CN114496233A - 一种心肌梗死并发症的辅助诊断系统 - Google Patents
一种心肌梗死并发症的辅助诊断系统 Download PDFInfo
- Publication number
- CN114496233A CN114496233A CN202210357200.7A CN202210357200A CN114496233A CN 114496233 A CN114496233 A CN 114496233A CN 202210357200 A CN202210357200 A CN 202210357200A CN 114496233 A CN114496233 A CN 114496233A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- complication
- electrocardiogram
- module
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 91
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000010191 image analysis Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 208000000435 Heart Rupture Diseases 0.000 claims description 8
- 208000007536 Thrombosis Diseases 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000747 cardiac effect Effects 0.000 claims description 8
- 206010007513 Cardiac aneurysm Diseases 0.000 claims description 7
- 208000005228 Pericardial Effusion Diseases 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 210000004912 pericardial fluid Anatomy 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229940099472 immunoglobulin a Drugs 0.000 description 3
- 229940027941 immunoglobulin g Drugs 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 208000021866 Dressler syndrome Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 206010007625 cardiogenic shock Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005831 heart abnormality Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及智慧医疗技术领域，提供了一种心肌梗死并发症的辅助诊断系统，包括：数据获取模块，用于获取患者的医疗数据，所述医疗数据包括生理指标数据、影像数据和心电图数据；影像解析模块，用于根据影像数据，基于预先训练的心脏影像异常检测模型，判断所述患者的心脏异常情况；心电图解析模块，用于根据心电图数据，基于预先训练的心电图异常检测模型，判断所述患者的心脏异常情况；并发症诊断模块，用于根据患者的生理指标数据、影像解析结果和心电图解析结果，基于预先训练的心肌梗死并发症诊断模型，判断出现各类并发症的概率。本发明综合考虑了生理、影像和心电图跨模态数据，提高了并发症诊断准确率。
Description
技术领域
本发明属于智慧医疗技术领域，尤其涉及一种心肌梗死并发症的辅助诊断系统。
背景技术
目前诊断心肌梗死并发症主要通过诊断医师对多种临床检查以及医学影像资料对患者进行综合评估，但是心肌梗死并发症存在影像图像复杂、种类繁多等特点，并且目前对这类病症还缺乏标准化格式，导致对诊断医师有较高的要求，使诊断需要消耗的时间较长、诊断效率低、诊断的重复性较高。
当前的辅助诊断模型主要以根据生理性指标进行线性拟合得到，但是，心肌梗死并发症通常还需要辅以影像数据和心电图数据，线性拟合模型的结果仅能够作为一项参考指标，当前尚未有综合多模态检查数据进行心肌梗死并发症诊断的相关技术。
发明内容
为克服上述现有技术的不足，本发明提供了一种心肌梗死并发症的辅助诊断系统。综合考虑了生理、影像和心电图跨模态数据，提高了诊断准确率，能够为医生诊断提供参考。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种心肌梗死并发症的辅助诊断系统，包括：
数据获取模块，用于获取患者的医疗数据，所述医疗数据包括生理指标数据、影像数据和心电图数据；
影像解析模块，用于根据影像数据，基于预先训练的心脏影像异常检测模型，判断所述患者的心脏异常情况；
心电图解析模块，用于根据心电图数据，基于预先训练的心电图异常检测模型，判断所述患者的心脏异常情况；
并发症诊断模块，用于根据患者的生理指标数据、影像解析结果和心电图解析结果，基于预先训练的心肌梗死并发症诊断模型，判断出现各类并发症的概率。
进一步地，所述数据获取模块获取数据后，还进行数据预处理，包括数据清洗、数据补全和数据变换。
