构建无效再通FR预测模型来预测无效再通成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供一种构建无效再通FR预测模型的方法和装置以解决现有技术在FR构建模型中相关数据的整合存在难度，难以实现有效分析的技术问题，该方法包括：
获取训练样本集，其中，每个样本包括接受血管再通治疗的患者的临床数据集和影像数据、表征是否发生无效再通的标签；
基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；
基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；
基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者发生无效再通的概率；
其中，在模型训练过程中，对每个样本的临床信息特征和影像特征进行前端融合或后端融合，所述前端融合为临床信息特征和影像特征进行特征融合后送入到所述FR预测模型的分类器中；所述后端融合为分别将临床信息特征送入到所述FR预测模型的第一分类器中和将影像特征送入到所述FR预测模型的第二分类器中，对第一分类器的结果和第二分类器的结果进行结果融合。
可选的，所述临床数据集中包括多项临床指标的数据。
可选的，所述结果融合为基于集成学习的多模态结果融合，所述第一分类器包括多个弱分类器，所述第二分类器包括多个弱分类器；
可选的，所述基于集成学习的多模态结果融合为分别将临床信息特征送入到多个弱分类器中得到第一结果，将影像特征送入到多个弱分类器中得到第二结果，对第一结果和第二结果进行结果融合；
可选的，所述基于集成学习的多模态结果融合是将为基于集成学习的图像与文本的多模态结果融合，其中，所述图像为影像特征，所述文本为临床信息特征。
数据融合包括不同的融合方式，一种是在特征层面进行的融合，称为前端融合或特征融合；另外一种是在结果层面进行的融合，称为后端融合或结果融合。
进一步，多模态数据融合是对不同模态数据进行前端融合或后端融合。
多模态特征融合主要是通过多模态信息之间的互补性，删除模态数据之间的冗余性，将不同模态的数据特征映射到同一个特征空间之内。
后端融合即结果融合，对于多模态来说，每一个模态都有各自数据与标签，所以每一个模态都能产生一个分类结果，相比于多模态来说，单模态中所包含的信息相对较少，所以结果在一定程度上具有不可信的因素，所以在结果研究的层次上进行决策的融合。
可选的，弱分类器可以是Decision tree、Random forest、Discriminantanalysis、Neural network、logistic regress、SVM(Support vector machine)、CART中的一种或几种。
所述多个弱分类器可以为2、3、4、5、6、7、8、9、10个弱分类器。
可选的，集成学习中的弱分类器可以是LR和SVM分类器，使用多个弱模型构造一个强模型来提升模型的效果。集成学习的核心是将所有弱分类器结合起来，集合每一个弱分类器的优势解决问题。集成学习主要有两个方面的优势，首先是防止欠拟合，由于分类器采用的是弱分类器，集成学习将弱分类器的结果综合考虑，获得较好的结果，另外一个优点是防止过拟合，同样因为是弱分类器模型的结合，所以最终获得的模型表现较为中庸，防止总的模型朝着极端的方向前进。
一个分类器的分类准确率在60％-80％，即：比随机预测略好，但准确率却不太高，我们可以称之为“弱分类器”。
可选的，所述方法还包括：采用基于进化或群体智能的算法对集成学习的多模态结果融合中的参数进行调节；
可选的，采用GA、PSO、ABC、HS算法中的一种或几种对集成学习的多模态结果融合中的参数进行调节；
PSO算法(粒子群优化算法)通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
优选的，采用改进后的PSO算法对集成学习的多模态结果融合的参数进行调节，其中改进后的PSO在更新粒子速度时为历史粒子速度附加了惯性因子，所述惯性因子用于调节历史粒子速度对更新后的粒子速度的影响程度；
可选地，所述惯性因子是根据模型训练的迭代次数确定的。
所述改进后的PSO算法通过减少之前的速度的影响从而获得更好的跳出局部最优或者在局部最优中寻找更加精确的结果的能力。
优选的，所述方法还包括：
基于所述训练样本集中样本的临床数据集和标签进行模型训练，获得所述临床信息特征提取模型。
优选的，所述基于所述训练样本集中样本的临床数据集和标签进行模型训练，获得所述临床信息特征提取模型，包括：
基于所述训练样本集中样本的临床数据集和标签，分别对进行至少两个机器学习模型进行训练；
对训练完的所述至少两个机器学习模型输出的预测结果进行评估；
基于评估结果，从所述至少两个机器学习模型中选出所述临床信息特征提取模型。
优选的，所述获取训练样本集，包括：
获取接受血管再通治疗的患者的各项临床指标的数据；
基于随机森林算法确定各项临床指标的重要度；
按照各项临床指标的重要度从高到低的顺序，选取满足预设条件的候选临床指标；
将各患者的候选临床指标的数据添加到各患者的临床数据集中。
优选的，所述方法还包括：
基于所述训练样本集中样本的影像数据和标签，对深度卷积神经网络进行训练，其中，所述深度卷积神经网络包括特征提取层、全连接层和输出层，所述特征提取层包含卷积层和池化层；
将训练完的深度卷积神经网络中的特征提取层作为所述影像特征提取模型。
相应地，本发明还提出了一种构建无效再通FR预测模型的装置，包括：
获取模块，用于获取训练样本集，其中，每个样本包括接受血管再通治疗的患者的临床数据集和影像数据、表征是否发生无效再通的标签；
临床信息特征提取模块，用于基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；
影像特征提取模块，用于基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；
训练模块，用于基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者存在无效再通的概率，其中，在模型训练过程中，对每个样本的临床信息特征和影像特征进行前端融合或结果融合，所述前端融合为临床信息特征和影像特征进行特征融合后送入到分类器中；所述后端融合为分别将临床信息特征送入到第一分类器中和将影像特征送入到第二分类器中，对第一分类器的结果和第二分类器的结果进行结果融合。
本发明还公开了一种FR预测装置，包括：
