CN113611410B - 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 - Google Patents
一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 Download PDFInfo
- Publication number
- CN113611410B CN113611410B CN202111050160.3A CN202111050160A CN113611410B CN 113611410 B CN113611410 B CN 113611410B CN 202111050160 A CN202111050160 A CN 202111050160A CN 113611410 B CN113611410 B CN 113611410B
- Authority
- CN
- China
- Prior art keywords
- residual error
- layer
- fully
- sub
- steatohepatitis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法。脂肪性肝炎风险诊断设备,所述设备用于执行以下操作,获取待测样本的人体基础体征数据;将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵;将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。本发明从临床实际问题出发,具有重要的临床应用价值。
Description
技术领域
本发明涉及智能医疗技术领域,更具体地,涉及一种脂肪性肝炎风险诊断设备、风险诊断设备及其残差网络的训练方法。
背景技术
非酒精性脂肪性肝病(NAFLD)已经成为世界范围内最常见的慢性肝病,其发病机制与胰岛素抵抗和遗传易感性密切相关。全球普通成人NAFLD患病率高达25%,中国人群患病率接近20%,且在逐年增加。NAFLD的疾病谱包括单纯性脂肪肝(simple steatosis,SS),脂肪性肝炎(nonalcoholic steatohepatitis,NASH),及其相关肝硬化,脂肪肝是一种良性疾病,但NASH却可进一步发展、恶化成为终末期肝病,严重者可导致死亡,有研究表明,NASH患者10-15年内肝硬化发生率高达15%-25%。
肝穿刺活组织检查(肝活检)可准确评估肝细胞脂肪变、炎症坏死和纤维化程度,是诊断NAFLD、NASH和肝纤维化的金标准。然而肝活检作为一种有创检查,可能引起多种并发症,常难以被患者所接受。越来越多的研究开始关注于无创诊断技术,主要包括应用临床参数和血清纤维化指标构建的无创诊断模型,和基于FibroScan的振动控制瞬时弹性成像(VCTE)技术测量肝脏弹性值(LSM),但他们在临床应用上都存在着一定的局限性。
发明内容
为解决上述问题,我们根据中国NASH患者的临床特点,建立适用于中国NASH患者的风险诊断设备和系统,以期能实现NASH的早发现早治疗。
本申请公开一种脂肪性肝炎风险诊断设备,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程序指令,当程序指令被执行时,用于执行以下操作:
获取待测样本的人体基础体征数据;
将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵;
将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
进一步,所述多个全连接残差模块中的每个所述全连接残差模块包括多个串联连接的子残差模块,所述多个子残差模块中的每个所述子残差模块包括串联连接的全连接层、批归一化层;
可选的,所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数处理后,作为后一个所述全连接残差模块的输入;
优选的,所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入;
可选的,每个所述全连接残差模块包括串联连接的第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层,所述第一子残差模块的输入和所述第二子残差模块的输出共同作为所述每个所述全连接残差模块的输出;
优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,作为所述每个所述全连接残差模块的输出;更优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和,经过激活函数处理或激活函数和dropout处理后,作为所述每个所述全连接残差模块的输出;
可选的,所述第一子残差模块和第二子残差模块还包括与第一全连接层、第一批归一化层串联连接的激活函数层;
优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,作为所述全连接残差模块的输出;
更优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和,经过激活函数处理或激活函数和dropout处理后,作为所述全连接残差模块的输出;
进一步,所述输入层包括全连接层、批归一化层、激活函数层;可选的,输入层还包括dropout层。
进一步,所述批归一化可以选自下列中的一种或几种:Sync BatchNorm、LayerNormalization、BatchNorm;
进一步,所述激活函数可以选择下列中的一种或几种:sigmoid、tanh和Relu。
进一步,所述输出层包括全连接层、softmax层。
进一步,获取所述待测样本的人体基础体征数据后,进行归一化处理。
进一步,所述人体基础体征数据包括临床信息数据和来自下列仪器测量数据中的一种或几种数据:血压计、身高体重仪、多功能分析仪、人体成分分析仪;
可选的,人体基础体征数据至少包括下列指标数据中的一种或数种:年龄、性别、是否有糖尿病、是否有高血压、体脂百分数、腹部脂肪面积、身体细胞量、骨矿物含量、基础代谢量、上臂周长。
一种脂肪性肝炎风险诊断系统,包括:
获取单元,用于获取待测样本的人体基础体征数据;
