CN114242234A - 基于聚合神经网络的tavr术后并发症风险值预测方法 - Google Patents

Abstract

本发明涉及人工智能的深度神经网络技术领域，涉及一种基于聚合神经网络的TAVR术后并发症风险值预测方法，其目的在于提供了一种基于聚合神经网络的TAVR术后并发症风险值预测方法，其构建的聚合神经网络模型包括术前模块、术中模块以及术后模块的聚合神经网络模型，术前模块、术中模块以及术后模块均包括输入层、隐藏层和输出层，每个隐藏层均包括全连接层、批归一化层以及非线性激活函数层；术前模块的隐藏层与术中模块的隐藏层连接，术中模块的隐藏层与术后模块的隐藏层连接；通过本申请的神经网络模型，能够分阶段的给出术后并发症的概率值，提高术后风险的预测精度。

Description

基于聚合神经网络的TAVR术后并发症风险值预测方法

技术领域

本发明属于人工智能的深度神经网络技术领域，涉及一种基于聚合神经网络的TAVR术后并发症风险值预测方法。

背景技术

随着科技的发展，以深度神经网络为代表的人工智能技术得到了飞速发展，其经过模型构建和模型训练后，能够很好的提取数据中蕴含的知识，实现数据空间相关性和时空相关性的预测，例如授权专利号为202011200812.2的一种疾病风险预测系统、方法、装置、设备及介质，以及授权专利号为202010112710.9的一种基于大数据的疾病预测系统，都是利用深度神经网络，在大量数据上训练，从而实现对于疾病风险值的预测。

伴随着我国人口老龄化的发展趋势，与年龄相关的瓣膜疾病负担也随之增高。其中主动脉瓣狭窄发病率高，患者出现症状后未行手术干预2年死亡率超过50％，严重威胁人民的生命健康。经导管主动脉瓣置换(transcatheter aortic valve replacement，TAVR)自2002年实施首例人体植入以来，发展迅速。其相比于外科手术创伤小，恢复快，且治疗效果相当。目前TAVR已成为无论何种外科手术风险的主动脉瓣狭窄患者的指南推荐治疗。

但是，在主动脉疾病的TAVR治疗时代，如何降低术后并发症出现的风险，如血栓、出血等，如何对潜在并发症风险进行预测，对于改善患者治疗质量，提高患者生存水平，已经成为亟待解决的关键问题。

在术后风险预测方面，已经形成诸多的研究成果。比如，申请号为201180029360.1的发明专利就公开了一种涉及在受试者中预测由手术干预导致的与急性肾损伤AKI相关的不良事件的风险的方法，申请号为201280043320.4的发明专利就提供了用于基于生物标记物L-FABP诊断与急性事件后或外科手术后相关的急性肾损伤的设备和方法。但是，目前大部分术后风险预测的方法都属于传统的统计机器学习方法，这些方法面临着几个问题：第一，传统的机器学习方法需要特别复杂的特征工程；第二，需要依赖领域专家的知识进行特征筛选、标注；第三，传统的机器学习方法不适合处理高纬度的特征信息；第四，传统的机器学习大多为线性模型，很难学习特征之间的非线性关系。此外，现有的基于神经网络的风险预测更多的是预测风险产生的大致情况，比如风险较高、风险较低，但是具体产生这一风险的概率如何，具体概率值是多少，其并不能得出详尽风险产生的概率值，风险预测精度偏低，其预测的结论可供参考的作用有限，需基于更多的医生经验、检测结果加以辅助。

发明内容

为解决上述现有技术中存在的挑战与问题，如无法预测术后并发症风险的具体概率值、风险预测精度偏低、无法遵循临床事件的时序关系等，本发明提供了一种基于聚合神经网络的TAVR术后并发症风险值预测方法，通过本申请的神经网络模型，能够分阶段的给出术后并发症的概率值，提高术后风险的预测精度。

为解决以上技术问题，本发明采用的技术方案如下：

一种基于聚合神经网络的TAVR术后并发症风险值预测方法，包括以下步骤：

步骤1，数据获取；

步骤2，数据清洗与编码；

步骤3，构建聚合神经网络模型；

构建包括术前模块、术中模块以及术后模块的聚合神经网络模型，术前模块、术中模块以及术后模块均包括输入层、隐藏层和输出层，每个隐藏层均包括全连接层、批归一化层以及非线性激活函数层；术前模块的隐藏层与术中模块的隐藏层连接，术中模块的隐藏层与术后模块的隐藏层连接；