数据获取模块，用于获取待检测患者的临床数据集和影像数据；
临床信息特征提取模块，用于基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
影像特征提取模块，用于基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
预测模块，用于将所述临床信息特征和影像特征输入上述构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
相应的本发明还提供一种电子设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时实现上述所述方法的步骤。
相应的本发明还提供一种电子设备，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下步骤：
获取待检测患者的临床数据集和影像数据；
基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
将所述临床信息特征和影像特征输入上述构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
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，所述计算机程序被处理器执行时实现上述任一实施方式中的构建无效再通FR预测模型的方法；或者所述计算机程序被处理器执行时实现上述电子设备中处理器执行的步骤。
与现有技术对比，本发明具备以下有益效果：
本发明公开了一种构建无效再通FR预测模型的方法和装置，该方法包括：获取训练样本集；基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；对每个样本的临床信息特征和影像特征进行融合，获得每个样本的融合特征；基于每个样本的融合特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者发生无效再通的概率，所述FR预测模型应用到医院中时，能够提前预测患者在术后是否会出现无效再通及指导早期预后判别，减少医护人员的工作压力。
此外，在融合时，针对前端融合和后端融合的缺点，本申请提出一种基于集成学习的图像与文本融合的方式，使用多个弱模型构造一个强模型来提升模型的效果，还通过使用改进后的PSO算法对参数进行了改进，通过对参数设定搜索空间，然后使用进化算法对参数进行优化，相较于手动设置参数有较好的提升。
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示出了本发明一个实施例中的构建无效再通FR预测模型的方法流程图。
图2示出了本发明一个实施例中的构建无效再通FR预测模型的装置结构框图。
图3示出了根据本发明一个实施例中的一种计算机设备的内部结构图。
图4示出了根据本发明一个实施例中的无效再通FR预测模型的流程图。
图5示出了根据本发明一个无效再通FR预测模型装置的结构框图。
图6是图像与文本特征融合流程图。
图7是图像与文本结果融合流程图。
图8是基于集成学习的融合分类方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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。
如背景技术所述，如何实现相关数据的整合从而进行有效分析，继而构建无效再通FR预测模型来预测无效再通成为本领域技术人员亟待解决的技术问题。
为解决上述问题，本申请实施例提出了一种构建无效再通FR预测模型的方法，通过机器学习模型和神经网络模型对相关数据的整合分析，使相关数据得到融合，用于预测血管无效再通，从而能够提前预测患者在术后是否会出现无效再通及指导早期预后判别，减少医护人员的工作压力。
如图1所示本发明实施例提出的一种构建无效再通FR预测模型的方法流程图，该方法包括以下步骤：
S101，获取训练样本集，其中，每个样本包括接受血管再通治疗的患者的临床数据集和影像数据、表征是否发生无效再通的标签。
具体的，通过临床数据库，获取大量接受血管再通治疗的患者的临床数据集和影像数据，患者的临床数据集和影像数据一一对应，同时通过影像判读对符合无效再通的临床数据集及影像数据进行标注，获得每个样本对应的标签。
其中，临床数据集包含患者基本信息、人口学特征、院前急救(静脉溶栓、血管内治疗)、既往史、家族史、既往用药、入院查体、入院诊断、基线NIHSS评分、住院期间辅助检查、住院期间治疗、最终诊断、出院带药、出院NIHSS评分等信息，影像数据包含常规T1、T2、DWI、PWI等，影像判读包括以影像科为基础对于基本影像信息进行盲法判读、利用Rapid及OLea软件进行灌注参数判读、采用3D-slicer软件对于病灶体积等进行标注判读、采用人工标注方法对于CMI、ILT、SVS、BS、TAI等特殊影像指标进行人工判读4种判读方式。
需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实施方案，任何一种通过对临床数据和影像信息组合的方式均属于本申请的保护范围。
S102，基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征。
具体的，在提取对临床信息特征之前先对临床数据进行清洗、标准化等处理，对处理后的临床数据进行筛选，基于筛选获得的数据训练临床信息特征提取模型，基于临床信息特征提取模型获得各个患者的临床信息特征。
S103，基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征。
具体的，通过已训练的影像特征提取模型，从每个样本的影像数据中提取降维的影像特征。
其中，在提取影像特征之前会对影像数据进行多模态影像配准，灰度标准化和同一尺寸等操作，方便已训练的影像特征提取模型的对影像特征的提取。
S104，基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者发生无效再通的概率；其中，在模型训练过程中，对每个样本的临床信息特征和影像特征进行前端融合或后端融合，所述前端融合为临床信息特征和影像特征进行特征融合后送入到所述FR预测模型的分类器中；所述后端融合为分别将临床信息特征送入到所述FR预测模型的第一分类器中和将影像特征送入到所述FR预测模型的第二分类器中，对第一分类器的结果和第二分类器的结果进行结果融合。