进一步地，所述心脏影像异常检测模型包括心脏破裂检测模块、室壁瘤检测模块、附壁血栓检测模块和心包液检测模块，分别基于训练数据，采用生成对抗网络训练得到。
进一步地，所述系统还包括模型训练模块，用于针对每一类并发症，均根据生理指标数据基于logistic回归分析建立初级诊断模型；以及，基于生理指标数据、影像解析结果和心电图解析结果，基于神经网络建立二级诊断模型。
进一步地，对于一种并发症，二级诊断模型训练方法包括：
获取所述并发症相关的患者生理指标数据、影像解析结果和心电图解析结果进行结构化处理，得到多个特征向量；
基于深度神经网络，训练得到二级诊断模型。
进一步地，所述结构化处理包括：对于生理指标，若存在异常，根据超出正常阈值最大值还是最小值赋值为1或-1，否则赋值为0；对于心脏异常指标，若影像解析或心电图解析结果为异常，则赋值为1，反之赋值为0。
进一步地，对于初级诊断模型和二级诊断模型，均针对每类并发症，根据辅助诊断结果和医生诊断结果，基于欧氏距离计算数据差异，得到初级诊断模型和二级诊断模型对于每类并发症的准确率。
进一步地，所述并发症诊断模块，被配置为：
根据生理指标数据，对于每一类并发症，基于初级诊断模型，获取各类并发症的概率；
根据生理指标数据、影像解析结果和心电图解析结果，基于预先训练的二级诊断模型，得到各类并发症的概率；
以每类并发症初级诊断模型和二级诊断模型的准确率为权重，计算该类并发症的联合概率，联合概率最高的并发症类型即为诊断结果。
进一步地，所述系统还包括治疗方案推荐模块，用于根据并发症诊断结果，获取相关治疗方案。
进一步地，所述系统还包括数据库系统，采用分布式消息系统，根据疾病编码和诊断结果，将心肌梗死并发症相关患者信息、历史检查数据、诊断结果和治疗方案进行分类存储。
以上一个或多个技术方案存在以下有益效果：
本发明利用大数据分析，综合考虑了生理、影像和心电图跨模态数据，在保证诊断准确率的前提下，不仅可以极大地减轻诊断医师工作负担，还可以显著提高诊断的工作效率。
本发明基于logistics回归分析和深度学习两类模型，分别基于生理指标和生理、影像、心电图联合指标进行并发症的预测，然后将两类模型的准确度作为权重，计算各类并发症的联合概率，相较于采用单一模型进行诊断，准确率有所提高。
通过对诊断结果进行评价，能够得知模型针对各类并发症的适用性，有助于进一步有针对性地对模型进行优化。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中心肌梗死并发症的辅助诊断系统框架图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种心肌梗死并发症的辅助诊断系统，包括：数据库系统和辅助诊断系统。
所述数据库系统，用于存储各类心肌梗死并发症的患者医疗数据，所述医疗数据包括患者的历史检查数据和相应治疗方案。
所述数据库系统采用分布式消息系统Kafka，将来自医院、诊所的医疗数据进行整合，根据疾病编码和诊断结果，将相应患者信息、历史检查数据、诊断结果和治疗方案分类存储。分布式消息系统Kafka的核心组件主要包括：主题，即发布在Kafka的消息所属类别，Kafka系统按照不同的主题将消息进行分类。按照心肌梗死并发症分类标准，划分六个主题分别为心脏破裂、室壁瘤、形成附壁血栓、心律失常、心力衰竭和心源性休克、心肌梗死后综合征；生产者，即发布消息到Kafka系统相应主题的信息源或数据源，以心肌梗死并发症治疗方案数据作为生产者，并根据数据所对应的治疗类型分别向心脏破裂、室壁瘤、形成附壁血栓、心律失常、心力衰竭和心源性休克、心肌梗死后综合征六个主题发送消息，所述信息包括患者病历（包括生理数据、影像数据和心电图数据），以及医生出具的相应治疗方案；消费者，即从Kafka系统中提取消息或消费消息的终端或服务，要求消费者具有从Kafka系统获取消息并及时处理的能力，即要求选用的消费者有流畅框架来应对实时场景。
Spark Streaming是Spark核心API的一个扩展，可以实现高吞吐量的、具有容错机制的实时数据流处理，选用Spark Streaming作为消费者，以Spark Streaming为基础获取Kafka系统中的主题数据。
所述数据库系统获取各类心肌梗死并发症的患者医疗数据后，执行以下处理：
（1）对数据进行数据清洗，包括：补全残缺数据；找出并去除或更正错误数据；确认并整理重复数据；
（2）对数据进行数据变换，通过对比最新心肌梗死的诊断标准，剔除检查所得数据中的无关变量，同时也通过平滑处理、合计处理等方式将数据转换成适用的形式；
（3）对数据进行集成存储，通过将清理后的临床检查数据在逻辑上或物理上有效集成，首先，采用SQL语句查询所得数据中不完整的数据项，确保所得数据均可参与运算分析；接着，采用Sqoop技术建立数据与HDFS文件系统之间的数据连接，将数据存入Hadoop的HDFS文件系统中；当数据存入后，采用MapReduce编程方法对数据进行运算分析，并将运算分析后的数据同步上传到HDFS文件系统中，完成数据的预处理。
所述辅助诊断系统，包括：
知识图谱构建模块，用于从所构建好的数据库中获取心肌梗死并发症相关的医学知识、心肌梗死并发症的病发机制，以及心肌梗死并发症患者的心脏影像数据、心电图数据、生理指标数据，并进行知识抽取，对患者数据进行结构化处理，整合为知识图谱。具体地，所述知识图谱构建方法为：构建领域知识图谱，主要包括命名实体识别和关系抽取两个任务。构建的心肌梗死并发症知识图谱主要以<实体，关系，实体>三元组的形式存储，本实施例中，所述实体包括并发症、症状、与各并发症相关的生理检验指标、影像检查指标和心电图检查指标、治疗方法和药品等，所述关系用于表示上述实体之间的语义关系，如分支关系、治疗关系、成因关系等。
