CN116206764A - 风险分级方法、装置、电子设备及存储介质 - Google Patents
风险分级方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116206764A CN116206764A CN202310305604.6A CN202310305604A CN116206764A CN 116206764 A CN116206764 A CN 116206764A CN 202310305604 A CN202310305604 A CN 202310305604A CN 116206764 A CN116206764 A CN 116206764A
- Authority
- CN
- China
- Prior art keywords
- target object
- detection data
- medical
- data
- medical detection
- 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.)
- Pending
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
- G16H50/30—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种风险分级方法、装置、电子设备及存储介质。该方法包括:获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。上述技术方案,实现了细粒度的风险分级,提升了风险分级的准确性,并且上述技术方案具有通用性,可以用于多种医学风险的评估。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种风险分级方法、装置、电子设备及存储介质。
背景技术
随着大数据技术的发展,数据分析在医学领域的应用越来越广泛。
在实现本发明的过程中,发明人发现现有技术中至少存在以下技术问题:现有对危症状患者进行风险分级的方法,存在分级不准确的问题。
发明内容
本发明提供了一种风险分级方法、装置、电子设备及存储介质,以提升风险分级的准确性。
根据本发明的一方面,提供了一种风险分级方法,包括:
获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;
对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;
基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;
基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
根据本发明的另一方面,提供了一种风险分级装置,包括:
医学数据获取模块,用于获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;
表征学习模块,用于对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;
亚表型确定模块,用于基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;
分级结果确定模块,用于基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的风险分级方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风险分级方法。
本发明实施例的技术方案,通过获取待评估的医学数据,其中,待评估的医学数据包括至少一个目标对象的医学检测数据,进而对目标对象的医学检测数据进行表征学习,得到目标对象的医学检测数据对应的表征,进而基于目标对象的医学检测数据对应的表征确定目标对象的医学检测数据对应的亚表型,进而基于目标对象的医学检测数据对应的亚表型确定风险分级结果。上述技术方案,实现了细粒度的风险分级,提升了风险分级的准确性,并且上述技术方案具有通用性,可以用于多种医学风险的评估。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种风险分级方法的流程图;
图2是根据本发明实施例二提供的一种风险分级方法的流程图;
图3是根据本发明实施例二提供的一种双向长短期记忆自编码器的结构示意图;
图4是根据本发明实施例三提供的一种风险分级方法的流程图;
图5是根据本发明实施例三提供的一种共识矩阵计算的原理图;
图6是根据本发明实施例四提供的一种风险分级方法的流程图;
图7是根据本发明实施例五提供的一种风险分级装置的结构示意图;
图8是实现本发明实施例的风险分级方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种风险分级方法的流程图,本实施例可适用于根据目标对象的医学检测数据进行风险评估的情况,该方法可以由风险分级装置来执行,该风险分级装置可以采用硬件和/或软件的形式实现,该风险分级装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据。
本实施例中,待评估的医学数据是指待进行危险分级或评估的结构化医学数据,可以包括一个或多个目标对象的医学检测数据。其中,目标对象可以为危重症疾病患者或者其他特定疾病患者等,医学检测数据是指目标对象的临床检测数据,可以包括但不限于心率、血氧浓度、血压、胆固醇含量等。
具体的,可以从电子设备的预设存储位置获取待评估的医学数据,或者,接收与电子设备相通信连接的其他设备或云端发送的待评估的医学数据。
在一些可选实施例中,待评估的医学数据可以为包含一个或多个目标对象的时序性数据,以便从动态连续时序角度进行危险分级。
