CN116504407B - 一种冠脉左主干分叉的分支闭塞风险预测方法及系统 - Google Patents
一种冠脉左主干分叉的分支闭塞风险预测方法及系统 Download PDFInfo
- Publication number
- CN116504407B CN116504407B CN202310791910.5A CN202310791910A CN116504407B CN 116504407 B CN116504407 B CN 116504407B CN 202310791910 A CN202310791910 A CN 202310791910A CN 116504407 B CN116504407 B CN 116504407B
- Authority
- CN
- China
- Prior art keywords
- features
- preset
- left trunk
- branch occlusion
- branch
- 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
Abstract
一种冠脉左主干分叉的分支闭塞风险预测方法及系统,涉及人工智能技术领域。在该方法中,获取患者的冠脉左主干造影图像;将所述冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分;判断所述预测总分是否大于或等于预设的第一阈值;当所述预测总分大于或等于所述预设的第一阈值时,确定所述患者存在左主干分叉的分支闭塞风险。实施本申请提供的技术方案,可以在手术后快速地预测冠脉左主干分叉的分支闭塞风险。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种冠脉左主干分叉的分支闭塞风险预测方法及系统。
背景技术
随着生活压力不断增加和生活节奏持续加快,人们罹患心脏病的概率越来越高。其中,冠脉左主干分叉的分支闭塞是在冠脉介入治疗中危险系数极高的一类并发症。因此及早发现冠脉左主干分叉的分支闭塞发生的风险,变得尤为关键。
现如今,在冠脉介入治疗中主要通过血管内超声技术或V-RESOLVE评分来预测冠脉左主干分叉的分支闭塞发生的风险。但由于血管内超声技术的检测时间过长,且在病变复杂时无法准确评估。而V-RESOLVE评分可预测非左主干分叉的分支闭塞,但由于左主干分叉和非左主干分叉病变解剖存在差异,因此V-RESOLVE评分在预测左主干分叉的分支闭塞的准确度显著降低。因此,如何快速且准确地预测冠脉左主干分叉的分支闭塞风险,成为亟待解决的问题。
因此,亟需一种冠脉左主干分叉的分支闭塞风险预测方法及系统来解决当前技术存在的问题。
发明内容
本申请提供了一种冠脉左主干分叉的分支闭塞风险预测方法及系统,可以在冠脉介入治疗中快速且准确地预测冠脉左主干分叉的分支闭塞风险。
第一方面,本申请提供了一种冠脉左主干分叉的分支闭塞风险预测方法,所述方法包括:获取患者的冠脉左主干造影图像;将所述冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分;判断所述预测总分是否大于或等于预设的第一阈值;当所述预测总分大于或等于所述预设的第一阈值时,确定所述患者存在左主干分叉的分支闭塞风险。
通过采用上述技术方案,通过获取患者的冠脉左主干造影图像,并将患者的冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分;通过预测总分,则可以直观地反映出患者在术中发生的冠脉左主干分叉的分支闭塞的风险概率。当判断预测总分大于或等于预设的第一阈值时,确定患者存在左主干分叉的分支闭塞风险,从而使得专业医护人员能够及时地采取相应的治疗策略并介入治疗。
可选的,在所述将所述冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型之前,所述方法还包括:获取冠脉左主干造影图像样本;提取所述冠脉左主干造影图像样本的多个特征;将多个所述特征输入至预设的回归模型中进行筛选,得到n个所述特征,其中,n为大于或等于1的正整数;将n个所述特征输入至预设的全子集回归模型,得到最优子集;生成包含所述最优子集的预设的左主干分支闭塞预测评分模型。