步骤4，训练聚合神经网络模型；

采用步骤2处理后的数据对步骤3构建的聚合神经网络模型进行训练；

步骤5，风险预测；

利用训练好的聚合神经网络模型对待预测对象进行风险预测，预测出待预测对象术后并发症的风险概率值。

其中，该术前模块包括一个输入层、一个隐藏层和一个输出层，术中模块包括一个输入层、两个隐藏层和一个输出层，术后模块包括一个输入层、三个隐藏层和一个输出层；

术前模块的隐藏层与术中模块的第一个隐藏层连接，术中模块的第二个隐藏层与术后模块的第一个隐藏层连接。

该步骤1中的数据来源于医院的TAVR数据库，收集患有主动脉瓣狭窄并经导管主动脉瓣置换术的患者数据，每位患者的数据均包括了术前、术中以及术后的临床数据。

在步骤2中，数据清洗与编码包括数据编码处理和缺失值填充处理；

数据编码处理，是指对于临床数据中的连续临床变量数据，采用浮点数进行编码；对于临床数据中的离散临床变量数据，采用整数进行编码；

缺失值填充处理，是指对于临床数据中的离散临床变量数据，采用数值-1填充缺失值；对于临床数据中的连续临床变量数据，使用sk learn库中的随机森林算法来计算并填充缺失值。

在数据编码处理和缺失值填充处理前进行终点事件分析，数据获取时，观察患者术后三年的并发症发生，若患者在术后三年内出现术后并发症，则产生终点事件，且采集终点事件以前的患者数据并用于聚合神经网络模型的训练。

步骤5中，给定患者i，采用聚合神经网络模型计算风险值的具体步骤为：

步骤5.1，将患者i的临床数据x_i分为术前临床数据

术中临床数据

术后临床数据

步骤5.2，将术前临床数据

输入术前模块的输入层，得到并发症预测的术前风险指数

步骤5.3，将术中临床数据

输入到术中模块，术中模块聚合术中临床数据

中的特征数据和通过术前模块传来的术前临床数据

中的特征数据，得到并发症预测的术中风险指数

步骤5.4，将术后临床数据

输入到术后模块，术后模块聚合术后临床数据

中的特征数据和通过术中模块传来的术中临床数据

术前临床数据

中的特征数据，得到并发症预测的术后风险指数

步骤4中，训练聚合神经网络模型时采用的损失函数为：

Loss＝α*L(P^pre)+β*L(P^mid)+γ*L(P^post)

其中，α、β、γ为三个常量系数，L(P^pre)、L(P^mid)和L(P^post)分别定义为：

其中n表示样本个数，i、j表示患者索引，S_i是患者i的终点状态；t_i表示患者i的生存时间；R(t_i)表示t_i时刻的风险集，即生存时间大于t_i的患者的索引的集合；

表示并发症预测的术前风险指数，

表示并发症预测的术中风险指数，

表示并发症预测的术后风险指数。

在聚合神经网络模型训练好后，利用未经过人工筛选的数据集分别采用传统Cox模型和聚合神经网络模型，进行并发症发生风险值预测，评估模型性能。

与现有技术相比，本发明的有益效果体现在三个方面。第一，既往相关TAVR术后风险评估多为定性或半定量方式，本发明将患者TAVR术后的风险值转化为具体的预测的风险概率值，医生可直观的从装置上得到定量的风险评估概率，为临床决策制定与患者的风险分层提供决策指导依据。第二，深度聚合神经网络模型具有很好的非线性表达能力，可以自动学习TAVR患者的临床数据与其术后并发症之间的非线性关系。该方法避免了传统方法需要依赖领域专家的知识进行特征筛选的问题，并且能够突破传统COX模型线性假设的局限。第三，既往风险评价方法或装置多关注于术前、术中或者术后某个固定节点，对于TAVR术后并发症风险预测，本发明能够同时随着时间的推移，依据这三个节点所获取的数据，给出这三个节点状态下对于术后并发症的风险指数(即术前风险指数、术中风险指数和术后风险指数)。最后，本发明对于TAVR患者术后的风险预测准确性高，体现在准确度、敏感性、特异性以及受试者特征分析曲线下面积均优于传统的Cox模型风险评估工具。

附图说明

图1为本发明的流程图；

图2为本发明中聚合神经网络模型的流程图；

其中，附图中的

表示患者i的并发症预测的术前风险指数，

表示患者i的并发症预测的术中风险指数，

表示患者i的并发症预测的术后风险指数。

具体实施方式

下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。

本实施例提供一种基于神经网络的TAVR术后出血风险概率的评估方法，具体如图1所示，其包括如下步骤：

步骤1、数据获取；

在进行数据获取时，数据来源于医院的TAVR数据库的样本数据，在这些样本数据中去除掉符合以下三种情况的样本数据：a)手术后30天内死亡的病人；b)在手术过程中被转移动到外科主动脉瓣(SAVR)的病人；c)手术后6个月内失去随访的病人。在符合条件的样本数据中，最后选择、收集了患有主动脉瓣狭窄并经导管主动脉瓣置换术(TAVR)的668个患者的数据作为样本数据，且每位患者的数据均包括了60个临床变量。