S120、对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征。
本实施例中,表征学习是将目标对象的医学检测数据转换成为更容易被机器学习应用的数据的过程,换而言之,表征为目标对象的医学检测数据转换后的表达形式。
具体的,可以将目标对象的医学检测数据输入至预先建立的表征学习模型,进而该表征学习模型输出目标对象的医学检测数据对应的表征。
S130、基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型。
本实施例中,亚表型是指一组具有相同表型的目标对象的表型特征。示例性的,亚表型包括冠心病、体质指数、血压、总胆固醇等。
具体的,可以根据目标对象的医学检测数据对应的表征计算共识矩阵,以确定各目标对象之间的相似程度,进而可以根据共识矩阵确定目标对象的医学检测数据对应的亚表型。需要说明的是,本实施例通过表征确定的亚表型比现有技术确定的亚表型更为准确,从而可以根据更为准确的亚表型得到细粒度的风险分级,提升了风险分级的准确性。
S140、基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
本实施例中,风险分级结果是指对目标对象危险程度的分级结果,可以为图表或者文本等形式。
示例性的,可以对目标对象的医学检测数据对应的亚表型进行静态分析或者动态分析等,从而实现更切实细致的多角度分析,得到解释性更强风险分级结果。
在上述各实施例的基础上,可选的,获取待评估的医学数据,包括:获取原始医疗数据,通过对原始医疗数据执行下述操作中的至少一种操作,得到待评估的医学数据:对原始医疗数据进行数据清洗;对原始医疗数据进行均值处理;对原始医疗数据进行缺失值处理;对原始医疗数据进行标准化处理。
本实施例中,原始医疗数据是指从公开医学数据集中获取的医学检测数据,其中,公开医学数据集可以包括单中心数据集和多中心数据集。
示例性的,对于数据清洗操作,数据清洗规则可以包括:(1)年龄在18-89之间;(2)入院时间大于24小时;(3)患者检测的生理生化指标缺失值不得超过30%;进而可以根据上述数据清洗规则对原始医疗数据进行数据清洗。对于均值处理操作,可以将患者单日内单个测量指标的多次测量结果计算均值,并将该均值作为该患者该日该指标的测量结果。对于缺失值处理操作,若测量指标缺少患者某一天的检测结果,则可以根据患者前一日或者后一日的均值结果进行填补;若数据缺少某一患者某一测量指标,则可以根据所有患者的该测量指标进行填补。对于标准化处理操作,可以对原始医疗数据进行归一化、中心化等处理。
本发明实施例的技术方案,通过获取待评估的医学数据,其中,待评估的医学数据包括至少一个目标对象的医学检测数据,进而对目标对象的医学检测数据进行表征学习,得到目标对象的医学检测数据对应的表征,进而基于目标对象的医学检测数据对应的表征确定目标对象的医学检测数据对应的亚表型,进而基于目标对象的医学检测数据对应的亚表型确定风险分级结果。上述技术方案,实现了细粒度的风险分级,提升了风险分级的准确性,并且上述技术方案具有通用性,可以用于多种医学风险的评估。
实施例二
图2为本发明实施例二提供的一种风险分级方法的流程图,本实施例的方法与上述实施例中提供的风险分级方法中各个可选方案可以结合。本实施例提供的风险分级方法进行了进一步优化。可选的,所述对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征,包括:将所述目标对象的医学检测数据输入至表征学习模型,得到所述目标对象的医学检测数据对应的表征。
如图2所示,该方法包括:
S210、获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据。
S220、将所述目标对象的医学检测数据输入至表征学习模型,得到所述目标对象的医学检测数据对应的表征。
S230、基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型。
S240、基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
本实施例中,表征学习模型为预先构建的网络模型,可以用于数据的表征学习。
具体的,通过获取至少一个目标对象的医学检测数据,进而将各目标对象的医学检测数据输入至表征学习模型,得到各目标对象的医学检测数据对应的表征,进而基于各目标对象的医学检测数据对应的表征确定目标对象的医学检测数据对应的亚表型,进而基于目标对象的医学检测数据对应的亚表型确定风险分级结果,实现细粒度的风险分级,提升了风险分级的准确性。
在上述各实施例的基础上,表征学习模型包括编码器和解码器;相应的,将目标对象的医学检测数据输入至表征学习模型,得到目标对象的医学检测数据对应的表征,包括:将目标对象的医学检测数据输入至表征学习模型的编码器,得到目标对象的医学检测数据对应的表征;其中,表征学习模型的训练步骤包括:根据目标对象的医学检测数据与表征学习模型的解码器输出的重构数据的损失,以及模型输出的预测死亡概率与目标对象的医学检测数据对应的死亡概率标签之间的损失,对预先建立的深度学习模型的模型参数进行调整,直至满足模型训练停止条件,得到表征学习模型。
