CN116313038A - 一种诊断肌少症的装置、设备和系统 - Google Patents
一种诊断肌少症的装置、设备和系统 Download PDFInfo
- Publication number
- CN116313038A CN116313038A CN202210412335.9A CN202210412335A CN116313038A CN 116313038 A CN116313038 A CN 116313038A CN 202210412335 A CN202210412335 A CN 202210412335A CN 116313038 A CN116313038 A CN 116313038A
- Authority
- CN
- China
- Prior art keywords
- model
- deep
- wide
- output
- sarcopenia
- 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
- 208000001076 sarcopenia Diseases 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 210000003205 muscle Anatomy 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 208000027219 Deficiency disease Diseases 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000003907 kidney function Effects 0.000 claims description 3
- 230000003908 liver function Effects 0.000 claims description 3
- 230000001225 therapeutic effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 10
- 238000011871 bio-impedance analysis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037191 muscle physiology Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
-
- 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)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种诊断肌少症的装置，所述装置包括：1)检测如下15个指标的装置：FT4、ALB、ALT、TG、HDL、PDW、A_G、PA、VLDL、RDWA、RDWR、gender、HEIGHT、WAISTL、HIPL；2)分析指标数据的分析装置；所述分析装置内置数据输入端口，用于接收前述检测装置的检测结果；所述分析装置内置由Wide and deep模型构建的统计分析模型，用于判别是否患有肌少症。
Description
技术领域
本发明具体涉及诊断肌少症的装置、设备和系统。
背景技术
肌少症(Sarcopenia)是一种年龄依赖性的肌肉质量减少和或肌肉强度下降、肌肉生理功能减退，能引起老年人日常生活受限、跌倒、致残、甚至死亡等不良后果增加的一种老年特征性疾病。随着我国人口老龄化的加剧，肌少症对老年人的生活质量、致残率以及死亡率的影响增加，临床上有必要提高对该疾病的认识并进行早期的诊断和干预。
目前临床主要通过双功能X射线吸收测定法(dual-energy X-rayabsorptiometry,DXA)、生物电阻抗分析(bioelectrical impedance analysis,BIA)测定骨骼肌质量以及通过握力测定肌肉力量来对肌少症进行诊断。不同指南所用的诊断指标都是针对肌肉的质量、力量和活动能力，但目前尚未有统一的诊断标准并且不同设备测量的结果无法直接进行比较。另外，一些无法站立的老年患者无法顺利完成躯体功能试验，同时也存在测定DXA、BIA的仪器昂贵，无法推广至基层医院使用等问题。
发明内容
为解决上述问题，本发明提供了一种诊断肌少症的装置，所述装置包括：
1)检测如下15个指标的装置：
FT4、ALB、ALT、TG、HDL、PDW、A_G、PA、VLDL、RDWA、RDWR、gender、HEIGHT、WAISTL、HIPL；
2)分析指标数据的分析装置；
所述分析装置内置数据输入端口，用于接收前述检测装置的检测结果；
所述分析装置内置由Wide and deep模型构建的统计分析模型，用于判别是否患有肌少症。
进一步地，所述Wide and deep模型的wide端对应线性回归模型；所述线性回归模型如下式(1)所示：
其中，y是预测值，x为离散特征，
为连续数据特征，W1和b1是权重参数向量。
进一步地，所述Wide and deep模型的deep端对应全连接神经网络，输入数据与wide端相同；所述全连接神经网络如下式(2)所示：
a(l+1)＝f(W2 (l)a(l)+b2 (l)) (2)
其中，l是网络层编号，a(l)是第l层的输入变量，a(l+1)是第l层的输出变量，即第l+1层的输入变量，W2 (l)和b2 (l)是第l层的权重参数向量，f是激活函数。
进一步地，所述统计分析模型输出的是Wide端和deep端输出的叠加，其中叠加使用的函数为逻辑损失函数，具体如下式(3)所示：
其中，P(Y＝1|x)代表逻辑损失函数的输出概率值，σ是Sigmoid函数，
是深层部分的最后一个网络层的输出，/>
是Wide端输出的结果，/>
是deep端输出的结果，b3是合并后的权重向量。
更进一步地，所述逻辑损失函数输出的概率值大于20％，判断待检患者为需要治疗干预的肌少症受试者。
更进一步地，所述Wide and deep模型是经训练后的模型；所述训练使用的是肌少症受试者的基本信息，包括肌力测定、肝功、肾功、血常规，具体可以是实施例1表1所述的55个特征。