知识图谱节点语义分布向量获取。图嵌入是一种知识图谱节点语义分布向量表示技术，可以采用随机游走等算法获得。本实施例采用基于GCN图神经网络来进行图谱节点嵌入表示学习。具体地，通过图卷积神经网络对领域知识图谱中的节点拓扑进行学习，即通过神经网络将图节点的属性和连接关系语义映射到低维空间，从而获得节点的语义分布向量。
上述知识图谱包含了所有心肌梗死并发症的特征数据，形成了心肌梗死并发症语义网络，当需要进行知识推理时，例如根据确诊并发症查找相应治疗方案，则将该并发症转换为语义网络中的节点，使用层级知识图谱嵌入的关键方法实现推理。
模型训练模块，用于从数据库系统获取生理指标数据，建立初级诊断模型；获取心脏异常的影像数据，和异常的心电图数据，分别训练心脏影像异常检测模型和心电图异常检测模型；以及获取确诊各类并发症的患者生理指标数据、影像解析结果和心电图解析结果，训练心肌梗死并发症二级诊断模型。
其中，所述心脏影像异常检测模型中，心脏破裂检测模块、室壁瘤检测模块、附壁血栓检测模块和心包液检测模块等，通过分别获取心脏破裂影像、室壁瘤影像、附壁血栓影像等作为训练数据，采用深度学习模型训练得到。本实施例中，采用生成对抗网络GAN，使用对抗性训练方法联合正向分割网络和反向映射网络来训练该模型，从而获得所需的数据。
所述初级诊断模型基于logistics回归分析构建得到。
所述二级诊断模型基于深度神经网络训练得到，具体包括：
（1）获取训练数据集，所述训练数据集包括各类并发症相应的生理指标、心脏异常指标，并标注相应的并发症类型标签；
（2）对训练数据集进行结构化处理，将每一条数据生成一个特征向量；具体地，对于生理指标，若存在异常，根据超出正常阈值最大值还是最小值赋值为1或-1，否则赋值为0。对于心脏异常指标，若影像解析或心电图解析结果为异常，则赋值为1，反之赋值为0。假设结构化特征数据的结构包括白细胞含量、血红蛋白含量、免疫球蛋白G（IgG）、免疫球蛋白A（IgA）、心脏破裂、室壁瘤、附壁血栓、心包积液、心率异常、心房颤动，若某患者血清检测结果为白细胞明显增多，影像解析结果为心包积液，其他无异常，则该患者的结构化特征数据为[1,0,0,0,0,0,0,0,1,0]。
（3）根据训练数据集特征向量及相应并发症标签，基于深度学习网络，构建二级诊断模型。
所述深度学习网络包括依次连接的三个卷积层和两个全连接层，其中，每两个卷积层之间均连接一个最大池化层。
建立初步诊断模型，还对各类并发症模型的准确率进行计算，并将所述准确率作为后续综合评价的权重。
数据获取模块，用于获取患者的医疗数据，所述医疗数据包括生理指标数据、影像数据和心电图数据；其中，所述影像数据为X线影像或CT影像。
影像解析模块，用于根据影像数据，基于预先训练的心脏影像异常检测模型，判断所述患者的心脏异常情况；所述心脏影像异常检测模型包括心脏破裂检测模块、室壁瘤检测模块、附壁血栓检测模块和心包液检测模块等。
心电图解析模块，用于根据心电图数据，基于预先训练的心电图异常检测模型，判断所述患者的心脏异常情况；所述心电图异常检测模型包括心率异常检测模块、心房颤动检测模块等。
并发症诊断模块，用于根据患者的生理指标数据、影像解析结果和心电图解析结果，基于预先训练的心肌梗死并发症诊断模型，判断出现各类并发症的概率。具体地，可针对各类并发症的概率进行排序，供医生参考。
具体地，包括以下步骤：
（1）根据生理指标数据，基于各类并发症的初步诊断模型，判断可能并发症及概率。
所述各类并发症的初步诊断模型通过logistic线性回归拟合得到。具体地，对每一类并发症，分别根据生理指标数据和是否确诊的关系，确定自变量和对应的因变量值，线性组合可以用logistic回归方程来实现，形式如下
上式中，xi（i=1，2，…,n）为受试者进行某一项临床检查得到的n项生理指标数据，例如白细胞含量、血红蛋白含量、免疫球蛋白G（IgG），免疫球蛋白A（IgA）等，θ=(θ1,θ2,...θi,...,θn)，表示参数向量，其中，θi（i=1,2,…,n）为样本训练拟合出的参数值。
接着，将所得的各项因变量值θTx转换为概率值，可利用Sigmoid函数来实现，形式如下
在完成了由因变量值转换为概率值之后，可利用似然函数，完成对受试者的辅助诊断。
（2）对于每一类并发症，分别根据生理指标数据、影像解析结果和心电图解析结果，基于预先训练的二级诊断模型，判断相应并发症及概率。
首先对生理指标数据进行结构化处理得到所有与心肌梗死并发症相关的生理指标和心脏异常指标。具体地，对于生理指标，若存在异常，根据超出正常阈值最大值还是最小值赋值为1或-1，否则赋值为0，与上文对训练数据进行结构化处理的方法相同。
（3）对于每一类并发症，以初级诊断模型和二级诊断模型的准确率为权重，将经由两个模型得到的概率进行加权求和，计算结果最大的即为诊断结果。
治疗方案推荐模块，用于根据并发症诊断结果，从数据库系统查询相关治疗方案，或者，基于知识图谱获取相关治疗方案，具体地，将得到的心肌梗死并发症诊断结果，结合心脏影像指标、心电图指标、和生理指标数据，建立特征向量。具体地，基于知识图谱对诊断结果及相关指标构建实体表示向量，然后将所述实体表示向量与所述知识图谱进行实体对齐，基于图谱节点路径和图节点语义分布特征进行特征扩展并进行任务关联知识召回，得到相应治疗方案和用药方案。
模型管理模块，用于存储心脏影像异常检测模型和心电图异常检测模型，并在获取新的训练数据时进行更新。
诊断结果评估模块，用于获取辅助诊断结果与诊断医师诊断结果，利用两种结果分别拟合KNN模型，计算出两类数据之间的差距，可以用欧式距离公式来实现，形式如下：
上式中，xi(i=1,2,…,n)为辅助诊断结果中的各项指标数据，yi(i=1,2,…,n)为诊断医师诊断结果中的各项指标数据，d为欧氏距离。