多模态特征融合主要是通过多模态信息之间的互补性，删除模态数据之间的冗余性，将不同模态的数据特征映射到同一个特征空间之内，对于本申请来说，可以将其分为两个步骤，首先对图像与文本特征抽取之后的结果进行提取，然后将图像与文本之间的特征进行拼接(见图6)。假设输入图像表示为X，输入文本为Y，经过神经网络特征提取之后特征可以表示为f(X)和g(Y)，则融合之后的特征可以表示为：
F＝f(X)×g(Y) (1)
其中×表示数组之间的拼接操作，F表示融合之后的特征。
后端融合即结果融合，对于多模态来说，每一个模态都有各自数据与标签，所以每一个模态都能产生一个分类结果，相比于多模态来说，单模态中所包含的信息相对较少，所以结果在一定程度上具有不可信的因素，所以在结果研究的层次上进行决策的融合，假设在多模态中有N个模态的数据，在经过各自模型的特征挑选过程后，然后将特征选择的结果分别放入不同的分类器中，得到N个不同的结果，那么第i个样本的最终分类结果可以用以下公式进行表示:
Figure BDA0003132160030000081
式子中
Figure BDA0003132160030000082
使用多模态进行预测的最终结果，f1(xi),f2(xi),...,fn(xi)表示第fi(xi)个模态的预测结果，预测结果通常用概率进行表示，对应每一个类别都会有一个概率值，结果选择概率值加权最大的值所对应的类别作为预测的类别。除此之外，b表示偏置项，用来将结果限制在类别数目之内，保证分类结果的正确性。λ1,λ2,...,λn表示不同模态在结果中所占比例，且满足λ1+λ2+...+λn＝1。
后端融合着眼于各种模态数据的单独学习，将每一个模态学习的结果融合到一个多模态语义表示中。后期融合的一个很大的缺点是其学习上的昂贵性，因为每种形式的融合(分类器)都需要更多的研究，因此需要考虑每个阶段的混合性，不同阶段的融合，不同分类器的使用都对结果有一定的影响。
具体的，在图7表示的对两种多模态数据进行融合，分别是图像以及文本，首先分别对两种数据使用不同方式的神经网络特征提取，然后使用进化算法对特征进行筛选，选择对于分类结果有效的特征进行后续处理，将特征送入不同的分类器中，最后对结果进行加权处理，得到预测结果与真实结果进行对比获取实验结果精度。
可选的，弱分类器可以是Decision tree、Random forest、Discriminantanalysis、Neural network、logistic regress、SVM(Support vector machine)、CART中的一种或几种。
使用单独的分类器进行融合，结果过于单一，不足以表征在不同图像和文本特征在分类器上的结果，为克服该问题，本申请集成学习的多模态结果融合是对每个模态使用多个弱分类器集合起来获得结果，见图8。
具体的，所述结果融合为基于集成学习的多模态结果融合，所述第一分类器包括多个弱分类器，所述第二分类器包括多个弱分类器；
具体的，所述基于集成学习的多模态结果融合为分别将临床信息特征送入到多个弱分类器中得到第一结果，将影像特征送入到多个弱分类器中得到第二结果，对第一结果和第二结果进行结果融合；
具体的，所述基于集成学习的多模态结果融合是将为基于集成学习的图像与文本的多模态结果融合，其中，所述图像为影像特征，所述文本为临床信息特征。
可选的，所述多个弱分类器可以为2、3、4、5、6、7、8、9、10个弱分类器。
具体的，集成学习中的弱分类器可以是LR和SVM分类器，使用多个弱模型构造一个强模型来提升模型的效果。集成学习的核心是将所有弱分类器结合起来，集合每一个弱分类器的优势解决问题。集成学习主要有两个方面的优势，首先是防止欠拟合，由于分类器采用的是弱分类器，集成学习将弱分类器的结果综合考虑，获得较好的结果，另外一个优点是防止过拟合，同样因为是弱分类器模型的结合，所以最终获得的模型表现较为中庸，防止总的模型朝着极端的方向前进。
假设图像分类中，使用LR作为分类器获得的结果概率标记为fLR，使用SVM作为分类器结果概率标记为fSVM。文本分类中，使用LR作为分类器中获得的概率结果标记为gLR，使用SVM作为分类器获得的概率结果标记为gSVM，那么基于集成学习的分类结果可以表示为：
Figure BDA0003132160030000101
其中
Figure BDA0003132160030000102
表示规范化因子，目的是保证参数服从某一个分布，样本xi对应的预测标签为f(xi)向量中最大值对应的标签。
优选的，所述方法还包括：采用基于进化或群体智能的算法对集成学习的多模态结果融合中的参数进行调节；
可选的，采用GA、PSO、ABC、HS算法中的一种或几种对集成学习的多模态结果融合中的参数进行调节。
不同的参数对于结果的影响是很大的，机器学习以及深度学习往往会但是对于多个参数来说，在整个参数空间内进行直接搜索是很困难的，耗时同时耗力。传统的方法通常根据经验进行参数调节，假定某个参数为定值，然后对其它的参数进行调节，每假定一个参数，将得到一组实验结果，最终将最好的实验结果保存。由于传统的经验调参往往是不可靠的，所以参数调节通常采用网格搜索(Grid Search)的方式，网格搜索是一种穷举的方式，将整个空间划分成为网格状，在网格的交点处进行最优解的搜索，但是网格搜索在参数个数很多的时候，其时间复杂度呈指数型爆炸式增长，而且如果网格的搜索粒度不足够细，那么将会得到局部最优解，无法获取全局最优解，本申请采用进化算法的调优方式对集成学习的多模态结果融合分类方法中的参数进行调节，在搜索空间内获得最优参数，保证集成学习的精确性。
PSO算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
粒子群算法首先初始化一群随机的粒子，对应函数解空间中的一些解，然后通过不断的迭代来寻找到最优的解，粒子通过跟踪两个极值(pbest和gbest)来不断的更新自己的速度和位置，主要的更新公式为：
vi＝vi+c1×r1×(pbest-xi)+c2×r2×(gbest-xi) (4)
xi＝xi+vi (5)
其中vi表示粒子i的速度，r1和r2表示两个服从[0,1]均匀分布的随机数，xi
表示粒子i当前所处的位置，c1和c2表示学习因子，属于粒子群算法中的超参数，通常为2，可以对其进行网格搜索进行调节，vi的最大值为vmax，如果vi≥vmax，那么vi＝vmax。
从式子可以看出，粒子群算法中的每一个粒子首先是按照原来的速度进行运动，受到上一次迭代速度的影响，其次它受到自身经验的影响，指向自身最好的一个点，其次，粒子还收到所有粒子群中最好的一个点，这个信息表明粒子群之间是协同进行，并且相互之间共享最好的信息，从而使得每一个粒子都能达到最好的解。