处理单元,用于将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵,将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
显示单元,用于将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
一种脂肪性肝炎风险诊断的残差网络的训练方法,所述残差网络的方法包括:
获得具有脂肪性肝炎和不具有脂肪性肝炎的人体基础体征数据;
用于将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵;
将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果,利用损失函数,计算分类结果和真实值之间的损失,然后进行反向传播,利用优化器进行参数更新。
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的脂肪性肝炎风险诊断的残差网络的训练方法。
本申请的优点:
1.本申请创新性的公开一种新的深度学习网络,该深度学习网络中的全连接残差模块尤其适合中小样本的数据训练和建模,节约算力的同时,提高整个深度学习网络的预测准确性;
2.本申请创造性的公开了一种无创的用于脂肪性肝炎风险诊断设备和系统,该设备和系统仅通过部分临床信息和人体成分分析仪的数据就能高度准确的预测患者是否具有脂肪性肝炎患病风险诊断预测。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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取其他的附图。
图1是本发明实施例提供的一种脂肪性肝炎风险诊断示意流程图;
图2是本发明实施例提供的一种脂肪性肝炎风险诊断设备示意图;
图3是本发明实施例提供的一种脂肪性肝炎风险诊断系统示意流程图;
图4是本发明实施例提供的一种脂肪性肝炎风险诊断的残差网络示意图;
图5是本发明实施例提供的输入层示意图;
图6是本发明实施例提供的输出层示意图;
图7是本发明实施例提供的残差网络层示意图;
图8是本发明实施例提供的全连接残差模块示意图;
图9是本发明实施例提供的第一子残差模块示意图。
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,显然,所描述的实施例仅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,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种脂肪性肝炎风险诊断示意流程图,具体地,所述方法包括如下步骤:
101:获取待测样本的人体基础体征数据;
102:将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵;
103:将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
104:将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
在一个实施例中,所述多个串联连接的全连接残差模块中的多个表示大于等于2的整数,优选的,所述残差网络层包括2-10个串联连接的全连接残差模块。
图2是本发明实施例提供的一种脂肪性肝炎风险诊断设备,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程序指令,当程序指令被执行时,用于执行以下操作:
获取待测样本的人体基础体征数据;
在一个实施例中,所述人体基础体征数据包括临床信息数据和来自下列仪器测量数据中的一种或几种数据:血压计、身高体重仪、多功能分析仪、人体成分分析仪。所述临床信息可以是基线信息(包括年龄、性别、基线血压等)、既往史信息(包括是否有糖尿病、是否有高血压、是否有脂肪肝等)、实验室指标(包括血糖、白细胞数等)等。所述临床信息可以是下列信息中的一种或数种:年龄、性别、是否有糖尿病、是否有高血压、总胆固醇、甘油三脂、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、血尿酸、尿常规、呼吸频率、血氧浓度、心率、运动步数、消耗卡路里、睡眠时间等。
在一个实施例中,人体基础体征数据至少包括下列指标数据中的一种或数种:年龄、性别、是否有糖尿病、是否有高血压、体脂百分数、腹部脂肪面积、身体细胞量、骨矿物含量、基础代谢量、上臂周长。
将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵;
在一个实施例中,参见图5,输入层包括全连接层、批归一化层。
在一个实施例中,输入层包括全连接层、批归一化层、激活函数层。
批归一化层不仅可以加快了模型的收敛速度,而且更重要的是在一定程度缓解了深层网络中梯度弥散的问题,从而使得训练深层网络模型更加容易和稳定。
激活函数层是用来引入非线性因素的,激活函数具有非线性、处处可导、单调性等性质。
在一个实施例中,输入层包括全连接层、批归一化层、激活函数层、dropout层。可选的,批归一化可以选自下列中的一种或几种:Sync BatchNorm、Layer Normalization、BatchNorm;可选的,所述激活函数可以选择下列中的一种或几种:sigmoid、tanh和Relu。
在一个实施例中,输入层包括全连接层、BatchNorm、tanh和dropout层。
将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
在一个实施例中,参加图8,所述多个全连接残差模块中的每个所述全连接残差模块包括多个串联连接的子残差模块,所述多个子残差模块中的每个所述子残差模块包括串联连接的全连接层、批归一化层;多个串联可以是2、3、4、5或其他个串联连接的子残差模块,所述残差网络层可以包括2、3、4、5、6、7、8、9、10或其他个串联连接、并联连接、串联连接和并联连接都有的全连接残差模块。
在一个实施例中,参见图7,所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数处理后,作为后一个所述全连接残差模块的输入;优选的,所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入。