将多次辅助诊断结果与诊断医师诊断结果计算后的d进行大小排序，并选取最小的K个点，K的取值需小于样本总数的平方根，并为奇数。判断K个点分别属于诊断正确与诊断错误当中的哪一类别。
根据分类结果，计算出辅助诊断的准确率。
根据针对并发症的诊断结果，可归纳出当预测诊断结果为哪种类型的心肌梗死并发症时准确率最高，哪种准确率最低，从而有针对性的对模型或输入特征进行优化。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种心肌梗死并发症的辅助诊断系统，其特征在于，包括：
数据获取模块，用于获取患者的医疗数据，所述医疗数据包括生理指标数据、影像数据和心电图数据；
影像解析模块，用于根据影像数据，基于预先训练的心脏影像异常检测模型，判断所述患者的心脏异常情况；
心电图解析模块，用于根据心电图数据，基于预先训练的心电图异常检测模型，判断所述患者的心脏异常情况；
并发症诊断模块，用于根据患者的生理指标数据、影像解析结果和心电图解析结果，基于预先训练的心肌梗死并发症诊断模型，判断出现各类并发症的概率。
2.如权利要求1所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述数据获取模块获取数据后，还进行数据预处理，包括数据清洗、数据补全和数据变换。
3.如权利要求1所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述心脏影像异常检测模型包括心脏破裂检测模块、室壁瘤检测模块、附壁血栓检测模块和心包液检测模块，分别基于训练数据，采用生成对抗网络训练得到。
4.如权利要求1所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述系统还包括模型训练模块，用于针对每一类并发症，均根据生理指标数据基于logistic回归分析建立初级诊断模型；以及，基于生理指标数据、影像解析结果和心电图解析结果，基于神经网络建立二级诊断模型。
5.如权利要求4所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，对于一种并发症，二级诊断模型训练方法包括：
获取所述并发症相关的患者生理指标数据、影像解析结果和心电图解析结果进行结构化处理，得到多个特征向量；
基于深度神经网络，训练得到二级诊断模型。
6.如权利要求4所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述模型训练模块中，针对二级诊断模型的训练数据，还进行结构化处理：对于生理指标，若存在异常，根据超出正常阈值最大值还是最小值赋值为1或-1，否则赋值为0；对于心脏异常指标，若影像解析或心电图解析结果为异常，则赋值为1，反之赋值为0。
7.如权利要求4所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，对于初级诊断模型和二级诊断模型，均针对每类并发症，根据辅助诊断结果和医生诊断结果，基于欧氏距离计算数据差异，得到初级诊断模型和二级诊断模型对于每类并发症的准确率。
8.如权利要求4所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述并发症诊断模块，被配置为：
根据生理指标数据，对于每一类并发症，基于初级诊断模型，获取各类并发症的概率；
根据生理指标数据、影像解析结果和心电图解析结果，基于预先训练的二级诊断模型，得到各类并发症的概率；
以每类并发症初级诊断模型和二级诊断模型的准确率为权重，计算该类并发症的联合概率，联合概率最高的并发症类型即为诊断结果。
9.如权利要求1所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述系统还包括治疗方案推荐模块，用于根据并发症诊断结果，获取相关治疗方案。
10.如权利要求1所述的一种心肌梗死并发症的辅助诊断系统，其特征在于，所述系统还包括数据库系统，采用分布式消息系统，根据疾病编码和诊断结果，将心肌梗死并发症相关患者信息、历史检查数据、诊断结果和治疗方案进行分类存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210357200.7A CN114496233B (zh) | 2022-04-07 | 2022-04-07 | 一种心肌梗死并发症的辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210357200.7A CN114496233B (zh) | 2022-04-07 | 2022-04-07 | 一种心肌梗死并发症的辅助诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114496233A true CN114496233A (zh) | 2022-05-13 |
| CN114496233B CN114496233B (zh) | 2022-07-08 |
Family
ID=81489218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210357200.7A Active CN114496233B (zh) | 2022-04-07 | 2022-04-07 | 一种心肌梗死并发症的辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114496233B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115798713A (zh) * | 2023-02-02 | 2023-03-14 | 中国医学科学院阜外医院 | 病因诊断方法及装置、存储介质及电子设备 |