进一步地，所述训练至逻辑损失函数的值大于或等于预设阈值时结束。
本发明最后提供了一种前述装置在制备诊断肌少症的医疗器械中的用途。
本发明基于Wide and deep模型的统计分析模型，用于判别肌少症，精密度和灵敏度高。仅需抽取血液标本，不受患者肌肉的质量、力量和活动能力的影响，即使评估对象无法顺利完成躯体功能试验也可进行诊断。与此同时，检测费相对较低，可以更好的开展临床应用。并且实验室检查结果也可用于评估患者其他疾病或身体健康情况，一举多得，具有临床扩大应用前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1网络模型架构
图2网络每层神经元个数
图3网络模型训练过程精度和损失值曲线(loss:训练集损失值曲线；accuracy:训练集精度曲线；val-losss:测试集损失值曲线；val-accuracy:测试集精度曲线。)
图4ROC曲线
图5测试模型曲线(x轴表示阈值概率；y轴表示净受益；MDS：基于训练集数据的模型预测的受益阈值概率，所有患者使用模型预测后均受益；；test:基于测试集数据的模型预测的受益阈值概率，所有测试患者使用模型预测后均受益；None:所有患者均未患肌少症；ALL:所有患者均患有肌少症。)
图6识别率与召回率曲线
图7临床诊断实例
具体实施方式
实施例1本发明检测装置的构建和验证
1、人群队列
研究人群来源于WCHAT队列建立(ChiCTR 1800018895)。研究纳入50周岁以上人群，均询问并通过纳入者本人同意采集信息和标本。本发明最终纳入4500例完成BIA测定(生物电阻抗法测定)人群入组研究。按照亚洲肌少症工作小组(Asia Working Group forSarcopenia，AWGS)规定判定入组者是否为肌少症患者。
2、数据收集及测定
以问卷形式对每位入组者进行面对面、一个人对一个入组者进行调研，收集个人基本信息；专业技术人员对入组者进行BIA测定；实验室技术人员对入组者血液标本进行实验室检测。每位入组者均收集到包含基本信息、肌力测定、肝功、肾功、血常规等55个数据的维度特征，见表1。
表1 55个数据的维度特征.
3、变量筛选
选择拉索回归(LASSO)进行变量筛选。这是由于研究原始数据量大、部分数据存在共线性和相关度高，因此将55个维度数据进行拉索回归(LASSO)；再通过单因素logistic回归和临床经验选择最终变量。最终确定15个特征进行模型建立，见表2。
表2.通过变量筛选后进入模型建立的变量
4、机器学习模型建立及验证
a、训练浅层和深层推荐模型(Wide and deep模型)
Wide and deep模型是TensorFlow发布的一类用于分类和回归的模型，其构建核心方法是结合线性模型的记忆能力(memorization)和DNN模型的泛化能力(generalization)，在训练过程中同时优化2个模型的参数，从而达到整体模型的预测能力最优，具体见图1。
本发明Wide and deep模型的wide端对应的是线性回归模型，输入每位入组者的55个数据的连续特征(某指标的范围，如血压范围)和离散特征(参数数据的值是离散的，如性别为男或女，遗传病为无或有)，输出预测值，其中线性回归模型如下式(1)所示：
其中，y是预测值，x为离散特征，
为连续数据特征，W1和b1是权重参数向量。
deep端对应的是全连接神经网络，输入数据与wide端相同，都为每位入组者的55个数据的连续特征和离散特征，输出预测值，其中全连接神经网络如下式(2)所示：
a(l+1)＝f(W2 (l)a(l)+b2 (l)) (2)
其中，l是网络层编号，a(l)是第l层的输入变量，a(l+1)是第l层的输出变量，即第l+1层的输入变量，W2 (1)和b2 (l)是第l层的权重参数向量，f是激活函数。网络层的数量可以根据需要设定，本发明对此不做限制，具体每层神经元个数参见图2。
Wide端和deep端输出的预测值被输入到如下式(3)所示的逻辑损失函数(logistic loss function)进行加权训练，当逻辑损失函数的值大于或等于预设阈值时训练结束；
其中，P(Y＝1|x)代表逻辑损失函数的输出概率值，σ是Sigmoid函数，
是深层部分的最后一个网络层的输出，/>
是Wide端输出的结果，/>
是deep端输出的结果，b3是合并后的权重向量。
b、基于训练的浅层和深层推荐模型用所筛选出的15个特征进行验证
将每位入组者的15个检测指标(具体见表1)输入训练后的Wide and deep模型中，根据模型输出的概率值判定患肌少症的可能性，比如当输出值为90％时，即患肌少症的可能性为90％。
本发明中测试集包含1014例受试者；其中肌少症患者为210例；分别为：54例的输出值为在81％～100％，40例的输出值为在61％～80％，39例的输出值为在41％～60％，37例的输出值为在21％～40％，40例的输出值为在0％～20％。从测试结果可见，输出值大于20％为肌少症患者的可能性较大，需要进行治疗干预。
本发明模型训练、测试和验证结果汇总见图3～6，其中图7为其中一例肌少症患者的模型计算过程和输出概率，从结果可见本发明方法准确性高，特异性强可用于临床肌少症的诊断。
Claims (8)
1.一种诊断肌少症的装置，其特征在于：所述装置包括：
1)检测如下15个指标的装置：
FT4、ALB、ALT、TG、HDL、PDW、A_G、PA、VLDL、RDWA、RDWR、gender、HEIGHT、WAISTL、HIPL；
2)分析指标数据的分析装置；
所述分析装置内置数据输入端口，用于接收前述检测装置的检测结果；
所述分析装置内置由Wide and deep模型构建的统计分析模型，用于判别是否患有肌少症。
2.根据权利要求1所述的装置，其特征在于：所述Wide and deep模型的wide端对应线性回归模型；所述线性回归模型如下式(1)所示：
其中，y是预测值，x为离散特征，
为连续数据特征，W1和b1是权重参数向量。
3.根据权利要求1所述的装置，其特征在于：所述Wide and deep模型的deep端对应全连接神经网络，输入数据与wide端相同；所述全连接神经网络如下式(2)所示：