这60个临床变量具体如下：

表1临床资料变量数据汇总表

表1为样本数据中收集的每位患者的临床资料变量数据,共计60个临床变量数据，该表1详细例举了每个临床变量数据的名称，该变量是属于术前、术中还是术后数据，还明确了对应变量的变量属性。

在表1中，字段“阶段”为“术前”表示该变量为术前数据，为“术中”表示该变量为术中数据，为“术后”表示该变量为术后数据；字段“变量属性”为“并发”表示术后即刻并发症，字段“变量属性”为“超声”表示术后超声。

步骤2、数据清洗与编码；

该步骤包括生存分析终点事件定义、变量数据编码和缺失值填充。

本实施实例中以术后出血作为要考察的术后并发症，因此终点事件定义为是否出现出血。因为收集数据时是观察患者术后三年的出血情况，在这过程中是否产生终点事件，对样本数据时有所选择的。确定样本数据所对应的患者术后是否产生终点事件，若患者在三年内发生了终点事件，那该患者的样本数据中将删除终点事件以后的样本数据，仅保留终点事件发生以前的数据并用于后续的模型训练、评估；若患者在三年内没有发生终点事件，那该患者的所有样本数据用于后续的模型训练、评估。对于患者i，如果该患者在三年内发生了终点事件，那么该患者的终点状态s_i＝1，发生出血的时间记作t_i；否则该患者的终点状态记作s_i＝0，生存时间t_i为其失访时间或者观察结束的时间。

为了得到患者i的输入数据x_i，需要对临床变量进行数据编码、缺失值填充处理。该数据编码是指在60个临床资料变量中，若某临床资料变量为连续变量，则将其编码为浮点数，并使用sklearn中的随机森林算法来计算并填充每个连续变量中的缺失值；若某临床资料变量不是连续变量，是除连续变量以外的其他变量，则这些其他变量均采用离散值来编码，并使用-1来填充其缺失值。

在经过数据清洗与编码后，对于每个患者i预处理后的其临床数据可以用一个三元组表示为(x_i，s_i，t_i)，其中，x_i是输入向量，s_i表示终点事件是否发生，t_i表示病人的生存时间，即从观察开始到终点事件发生或者失访或观察结束之间的时间。

步骤3、构建聚合神经网络模型；

聚合神经网络模型包括术前模块、术中模块以及术后模块。每个模块均包含一个输入层、一个输出层和多个隐藏层，每个隐藏层包括：全连接层、批归一化层以Relu及非线性激活函数层。具体地，如图2所示，术前模块包含1个隐藏层，其全连接层神经元个数为128；术中模块包含2个隐藏层，其全连接层神经元个数分别为64、32；术后模块包含3个隐藏层，其全连接层神经元个数分别为128、64、32。特别地，术前模块的第一个隐藏层与术中模块的第一个隐藏层连接，而术中模块的第二个隐藏层与术后模块的第一个隐藏层连接。

聚合神经网络模型能够依据患者在三个阶段的数据，计算输出三个不同阶段的并发症预测的风险指数(即术前风险指数、术中风险指数和术后风险指数)，每个风险指数反应了对于患者所处的不同阶段的风险评估。

步骤4、训练聚合神经网络模型；

在训练聚合神经网络模型时，使用多任务学习框架，同时优化三个并发症预测的风险指数(即术前风险指数、术中风险指数和术后风险指数)。具体的，训练训练聚合神经网络模型的损失函数定义为：

Loss＝α*L(P^pre)+β*L(P^mid)+γ*L(P^post)

其中，α、β、γ为三个常量系数，L(P^pre)、L(P^mid)和L(P^post)分别定义为：

其中n表示样本个数，i、j表示患者索引，s_i是患者i的终点状态；t_i表示患者i的生存时间；R(t_i)表示t_i时刻的风险集，即生存时间大于t_i的患者的索引的集合；

表示并发症预测的术前风险指数，

表示并发症预测的术中风险指数，

表示并发症预测的术后风险指数。

在训练聚合神经网络模型时，采用Adam算法。初始学习率为0.0001，训练轮数为100，批次大小为64。

模型训练完成后，使用C-index评估模型的性能。在同样的未经过人工筛选的数据集上分别采用广泛的传统Cox模型和聚合神经网络模型，进行出血风险值预测，并进行对比实验，传统的Cox模型的C-index明显低于聚合神经网络模型。具体地，Cox模型的C-index值为0.71，而聚合神经网络模型中术前、术中、术后模块给出的三个出血风险值，对应的C-index分别为0.68，0.8，0.88。这表明本发明提出的方法显著优于传统的生存分析Cox模型。特别地，本发明提出的方法，能够根据病人所处的时段，分别给出患者术后出血的风险值，具有更强的实际应用价值。