示例性的,目标对象可以为危重症疾病患者,表征学习模型可以为双向长短期记忆自编码器,双向长短期记忆自编码器包括编码器和解码器,编码器和解码器分别包括多个LSTM cell,图3是本实施例提供的一种双向长短期记忆自编码器的结构示意图。具体而言,将多个危重症疾病患者的医学检测数据(X1,X2,…,Xt+1)输入至双向长短期记忆自编码器的编码器中,编码器输出各危重症疾病患者的医学检测数据对应的表征(h1,h2,…,ht+1);进一步的,将上述表征输入至解码器,可以得到危重症疾病患者的医学检测数据对应的重构数据(Y1,Y2,…,Yt+1)。其中,表征学习模型的训练步骤包括:对各危重症疾病患者的医学检测数据进行划分,得到模型训练数据集、模型测试数据集和模型验证数据集,进而将划分后的数据输入至表征学习模型,进而根据危重症疾病患者的医学检测数据与表征学习模型的解码器输出的重构数据的损失,以及模型输出的预测死亡概率与危重症疾病患者的医学检测数据对应的死亡概率标签之间的损失,对双向长短期记忆自编码器的模型参数进行调整,直至满足模型训练停止条件,得到训练完成的表征学习模型,其中,双向长短期记忆自编码器的医学检测数据与表征学习模型的解码器输出的重构数据的损失可以为均方误差损失,模型输出的预测死亡概率与目标对象的医学检测数据对应的死亡概率标签之间的损失可以为二元交叉熵损失,可以设置均方误差损失与二元交叉熵损失的权重比例为1:10。双向长短期记忆自编码器还包括由两层线性层组成的输出层,该输出层用于关联表征和死亡率。
本发明实施例的技术方案,通过将目标对象的医学检测数据输入至表征学习模型,得到目标对象的医学检测数据对应的表征,实现了表征的自动获取,避免了手动获取特征的麻烦,从而提升了数据处理的效率。
实施例三
图4为本发明实施例三提供的一种风险分级方法的流程图,本实施例的方法与上述实施例中提供的风险分级方法中各个可选方案可以结合。本实施例提供的风险分级方法进行了进一步优化。可选的,所述基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型,包括:对所述目标对象的医学检测数据对应的表征进行聚类处理,得到表征聚类结果;基于所述表征聚类结果确定共识矩阵;对所述共识矩阵进行聚类处理,得到所述目标对象的医学检测数据对应的亚表型。
如图4所示,该方法包括:
S310、获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据。
S320、对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征。
S330、对所述目标对象的医学检测数据对应的表征进行聚类处理,得到表征聚类结果。
S340、基于所述表征聚类结果确定共识矩阵。
S350、对所述共识矩阵进行聚类处理,得到所述目标对象的医学检测数据对应的亚表型。
S360、基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
本实施例中,目标对象的医学检测数据对应的表征可以为表征学习模型不同隐藏层输出的表征。表征聚类结果是指表征聚类处理后的结果,可以包括多组划分后的表征。
具体的,可以对各目标对象的医学检测数据对应的表征进行k-means聚类或者其他聚类处理,得到表征聚类结果,进而根据表征聚类结果计算每对目标对象被聚合在一组的频率,进而根据每对目标对象被聚合在一组的频率生成共识矩阵,进而对共识矩阵进行聚类处理,得到目标对象的医学检测数据对应的亚表型,该亚表型具有不同的预后模式、生理生化指标差异及动态轨迹差异的特点,富有强解释性和临床意义。
在上述各实施例的基础上,可选的,基于表征聚类结果确定共识矩阵,包括:确定表征聚类结果中各目标对象被聚合到同一组的频率;基于表征聚类结果中各目标对象被聚合到同一组的频率确定共识矩阵。
示例性的,以患者危险分级场景为例,可以对各患者的医学检测数据对应的表征进行k-means聚类,得到表征聚类结果,进而根据表征聚类结果计算每对患者被聚合在一组的频率,进而根据每对患者被聚合在一组的频率生成共识矩阵,进而对共识矩阵进行聚类处理,得到患者的医学检测数据对应的亚表型。图5是本实施例提供的一种共识矩阵计算的原理图,图5中左边表格为聚类簇分配矩阵,其横轴为患者(patients),纵轴为模型(models);右边表格为共识矩阵,其横轴为患者(patients),纵轴为患者(patients)。
需要说明的是,在k-means聚类过程中,可以利用累积分布曲线确定类目的最佳值,以及表征和共识矩阵的聚类质量,进而可以根据类数的最佳值,以及表征和共识矩阵的聚类质量确定k值,该k值可以用于聚类过程中。具体的,可以将累积分布曲线下的面积相对变化的拐点值确定为类数的最佳值;可以根据计算轮廓(Silhouette)分数、Calinskiharabasz(CH)分数和Davies bouldin(DB)分数中的一项或多项确定表征和共识矩阵的聚类质量。
本发明实施例的技术方案,通过对目标对象的医学检测数据对应的表征进行聚类处理,得到表征聚类结果,进而基于表征聚类结果确定共识矩阵,对共识矩阵进行聚类处理,得到目标对象的医学检测数据对应的亚表型,为风险分级方法的通用提供了技术支持,可以广泛应用于多种不同目标对象的风险分级。
实施例四
图6为本发明实施例四提供的一种风险分级方法的流程图,本实施例的方法与上述实施例中提供的风险分级方法中各个可选方案可以结合。本实施例提供的风险分级方法进行了进一步优化。可选的,所述基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果,包括:通过对所述目标对象的医学检测数据对应的亚表型执行下述操作中的至少一种操作,得到风险分级结果:基于静态单一时间点角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级;基于动态连续时序角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级。
如图6所示,该方法包括:
S410、获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据。
S420、对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征。
S430、基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型。
S440、通过对所述目标对象的医学检测数据对应的亚表型执行下述操作中的至少一种操作,得到风险分级结果:基于静态单一时间点角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级;基于动态连续时序角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级。