具体的，采用改进后的粒子群优化算法PSO对集成学习的多模态结果融合中的参数进行调节，其中改进后的PSO在更新粒子速度时为历史粒子速度附加了惯性因子，所述惯性因子用于调节历史粒子速度对更新后的粒子速度的影响程度；
具体的，所述惯性因子是根据模型训练的迭代次数确定的。
所述改进后的PSO算法通过减少之前的速度的影响从而获得更好的跳出局部最优或者在局部最优中寻找更加精确的结果的能力。
上述的粒子群算法受到之前速度的影响是一个固定的值，所以较为容易的陷入局部最优，所以对公式进行改进，通过减少之前的速度的影响从而获得更好的跳出局部最优或者在局部最优中寻找更加精确的结果的能力。其更新公式变为：
vi＝ω×vi+c1×r1×(pbest-xi)+c2×r2×(gbest-xi) (6)
其中ω为惯性因子，其值为负值，直接影响粒子的搜索能力，如果ω的值较大，那么算法跳出局部能力的并且全局搜索的效果越好，如果ω较小，那么算法局部搜索能力较强，动态的对ω进行调整能获得更好的结果，一般采用线性递减策略的思想，当迭代次数达到某个值时，ω的更新公式为：
ωt＝(ωs-ωe)(Gk-g)/Gk+ωe (7)
其中ωs表示初始惯性权值，ωe表示最终惯性权值，两个值通常首先被设定，Gk表示最大迭代次数。
表1改进后的PSO算法伪代码
Figure BDA0003132160030000121
对于本文中图像和文本两种不同的模态来说，集成学习融合分类的公式为(3)，其中设置搜索范围为[0,1]，分别表示图像特征使用LR和SVM作为分类器的结果系数和文本结果使用LR和SVM作为分类器的结果系数。除此外PSO中参数设置状况为设置初始粒子数目为100，迭代次数为200，PSO中参数为0.5，由于使用的PSO算法是改进后的PSO算法，设置为0.9，使得PSO在需寻找参数时能够更好的跳出局部最优，获得全局最优解。vmax,vmin的值设置为-20与20，扩大粒子搜索空间，同样为了取得全局最优解。
具体的，通过每个样本的融合特征和标签进行神经网络模型训练，获得FR预测模型，训练后的FR预测模型通过全连接层和输出层Sigmoid函数，得到预测结果。
本申请对图像文本特征融合进行了研究，在前端融合中，主要采用两种不同的方式，首先是对于原始图像和文本特征直接进行拼接，获得最初的分类结果，然后将经过特征选择之后图像与文本的特征进行拼接，送入到LR和SVM分类器中，获得模型特征融合的结果。下表数据为前端融合的结果。
表2图像与文本特征融合结果
Figure BDA0003132160030000131
备注：Resnet表示残差网络；Word2Vec表示词转向量；Bjaya表示二进制jaya算法。
从上表可以看出，采用不同分类器对于特征融合结果一定的提升，表中的前三条表示分别使用三种不同的神经网络与Word2Vec提取的图像与文本特征直接进行拼接获得的实验结果精度，后三条表示使用进化算法提取图像与文本特征之后进行融合的结果，相比于单独对图像或者文本进行特征选择，在分类精度上有更好的结果，其中结果最好的是使用VGG16与Word2Vec提取特征通过BJaya算法进行特征选择之后的结果，在SVM分类器中，结果达到76.8％的精度，可以看出多模态融合相对于单模态来说，特征融合提升的效果较为明显。因此图像和文本的特征相辅相成，对于分类任务有着很大的促进作用。从另外一个角度来看，对于同一个用户来说，展示的图片和文本之间存在着很大的关系，文本作为图像的辅助特征，在一定程度上解决了单模态数据表征的特征并不是很完善的缺陷。
上表展示特征融合之后的特征维度对比，原始的特征维度是图像与文本特征维度直接进行拼接，相比于直接拼接的结果，BJaya特征选择之后的融合维度大大下降，下降的幅度达到50％左右，这对于提升模型的训练速度有极大的帮助，在加快模型收敛速度的同时提升模型在分类任务中的精度。
本申请另一个研究是后端融合与本文提出的基于集成学习的融合分类方法的对比，首先手动设置参数值获得后端融合的实验结果，然后采用本文提出的集成学习融合分类方法并通过PSO算法对参数进行调优，对融合进行优化，实验结果如下表所示。
表3 Resnet50结果融合参数调节结果
Figure BDA0003132160030000141
表4 VGG16结果融合参数调节结果
Figure BDA0003132160030000142
表5 DenseNet169结果融合参数调节结果
Figure BDA0003132160030000143
从上述三张表可以看出，当采取不同的参数时，不同的模型在不同的分类器下可以获得相较于前端融合(表2)更好的结果，但是参数选择并非容易，由于图像特征较多，在特征中所占比例较大，所以参数设置时图像结果特征所占比例较高，分别选择了三种不同的参数设置，对应的参数分别为λ1＝0.7，λ2＝0.3，λ1＝0.6，λ2＝0.4，λ1＝0.5，λ2＝0.5获得多模态后端加权融合结果。表中加粗的表示采用本文提出的基于集成学习的融合分类方法并使用进化算法进行参数调优的实验结果，从结果可以看出本文提出方法的结果相较于手动设置参数有较好的提升，其中效果最好的是当采用DenseNet169和Word2Vec神经网络并使用Bjaya进行特征选择，然后使用集成学习对结果进行提升，最后使用LR作为分类器，分类精度可以达到78.4，这对于无规则图像与文本的分类效果是较好的。
为了更好的得到训练样本集，在本申请提供的一种可选的实施例中，可先对大量的临床指标进行筛选，具体包括：
获取接受血管再通治疗的患者的各项临床指标的数据；
基于随机森林算法确定各项临床指标的重要度；
按照各项临床指标的重要度从高到低的顺序，选取满足预设条件的候选临床指标；
将各患者的候选临床指标的数据添加到各患者的临床数据集中。
具体的，由于患者的各项临床指标的数据过于庞大繁杂，所以在获取接受血管再通治疗的患者的各项临床指标的数据的时候，通过特征工程中的随机森林算法，确定各项临床指标的重要度，按照从高到低的顺序排列，选取大于0.0005的特征得分的最终特征作为候选临床指标，减少了大量不必要因素的临床指标特征影响，再将候选临床指标将添加到各患者的临床数据集中。
为了更好的对临床数据集中的临床信息特征进行提取，在一种可能的实施例中，包括：
基于所述训练样本集中样本的临床数据集和标签进行模型训练，获得所述临床信息特征提取模型。
具体的，由于所述训练样本集中样本的临床数据集和标签为低维度数据，所以采用机器学习的方式，结合训练样本集中样本的临床数据集和标签的数据，构建临床信息特征提取模型，机器学习的方式包括决策树、随机森林等。
