CN114913982A - 基于对比学习的终末期肾病并发症风险预测系统 - Google Patents

基于对比学习的终末期肾病并发症风险预测系统 Download PDF

Info

Publication number
CN114913982A
CN114913982A CN202210838416.5A CN202210838416A CN114913982A CN 114913982 A CN114913982 A CN 114913982A CN 202210838416 A CN202210838416 A CN 202210838416A CN 114913982 A CN114913982 A CN 114913982A
Authority
CN
China
Prior art keywords
complication
data
characterization
risk prediction
amplification
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
Application number
CN202210838416.5A
Other languages
English (en)
Other versions
CN114913982B (zh
Inventor
李劲松
王丰
池胜强
田雨
周天舒
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202210838416.5A priority Critical patent/CN114913982B/zh
Publication of CN114913982A publication Critical patent/CN114913982A/zh
Application granted granted Critical
Publication of CN114913982B publication Critical patent/CN114913982B/zh
Priority to US18/352,216 priority patent/US11875882B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)

Abstract

本发明公开了一种基于对比学习的终末期肾病并发症风险预测系统，包括终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。本发明基于倾向性得分匹配与SMOTE结合，进行数据扩增和正负样本匹配，以扩增结构化的终末期肾病数据，并解决正负样本不均衡的问题；从多个角度防止特征崩溃现象，获得更好的表征效果，从而提高模型性能。