本实施例中,可以从多角度对亚表型进行解释分析,提升分析结果的细粒度。其中,静态单一时间点角度的分析方法为数据静态分析方法,可以包括但不限于单一时间点的生理生化指标方差分析、低维空间的分布可视化、现有诊断指标的分级组成分析等。其中,单一时间点可以为某一时刻或者单日时间内等。动态连续时序角度的分析方法为数据动态分析方法,可以包括但不限于特殊生理生化指标的发展轨迹、分级患者的生存分析等。动态连续时序角度的分析方法可以用于分析目标对象的生理生化指标在时间轴上的变化趋势和变化幅度。
示例性的,对于静态单一时间点角度的分析方法,可以通过非线性降维方法对亚表型进行处理,得到二维空间的分布结果;还可以获取患者首次住院24小时之内的亚表型的人口统计学和临床特征差异;还可以分析合并症和现有诊断分级标准的组成。
在一些实施例中,还可以对连续型数值化的生理生化指标将进行克鲁斯卡尔-沃利斯检验,计算中位数、均值以及四分位距。在一些实施例中,还可以对分类生理生化指标将进行卡房检验,并计算各类别占比。在一些实施例中,在调整年龄和性别变量的情况下,可以对连续变量进行方差分析,以检验得到的亚表型是否存在统计性差异。在一些实施例中,在得到亚表型之后,还可以计算亚表型的相对死亡率。
对于动态连续时序角度的分析方法,可以对亚表型进行生存曲线分析、前72小时内出现分级标准的组成变化分析、特定生理生化指标的发展轨迹分析等,从而获取亚表型的时序性规律。
在一些可选实施例中,还可以对亚表型进行预测解释,其中,预测解释分析可以包括但不限于随机森林(Random Forest)和SHAP(Shapley Additive Explanation)分析等。
示例性的,可以基于随机森林的十折交叉验证预测患者的亚表型标签,以用于探究已推导的亚表型标签的可解释性和可用性。具体而言,可以从患者第一日住院起,连续七日执行随机森林的十折交叉验证预测,并可以根据接受者操作特征曲线下面积(AreaUnder the Receiver Operating Characteristic curve,AUROC)对上述预测结果进行评估。还可以通过SHAP分析确定每个亚表型的SHAP值,SHAP值可以用于衡量不同生理生化指标对区分不同亚表型的贡献,并可以根据SHAP值确定具有分级意义的指标,从而通过具有分级意义的指标补充现有诊断分级标准。
在一些可选实施例中,可以将本实施例的危险分级方法部署至图形界面应用程序和/或web网页中,以便用通过户图形界面应用程序和/或web网页快速进行危险分级。其中,图形界面应用程序可以通过QT(图形用户界面应用程序开发框架)开发得到,web网页也可通过开发得到。
本发明实施例的技术方案,通过基于静态单一时间点角度的分析方法对目标对象的医学检测数据对应的亚表型进行分级,和/或基于动态连续时序角度的分析方法对目标对象的医学检测数据对应的亚表型进行分级,实现从多角度对亚表型进行解释分析,提升了分析结果的细粒度。
实施例五
图7为本发明实施例五提供的一种风险分级装置的结构示意图。如图7所示,该装置包括:
医学数据获取模块510,用于获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;
表征学习模块520,用于对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;
亚表型确定模块530,用于基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;
分级结果确定模块540,用于基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
本发明实施例的技术方案,通过获取待评估的医学数据,其中,待评估的医学数据包括至少一个目标对象的医学检测数据,进而对目标对象的医学检测数据进行表征学习,得到目标对象的医学检测数据对应的表征,进而基于目标对象的医学检测数据对应的表征确定目标对象的医学检测数据对应的亚表型,进而基于目标对象的医学检测数据对应的亚表型确定风险分级结果。上述技术方案,实现了细粒度的风险分级,提升了风险分级的准确性,并且上述技术方案具有通用性,可以用于多种医学风险的评估。
在一些可选的实施方式中,医学数据获取模块510,还用于:
获取原始医疗数据,通过对所述原始医疗数据执行下述操作中的至少一种操作,得到待评估的医学数据:
对所述原始医疗数据进行数据清洗;
对所述原始医疗数据进行均值处理;
对所述原始医疗数据进行缺失值处理;
对所述原始医疗数据进行标准化处理。
在一些可选的实施方式中,表征学习模块520,包括:
表征输出单元,用于将所述目标对象的医学检测数据输入至表征学习模型,得到所述目标对象的医学检测数据对应的表征。
在一些可选的实施方式中,所述表征学习模型包括编码器和解码器;
相应的,表征输出单元,还用于:
将所述目标对象的医学检测数据输入至所述表征学习模型的编码器,得到所述目标对象的医学检测数据对应的表征;
其中,所述表征学习模型的训练步骤包括:根据所述目标对象的医学检测数据与所述表征学习模型的解码器输出的重构数据的损失,以及模型输出的预测死亡概率与所述目标对象的医学检测数据对应的死亡概率标签之间的损失,对预先建立的表征学习模型的模型参数进行调整,直至满足模型训练停止条件,得到训练完成的表征学习模型。
在一些可选的实施方式中,亚表型确定模块530,包括:
表征聚类单元,用于对所述目标对象的医学检测数据对应的表征进行聚类处理,得到表征聚类结果;
共识矩阵确定单元,用于基于所述表征聚类结果确定共识矩阵;
矩阵聚类单元,用于对所述共识矩阵进行聚类处理,得到所述目标对象的医学检测数据对应的亚表型。
在一些可选的实施方式中,共识矩阵确定单元,还用于:
确定所述表征聚类结果中各目标对象被聚合到同一组的频率;