为了更好的得到临床信息特征提取模型，在一种可能的实施例中，可通过如下方式训练获得临床信息特征提取模型：
基于所述训练样本集中样本的临床数据集和标签，分别对进行至少两个机器学习模型进行训练；
对训练完的所述至少两个机器学习模型输出的预测结果进行评估；
基于评估结果，从所述至少两个机器学习模型中选出所述临床信息特征提取模型。
其中，机器学习模型最近邻模型、决策树模型、神经网络、AdaBoost、随机森林模型和多粒度级联森林模型等。
具体的，通过对所述训练样本集中样本的临床数据集和标签进行不少于两个的机器学习模型进行训练，获取临床信息特征提取模型，通过对多个临床信息特征提取模型进行数据的输入检验评估，基于多次的评估结果，选出最优的临床信息特征提取模型用于后期临床数据集中提取临床信息特征，通过多次临床信息特征提取模型择优，能够使后期提取临床信息特征更为准确。
具体地，可基于ROC(Receiver Operating Characteristic)曲线以及AUC(AreaUnder Curve)评价各个已训练的机器学习模型的识别性能，选择识别性能最优的机器学习模型作为临床信息特征提取模型。
为了更好的对影像数据中的影像特征进行提取，在一种可能的实施例中，可通过如下方式训练获得影像特征提取模型：
基于所述训练样本集中样本的影像数据和标签，对深度卷积神经网络进行训练，其中，所述深度卷积神经网络包括特征提取层、全连接层和输出层，所述特征提取层包含卷积层和池化层；
将训练完的深度卷积神经网络中的卷积层作为所述影像特征提取模型。
具体的，由于所述训练样本集中样本的影像数据和标签为高维度数据，为了更好的对影像数据中的影像特征进行提取，以及提取后的临床信息特征与提取后的影像特征的融合，需要通过训练样本集中样本的影像数据和标签进行深度卷积神经网络训练获取能够降低维度的影像特征提取模型。
其中，特征提取层作为影像特征提取模型，具体是通过对每一色彩通道构建卷积层，使用3通道卷积神经网络从影像数据的各个视频帧中提取特征。
为了提高影像特征提取模型的特征提取效果，进一步地，对比了不同卷积层使用的卷积核大小对特征提取的影响，从而选择了特征提取效果最好的卷积核。为了进一步降低影像特征的维度，本申请分析比较了不同的池化层设置方案，包括Max池化、Mean池化以及池化组合等，从而筛选出结构简单的池化层设置。同时，本项目结合了实际视频优化了卷积层和池化层的层数设置。
进一步地，本申请对比了ReLU激活函数以及其激活函数的使用效果，对全连接层使用的激活函数进行了改进，并利用深度自动编码器，对比不同激活函数对于重建误差的影响，筛选最优激活函数。
本申请利用深度卷积神经网络，可从影像数据的每一帧影像中提取较低维度的特征，作为强化学习使用的状态信息。同时，利用设计的卷积神经网络构建自动编码器，可以有效地重建图像。通过以上步骤有效地从患者的影像数据中提取患者非特异性特征信息，最终建立面向多模态信息的基于人工智能综合技术的无效再通模型。
为了达到以上技术目的，本申请实施例还提出了一种构建FR预测模型的装置，如图2所示，该装置包括：
获取模块，用于获取训练样本集，其中，每个样本包括接受血管再通治疗的患者的临床数据集和影像数据、表征是否发生无效再通的标签，所述临床数据集中包括多项临床指标的数据；
临床信息特征提取模块，用于基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；
影像特征提取模块，用于基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；
训练模块，用于基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者存在无效再通的概率，其中，在模型训练过程中，对每个样本的临床信息特征和影像特征进行前端融合或结果融合，所述前端融合为临床信息特征和影像特征进行特征融合后送入到分类器中；所述后端融合为分别将临床信息特征送入到第一分类器中和将影像特征送入到第二分类器中，对第一分类器的结果和第二分类器的结果进行结果融合。
关于一种构建FR预测模型的装置的具体限定可以参见上文中对于一种构建FR预测模型方法的限定，在此不再赘述。上述FR预测模型的构建装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
为了达到以上技术目的，本申请还提出了一种FR预测装置，包括：
数据获取模块，用于获取待检测患者的临床数据集和影像数据；
临床信息特征提取模块，用于基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
影像特征提取模块，用于基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
预测模块，用于将所述临床信息特征和影像特征输入上述构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
其中，待检测患者的临床数据集包含的临床指标是训练FR预测模型时确定出的候选临床指标。
为了达到以上技术目的，本申请还提出了一种电子设备，该电子设备可以为计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下步骤：
获取待检测患者的临床数据集和影像数据；
基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
将所述临床信息特征和影像特征输入上述构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
具体为，如图4所示，获取待检测患者的临床数据集和影像数据，通过已训练的临床信息特征提取模块和影像特征提取模块对患者的临床数据集和影像数据进行提取，获得患者的临床信息特征和影像特征，将临床信息特征和影像特征进行融合，并输入到已训练的FR预测模型中，FR预测模型通过全连接层和输出层Sigmoid函数，输出患者发生无效再通的概率。
相应的，在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现构建无效再通FR预测模型的方法和以下步骤：
获取待检测患者的临床数据集和影像数据；
基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