在一个实施例中,参加图8,每个所述全连接残差模块包括串联连接的第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层,所述第一子残差模块的输入和所述第二子残差模块的输出共同作为所述每个所述全连接残差模块的输出;优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,作为所述每个所述全连接残差模块的输出;更优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和,经过激活函数处理或激活函数和dropout处理后,作为所述每个所述全连接残差模块的输出;
可选的,参见图9,每个所述全连接残差模块包括串联连接的第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层、第一激活函数层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层、第二激活函数层,所述第一子残差模块的输入和所述第二子残差模块的输出共同作为所述每个所述全连接残差模块的输出;优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,作为所述每个所述全连接残差模块的输出;更优选的,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和,经过激活函数处理或激活函数和dropout处理后,作为所述每个所述全连接残差模块的输出;
在一个实施例中,所述残差网络层包括4个串联连接的全连接残差模块,相邻连接的所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入,所述全连接残差模块包括串联连接的两个第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的全连接层、批归一化层、激活函数层,所述第二子残差模块包括串联连接的全连接层、批归一化层,第一子残差模块的输入和第二子残差模块的输出进行特征求和作为所述全连接残差模块的输出。
将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
在一个实施例中,参见图6,输出层包括全连接层、softmax层。
图3是一种脂肪性肝炎风险诊断装置,包括:
获取单元301,用于获取待测样本的人体基础体征数据;
处理单元302,用于将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵,将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
显示单元303,用于将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
本发明的一个目的在于提供一种脂肪性肝炎风险诊断的残差网络的训练方法,所述残差网络的训练方法包括:
获得具有脂肪性肝炎和不具有脂肪性肝炎的人体基础体征数据;
用于将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵;
将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;
将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果,利用损失函数,计算分类结果和真实值之间的损失,然后进行反向传播,利用优化器进行参数更新。
在一个实施例中,对脂肪性肝炎风险诊断的残差网络进行优化,残差网络层包括3个、4个、5个串联连接的全连接残差模块时,训练集和测试集的AUC值分别为0.791、0.809、0.814和0.785、0.801、0.781。
一种脂肪性肝炎风险诊断的残差网络,参加图4,所脂肪性肝炎风险诊断的述残差网络包括输入层、残差网络层和输出层;输入层包括全连接层、BatchNorm、tanh和dropout层,输出层包括全连接层和softmax层,残差网络层包括4个串联连接的全连接残差模块,所述4个串联连接的全连接残差模块中相邻连接的每两个全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入。优选的,所述全连接残差模块包括串联连接的两个第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层、第一激活函数层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层,第一子残差模块的输入和第二子残差模块的输出进行特征求和作为所述全连接残差模块的输出。
本发明的一个目的在于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的脂肪性肝炎风险诊断的残差网络的训练方法。
本发明中的残差网络、风险诊断设备和系统不仅适用于脂肪性肝炎还适用于NAFLD。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
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 (11)
1.一种脂肪性肝炎风险诊断设备,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程序指令,当程序指令被执行时,用于执行以下操作:
获取待测样本的人体基础体征数据;
将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵,所述人体基础体征数据至少包括下列指标数据中的一种或数种:年龄、性别、是否有糖尿病、是否有高血压、体脂百分数、腹部脂肪面积、身体细胞量、骨矿物含量、基础代谢量、上臂周长;
将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入;每个所述全连接残差模块包括串联连接的第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,经过激活函数和dropout处理后,作为所述每个所述全连接残差模块的输出;
将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
2.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,