基于所述表征聚类结果中各目标对象被聚合到同一组的频率确定共识矩阵。
在一些可选的实施方式中,分级结果确定模块540,还用于:
通过对所述目标对象的医学检测数据对应的亚表型执行下述操作中的至少一种操作,得到风险分级结果:
基于静态单一时间点角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级;
基于动态连续时序角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级。
本发明实施例所提供的风险分级装置可执行本发明任意实施例所提供的风险分级方法,具备执行方法相应的功能模块和有益效果。
实施例六
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。I/O接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如风险分级方法,该方法包括:
获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;
对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;
基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;
基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
在一些实施例中,风险分级方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的风险分级方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行风险分级方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种风险分级方法,其特征在于,包括:
获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;
对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;
基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;
基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待评估的医学数据,包括:
获取原始医疗数据,通过对所述原始医疗数据执行下述操作中的至少一种操作,得到待评估的医学数据:
对所述原始医疗数据进行数据清洗;
对所述原始医疗数据进行均值处理;
对所述原始医疗数据进行缺失值处理;
对所述原始医疗数据进行标准化处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征,包括:
将所述目标对象的医学检测数据输入至表征学习模型,得到所述目标对象的医学检测数据对应的表征。
4.根据权利要求3所述的方法,其特征在于,所述表征学习模型包括编码器和解码器;
相应的,所述将所述目标对象的医学检测数据输入至表征学习模型,得到所述目标对象的医学检测数据对应的表征,包括:
将所述目标对象的医学检测数据输入至所述表征学习模型的编码器,得到所述目标对象的医学检测数据对应的表征;
其中,所述表征学习模型的训练步骤包括:根据所述目标对象的医学检测数据与所述表征学习模型的解码器输出的重构数据的损失,以及模型输出的预测死亡概率与所述目标对象的医学检测数据对应的死亡概率标签之间的损失,对预先建立的表征学习模型的模型参数进行调整,直至满足模型训练停止条件,得到训练完成的表征学习模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型,包括:
对所述目标对象的医学检测数据对应的表征进行聚类处理,得到表征聚类结果;
基于所述表征聚类结果确定共识矩阵;
对所述共识矩阵进行聚类处理,得到所述目标对象的医学检测数据对应的亚表型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述表征聚类结果确定共识矩阵,包括:
确定所述表征聚类结果中各目标对象被聚合到同一组的频率;
基于所述表征聚类结果中各目标对象被聚合到同一组的频率确定共识矩阵。
7.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果,包括:
通过对所述目标对象的医学检测数据对应的亚表型执行下述操作中的至少一种操作,得到风险分级结果:
基于静态单一时间点角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级;
基于动态连续时序角度的分析方法对所述目标对象的医学检测数据对应的亚表型进行分级。
8.一种风险分级装置,其特征在于,应用于服务器,包括:
医学数据获取模块,用于获取待评估的医学数据,其中,所述待评估的医学数据包括至少一个目标对象的医学检测数据;
表征学习模块,用于对所述目标对象的医学检测数据进行表征学习,得到所述目标对象的医学检测数据对应的表征;
亚表型确定模块,用于基于所述目标对象的医学检测数据对应的表征确定所述目标对象的医学检测数据对应的亚表型;
分级结果确定模块,用于基于所述目标对象的医学检测数据对应的亚表型确定风险分级结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风险分级方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风险分级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305604.6A CN116206764A (zh) | 2023-03-24 | 2023-03-24 | 风险分级方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305604.6A CN116206764A (zh) | 2023-03-24 | 2023-03-24 | 风险分级方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206764A true CN116206764A (zh) | 2023-06-02 |