将所述临床信息特征和影像特征输入上述构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。
所述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例方案的目的。
另外，在本发明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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，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发明的限制。

Claims (10)

1.一种构建无效再通FR预测模型的方法，其特征在于，所述方法包括：
获取训练样本集，其中，每个样本包括接受血管再通治疗的患者的临床数据集和影像数据、表征是否发生无效再通的标签；
基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；
基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；
基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者发生无效再通的概率；
其中，在模型训练过程中，对每个样本的临床信息特征和影像特征进行前端融合或后端融合，所述前端融合为临床信息特征和影像特征进行特征融合后送入到所述FR预测模型的分类器中；所述后端融合为分别将临床信息特征送入到所述FR预测模型的第一分类器中和将影像特征送入到所述FR预测模型的第二分类器中，对第一分类器的结果和第二分类器的结果进行结果融合。
2.根据权利要求1所述的方法，其特征在于，
所述结果融合为基于集成学习的多模态结果融合，所述第一分类器包括多个弱分类器，所述第二分类器包括多个弱分类器；
所述基于集成学习的多模态结果融合为分别将临床信息特征送入到多个弱分类器中得到第一结果，将影像特征送入到多个弱分类器中得到第二结果，对第一结果和第二结果进行结果融合；
优选的，所述基于集成学习的多模态结果融合是将为基于集成学习的图像与文本的多模态结果融合，其中，所述图像为影像特征，所述文本为临床信息特征。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
采用基于进化或群体智能的算法对基于集成学习的多模态结果融合中的参数进行调节；可选的，采用GA、PSO、ABC或HS算法对集成学习的多模态结果融合中的参数进行调节；优选的，采用改进后的粒子群优化算法PSO对集成学习的多模态结果融合中的参数进行调节，其中改进后的PSO在更新粒子速度时为历史粒子速度附加了惯性因子，所述惯性因子用于调节历史粒子速度对更新后的粒子速度的影响程度；可选地，所述惯性因子是根据模型训练的迭代次数确定的。
4.根据权利要求1所述的方法，其特征在于，
所述获取训练样本集，包括：获取接受血管再通治疗的患者的各项临床指标的数据；基于随机森林算法确定各项临床指标的重要度；按照各项临床指标的重要度从高到低的顺序，选取满足预设条件的候选临床指标；
将各患者的候选临床指标的数据添加到各患者的临床数据集中。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述训练样本集中样本的影像数据和标签，对深度卷积神经网络进行训练，其中，所述深度卷积神经网络包括特征提取层、全连接层和输出层，所述特征提取层包含卷积层和池化层；
将训练完的深度卷积神经网络中的特征提取层作为所述影像特征提取模型。
6.一种构建FR预测模型的装置，其特征在于，包括：
获取模块，用于获取训练样本集，其中，每个样本包括接受血管再通治疗的患者的临床数据集和影像数据、表征是否发生无效再通的标签；
临床信息特征提取模块，用于基于已训练的临床信息特征提取模型，从每个样本的临床数据集中提取临床信息特征；
影像特征提取模块，用于基于已训练的影像特征提取模型，从每个样本的影像数据中提取影像特征；
训练模块，用于基于每个样本的临床信息特征、影像特征和标签进行模型训练，获得FR预测模型，所述FR预测模型用于预测患者存在无效再通的概率，其中，在模型训练过程中，对每个样本的临床信息特征和影像特征进行前端融合或结果融合，所述前端融合为临床信息特征和影像特征进行特征融合后送入到分类器中；所述后端融合为分别将临床信息特征送入到第一分类器中和将影像特征送入到第二分类器中，对第一分类器的结果和第二分类器的结果进行结果融合。
7.一种FR预测装置，其特征在于，包括：
数据获取模块，用于获取待检测患者的临床数据集和影像数据；
临床信息特征提取模块，用于基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
影像特征提取模块，用于基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
预测模块，用于将所述临床信息特征和影像特征输入权利要求1-5任意一项所构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
8.一种电子设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时实现如权利要求1至5中任一项所述方法的步骤。
9.一种电子设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下步骤：
获取待检测患者的临床数据集和影像数据；
基于已训练的临床信息特征提取模型，从所述待检测患者的临床数据集中提取临床信息特征；
基于已训练的影像特征提取模型，从所述待检测患者的影像数据中提取影像特征；
将所述临床信息特征和影像特征输入权利要求1-5任意一项所构建的FR预测模型，获得所述待检测患者发生无效再通的概率。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法；或者所述计算机程序被处理器执行时实现权利要求8或9所述的电子设备中处理器执行的步骤。
CN202110706528.0A 2021-06-24 2021-06-24 一种构建无效再通fr预测模型的方法和装置 Pending CN113380413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110706528.0A CN113380413A (zh) 2021-06-24 2021-06-24 一种构建无效再通fr预测模型的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110706528.0A CN113380413A (zh) 2021-06-24 2021-06-24 一种构建无效再通fr预测模型的方法和装置