| CN116525098A (zh) * | 2023-04-06 | 2023-08-01 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
| CN117476217A (zh) * | 2023-12-26 | 2024-01-30 | 山东大学齐鲁医院 | 一种慢性心脏病病情发展趋势预测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的淋巴结良恶性病变辅助诊断方法 |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| CN109934415A (zh) * | 2019-03-22 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
| CN110931112A (zh) * | 2019-12-05 | 2020-03-27 | 电子科技大学中山学院 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
| CN111276218A (zh) * | 2020-01-10 | 2020-06-12 | 宁波智洲道济科技有限公司 | 一种精准诊疗系统、设备及方法 |
| CN111739639A (zh) * | 2020-06-19 | 2020-10-02 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的围手术期并发症的数据预测系统 |
| CN111899866A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的外科手术并发症评测系统 |
| US20210100468A1 (en) * | 2019-10-08 | 2021-04-08 | GE Precision Healthcare LLC | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems |
| CN113409944A (zh) * | 2021-06-25 | 2021-09-17 | 清华大学深圳国际研究生院 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
| CN113724876A (zh) * | 2021-09-10 | 2021-11-30 | 南昌大学第二附属医院 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
-
2022
- 2022-04-07 CN CN202210357200.7A patent/CN114496233B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的淋巴结良恶性病变辅助诊断方法 |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| CN109934415A (zh) * | 2019-03-22 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
| US20210100468A1 (en) * | 2019-10-08 | 2021-04-08 | GE Precision Healthcare LLC | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems |
| CN110931112A (zh) * | 2019-12-05 | 2020-03-27 | 电子科技大学中山学院 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
| CN111276218A (zh) * | 2020-01-10 | 2020-06-12 | 宁波智洲道济科技有限公司 | 一种精准诊疗系统、设备及方法 |
| CN111739639A (zh) * | 2020-06-19 | 2020-10-02 | 杭州联众医疗科技股份有限公司 | 一种基于时间编码的围手术期并发症的数据预测系统 |
| CN111899866A (zh) * | 2020-07-28 | 2020-11-06 | 四川大学华西医院 | 基于深度学习的外科手术并发症评测系统 |
| CN113409944A (zh) * | 2021-06-25 | 2021-09-17 | 清华大学深圳国际研究生院 | 基于深度学习的阻塞性睡眠呼吸暂停检测方法及装置 |
| CN113724876A (zh) * | 2021-09-10 | 2021-11-30 | 南昌大学第二附属医院 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115798713A (zh) * | 2023-02-02 | 2023-03-14 | 中国医学科学院阜外医院 | 病因诊断方法及装置、存储介质及电子设备 |
| CN116525098A (zh) * | 2023-04-06 | 2023-08-01 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
| CN116525098B (zh) * | 2023-04-06 | 2024-04-05 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