所述第一子残差模块和第二子残差模块还包括与第一全连接层、第一批归一化层串联连接的激活函数层。
3.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,所述输入层包括全连接层、批归一化层、激活函数层。
4.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,输入层还包括dropout层。
5.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,所述批归一化可以选自下列中的一种或几种:Sync BatchNorm、Layer Normalization、BatchNorm。
6.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,所述激活函数可以选择下列中的一种或几种:sigmoid、tanh和Relu。
7.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,所述输出层包括全连接层、softmax层。
8.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,获取所述待测样本的人体基础体征数据后,进行归一化处理。
9.根据权利要求1所述的脂肪性肝炎风险诊断设备,其特征在于,所述人体基础体征数据包括临床信息数据和来自下列仪器测量数据中的一种或几种数据:血压计、身高体重仪、多功能分析仪、人体成分分析仪。
10.一种脂肪性肝炎风险诊断系统,包括:
获取单元,用于获取待测样本的人体基础体征数据;
处理单元,用于将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵,所述人体基础体征数据至少包括下列指标数据中的一种或数种:年龄、性别、是否有糖尿病、是否有高血压、体脂百分数、腹部脂肪面积、身体细胞量、骨矿物含量、基础代谢量、上臂周长,将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入;每个所述全连接残差模块包括串联连接的第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,经过激活函数和dropout处理后,作为所述每个所述全连接残差模块的输出;
显示单元,用于将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果。
11.一种脂肪性肝炎风险诊断的残差网络的训练方法,其特征在于,所述残差网络的训练方法包括:
获得具有脂肪性肝炎和不具有脂肪性肝炎的人体基础体征数据;
用于将所述人体基础体征数据输入输入层,在输入层中将所述人体基础体征数据转换为特征矩阵,所述人体基础体征数据至少包括下列指标数据中的一种或数种:年龄、性别、是否有糖尿病、是否有高血压、体脂百分数、腹部脂肪面积、身体细胞量、骨矿物含量、基础代谢量、上臂周长;
将所述特征矩阵输入到残差网络层,在残差网络层中对所述特征矩阵进行特征提取,所述残差网络层包括多个串联连接的全连接残差模块;所述多个串联连接的全连接残差模块中相邻连接的每两个所述全连接残差模块中,前一个所述全连接残差模块的输出经过激活函数和dropout处理后,作为后一个所述全连接残差模块的输入;每个所述全连接残差模块包括串联连接的第一子残差模块和第二子残差模块,所述第一子残差模块包括串联连接的第一全连接层、第一批归一化层,所述第二子残差模块包括串联连接的第二全连接层、第二批归一化层,所述第一子残差模块的输入和第二子残差模块的输出进行特征求和后,经过激活函数和dropout处理后,作为所述每个所述全连接残差模块的输出;
将提取的特征输入到输出层,通过输出层计算得到待测样本是否有脂肪性肝炎风险的分类结果,利用损失函数,计算分类结果和真实值之间的损失,然后进行反向传播,利用优化器进行参数更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050160.3A CN113611410B (zh) | 2021-09-08 | 2021-09-08 | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050160.3A CN113611410B (zh) | 2021-09-08 | 2021-09-08 | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113611410A CN113611410A (zh) | 2021-11-05 |
CN113611410B true CN113611410B (zh) | 2023-03-24 |
Family
ID=78310143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111050160.3A Active CN113611410B (zh) | 2021-09-08 | 2021-09-08 | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113611410B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114317711A (zh) * | 2021-12-30 | 2022-04-12 | 吉林大学第一医院 | 非酒精性脂肪肝的预测方法及装置 |
CN114242247A (zh) * | 2021-12-30 | 2022-03-25 | 吉林大学第一医院 | 一种非肥胖性mafld的预测系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179237A (zh) * | 2019-12-23 | 2020-05-19 | 北京理工大学 | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 |
CN111882509A (zh) * | 2020-06-04 | 2020-11-03 | 江苏大学 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5299960B2 (ja) * | 2006-11-06 | 2013-09-25 | 公立大学法人横浜市立大学 | 脂肪性肝疾患の診断方法、診断装置、診断プログラム、診断薬及び脂肪性肝疾患用治療薬のスクリーニング方法 |