Publications (1)

Publication Number Publication Date
CN113380413A true CN113380413A (zh) 2021-09-10

Family

ID=77578999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110706528.0A Pending CN113380413A (zh) 2021-06-24 2021-06-24 一种构建无效再通fr预测模型的方法和装置

Country Status (1)

Country Link
CN (1) CN113380413A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093448A (zh) * 2021-11-24 2022-02-25 首都医科大学附属北京天坛医院 一种疾病风险预测模型的构建方法
CN114420298A (zh) * 2022-01-27 2022-04-29 首都医科大学附属北京天坛医院 一种多阶段的急性缺血性卒中血管内治疗无效再通预测系统、设备
CN115148365A (zh) * 2022-05-31 2022-10-04 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统
CN116313089A (zh) * 2023-03-13 2023-06-23 首都医科大学附属北京天坛医院 一种卒中后房颤风险预测方法、计算机设备及介质
CN117011601A (zh) * 2023-07-24 2023-11-07 中国医学科学院北京协和医院 多模态分类预测方法、装置、处理器及机器可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009017A (zh) * 2019-03-25 2019-07-12 安徽工业大学 一种基于视角类属特征学习的多视角多标记分类方法
CN111382439A (zh) * 2020-03-28 2020-07-07 玉溪师范学院 基于多模态深度学习的恶意软件检测方法
CN112086195A (zh) * 2020-09-16 2020-12-15 电子科技大学 一种基于自适应集成学习模型的再入院风险预测方法
CN112133441A (zh) * 2020-08-21 2020-12-25 广东省人民医院 一种mh术后裂孔状态预测模型的建立方法和终端
WO2021062366A1 (en) * 2019-09-27 2021-04-01 The Brigham And Women's Hospital, Inc. Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction
CN112652398A (zh) * 2020-12-22 2021-04-13 浙江大学 一种基于机器学习算法的新冠肺炎重症化预测方法及系统
CN112951406A (zh) * 2021-01-27 2021-06-11 安徽理工大学 一种基于ct影像组学的肺癌预后辅助评估方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009017A (zh) * 2019-03-25 2019-07-12 安徽工业大学 一种基于视角类属特征学习的多视角多标记分类方法
WO2021062366A1 (en) * 2019-09-27 2021-04-01 The Brigham And Women's Hospital, Inc. Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction
CN111382439A (zh) * 2020-03-28 2020-07-07 玉溪师范学院 基于多模态深度学习的恶意软件检测方法
CN112133441A (zh) * 2020-08-21 2020-12-25 广东省人民医院 一种mh术后裂孔状态预测模型的建立方法和终端
CN112086195A (zh) * 2020-09-16 2020-12-15 电子科技大学 一种基于自适应集成学习模型的再入院风险预测方法
CN112652398A (zh) * 2020-12-22 2021-04-13 浙江大学 一种基于机器学习算法的新冠肺炎重症化预测方法及系统
CN112951406A (zh) * 2021-01-27 2021-06-11 安徽理工大学 一种基于ct影像组学的肺癌预后辅助评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李桥等: "一种基于LMDR和CNN的混合入侵检测模型", 《信息网络安全》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093448A (zh) * 2021-11-24 2022-02-25 首都医科大学附属北京天坛医院 一种疾病风险预测模型的构建方法
CN114093448B (zh) * 2021-11-24 2022-07-01 首都医科大学附属北京天坛医院 一种疾病风险预测模型的构建方法
CN114420298A (zh) * 2022-01-27 2022-04-29 首都医科大学附属北京天坛医院 一种多阶段的急性缺血性卒中血管内治疗无效再通预测系统、设备
CN114420298B (zh) * 2022-01-27 2023-08-25 首都医科大学附属北京天坛医院 一种多阶段的急性缺血性卒中血管内治疗无效再通预测系统、设备
CN115148365A (zh) * 2022-05-31 2022-10-04 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统
CN116313089A (zh) * 2023-03-13 2023-06-23 首都医科大学附属北京天坛医院 一种卒中后房颤风险预测方法、计算机设备及介质