Family
ID=86509546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310305604.6A Pending CN116206764A (zh) | 2023-03-24 | 2023-03-24 | 风险分级方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764726A (zh) * | 2024-02-22 | 2024-03-26 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 基于大数据与人工智能的不动产金融风险防控方法及系统 |
-
2023
- 2023-03-24 CN CN202310305604.6A patent/CN116206764A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764726A (zh) * | 2024-02-22 | 2024-03-26 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 基于大数据与人工智能的不动产金融风险防控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131322B (zh) | 时间序列分类方法及装置 | |
CN107516279B (zh) | 一种网络舆情自动预警的方法 | |
WO2021184792A1 (zh) | 一种动态平衡评估方法、装置、设备及介质 | |
CN116206764A (zh) | 风险分级方法、装置、电子设备及存储介质 | |
Esposito et al. | Artificial intelligence in predicting clinical outcome in COVID-19 patients from clinical, biochemical and a qualitative chest X-ray scoring system | |
CN117274266B (zh) | 痘痘严重程度的分级方法、装置、设备及存储介质 | |
Su et al. | Wavelet-fractal diagnosis model and its criterion for concrete dam crack status | |
Qiu et al. | An online test for goodness-of-fit in logistic regression model | |
CN115831219B (zh) | 一种质量预测方法、装置、设备及存储介质 | |
CN111640517A (zh) | 病历编码方法、装置、存储介质及电子设备 | |
CN114972220B (zh) | 一种图像处理方法、装置、电子设备及可读存储介质 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN115376692A (zh) | 一种健康数据的处理方法、装置、电子设备及存储介质 | |
CN112216391B (zh) | 基于颈动脉粥样硬化情况评估脑卒中发病风险方法及装置 | |
CN114566280A (zh) | 用户状态预测方法、装置、电子设备及存储介质 | |
Lakshmi et al. | Comparative Analysis of Multiclass Heart Disease Prediction Classification Models using Preprocessing and Feature Selection | |
CN114617562A (zh) | 心拍信号的分类方法、装置、设备及存储介质 | |
CN113990507A (zh) | 数据处理方法、装置、可读介质及电子设备 | |
TWM605545U (zh) | 慢性病的風險評估裝置 | |
Thai-Nghe et al. | Intelligent Systems and Data Science: First International Conference, ISDS 2023, Can Tho, Vietnam, November 11–12, 2023, Proceedings, Part I | |
CN116052887B (zh) | 一种过度检查的检测方法、装置、电子设备及存储介质 | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN116994751A (zh) | 一种孕早期子痫前期风险预测模型的构建方法及装置 | |
CN117609891A (zh) | 一种文本处理方法、装置、设备及存储介质 | |
Madakkatel et al. | Can we use machine learning to discover risk factors? Testing the proof of principle using data on> 11,000 predictors and mortality in the UK Biobank |
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 |