Description

基于对比学习的终末期肾病并发症风险预测系统
技术领域
本发明涉及一种医疗健康信息技术领域，尤其涉及一种基于对比学习的终末期肾病并发症风险预测系统。
背景技术
终末期肾病病程长，在长期的治疗过程中可能发生多种并发疾病，包括血管通路感染、高血压、冠心病、失眠、抑郁等，严重影响患者生存质量。因此，对终末期肾病并发症进行风险预测及早期干预十分必要。在长期的治疗过程中，医院电子信息系统随时间积累了大量的结构化医疗数据，包含了多维度、多尺度的临床特征以及多种类的结局事件标签。真实场景下的临床数据面临结构复杂、正负样本不均衡、部分类别样本量较少的问题，难以直接应用现有的机器学习方法获得有效的预测结果。当今对比学习已经广泛应用于各个领域，通过对比式的学习架构学习表征从而提升整体模型性能，但是将其应用于终末期肾病并发症风险预测仍然面临一些问题。一方面传统对比学习容易发生特征崩溃问题。自监督式的对比学习的一个弊端在于没有正负样例的修正，非常容易把所有输入映射到同一向量，从而发生特征崩溃问题。即使引入标签数据进行监督学习，虽然嵌入向量不会完全崩溃，但它们仍有可能会沿着特定的维度崩溃，这导致嵌入向量只能在较低维度的子空间中有效。另一方面，传统对比学习面向图像数据和文本数据，其数据扩增方法（如图像的翻转、变色、缩放等操作）并不适用于结构化的医疗数据。
本专利旨在克服现有技术的不足，针对终末期肾病场景下的复杂数据难以融合处理以及标签不均衡等问题，提出一种基于对比学习的终末期肾病并发症风险预测系统，构建终末期肾病并发症风险预测系统，为临床决策提供准确、有效的决策支持。
发明内容
本发明的目的在于提供一种基于对比学习的终末期肾病并发症风险预测系统，解决了现有技术中终末期肾病场景下的复杂数据难以融合处理以及标签不均衡的问题。
本发明采用的技术方案如下：
一种基于对比学习的终末期肾病并发症风险预测系统，包括：
终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；
并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
进一步地，所述终末期肾病数据准备模块具体包括：
数据获取单元，用于利用医院电子信息系统和日常监测设备提取结构化数据；
数据清洗单元，用于对所述结构化数据进行缺失值处理、错误值的检测、重复数据的消除和/或不一致性的消除操作，得到静态数据、一维时序数据和二维时序数据；
数据融合单元，用于对所述一维时序数据和所述二维时序数据分别采用一维卷积、二维卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到原始融合特征；
数据扩增单元，用于将所述原始融合特征采用倾向性得分匹配与SMOTE相结合的数据扩增方法，得到扩增结构化数据。
进一步地，所述结构化数据包括人口统计学数据、手术数据、用药数据、化验数据、诊断数据和日常监测数据。
进一步地，所述数据扩增单元具体包括：
融合特征组件：用于将发生终末期肾病并发症的患者作为正样本，未发生终末期肾病并发症的患者作为负样本，以所述原始融合特征来表示正样本和负样本，将所述正样本和所述负样本的原始融合特征进行归一化操作，得到融合特征；
倾向性评分组件：用于任意选取所述融合特征的一个维度作为干预变量，所述融合特征的其余维度作为协变量集，通过损失函数优化，得到倾向性评分；
匹配组件：用于所有所述正样本构成正样本全集，所有所述负样本构成负样本全集，所述正样本全集基于所述倾向性评分匹配所述负样本全集中的负样本子集；
正样本扩增组件：用于对所述正样本全集通过SMOTE算法获得扩增正样本，所述正样本全集和所述扩增正样本构成正样本扩增集；
负样本扩增组件：用于对所述负样本子集通过SMOTE算法获得扩增负样本，所述负样本子集和所述扩增负样本构成负样本扩增集；
扩增组件：用于将所述正样本扩增集和所述负样本扩增集共同构成扩增结构化数据。
进一步地，所述并发症风险预测模块具体包括：
并发症表征学习模型构建单元：用于构建并发症表征学习模型；
并发症风险预测模型构建单元：用于构建并发症风险预测模型；
并发症表征学习单元：用于对所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征；
风险预测单元：用于将所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
进一步地，所述并发症表征学习模型构建单元具体包括：
并发症表征学习模型定义组件：用于构建网络结构和总损失函数；
并发症表征学习模型优化组件：用于通过梯度下降法对所述网络结构中的参数进行优化，使得总损失函数达到收敛，完成并发症表征学习模型的构建。
进一步地，所述并发症表征学习模型定义组件具体包括：
参数定义块：用于定义网络结构的超参数，包括编码器和投影器；
特征归一块：用于将所述扩增结构化数据成对的输入至所述编码器，得到初始的并发症表征，所述初始的并发症表征通过所述投影器得到对比表征，所述对比表征经过特征归一化操作得到归一化表征；
总损失定义块：用于利用归一化表征、协方差项、方差项、类别相似度量项和扩增相似度量项构建总损失函数。
进一步地，所述并发症风险预测模型构建单元具体包括：
并发症风险预测模型定义组件：用于定义终末期肾病并发症风险预测网络的网络结构，并选择所述终末期肾病并发症风险预测网络的激活函数和损失函数、优化方法；
并发症风险预测模型优化组件：用于利用优化方法对所述并发症风险预测网络进行训练，完成并发症风险预测模型的构建。
本发明的有益效果是：
1、提出基于倾向性得分的数据扩增和正负样本匹配的方法，以扩增结构化的终末期肾病数据，并解决正负样本不均衡的问题。
2、提出分层对比的学习架构，针对扩增数据、同类别数据、不同类别数据在不同层次进行相似性比较，使用协方差项、方差项、类别相似度量项、扩增相似度量项构建对比损失函数，以更全面的视角从多个角度防止特征崩溃现象，获得好的表征效果，从而提高模型性能。
3、传统倾向性评分匹配方法仅能处理二分类变量，本发明改进了倾向性评分的损失优化方法，使其可以处理连续值的变量。
附图说明
图1为本发明一种基于对比学习的终末期肾病并发症风险预测系统示意图；
图2为本发明一种基于对比学习的终末期肾病并发症风险预测方法流程图；
图3为本发明实施例终末期肾病数据准备模块示意图；
图4为本发明实施例并发症风险预测模块示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，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，都属于本发明保护的范围。
参见图1，一种基于对比学习的终末期肾病并发症风险预测系统，包括：
终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；
并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
所述终末期肾病数据准备模块具体包括：
数据获取单元，用于利用医院电子信息系统和日常监测设备提取结构化数据；
数据清洗单元，用于对所述结构化数据进行缺失值处理、错误值的检测、重复数据的消除和/或不一致性的消除操作，得到静态数据、一维时序数据和二维时序数据；
数据融合单元，用于对所述一维时序数据和所述二维时序数据分别采用一维卷积、二维卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到原始融合特征；
数据扩增单元，用于将所述原始融合特征采用倾向性得分匹配与SMOTE相结合的数据扩增方法，得到扩增结构化数据。
所述结构化数据包括人口统计学数据、手术数据、用药数据、化验数据、诊断数据和日常监测数据。
所述数据扩增单元具体包括：
融合特征组件：用于将发生终末期肾病并发症的患者作为正样本，未发生终末期肾病并发症的患者作为负样本，以所述原始融合特征来表示正样本和负样本，将所述正样本和所述负样本的原始融合特征进行归一化操作，得到融合特征；
倾向性评分组件：用于任意选取所述融合特征的一个维度作为干预变量，所述融合特征的其余维度作为协变量集，通过损失函数优化，得到倾向性评分；
匹配组件：用于所有所述正样本构成正样本全集，所有所述负样本构成负样本全集，所述正样本全集基于所述倾向性评分匹配所述负样本全集中的负样本子集；
正样本扩增组件：用于对所述正样本全集通过SMOTE算法获得扩增正样本，所述正样本全集和所述扩增正样本构成正样本扩增集；
负样本扩增组件：用于对所述负样本子集通过SMOTE算法获得扩增负样本，所述负样本子集和所述扩增负样本构成负样本扩增集；
扩增组件：用于将所述正样本扩增集和所述负样本扩增集共同构成扩增结构化数据。
所述并发症风险预测模块具体包括：
并发症表征学习模型构建单元：用于构建并发症表征学习模型；
并发症风险预测模型构建单元：用于构建并发症风险预测模型；
并发症表征学习单元：用于对所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征；
风险预测单元：用于将所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
所述并发症表征学习模型构建单元具体包括：
并发症表征学习模型定义组件：用于构建网络结构和总损失函数；
并发症表征学习模型优化组件：用于通过梯度下降法对所述网络结构中的参数进行优化，使得总损失函数达到收敛，完成并发症表征学习模型的构建。
所述并发症表征学习模型定义组件具体包括：
参数定义块：用于定义网络结构的超参数，包括编码器和投影器；
特征归一块：用于将所述扩增结构化数据成对的输入至所述编码器，得到初始的并发症表征，所述初始的并发症表征通过所述投影器得到对比表征，所述对比表征经过特征归一化操作得到归一化表征；
总损失定义块：用于利用归一化表征、协方差项、方差项、类别相似度量项和扩增相似度量项构建总损失函数。
所述并发症风险预测模型构建单元具体包括：
并发症风险预测模型定义组件：用于定义终末期肾病并发症风险预测网络的网络结构，并选择所述终末期肾病并发症风险预测网络的激活函数和损失函数、优化方法；
并发症风险预测模型优化组件：用于利用优化方法对所述并发症风险预测网络进行训练，完成并发症风险预测模型的构建。
参见图2，一种基于对比学习的终末期肾病并发症风险预测方法，包括以下步骤：
步骤S1：利用医院电子信息系统和日常监测设备通过终末期肾病数据准备模块提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；
步骤S2：通过并发症风险预测模块构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
实施例：
参见图3，终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；
数据获取单元，用于利用医院电子信息系统和日常监测设备提取结构化数据；所述结构化数据包括人口统计学数据、手术数据、用药数据、化验数据、诊断数据和日常监测数据；人口统计学数据：性别、年龄、民族、地区；手术数据：主要是血管通路手术信息；用药数据：透析方案、并发症用药等；化验数据：肌酐、尿素氮等；诊断数据：并发症；日常监测数据：血压、体重等。
数据清洗单元，用于对所述结构化数据进行缺失值处理、错误值的检测、重复数据的消除和/或不一致性的消除操作，得到静态数据、一维时序数据和二维时序数据；数据清洗单元主要筛除不符合常理的脏数据。以血压数据为例，首先筛除包含特殊字符的血压数据。其次，筛除收缩压超过250mmHg或小于60mmHg的数据。
数据融合单元，用于对所述一维时序数据和所述二维时序数据分别采用一维卷积、二维卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到原始融合特征；
数据融合单元主要融合多维度、多尺度的临床结构化数据特征，将之规整为统一结构，方便后续方法使用。结构化数据主要包括性别、年龄等静态数据，肌酐、尿素氮等一维时序数据，以及血压（单次血液透析过程内部、多次血液透析过程之间两个时间维度）等二维时序数据。
数据扩增单元，用于将所述原始融合特征采用倾向性得分匹配与SMOTE相结合的数据扩增方法，得到扩增结构化数据；数据扩增单元主要用于增加样本多样性并解决正负样本不均衡的问题。本发明采用倾向性得分匹配与SMOTE相结合的数据扩增方法，以扩增结构化的终末期肾病数据，并解决正负样本不均衡的问题。
融合特征组件：用于将发生终末期肾病并发症的患者作为正样本，未发生终末期肾病并发症的患者作为负样本，以所述原始融合特征来表示正样本和负样本，将所述正样本和所述负样本的原始融合特征进行归一化操作，得到融合特征；本实施例具体利用发生心血管并发症的患者作为正样本，未发生心血管并发症的患者作为负样本；
对所述正样本和所述负样本进行0-1归一化操作，归一化后样本x的融合特征为
(x1, x2,···, xm)，
Figure 208059DEST_PATH_IMAGE001
。
其中，
Figure 294964DEST_PATH_IMAGE002
表示第m维的原始融合特征，
Figure 830987DEST_PATH_IMAGE003
表示第m维原始融合特征的最小值，
Figure 737763DEST_PATH_IMAGE004
表示第m维原始融合特征的最大值。
倾向性评分组件：用于任意选取所述融合特征的一个维度作为干预变量，所述融合特征的其余维度作为协变量集，通过损失函数优化，得到倾向性评分；
选择所述融合特征x的任意一个维度
Figure 453653DEST_PATH_IMAGE005
(v=1,2,···,m)作为干预变量，其余维度
Figure 519698DEST_PATH_IMAGE006
=（
Figure 367568DEST_PATH_IMAGE007
···,
Figure 886274DEST_PATH_IMAGE008
）为协变量集，以
Figure 579424DEST_PATH_IMAGE006
拟合
Figure 437658DEST_PATH_IMAGE005
，即
Figure 816949DEST_PATH_IMAGE009
作为干预变量
Figure 698318DEST_PATH_IMAGE010
的倾向性评分。
通过损失函数
Figure 319792DEST_PATH_IMAGE011
来优化参数
Figure 235795DEST_PATH_IMAGE012
，优化方法可选梯度下降adam法等。其中||∙||1表示L1范数，n为总样本量，
Figure 18944DEST_PATH_IMAGE013
为第i个样本的第v个变量，
Figure 387608DEST_PATH_IMAGE014
为
Figure 750456DEST_PATH_IMAGE013
的倾向性评分，即
Figure 144135DEST_PATH_IMAGE015
。
匹配组件：用于所有所述正样本构成正样本全集，所有所述负样本构成负样本全集，所述正样本全集基于所述倾向性评分匹配所述负样本全集中的负样本子集；
所有所述正样本构成正样本全集记作
Figure 973551DEST_PATH_IMAGE016
；所有所述负样本构成负样本全集记作
Figure 954145DEST_PATH_IMAGE017
。选择任意所述正样本
Figure 58367DEST_PATH_IMAGE018
，所述正样本
Figure 542438DEST_PATH_IMAGE019
的融合特征表示为
Figure 808335DEST_PATH_IMAGE020
。选择任意特征b作为所述正样本
Figure 213908DEST_PATH_IMAGE021
的干预变量
Figure 482341DEST_PATH_IMAGE022
，则所述正样本
Figure 961864DEST_PATH_IMAGE021
的倾向性评分为
Figure 523295DEST_PATH_IMAGE023
，基于倾向性评分匹配合适的负样本
Figure 353848DEST_PATH_IMAGE024
，负样本
Figure 658927DEST_PATH_IMAGE024
的融合特征表示为
Figure 992957DEST_PATH_IMAGE025
，使得
Figure 725289DEST_PATH_IMAGE026
，其中
Figure 603990DEST_PATH_IMAGE027
。基于以上匹配方法，匹配选取与正样本全集
Figure 322547DEST_PATH_IMAGE016
匹配的负样本子集
Figure 901296DEST_PATH_IMAGE028
。
正样本扩增组件：用于对所述正样本全集通过SMOTE算法获得扩增正样本，所述正样本全集和所述扩增正样本构成正样本扩增集；
在正样本全集
Figure 945476DEST_PATH_IMAGE016
中选取与正样本
Figure 609675DEST_PATH_IMAGE029
马氏距离d最近的u个相似样本
Figure 131923DEST_PATH_IMAGE030
、
Figure 565179DEST_PATH_IMAGE031
、···、
Figure 344041DEST_PATH_IMAGE032
。其中样本
Figure 105324DEST_PATH_IMAGE033
与样本
Figure 555897DEST_PATH_IMAGE034
的马氏距离
Figure 984604DEST_PATH_IMAGE035
，其中
Figure 229641DEST_PATH_IMAGE036
是协方差矩阵，
Figure 743799DEST_PATH_IMAGE037
。基于SMOTE算法获得u个扩增正样本
Figure 732483DEST_PATH_IMAGE038
、
Figure 576549DEST_PATH_IMAGE039
、···、
Figure 133432DEST_PATH_IMAGE040
。扩增正样本
Figure 993941DEST_PATH_IMAGE041
的融合特征表示为（
Figure 661683DEST_PATH_IMAGE042
,
Figure 924037DEST_PATH_IMAGE043
,···,
Figure 651821DEST_PATH_IMAGE044
），其中
Figure 999626DEST_PATH_IMAGE045
。正样本全集
Figure 205479DEST_PATH_IMAGE016
及其扩增正样本构成正样本扩增集。
负样本扩增组件：用于对所述负样本子集通过SMOTE算法获得扩增负样本，所述负样本子集和所述扩增负样本构成负样本扩增集；
负样本
Figure 27067DEST_PATH_IMAGE046
，在负样本全集
Figure 50387DEST_PATH_IMAGE047
中选取与负样本
Figure 495275DEST_PATH_IMAGE048
马氏距离d最近的u个相似负样本
Figure 629453DEST_PATH_IMAGE049
、
Figure 7344DEST_PATH_IMAGE050
、···、
Figure 935986DEST_PATH_IMAGE051
。其中负样本
Figure 133749DEST_PATH_IMAGE048
与样本
Figure 507837DEST_PATH_IMAGE051
的马氏距离
Figure 599289DEST_PATH_IMAGE052
，其中
Figure 574199DEST_PATH_IMAGE053
是协方差矩阵，
Figure 383892DEST_PATH_IMAGE054
。基于SMOTE算法获得u个扩增负样本
Figure 735239DEST_PATH_IMAGE055
、
Figure 946777DEST_PATH_IMAGE056
、···、
Figure 358167DEST_PATH_IMAGE057
。扩增负样本
Figure 891042DEST_PATH_IMAGE057
的融合特征表示为（
Figure 108396DEST_PATH_IMAGE058
,
Figure 49807DEST_PATH_IMAGE059
,···,
Figure 491153DEST_PATH_IMAGE060
），其中
Figure 885225DEST_PATH_IMAGE061
。负样本子集
Figure 968588DEST_PATH_IMAGE062
及其扩增负样本构成负样本扩增集。
扩增组件：用于将所述正样本扩增集和所述负样本扩增集共同构成扩增结构化数据。
参见图4，并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
并发症表征学习模型构建单元：用于构建并发症表征学习模型；
并发症表征学习模型定义组件：用于构建网络结构和总损失函数；
参数定义块：用于定义网络结构的超参数，包括编码器
Figure 764506DEST_PATH_IMAGE063
和投影器
Figure 344129DEST_PATH_IMAGE064
；
编码器为5层全连接网络，节点数为1024、512、256、128、64，激活函数为relu；投影器
Figure 350131DEST_PATH_IMAGE064
为3层注意力网络，节点数64,128,256，激活函数为relu；
特征归一块：用于将所述扩增结构化数据成对的输入至所述编码器
Figure 581393DEST_PATH_IMAGE063
，得到初始的并发症表征，所述初始的并发症表征通过所述投影器
Figure 356450DEST_PATH_IMAGE064
得到对比表征，所述对比表征经过特征归一化操作得到归一化表征；
将扩增结构化数据
Figure 280544DEST_PATH_IMAGE065
成对的输入编码器
Figure 39422DEST_PATH_IMAGE063
，得到初始的并发症表征
Figure 74374DEST_PATH_IMAGE066
，初始的并发症表征经过投影器得到对比表征
Figure 408665DEST_PATH_IMAGE067
，对比表征经过特征归一化操作F-norm得到归一化表征
Figure 628294DEST_PATH_IMAGE068
。其中
Figure 749834DEST_PATH_IMAGE069
是对比表征Z特征维度的均值，
Figure 447531DEST_PATH_IMAGE070
是对比表征Z特征维度的标准差。
总损失定义块：用于利用归一化表征、协方差项、方差项、类别相似度量项和扩增相似度量项构建总损失函数；
为了防止特征崩溃现象，本发明使用协方差项
Figure 72548DEST_PATH_IMAGE071
、
Figure 666340DEST_PATH_IMAGE072
，方差项
Figure 390624DEST_PATH_IMAGE073
、
Figure 32958DEST_PATH_IMAGE074
，类别相似度量项
Figure 637115DEST_PATH_IMAGE075
、扩增相似度量项
Figure 339491DEST_PATH_IMAGE076
构建总损失函数：
Figure 29099DEST_PATH_IMAGE077
Figure 271861DEST_PATH_IMAGE078
Figure 871470DEST_PATH_IMAGE079
Figure 370847DEST_PATH_IMAGE080
Figure 423116DEST_PATH_IMAGE081
其中N为随机抽样一个批次的正样本量，由于每个正样本匹配一个负样本且各自扩增u个样本，
Figure 469570DEST_PATH_IMAGE082
为扩增后一个批次的样本量，其中包含扩增样本、同类别样本和不同类别样本。对
Figure 48319DEST_PATH_IMAGE082
个样本随机成对抽样构成上文所述成对扩增结构化数据(X,X’)。本发明令
Figure 92498DEST_PATH_IMAGE083
，
Figure 756697DEST_PATH_IMAGE084
。
Figure 278946DEST_PATH_IMAGE085
作为超参数由网格搜索获得最优解。
其中，类别相似度量项度量了整个批次样本成对输入的类别相似性。具体公式为
Figure 413999DEST_PATH_IMAGE086
Figure 488134DEST_PATH_IMAGE087
其中
Figure 249416DEST_PATH_IMAGE088
表示向量
Figure 168831DEST_PATH_IMAGE089
的模，
Figure 456593DEST_PATH_IMAGE090
表示向量
Figure 842575DEST_PATH_IMAGE091
的模，
Figure 982831DEST_PATH_IMAGE092
表示样本i与j之间的余弦距离，
Figure 846882DEST_PATH_IMAGE093
表示样本i与k之间的余弦距离。
Figure 192413DEST_PATH_IMAGE094
仅在
Figure 873930DEST_PATH_IMAGE095
时为1，否则为0。
Figure 609805DEST_PATH_IMAGE096
表示样本i的类别标签，
Figure 402180DEST_PATH_IMAGE097
表示该终末期肾病患者发生心血管并发症，
Figure 539900DEST_PATH_IMAGE098
表示该终末期肾病患者未发生心血管并发症，
Figure 94116DEST_PATH_IMAGE099
同理，
Figure 176342DEST_PATH_IMAGE100
表示样本i与j同类别。
Figure 647774DEST_PATH_IMAGE101
仅在
Figure 30214DEST_PATH_IMAGE102
时为1，否则为0；
Figure 663321DEST_PATH_IMAGE103
仅在
Figure 701684DEST_PATH_IMAGE104
时为1，否则为0；
Figure 337327DEST_PATH_IMAGE105
仅在
Figure 184060DEST_PATH_IMAGE106
时为1，否则为0。
Figure 378281DEST_PATH_IMAGE107
作为损失项，约束同类样本（
Figure 576044DEST_PATH_IMAGE094
，
Figure 513913DEST_PATH_IMAGE108
，式中分子）的余弦相似度尽可能大，不同类样本（
Figure 480732DEST_PATH_IMAGE109
，
Figure 783538DEST_PATH_IMAGE110
，式中分母）的余弦相似度尽可能小。
其中，扩增相似度量项
Figure 91766DEST_PATH_IMAGE111
)的具体公式为：
Figure 708692DEST_PATH_IMAGE112
式中
Figure 654651DEST_PATH_IMAGE113
表示样本i的扩增标签，
Figure 800462DEST_PATH_IMAGE114
表示样本i和样本j由同一个样本扩增得到，
Figure 831872DEST_PATH_IMAGE115
表示样本i和样本j由不同样本扩增得到。
Figure 314806DEST_PATH_IMAGE116
作为损失项，约束扩增样本（
Figure 990638DEST_PATH_IMAGE117
，
Figure 464607DEST_PATH_IMAGE118
，式中分子）的余弦相似度尽可能大，非扩增样本（
Figure 858679DEST_PATH_IMAGE119
，
Figure 676462DEST_PATH_IMAGE120
，式中分母）的余弦相似度尽可能小。本发明结合类别相似度量项
Figure 800276DEST_PATH_IMAGE121
以及扩增相似度量项
Figure 553468DEST_PATH_IMAGE122
，使得同类别样本在表征空间尽可能近，不同类别样本在表征空间尽可能远离，在此基础之上使扩增样本在表征空间进一步靠近，非扩增样本在表征空间远离，从而达到减少特征崩溃的目的。
其中，方差项
Figure 293891DEST_PATH_IMAGE123
详细公式为：
Figure 790732DEST_PATH_IMAGE124
式中m是
Figure 329904DEST_PATH_IMAGE125
的维度，
Figure 253998DEST_PATH_IMAGE126
表示
Figure 747296DEST_PATH_IMAGE127
的第j维的特征，Var表示方差算子，
Figure 110144DEST_PATH_IMAGE128
表示
Figure 615075DEST_PATH_IMAGE125
第j维的方差。上式原型是hing-loss，使得
Figure 834704DEST_PATH_IMAGE129
在各个维度的方差推向1，使得
Figure 690664DEST_PATH_IMAGE130
在各个维度不会崩溃到单一值。
Figure 155406DEST_PATH_IMAGE131
同理。
其中，协方差项
Figure 780422DEST_PATH_IMAGE132
详细公式为：
Figure 170952DEST_PATH_IMAGE133
上式表示
Figure 248630DEST_PATH_IMAGE134
各个不同维度之间协方差的和。上式作为损失项，使得
Figure 750018DEST_PATH_IMAGE134
不同维度之间的冗余信息尽可能少。换言之，上式使得
Figure 557437DEST_PATH_IMAGE134
各个不同维度尽可能不同，从而减少特征崩溃的发生。
并发症表征学习模型优化组件：用于通过梯度下降法对所述网络结构中的参数进行优化，使得总损失函数达到收敛，完成并发症表征学习模型的构建；
通过对比总损失函数L训练编码器
Figure 994235DEST_PATH_IMAGE135
及投影器
Figure 182377DEST_PATH_IMAGE136
，（以预测心血管并发症为例）目标是获得终末期肾病患者心血管并发症发生相关的对比表征，使得同类别的表征靠近，不同类别的表征远离，扩增样本的表征靠近，非扩增样本表征远离。优化方法可选梯度下降adam法等。
并发症风险预测模型构建单元：用于构建并发症风险预测模型；
并发症风险预测模型定义组件：用于定义终末期肾病并发症风险预测网络的网络结构，并选择所述终末期肾病并发症风险预测网络的激活函数和损失函数、优化方法；
并发症风险预测模型优化组件：用于利用优化方法对所述并发症风险预测网络进行训练，完成并发症风险预测模型的构建。
首先，定义3层全连接网络作终末期肾病并发症风险预测网络
Figure 362823DEST_PATH_IMAGE137
的网络结构，终末期肾病并发症风险预测网络
Figure 352644DEST_PATH_IMAGE137
的网络结构节点数依次为16，4，1；
选择终末期肾病并发症风险预测网络
Figure 960343DEST_PATH_IMAGE137
全连接层的激活函数为relu，输出层的激活函数为sigmoid，损失函数为交叉熵损失函数，优化方法为adam法；利用优化方法adam法对所述并发症风险预测网络的权值参数进行训练，完成并发症风险预测模型的构建。
当对比总损失L收敛后，冻结编码器
Figure 871667DEST_PATH_IMAGE138
的权值参数，训练终末期肾病并发症风险预测网络
Figure 855804DEST_PATH_IMAGE137
的权值参数。
并发症表征学习单元：用于对所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征；
风险预测单元：用于将所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
以终末期肾病心血管并发症预测为例，样本分批次输入模型。一个批次的样本包含N个正样本（发生心血管并发症）及其uN个扩增正样本，以及匹配的N个负样本及uN个扩增负样本，总计2N（u+1）个样本。标签y=1表示发生心血管并发症，y=0表示未发生心血管并发症。输出为终末期肾病患者发生心血管并发症的概率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，包括：
终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；
并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
2.如权利要求1所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述终末期肾病数据准备模块具体包括：
数据获取单元，用于利用医院电子信息系统和日常监测设备提取结构化数据；
数据清洗单元，用于对所述结构化数据进行缺失值处理、错误值的检测、重复数据的消除和/或不一致性的消除操作，得到静态数据、一维时序数据和二维时序数据；
数据融合单元，用于对所述一维时序数据和所述二维时序数据分别采用一维卷积、二维卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到原始融合特征；
数据扩增单元，用于将所述原始融合特征采用倾向性得分匹配与SMOTE相结合的数据扩增方法，得到扩增结构化数据。
3.如权利要求1所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述结构化数据包括人口统计学数据、手术数据、用药数据、化验数据、诊断数据和日常监测数据。
4.如权利要求2所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述数据扩增单元具体包括：
融合特征组件：用于将发生终末期肾病并发症的患者作为正样本，未发生终末期肾病并发症的患者作为负样本，以所述原始融合特征来表示正样本和负样本，将所述正样本和所述负样本的原始融合特征进行归一化操作，得到融合特征；
倾向性评分组件：用于任意选取所述融合特征的一个维度作为干预变量，所述融合特征的其余维度作为协变量集，通过损失函数优化，得到倾向性评分；
匹配组件：用于所有所述正样本构成正样本全集，所有所述负样本构成负样本全集，所述正样本全集基于所述倾向性评分匹配所述负样本全集中的负样本子集；
正样本扩增组件：用于对所述正样本全集通过SMOTE算法获得扩增正样本，所述正样本全集和所述扩增正样本构成正样本扩增集；
负样本扩增组件：用于对所述负样本子集通过SMOTE算法获得扩增负样本，所述负样本子集和所述扩增负样本构成负样本扩增集；
扩增组件：用于将所述正样本扩增集和所述负样本扩增集共同构成扩增结构化数据。
5.如权利要求1所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述并发症风险预测模块具体包括：
并发症表征学习模型构建单元：用于构建并发症表征学习模型；
并发症风险预测模型构建单元：用于构建并发症风险预测模型；
并发症表征学习单元：用于对所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征；
风险预测单元：用于将所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。
6.如权利要求5所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述并发症表征学习模型构建单元具体包括：
并发症表征学习模型定义组件：用于构建网络结构和总损失函数；
并发症表征学习模型优化组件：用于通过梯度下降法对所述网络结构中的参数进行优化，使得总损失函数达到收敛，完成并发症表征学习模型的构建。
7.如权利要求6所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述并发症表征学习模型定义组件具体包括：
参数定义块：用于定义网络结构的超参数，包括编码器和投影器；
特征归一块：用于将所述扩增结构化数据成对的输入至所述编码器，得到初始的并发症表征，所述初始的并发症表征通过所述投影器得到对比表征，所述对比表征经过特征归一化操作得到归一化表征；
总损失定义块：用于利用归一化表征、协方差项、方差项、类别相似度量项和扩增相似度量项构建总损失函数。
8.如权利要求5所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述并发症风险预测模型构建单元具体包括：
并发症风险预测模型定义组件：用于定义终末期肾病并发症风险预测网络的网络结构，并选择所述终末期肾病并发症风险预测网络的激活函数和损失函数、优化方法；
并发症风险预测模型优化组件：用于利用优化方法对所述并发症风险预测网络进行训练，完成并发症风险预测模型的构建。
CN202210838416.5A 2022-07-18 2022-07-18 基于对比学习的终末期肾病并发症风险预测系统 Active CN114913982B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210838416.5A CN114913982B (zh) 2022-07-18 2022-07-18 基于对比学习的终末期肾病并发症风险预测系统
US18/352,216 US11875882B1 (en) 2022-07-18 2023-07-13 System for predicting end-stage renal disease complication risk based on contrastive learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838416.5A CN114913982B (zh) 2022-07-18 2022-07-18 基于对比学习的终末期肾病并发症风险预测系统

Publications (2)

Publication Number Publication Date
CN114913982A true CN114913982A (zh) 2022-08-16
CN114913982B CN114913982B (zh) 2022-10-11

Family

ID=82772050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838416.5A Active CN114913982B (zh) 2022-07-18 2022-07-18 基于对比学习的终末期肾病并发症风险预测系统

Country Status (2)

Country Link
US (1) US11875882B1 (zh)
CN (1) CN114913982B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719647A (zh) * 2023-01-09 2023-02-28 之江实验室 融合主动学习和对比学习的血透并发心血管疾病预测系统
CN115798711A (zh) * 2022-12-22 2023-03-14 之江实验室 基于反事实对比学习的慢性肾病诊疗决策支持系统
CN116364290A (zh) * 2023-06-02 2023-06-30 之江实验室 基于多视图对齐的血透表征识别与并发症风险预测系统
CN116612886A (zh) * 2023-05-06 2023-08-18 广东省人民医院 一种脑卒中早期辅助诊断方法、系统、装置及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080146893A1 (en) * 2006-12-13 2008-06-19 Advanced Brain Monitoring, Inc. Apnea risk evaluation system - automated prediction of risk for perioperative complications
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
WO2020223434A1 (en) * 2019-04-30 2020-11-05 The Trustees Of Columbia University In The City Of New York Classifying neurological disease status using deep learning
CN111933284A (zh) * 2020-09-27 2020-11-13 平安科技（深圳）有限公司 一种并发症风险预测系统、方法、装置、设备及介质
CN112036515A (zh) * 2020-11-04 2020-12-04 北京淇瑀信息科技有限公司 基于smote算法的过采样方法、装置和电子设备
CN112508580A (zh) * 2021-02-03 2021-03-16 北京淇瑀信息科技有限公司 基于拒绝推断方法的模型构建方法、装置和电子设备
CN112530594A (zh) * 2021-02-08 2021-03-19 之江实验室 一种基于卷积生存网络的血透并发症长期风险预测系统
CN113178258A (zh) * 2021-04-28 2021-07-27 青岛百洋智能科技股份有限公司 外科手术术前风险评估方法及系统
CN114386454A (zh) * 2021-12-09 2022-04-22 首都医科大学附属北京友谊医院 基于信号混合策略的医疗时序信号数据处理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10978176B2 (en) * 2018-06-29 2021-04-13 pulseData Inc. Machine learning systems and methods for predicting risk of renal function decline
US11610679B1 (en) * 2020-04-20 2023-03-21 Health at Scale Corporation Prediction and prevention of medical events using machine-learning algorithms

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080146893A1 (en) * 2006-12-13 2008-06-19 Advanced Brain Monitoring, Inc. Apnea risk evaluation system - automated prediction of risk for perioperative complications
WO2020223434A1 (en) * 2019-04-30 2020-11-05 The Trustees Of Columbia University In The City Of New York Classifying neurological disease status using deep learning
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
CN111933284A (zh) * 2020-09-27 2020-11-13 平安科技（深圳）有限公司 一种并发症风险预测系统、方法、装置、设备及介质
CN112036515A (zh) * 2020-11-04 2020-12-04 北京淇瑀信息科技有限公司 基于smote算法的过采样方法、装置和电子设备
CN112508580A (zh) * 2021-02-03 2021-03-16 北京淇瑀信息科技有限公司 基于拒绝推断方法的模型构建方法、装置和电子设备
CN112530594A (zh) * 2021-02-08 2021-03-19 之江实验室 一种基于卷积生存网络的血透并发症长期风险预测系统
CN113178258A (zh) * 2021-04-28 2021-07-27 青岛百洋智能科技股份有限公司 外科手术术前风险评估方法及系统
CN114386454A (zh) * 2021-12-09 2022-04-22 首都医科大学附属北京友谊医院 基于信号混合策略的医疗时序信号数据处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
THAI-HOANG PHAM: "Cardiac Complication Risk Profiling for Cancer Survivors via Multi-View Multi-Task Learning", 《2021 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》 *
文朝晖等: "糖尿病终末期肾病长期血液透析预后因素的Cox模型分析", 《现代医院》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798711A (zh) * 2022-12-22 2023-03-14 之江实验室 基于反事实对比学习的慢性肾病诊疗决策支持系统
CN115798711B (zh) * 2022-12-22 2023-08-29 之江实验室 基于反事实对比学习的慢性肾病诊疗决策支持系统
CN115719647A (zh) * 2023-01-09 2023-02-28 之江实验室 融合主动学习和对比学习的血透并发心血管疾病预测系统
CN116612886A (zh) * 2023-05-06 2023-08-18 广东省人民医院 一种脑卒中早期辅助诊断方法、系统、装置及存储介质
CN116364290A (zh) * 2023-06-02 2023-06-30 之江实验室 基于多视图对齐的血透表征识别与并发症风险预测系统
CN116364290B (zh) * 2023-06-02 2023-09-08 之江实验室 基于多视图对齐的血透表征识别与并发症风险预测系统

Also Published As

Publication number Publication date
US11875882B1 (en) 2024-01-16
CN114913982B (zh) 2022-10-11
US20240021312A1 (en) 2024-01-18

Similar Documents

Publication Publication Date Title
CN114913982B (zh) 基于对比学习的终末期肾病并发症风险预测系统
Pereira et al. COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios
Cervantes-Sanchez et al. Automatic segmentation of coronary arteries in X-ray angiograms using multiscale analysis and artificial neural networks
Feng et al. Deep manifold preserving autoencoder for classifying breast cancer histopathological images
Hassan et al. Plant disease identification using shallow convolutional neural network
Roy et al. Computer aided breast cancer detection using ensembling of texture and statistical image features
Mohanty et al. Using deep learning architectures for detection and classification of diabetic retinopathy
Guo et al. Interstitial lung disease classification using improved DenseNet
CN116364299B (zh) 一种基于异构信息网络的疾病诊疗路径聚类方法及系统
Estiri et al. Semi-supervised encoding for outlier detection in clinical observation data
WO2021008601A1 (zh) 一种医学数据的检验方法
Mavrogiorgou et al. A catalogue of machine learning algorithms for healthcare risk predictions
Das et al. Automated classification of retinal OCT images using a deep multi-scale fusion CNN
CN111986814A (zh) 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
Botros et al. Cnn and svm-based models for the detection of heart failure using electrocardiogram signals
Huang et al. Predicting CT-based coronary artery disease using vascular biomarkers derived from fundus photographs with a graph convolutional neural network
Mayrose et al. Machine learning-based detection of dengue from blood smear images utilizing platelet and lymphocyte characteristics
Tirado-Martin et al. BioECG: Improving ECG biometrics with deep learning and enhanced datasets
CN114528419A (zh) 一种中医智能病案推荐方法及推荐系统
Yildirim et al. Automatic classification of particles in the urine sediment test with the developed artificial intelligence-based hybrid model
Ataky et al. Multiscale analysis for improving texture classification
Akinniyi et al. Multi-stage classification of retinal OCT using multi-scale ensemble deep architecture
Rivera-Romero et al. Optimal image characterization for in-bed posture classification by using SVM algorithm
He et al. Research on Retinal Vessel Segmentation Algorithm Based on a Modified U-Shaped Network
Shivanna et al. IoMT-based automated diagnosis of autoimmune diseases using multistage classification scheme for sustainable smart cities

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