步骤5、风险预测；

利用训练好的聚合神经网络模型对新的预测对象进行风险值的预测，预测出预测对象的术后产生出血风险的概率值。

在进行预测时，给定患者i，采用聚合神经网络模型计算风险值的具体步骤为：

步骤5.1，将患者i的临床数据x_i分为术前临床数据

术中临床数据

术后临床数据

步骤5.2，将术前临床数据

输入术前模块的输入层，得到并发症预测的术前风险指数

步骤5.3，将术中临床数据

输入到术中模块，术中模块聚合术中临床数据

中的特征数据和通过术前模块传来的术前临床数据

中的特征数据，得到并发症预测的术中风险指数

步骤5.4，将术后临床数据

输入到术后模块，术后模块聚合术后临床数据

中的特征数据和通过术中模块传来的术中临床数据

术前临床数据

中的特征数据，得到并发症预测的术后风险指数

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (8)

1.一种基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于，包括以下步骤：

步骤1，数据获取；

步骤2，数据清洗与编码；

步骤3，构建聚合神经网络模型；

构建包括术前模块、术中模块以及术后模块的聚合神经网络模型，术前模块、术中模块以及术后模块均包括输入层、隐藏层和输出层，每个隐藏层均包括全连接层、批归一化层以及非线性激活函数层；术前模块的隐藏层与术中模块的隐藏层连接，术中模块的隐藏层与术后模块的隐藏层连接；

步骤4，训练聚合神经网络模型；

采用步骤2处理后的数据对步骤3构建的聚合神经网络模型进行训练；

步骤5，风险预测；

利用训练好的聚合神经网络模型对待预测对象进行风险预测，预测出待预测对象术后并发症的风险概率值。

2.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：术前模块包括一个输入层、一个隐藏层和一个输出层，术中模块包括一个输入层、两个隐藏层和一个输出层，术后模块包括一个输入层、三个隐藏层和一个输出层；

术前模块的隐藏层与术中模块的第一个隐藏层连接，术中模块的第二个隐藏层与术后模块的第一个隐藏层连接。

3.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：步骤1中的数据来源于医院的TAVR数据库，收集患有主动脉瓣狭窄并经导管主动脉瓣置换术的患者数据，每位患者的数据均包括了术前、术中以及术后的临床数据。

4.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：步骤2中，数据清洗与编码包括数据编码处理和缺失值填充处理；

数据编码处理，是指对于临床数据中的连续临床变量数据，采用浮点数进行编码；对于临床数据中的离散临床变量数据，采用整数进行编码；

缺失值填充处理，是指对于临床数据中的离散临床变量数据，采用数值-1填充缺失值；对于临床数据中的连续临床变量数据，使用sklearn库中的随机森林算法来计算并填充缺失值。

5.如权利要求4所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：在数据编码处理和缺失值填充处理前进行终点事件分析，数据获取时，观察患者术后三年内的并发症发生情况，若患者在术后三年内出现术后并发症，则产生终点事件，且采集终点事件以前的患者数据并用于聚合神经网络模型的训练。

6.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：步骤5中，给定患者i，采用聚合神经网络模型计算风险值的具体步骤为：

步骤5.1，将患者i的临床数据x_i分为术前临床数据

术中临床数据

术后临床数据

步骤5.2，将术前临床数据

输入术前模块的输入层，得到并发症预测的术前风险指数

步骤5.3，将术中临床数据

输入到术中模块，术中模块聚合术中临床数据

中的特征数据和通过术前模块传来的术前临床数据

中的特征数据，得到并发症预测的术中风险指数

步骤5.4，将术后临床数据

输入到术后模块，术后模块聚合术后临床数据

中的特征数据和通过术中模块传来的术中临床数据

术前临床数据

中的特征数据，得到并发症预测的术后风险指数

7.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：步骤4中，训练聚合神经网络模型时采用的损失函数为：

Loss＝α*L(P^pre)+β*L(P^mid)+γ*L(P^post)

其中，α、β、γ为三个常量系数，L(P^pre)、L(P^mid)和L(P^post)分别定义为：

其中n表示样本个数，i、j表示患者索引，S_i是患者i的终点状态；t_i表示患者i的生存时间；R(t_i)表示t_i时刻的风险集，即生存时间大于t_i的患者的索引的集合；

表示并发症预测的术前风险指数，

表示并发症预测的术中风险指数，

表示并发症预测的术后风险指数。

8.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：

聚合神经网络模型训练好后，利用未经过人工筛选的数据集分别采用传统Cox模型和聚合神经网络模型，进行并发症发生风险值预测，评估模型性能。

Images