CN116313089B (zh) * 2023-03-13 2024-01-16 首都医科大学附属北京天坛医院 一种卒中后房颤风险预测方法、计算机设备及介质
CN117011601A (zh) * 2023-07-24 2023-11-07 中国医学科学院北京协和医院 多模态分类预测方法、装置、处理器及机器可读存储介质

Similar Documents

Publication Publication Date Title
Li et al. CANet: cross-disease attention network for joint diabetic retinopathy and diabetic macular edema grading
CN113380413A (zh) 一种构建无效再通fr预测模型的方法和装置
KR102153920B1 (ko) 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법
Bharati et al. A review on explainable artificial intelligence for healthcare: why, how, and when?
Albahra et al. Artificial intelligence and machine learning overview in pathology & laboratory medicine: A general review of data preprocessing and basic supervised concepts
JP2022527536A (ja) 強化学習を通じた公平性の改善
Egger et al. Deep learning—a first meta-survey of selected reviews across scientific disciplines, their commonalities, challenges and research impact
Doan et al. SONNET: A self-guided ordinal regression neural network for segmentation and classification of nuclei in large-scale multi-tissue histology images
Zhang et al. Feature-transfer network and local background suppression for microaneurysm detection
Gonçalves et al. A survey on attention mechanisms for medical applications: are we moving toward better Algorithms?
Vasireddi et al. Deep feed forward neural network–based screening system for diabetic retinopathy severity classification using the lion optimization algorithm
Teo et al. Discovering the predictive value of clinical notes: machine learning analysis with text representation
Revathi et al. Particle Swarm Optimization based Detection of Diabetic Retinopathy using a Novel Deep CNN
CN110992198A (zh) 作物病害防治方案推荐方法及装置、系统、设备和介质
Singh et al. A novel hybridized feature selection strategy for the effective prediction of glaucoma in retinal fundus images
Sampath et al. Ensemble Nonlinear Machine Learning Model for Chronic Kidney Diseases Prediction
Rao et al. Medical Big Data Analysis using LSTM based Co-Learning Model with Whale Optimization Approach.
CN116933135A (zh) 基于跨模态融合级联的癌症分期预测模型建模系统及方法
Mohan et al. Optimal hybrid feature selection technique for diabetic retinopathy grading using fundus images
JP7307785B2 (ja) 機器学習装置及び方法
US20220351377A1 (en) Automated selection of ultra-widefield angiography images
Sande et al. Statistical Learning in Medical Research with Decision Threshold and Accuracy Evaluation.
Egger et al. Deep Learning--A first Meta-Survey of selected Reviews across Scientific Disciplines and their Research Impact
Liu et al. Large margin and local structure preservation sparse representation classifier for Alzheimer’s magnetic resonance imaging classification
Arjaria et al. Performances of Machine Learning Models for Diagnosis of Alzheimer’s Disease

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