WO2019079202A1 (en) * | 2017-10-16 | 2019-04-25 | Illumina, Inc. | ABERRANT CONNECTION DETECTION USING CONVOLUTION NEURAL NETWORKS (CNN) |
AU2018352203B2 (en) * | 2017-10-16 | 2021-09-30 | Illumina, Inc. | Semi-supervised learning for training an ensemble of deep convolutional neural networks |
WO2021091288A1 (ko) * | 2019-11-06 | 2021-05-14 | 서울대학교병원 | 기계 학습 모델을 이용한 간세포암 예측 방법 및 시스템 |
CN111653365B (zh) * | 2020-07-23 | 2023-06-23 | 中山大学附属第一医院 | 一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统 |
CN112562790A (zh) * | 2020-12-09 | 2021-03-26 | 中国石油大学(华东) | 基于深度学习调控疾病靶点的中药分子推荐系统、计算机设备、存储介质 |
CN113160994A (zh) * | 2020-12-31 | 2021-07-23 | 南京鼓楼医院 | 一种无创筛查非酒精性脂肪性肝炎模型的构建方法、预测系统、设备及存储介质 |
-
2021
- 2021-09-08 CN CN202111050160.3A patent/CN113611410B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179237A (zh) * | 2019-12-23 | 2020-05-19 | 北京理工大学 | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 |
CN111882509A (zh) * | 2020-06-04 | 2020-11-03 | 江苏大学 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113611410A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Völzke et al. | Cohort profile update: the study of health in pomerania (SHIP) | |
CN113611410B (zh) | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 | |
Collen et al. | Automated multiphasic screening and diagnosis | |
CN109308545A (zh) | 预测患糖尿病几率的方法、装置、计算机设备及存储介质 | |
CN110246577B (zh) | 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法 | |
CN110874409A (zh) | 病情分级预测系统、方法、电子设备及可读存储介质 | |
CN114974585A (zh) | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 | |
CN103093112B (zh) | 预警装置 | |
CN103735247B (zh) | 用于健康状态辨识的掌色分析方法 | |
US20140170741A1 (en) | Hepatic fibrosis detection apparatus and system | |
Sloan et al. | Estimating cardiorespiratory fitness without exercise testing or physical activity status in healthy adults: Regression model development and validation | |
CN110249219A (zh) | 风险因素监测 | |
CN115602319B (zh) | 一种无创肝纤维化评估装置 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN114566281A (zh) | 脂肪性肝炎风险诊断设备、系统及其卷积网络的训练方法 | |
CN112002414B (zh) | 一种基于胃液认知胃病的系统、设备、存储介质 | |
KR102369001B1 (ko) | 대사 증후군 점수 추정 방법과 이를 이용한 표시 방법 | |
Haberman et al. | DIAG: a computer-assisted dermatologic diagnostic system—clinical experience and insight | |
JP3300763B2 (ja) | 臨床検査数値データ処理システムとこれを用いた診断プログラムの記録媒体 | |
Aggarwal | A machine learning based approach for the identification of insulin resistance with non-invasive parameters using homa-IR | |
CN114141360A (zh) | 基于惩罚cox回归的乳腺癌预测方法 | |
CN113178109B (zh) | 一种手术仿真测试方法、装置、设备及存储介质 | |
CN110084509A (zh) | 一种针对病例诊断结论进行分级的方法、装置及系统 | |
CN115497630B (zh) | 一种急性重症溃疡性结肠炎数据的处理方法及其系统 | |
CN114049962A (zh) | 一种空腹血糖受损风险预测模型及其应用 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |