CN115553730B - 对缺血性脑卒中的预后效果进行预测的方法和相关产品 - Google Patents
对缺血性脑卒中的预后效果进行预测的方法和相关产品 Download PDFInfo
- Publication number
- CN115553730B CN115553730B CN202211236943.5A CN202211236943A CN115553730B CN 115553730 B CN115553730 B CN 115553730B CN 202211236943 A CN202211236943 A CN 202211236943A CN 115553730 B CN115553730 B CN 115553730B
- Authority
- CN
- China
- Prior art keywords
- information
- prediction
- predictive model
- effect
- ischemic stroke
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 67
- 238000004393 prognosis Methods 0.000 title claims abstract description 38
- 208000006011 Stroke Diseases 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000000302 ischemic effect Effects 0.000 title claims abstract description 21
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 19
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims description 69
- 208000032382 Ischaemic stroke Diseases 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 37
- 238000007689 inspection Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000003556 assay Methods 0.000 claims description 5
- 238000011179 visual inspection Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000010837 poor prognosis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002537 thrombolytic effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000003146 anticoagulant agent Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000010410 reperfusion Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- -1 triglyceride Chemical class 0.000 description 1
Classifications
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Emergency Medicine (AREA)
- Neurosurgery (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本申请公开了一种用于对缺血性脑卒中的预后效果进行预测的方法和相关产品。所述方法包括:获取待进行预测的缺血性脑卒中患者的基础信息和检查信息;以及将所述基础信息和所述检查信息输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果。利用本申请的方案,可以快速且准确地预测关于缺血性脑卒中的预后效果。
Description
技术领域
本申请一般涉及预后效果预测技术领域。更具体地,本申请涉及一种用于对缺血性脑卒中的预后效果进行预测的方法、设备和计算机可读存储介质。
背景技术
卒中是导致人类致残和致死的主要疾病之一,具有高发病率、高致残率、高死亡率及高复发率的特点。脑卒中主要分为缺血性脑卒中和出血性脑卒中,其中缺血性卒中的比例超过全部卒中的80%。目前,缺血性卒中的急性期时间划分尚不统一,一般指发病后2周内(轻型1周内,重型1个月内)。而急性缺血性卒中(Acute Ischemic Stroke,“AIS”)治疗的关键在于尽早开始再灌注治疗,挽救缺血半暗带。
由于急性缺血性脑卒中治疗时间窗有限,及时评估病情和快速诊断至关重要,因此医院建立脑卒中诊治绿色通道,尽可能优先处理和收治急性缺血性脑卒中患者。例如在患者到达急诊室后的60分钟内完成脑CT等基本评估并开始溶栓和 /或血管内介入治疗。患者接受治疗的时间越早,良好获益概率越大,否则会出现无效开通。此外,按照当前术前评估,需要考虑患者多方面的因素(例如发病时间、年龄、梗死位置等)来筛选出符合标准的患者,以进行溶栓和/或血管内介入治疗。然而,单考虑前述多方面的因素较为宽泛并且复杂多样,医护人员很难在较短的时间内作出预后效果的评估,并且医护人员在评估预后效果时往往具有主观意识,使得评估不准确而导致符合标准的患者在接受取栓手术后仍然未得到良好预后。因此,如何高效且准确的预测缺血性脑卒中患者的预后效果成为需要解决的技术问题。
发明内容
为了至少部分地解决背景技术中提到的技术问题,本申请的方案提供了一种用于对缺血性脑卒中的预后效果进行预测的方案。利用本申请的方案,可以快速且准确地预测关于缺血性脑卒中的预后效果。为此,本申请在如下的多个方面提供解决方案。
在第一方面中,本申请提供一种用于对缺血性脑卒中的预后效果进行预测的方法,包括:获取待进行预测的缺血性脑卒中患者的基础信息和检查信息;以及将所述基础信息和所述检查信息输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果。
在一个实施例中,其中所述基础信息至少包括患者的年龄、性别或者疾病史中的一种或者多种。
在另一个实施例中,其中所述检查信息至少包括化验检查信息和/或影像检查信息。
在又一个实施例中,所述方法还包括:对所述基础信息和所述检查信息执行特征归一化操作,以获得归一化特征向量;以及将所述归一化特征向量输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果。
在又一个实施例中,所述方法还包括:通过以下操作对所述预测模型进行训练:将所述基础信息和所述检查信息作为训练数据输入至所述预测模型;以及对所述预测模型设置至少一个训练标签并使用至少一个损失函数对所述预测模型进行监督,以对所述预测模型进行训练。
在又一个实施例中,其中对所述预测模型设置至少一个训练标签并使用至少一个损失函数对所述预测模型进行监督,以对所述预测模型进行训练包括:对所述预测模型设置一个训练标签并使用一个损失函数对所述预测模型进行监督,以对所述预测模型进行训练;或者对所述预测模型设置多个训练标签并使用多个损失函数的加权和对所述预测模型进行监督,以对所述预测模型进行训练。
在又一个实施例中,其中所述一个训练标签包括评分标签或者预后效果标签,所述一个损失函数包括回归损失函数或者分类损失函数,并且对所述预测模型设置一个训练标签并使用一个损失函数对所述预测模型进行监督包括:对所述预测模型设置所述评分标签并且使用所述回归损失函数对所述预测模型进行监督;或者对所述预测模型设置所述预后效果标签并使用所述分类损失函数对所述预测模型进行监督。
在又一个实施例中,其中所述多个训练标签包括所述评分标签和所述预后效果标签,所述多个损失函数包括所述回归损失函数和所述分类损失函数,并且对所述预测模型设置多个训练标签并使用多个损失函数的加权和对所述预测模型进行监督包括:对所述预测模型设置所述评分标签和所述预后效果标签并使用所述回归损失函数和所述分类损失函数的加权和对所述预测模型进行监督。
在第二方面中,本申请还提供一种用于对缺血性脑卒中的预后效果进行预测的设备,包括:处理器;以及存储器,其存储有用于对缺血性脑卒中的预后效果进行预测的程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现前述第一方面中的多个实施例。
在第三方面中,本申请还提供一种计算机可读存储介质,其上存储有用于对缺血性脑卒中的预后效果进行预测的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现前述第一方面中的多个实施例。
通过本申请的方案,通过将缺血性脑卒中患者的基础信息和检查信息输入至训练好的深度学习网络模型(预测模型)中进行预测,可以快速且准确地获得对缺血性脑卒中的预后效果进行预测的预测结果。进一步地,本申请实施例通过设置至少一个训练标签和使用至少一个损失函数对预测模型进行训练,提高了预测模型输出的准确性。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示出根据本申请实施例的用于对缺血性脑卒中的预后效果进行预测的方法的示例性流程框图;
图2是示出根据本申请实施例的预测模型的示例性示意图;
图3是示出根据本申请实施例的用于对缺血性脑卒中的预后效果进行预测的整体的示例性流程框图;以及
图4是示出根据本申请实施例的用于对缺血性脑卒中的预后效果进行预测的设备示例性结构框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚和完整地描述。应当理解的是本说明书所描述的实施例仅是本申请为了便于对方案的清晰理解和符合法律的要求而提供的部分实施例,而并非可以实现本申请的所有实施例。基于本说明书公开的实施例,本领域技术人员在没有做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。
图1是示出根据本申请实施例的用于对缺血性脑卒中的预后效果进行预测的方法100的示例性流程框图。如图1中所示,在步骤102处,获取待进行预测的缺血性脑卒中患者的基础信息和检查信息。在一个实施例中,前述基础信息可以包括但不限于患者的年龄、性别或者疾病史中的一种或者多种。前述检查信息可以包括但不限于化验检查信息和/或影像检查信息。其中,前述化验检查信息可以包括患者的采血检查信息,例如患者的血脂(包括甘油三酯、总胆固醇)、血糖等信息。在一些实施例中,前述化验检查信息还可以包括例如患者的血压信息。进一步地,前述影像检查信息可以包括例如针对患者脑部供血区采集的CT影像、 MRI影像、MRA影像或者DWI影像的检查结果。特别地,前述影像检查结果可以通过例如ASPECTS评分来表示。此外,前述检查信息还可以包括例如患者的意识水平、肢体运动情况、语言表达等状态信息,并且前述状态信息可以通过例如NIHSS评分来表示。
基于上述获得的基础信息和检查信息,在步骤104处,将基础信息和检查信息输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果。在一个实施例中,前述预测模型可以例如是神经网络模型,并且该预测模型为全连接结构,其包括多个隐藏层。具体而言,前述训练好的预测模型以获取的基础信息和检查信息为输入,经隐藏层后直接输出缺血性脑卒中的预后效果的预测结果。其中,前述预测结果为缺血性脑卒中患者预后效果是否良好的概率值。在一个实现场景中,可以通过设置预设阈值来基于预测结果判断预后效果是否良好,例如当预测结果(例如概率值)小于预设阈值时,判断该患者的预后效果良好;反之,判断该患者的预后效果差。
结合上述描述可知,本申请实施例通过将缺血性脑卒中患者的基础信息(例如患者的年龄、性别或者疾病史)和检查信息(例如化验检查信息和/或影像检查信息)输入至训练好的预测模型中,经预测模型中的隐藏层后可以直接输出缺血性脑卒中的预后效果的预测结果。基于此,可以高效地、准确地获得缺血性脑卒中的预后效果的预测结果,以便为医护人员或者患者提供有效的参考依据。
在一个实施例中,在将上述基础信息和检查信息输入至预测模型之前,可以对基础信息和检查信息执行特征归一化操作,以获得归一化特征向量,进而将归一化特征向量输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果。其中,对于具有具体数值的信息(例如患者的年龄、血脂、血糖、血压等信息以及ASPECTS评分、NIHSS评分)而言,在归一化时可以直接对其具体的数值进行均值方差归一化。对于没有具体数值的信息(例如患者的性别、疾病史等)而言,在归一化时可以采用例如one-hot形式表示。即,通过对特征信息的每一种取值设置相应的状态位,并且对每个样本中的每个特征只有一个状态位是1,其他都是0。以患者的性别为例,其有两种可能的取值(男性和女性),当患者为男性时,其归一化表示为01;当患者为女性时,其归一化表示为10。对于特征有三种可能的取值的情形,其归一化表示为100、010或者001。
可以理解,ASPECTS评分是一项10分评分系统,通过评价平扫脑CT预先设定前循环区域的脑实质低密度作为早期缺血性特征。其中,ASPECTS评分的分值范围为0-10,分值越低表示缺血性特征越明显,例如0分表示弥漫性缺血累及整个大脑中动脉。NIHSS评分主要用于脑梗死患者的神经功能状态评估,患者可以通过评分来选择个体化的治疗,通过NIHSS评分,一般可以将各个项目分为五个等级,0到1分是趋于正常范围,1到4分处于轻微中风,5到15分处于中度中风,15到20分为中重度中风,23分以上为重度中风,分数越高代表病情越严重。
根据前文知,在获得上述归一化特征向量后,可以将其输入至训练好的预测模型,经至少一个隐藏层后输出缺血性脑卒中的预后效果的预测结果。
图2是示出根据本申请实施例的预测模型200的示例性示意图。如图2中所示为本申请实施例的预测模型200,该预测模型200的左右两侧分别为输入层201 和输出层202。如前所述,该预测模型200为全连接结构。即,其中的每个结点都与上一层的所有结点相连,以把前边提取到的特征综合起来。进一步地,该预测模型200的输入层201和输出层202之间包括至少一个隐藏层203。可以理解,隐藏层是把输入数据的特征抽象到另一个维度空间,以展现其更抽象化的特征,从而能更好地进行线性划分,最终获得输出结果。在实现场景中,通过将缺血性脑卒中患者的基础信息和检查信息经特征归一化操作后获得的归一化特征向量输入至前述预测模型200中,经多个隐藏层203后输出该患者预后效果是否良好的概率值。
需要理解的是,在利用上述预测模型进行预测时,首先需要对该预测模型进行训练,从而使用训练好的预测模型对缺血性脑卒中患者的预后效果进行预测。在本申请实施例中,可以通过以下操作对预测模型进行训练:将患者的基础信息和检查信息作为训练数据输入至预测模型,对预测模型设置至少一个训练标签并使用至少一个损失函数对预测模型进行监督,以对预测模型进行训练。根据前文知,患者的基础信息可以例如是年龄、性别或者疾病史中的一种或者多种,检查信息可以例如是化验检查信息、影像检查信息或者状态信息中的一种或者多种。在训练时,通过将大量患者的基础信息和检查信息作为训练数据输入至预测模型。与上述类似地,在将训练数据输入至预测模型训练之前,可以对每个患者的基础信息和检查信息执行特征归一化操作,以获得对应的归一化特征向量。接着,将对应的归一化特征向量输入至预测模型,并对预测模型设置至少一个训练标签并使用至少一个损失函数对预测模型进行监督,以对预测模型进行训练。
具体地,对预测模型设置一个训练标签并使用一个损失函数对预测模型进行监督,以对预测模型进行训练;或者对预测模型设置多个训练标签并使用多个损失函数的加权和对预测模型进行监督,以对预测模型进行训练。也就是说,可以使用一个训练标签和一个损失函数对预测模型进行训练,也可以使用多个训练标签和多个损失函数对预测模型进行训练。当使用多个训练标签和多个损失函数对预测模型进行训练时,使用多个损失函数的加权和来计算损失值,以对预测模型进行训练。
在一个实现场景中,一个训练标签可以包括评分标签或者预后效果标签,一个损失函数可以包括回归损失函数或者分类损失函数。在该场景下,对预测模型设置评分标签并且使用回归损失函数对预测模型进行监督;或者对预测模型设置预后效果标签并使用分类损失函数对预测模型进行监督。在另一个实现场景中,多个训练标签包括评分标签和预后效果标签,多个损失函数包括回归损失函数和分类损失函数。在该场景中,对预测模型设置评分标签和预后效果标签并使用回归损失函数和分类损失函数的加权和对预测模型进行监督,从而实现对预测模型进行训练。其中,各损失函数的加权系数可以基于一定的比例关系进行设置。作为示例,各损失函数可以基于1:1或1:3的比例关系进行设置。例如,回归损失函数的加权系数设置为0.3,分类损失函数的加权系数设置为0.9;或者回归损失函数的加权系数设置为0.5,分类损失函数的加权系数设置为0.5,本申请在此方面不作限制。
换言之,本申请实施例的训练标签可以包括评分标签和/或预后效果标签,损失函数可以包括回归损失函数和/或分类损失函数。当使用一个训练标签和一个损失函数时,可以使用评分标签或者预后效果标签,并且对应使用回归损失函数或者分类损失函数计算损失值,以对预测模型进行训练。当使用多个训练标签和多个损失函数时,可以使用评分标签和预后效果标签,并使用回归损失函数和分类损失函数的加权和计算损失值,以对预测模型进行训练。基于此,可以提高预测模型预测的准确性。
作为优先地,上述评分标签可以例如是mRS评分,该mRS评分又称为RanKin 评分量表,其是用来评价脑卒中患者神经功能恢复状态的量表。作为优先地,上述回归损失函数可以例如是均方差(Mean Squared Error,“MSE”)损失函数,其数学表达式例如公式(1)所示。上述分类损失函数可以例如是交叉熵(Binary Cross Entropy,“BCE”),对应的数学表达式例如公式(2)所示。
其中,y′i表示预测值,pi表示预测概率值,yi表示实际真实值,n表示数据量。
在一个实施例中,上述预后效果标签可以包括预后良好标签和预后差标签,并且预后良好标签和预后差标签可以基于评分标签进行设置。例如,响应于评分标签大于预设分值,将预后效果标签设置为预后差标签;或者响应于评分标签小于等于预设分值,将预后效果标签设置为预后良好标签。即,当样本(患者)的评分标签大于预设分值时,把该样本标注为预后差样本。反之,把样本标注为预后良好样本,由此将预后效果标签设置为预后差标签或者预后良好标签。在一个示例性场景中,假设预设分值为2分,当样本的mRS评分大于2时,将预后效果标签设置为预后差标签;当样本的mRS评分小于等于2时,将预后效果标签设置为预后良好标签。如前所述,对于预后效果标签,在训练预测模型时可以使用例如BCE损失函数来进行监督。
图3是示出根据本申请实施例的用于对缺血性脑卒中的预后效果进行预测的整体的示例性流程框图。如图3中所示,在步骤302处,获取缺血性脑卒中患者的基础信息和检查信息。其中,前述基础信息和检查信息可以例如是患者的年龄、别、疾病史、血脂、血糖、血压等信息以及ASPECTS评分、NIHSS评分等。接着,在步骤304处,对前述基础信息和检查信息执行特征归一化操作,以获得归一化特征向量。在实现场景中,对于例如患者的年龄、血脂、血糖、血压等信息以及ASPECTS评分、NIHSS评分来说,在归一化时可以直接对其具体的数值进行均值方差归一化。对于例如患者的性别、疾病史来说,在归一化时可以将其相应的状态位设置为0或者1。进一步地,其每个信息归一化的结果构成归一化特征向量。关于特征归一化操作的更多细节,可以参考前文描述,本申请在此不再赘述。
在获得归一化特征向量后,在步骤306处,将归一化特征向量输入至训练好的预测模型中进行预测。其中,该预测模型可以为全连接结构,并且包括隐藏层 (例如上述图2所示)。在步骤308,可以通过对预测模型设置至少一个训练标签并使用至少一个损失函数对预测模型进行监督,以对预测模型进行训练。
在应用场景中,前述训练标签可以包括评分标签和/或预后效果标签,损失函数可以包括回归损失函数和/或分类损失函数。例如可以使用评分标签或者预后效果标签,并且对应使用回归损失函数或者分类损失函数计算损失值,以对预测模型进行训练。也可以使用评分标签和预后效果标签,并使用回归损失函数和分类损失函数的加权和计算损失值,以对预测模型进行训练。关于训练模型的更多细节可以参考前文,本申请在此不再赘述。接着,归一化特征向量经训练好的预测模型中的多个隐藏层后,在步骤310处,输出预测结果。即,输出缺血性脑卒中患者预后效果是否良好的概率值。
图4是示出根据本申请实施例的用于对缺血性脑卒中的预后效果进行预测的设备400示例性结构框图。可以理解的是,实现本申请方案的设备可以是单一的设备(例如计算设备)或包括各种外围设备的多功能设备。
如图4中所示,本申请的设备可以包括中央处理器或中央处理单元(“CPU”) 411,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备400还可以包括大容量存储器412和只读存储器(“ROM”)413,其中大容量存储器412可以配置用于存储各类数据,包括各种与患者的基础信息和检查信息、算法数据、中间结果和运行设备400所需要的各种程序。ROM 413 可以配置成存储对于设备400的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。
可选地,设备400还可以包括其他的硬件平台或组件,例如示出的张量处理单元(“TPU”)414、图形处理单元(“GPU”)415、现场可编程门阵列(“FPGA”) 416和机器学习单元(“MLU”)417。可以理解的是,尽管在设备400中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备400可以仅包括CPU、相关存储设备和接口设备来实现本申请的用于对缺血性脑卒中的预后效果进行预测的方法。
在一些实施例中,为了便于数据与外部网络的传递和交互,本申请的设备400 还包括通信接口418,从而可以通过该通信接口418连接到局域网/无线局域网 (“LAN/WLAN”)405,进而可以通过该LAN/WLAN连接到本地服务器406 或连接到因特网(“Internet”)407。替代地或附加地,本申请的设备400还可以通过通信接口418基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第3代(“3G”)、第4代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本申请的设备400还可以根据需要访问外部网络的服务器 408和数据库409,以便获得各种已知的算法、数据和模块,并且可以远程地存储各种数据,例如用于呈现例如患者的基础信息和检查信息、特征归一化操作、缺血性脑卒中的预后效果的预测结果等的各类数据或指令。
设备400的外围设备可以包括显示装置402、输入装置403和数据传输接口 404。在一个实施例中,显示装置402可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本申请的预测缺血性脑卒中的预后效果进行语音提示和/或图像视频显示。输入装置403可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件,其配置用于接收患者的基础信息和检查信息的输入和/或用户指令。数据传输接口404可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行 ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。根据本申请的方案,该数据传输接口404可以接收待进行预测的缺血性脑卒中患者的基础信息和检查信息,并且向设备400传送包括基础信息和检查信息或各种其他类型的数据或结果。
本申请的设备400的上述CPU 411、大容量存储器412、ROM 413、TPU 414、 GPU415、FPGA 416、MLU 417和通信接口418可以通过总线419相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线419, CPU 411可以控制设备400中的其他硬件组件及其外围设备。
以上结合图4描述了可以用于执行本申请的用于对缺血性脑卒中的预后效果进行预测的设备。需要理解的是这里的设备结构或架构仅仅是示例性的,本申请的实现方式和实现实体并不受其限制,而是可以在不偏离本申请的精神下做出改变。
根据上述结合附图的描述,本领域技术人员也可以理解本申请的实施例还可以通过软件程序来实现。由此本申请还提供了一种计算机程序产品。该计算机程序产品可以用于实现本申请结合附图1-图3所描述的用于对缺血性脑卒中的预后效果进行预测的方法。
应当注意,尽管在附图中以特定顺序描述了本申请方法的操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
应当理解,本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
虽然本申请的实施方式如上,但所述内容只是为便于理解本申请而采用的实施例,并非用以限定本申请的范围和应用场景。任何本申请所述技术领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1. 一种用于对缺血性脑卒中的预后效果进行预测的方法,包括:
获取待进行预测的缺血性脑卒中患者的基础信息和检查信息,其中所述检查信息至少包括化验检查信息;以及
将所述基础信息和所述检查信息输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果,
所述方法还包括:通过以下操作对所述预测模型进行训练:
将所述基础信息和所述检查信息作为训练数据输入至所述预测模型;以及
对所述预测模型设置多个训练标签并使用多个损失函数对所述预测模型进行监督,以对所述预测模型进行训练,其中所述多个训练标签包括评分标签和预后效果标签,所述多个损失函数包括回归损失函数和分类损失函数,并且所述多个损失函数基于一定比例关系设置,所述比例关系为1:1或1:3,
其中对所述预测模型设置多个训练标签并使用多个损失函数的加权和对所述预测模型进行监督包括:
对所述预测模型设置所述评分标签和所述预后效果标签并使用所述回归损失函数和所述分类损失函数的加权和对所述预测模型进行监督。
2.根据权利要求1所述的方法,其中所述基础信息至少包括患者的年龄、性别或者疾病史中的一种或者多种。
3.根据权利要求1所述的方法,其中所述检查信息还包括影像检查信息。
4. 根据权利要求2或3所述的方法,还包括:
对所述基础信息和所述检查信息执行特征归一化操作,以获得归一化特征向量;以及
将所述归一化特征向量输入至训练好的预测模型中进行预测,以输出缺血性脑卒中的预后效果的预测结果。
5.一种用于对缺血性脑卒中的预后效果进行预测的设备,包括:
处理器;以及
存储器,其存储有用于对缺血性脑卒中的预后效果进行预测的程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现根据权利要求1-4任意一项所述的方法。
6.一种计算机可读存储介质,其上存储有用于对缺血性脑卒中的预后效果进行预测的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现根据权利要求1-4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211236943.5A CN115553730B (zh) | 2022-10-10 | 2022-10-10 | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211236943.5A CN115553730B (zh) | 2022-10-10 | 2022-10-10 | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115553730A CN115553730A (zh) | 2023-01-03 |
CN115553730B true CN115553730B (zh) | 2024-05-28 |
Family
ID=84744977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211236943.5A Active CN115553730B (zh) | 2022-10-10 | 2022-10-10 | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115553730B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN108664989A (zh) * | 2018-03-27 | 2018-10-16 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN110931125A (zh) * | 2019-12-11 | 2020-03-27 | 北京深睿博联科技有限责任公司 | 用于脑卒中的判别信号识别方法及装置 |
EP3920191A1 (en) * | 2020-06-05 | 2021-12-08 | Sensyne Health Group Limited | Machine learning method and system suitable for prediction of disease onset using multi-variate longitudinal patient data |
CN113988209A (zh) * | 2021-11-09 | 2022-01-28 | 昆明同心医联科技有限公司 | 脑卒中预后预测模型的训练方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020092660A (ja) * | 2018-12-13 | 2020-06-18 | 国立研究開発法人国立循環器病研究センター | 脳梗塞発症リスク予測方法 |
-
2022
- 2022-10-10 CN CN202211236943.5A patent/CN115553730B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN108664989A (zh) * | 2018-03-27 | 2018-10-16 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN110931125A (zh) * | 2019-12-11 | 2020-03-27 | 北京深睿博联科技有限责任公司 | 用于脑卒中的判别信号识别方法及装置 |
EP3920191A1 (en) * | 2020-06-05 | 2021-12-08 | Sensyne Health Group Limited | Machine learning method and system suitable for prediction of disease onset using multi-variate longitudinal patient data |
CN113988209A (zh) * | 2021-11-09 | 2022-01-28 | 昆明同心医联科技有限公司 | 脑卒中预后预测模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115553730A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11864944B2 (en) | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart | |
CN110459328B (zh) | 临床监护设备 | |
JP6975253B2 (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
US10490309B1 (en) | Forecasting clinical events from short physiologic timeseries | |
KR20130132802A (ko) | 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템 | |
Baghdadi et al. | Advanced machine learning techniques for cardiovascular disease early detection and diagnosis | |
Lagani et al. | Realization of a service for the long-term risk assessment of diabetes-related complications | |
Esmaeily et al. | Comparing three data mining algorithms for identifying the associated risk factors of type 2 diabetes | |
Cerqueira et al. | NICeSim: an open-source simulator based on machine learning techniques to support medical research on prenatal and perinatal care decision making | |
Wang | Construct an optimal triage prediction model: A case study of the emergency department of a teaching hospital in Taiwan | |
Czabanski et al. | Fuzzy analysis of delivery outcome attributes for improving the automated fetal state assessment | |
Sandeep et al. | Feasibility of artificial intelligence its current status, clinical applications, and future direction in cardiovascular disease | |
Maria et al. | Obesity Risk Prediction Using Machine Learning Approach | |
CN115553730B (zh) | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 | |
CN113990506B (zh) | 一种健康状态评估方法、装置、存储介质及计算机系统 | |
US20240006052A1 (en) | System implementing generative adversarial network adapted to prediction in behavioral and/or physiological contexts | |
Kavya et al. | Heart Disease Prediction Using Logistic Regression | |
Garske | Using deep learning on ehr data to predict diabetes | |
Hassan et al. | Efficient prediction of coronary artery disease using machine learning algorithms with feature selection techniques | |
Sharma et al. | Utilizing Artificial Intelligence in Critical Care: Adding A Handy Tool to Our Armamentarium | |
JP2021507392A (ja) | エンティティ間のコンテキスト的類似性の学習および適用 | |
Ledbetter et al. | Improving recurrent neural network responsiveness to acute clinical events | |
US20230218345A1 (en) | Medical information processing apparatus and method | |
US12057231B1 (en) | Forecasting arterial embolic and bleeding events | |
Alanazi et al. | A Systematic Review of Machine Learning and Artificial Intelligence for Diabetes Care |
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 |