| CN117476217A (zh) * | 2023-12-26 | 2024-01-30 | 山东大学齐鲁医院 | 一种慢性心脏病病情发展趋势预测系统 |
| CN117476217B (zh) * | 2023-12-26 | 2024-03-26 | 山东大学齐鲁医院 | 一种慢性心脏病病情发展趋势预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114496233B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114496233B (zh) | 一种心肌梗死并发症的辅助诊断系统 | |
| Dalal et al. | Application of machine learning for cardiovascular disease risk prediction | |
| Perumal et al. | Early prediction of coronary heart disease from cleveland dataset using machine learning techniques | |
| CN109213871A (zh) | 患者信息知识图谱构建方法、可读存储介质和终端 | |
| CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
| Alattab et al. | A smart diseases diagnosis and classification strategy of electronic healthcare application using novel hybrid artificial intelligence approaches | |
| Malaysha et al. | Classification and prediction of Low-Density lipoprotein cholesterol LDL-C in the Palestinian patients using machine learning techniques | |
| Kavitha et al. | Review on cardio vascular disease prediction using machine learning | |
| US20240220815A1 (en) | System for the automated harmonisation of structured data from different capture devices | |
| CN114429822A (zh) | 病历质检方法、装置和存储介质 | |
| Abbas et al. | An Efficient Stacked Ensemble Model for Heart Disease Detection and Classification. | |
| CN113792798A (zh) | 基于多源数据的模型训练方法、装置及计算机设备 | |
| Nyamathulla et al. | Predicting heart disease with hybrid machine learning algorithms | |
| Gold et al. | Heart failure prediction framework using random forest and J48 with Adaboost algorithms | |
| Pareek et al. | Prediction of CKD using expert system fuzzy logic & AI | |
| Cao et al. | Bayesian-Based Symptom Screening for Medical Dialogue Diagnosis | |
| CN110706805A (zh) | 一种基于特征选择的人工智能医疗诊断系统 | |
| CN117112729B (zh) | 基于人工智能的医疗资源对接方法及系统 | |
| CN116211316B (zh) | 多导联心电信号的类型识别方法、系统及辅助系统 | |
| CN117009839B (zh) | 基于异构超图神经网络的患者聚类方法和装置 | |
| Pareek et al. | IoT-Healthcare Based Model for Heart Diseases Classification | |
| Gold et al. | Enhanced LSTM for heart disease prediction in IoT-enabled smart healthcare systems | |
| Raj et al. | Significant feature selection method for health domain using computational intelligence-A case study for heart disease | |
| Desai et al. | Hybrid Model of Machine Learning Algorithms for Prediction of Cardiovascular Disease | |
| Soro et al. | Deep Cardiovascular Clinical Decision Support and Control System |
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 |