a(l+1)＝f(W2 (l)a(l)+b2 (l)) (2)
其中，l是网络层编号，a(l)是第l层的输入变量，a(l+1)是第l层的输出变量，即第l+1层的输入变量，W2 (1)和b2 (l)是第l层的权重参数向量，f是激活函数。
4.根据权利要求1所述的装置，其特征在于：所述统计分析模型输出的是Wide端和deep端输出的叠加，其中叠加使用的函数为逻辑损失函数，具体如下式(3)所示：
其中，P(Y＝1|x)代表逻辑损失函数的输出概率值，σ是Sigmoid函数，
是深层部分的最后一个网络层的输出，/>
是Wide端输出的结果，/>
是deep端输出的结果，b3是合并后的权重向量。
5.根据权利要求4所述的装置，其特征在于：所述逻辑损失函数输出的概率值大于20％，判断待检患者为需要治疗干预的肌少症受试者。
6.根据权利1～5任一项所述的装置，其特征在于：所述Wide and deep模型是经训练后的模型；所述训练使用的是肌少症受试者的基本信息，包括肌力测定、肝功、肾功、血常规。
7.根据权利要求6所述的装置，其特征在于：所述训练至逻辑损失函数的值大于或等于预设阈值时结束。
8.权利要求1～7任一项所述装置在制备诊断肌少症的医疗器械中的用途。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021115563729 | 2021-12-17 | ||
| CN202111556372 | 2021-12-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116313038A true CN116313038A (zh) | 2023-06-23 |
Family
ID=86813668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210412335.9A Pending CN116313038A (zh) | 2021-12-17 | 2022-04-19 | 一种诊断肌少症的装置、设备和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116313038A (zh) |
-
2022
- 2022-04-19 CN CN202210412335.9A patent/CN116313038A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamil | A deep learning framework to detect Covid-19 disease via chest X-ray and CT scan images. | |
| KR102091832B1 (ko) | 멀티미디어 정보를 이용한 휴대용 체외진단키트 해석장치 | |
| CN108742513A (zh) | 脑卒中患者康复预测方法及系统 | |
| JP2012523947A (ja) | 伝統中国医学（ｔｃｍ）の原理に基づいて肌組成を判定するコンピュータ援用診断システム及び方法 | |
| CN112784856A (zh) | 胸部x射线图像的通道注意力特征提取方法和识别方法 | |
| CN109452938A (zh) | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 | |
| CN111413492A (zh) | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN115517682A (zh) | 基于胃肠电信号的认知功能障碍预测系统及构建方法 | |
| CN113571176A (zh) | 一种基于血常规检验数据的抑郁症识别方法 | |
| CN109223006A (zh) | 一种精神分裂症诊断系统 | |
| CN109363678B (zh) | 基于经络能量平衡值的易发疾病预测系统 | |
| KR20220095803A (ko) | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 | |
| CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
| Aravinda et al. | A demystifying convolutional neural networks using Grad-CAM for prediction of coronavirus disease (COVID-19) on X-ray images | |
| CN116313038A (zh) | 一种诊断肌少症的装置、设备和系统 | |
| CN116451129A (zh) | 一种脉象分类识别方法及系统 | |
| CN108346471A (zh) | 一种病理数据的分析方法及装置 | |
| Sasikala et al. | Prediction of heart stroke diseases using machine learning technique based electromyographic data | |
| CN114334122A (zh) | 一种适用于临床痴呆风险筛查的认知测评体系 | |
| CN114388129B (zh) | 基于动态信息价值准则和集成学习的动脉粥样硬化风险预测方法 | |
| CN111582328A (zh) | 一种基于肺部ct影像的covid-19分类识别方法 | |
| Sonarra et al. | Detection and Classification of COVID-19 Chest X-rays by the Deep Learning Technique | |
| CN117637154B (zh) | 一种基于优化算法的神经内科重症指标预测方法及系统 | |
| CN115684570B (zh) | 传染病检测装置、设备、系统、介质及程序产品 |
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 |