通过采用上述技术方案,通过根据冠脉左主干造影图像样本提取得到的多个特征,经过预设的回归模型中进行筛选得到n个特征,可以初步筛选出对于判断左主干分叉的分支闭塞风险存在显著影响的特征。再将n个特征输入至预设的全子集回归模型,得到最优子集,可以进一步得到能够判断左主干分叉的分支闭塞风险的最佳的相关联特征。
可选的,所述最优子集包括i个所述特征,其中,;在所述将n个所述特征输入至预设的全子集回归模型,得到最优子集之后,所述方法还包括:计算所述最优子集内的i个所述特征的比值比;基于i个所述特征的比值比对i个所述特征进行变量赋值,得到i个赋值结果;将所述i个赋值结果相加,得到预测总分。
可选的,所述将多个所述特征输入至预设的回归模型中进行筛选,得到n个所述特征,具体包括:将多个所述特征作为自变量,将冠脉左主干分叉的分支闭塞风险作为因变量;基于单因素Logistic回归模型对所述自变量和所述因变量进行分析,得到多个所述特征的P值;对所述P值小于预设的第二阈值的多个所述特征进行筛选,得到n个所述特征。
可选的,所述将n个所述特征输入至预设的全子集回归模型,得到最优子集,具体包括:将n个所述特征输入至预设的全子集回归模型中,对n个所述特征进行排列组合,得到多个特征集合;基于赤池信息量准则,计算每个所述特征集合的AIC值;将所述AIC值最小的所述特征集合作为最优子集。
可选的,所述基于i个所述特征的比值比对i个所述特征进行变量赋值,得到i个赋值结果,具体包括:基于所述i个所述特征的比值比,得到最小比值比对应的特征;将所述最小比值比对应的特征的变量赋值为2;将其余i-1个所述特征的变量赋值为取整数;所述/>为所述比值比最小的所述特征的比值比,所述/>为其余i-1个所述特征的比值比。
通过采用上述技术方案,对最优子集中的i个特征进行变量赋值时,i个特征需要相互关联;因此需要将值最小的特征作为参考特征,其余特征的变量赋值需与参考特征相对应。并且在对特征进行变量赋值时需要降低模型最后的预测能力的损失,因此将最小比值比对应的特征的变量赋值为2,将其余i-1个特征的变量赋值为/>取整数时,整体模型预测能力的损失达到最小。
可选的,在所述生成包含所述最优子集的预设的左主干分支闭塞预测评分模型之后,所述方法还包括:基于受试者工作曲线方法、校准曲线方法、五折交叉验证方法以及模拟随机分析方法对所述预设的左主干分支闭塞预测评分模型进行验证,得到验证结果;判断所述验证结果与预设结果是否相同;当所述验证结果与预设结果相同时,确认所述预设的左主干分支闭塞预测评分模型验证通过。
通过采用上述技术方案,通过对预设的左主干分支闭塞预测评分模型采用受试者工作曲线方法、校准曲线方法、五折交叉验证方法以及模拟随机分析方法进行验证,并将验证结果与预设结果进行比对,当比对结果相同时,则表明预设的左主干分支闭塞预测评分模型的诊断能力、可重复性以及区分能力优秀。
在本申请的第二方面提供了一种冠脉左主干分叉的分支闭塞风险预测系统,所述系统包括:获取模块、处理模块、风险评测模块;所述获取模块,用于获取患者的冠脉左主干造影图像;所述处理模块,用于将所述冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分;所述处理模块,还用于判断所述预测总分是否大于或等于预设的第一阈值;所述风险评测模块,用于当所述预测总分大于或等于预设的第一阈值时,确定患者为左主干分叉的分支闭塞风险。
在本申请的第三方面提供了一种电子设备,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如本申请第一方面任意一项所述的方法。
在本申请的第四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能够被处理器加载并执行如本申请第一方面任意一项所述的方法的计算机程序。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过获取患者的冠脉左主干造影图像,并将患者的冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分;通过预测总分,则可以直观地反映出患者在术中发生的冠脉左主干分叉的分支闭塞的风险概率。当判断预测总分大于或等于预设的第一阈值时,确定患者存在左主干分叉的分支闭塞风险,从而使得专业医护人员能够及时地采取相应的治疗策略并介入治疗。
2、通过根据冠脉左主干造影图像样本提取得到的多个特征,经过预设的回归模型中进行筛选得到n个特征,可以初步筛选出对于判断左主干分叉的分支闭塞风险存在显著影响的特征。再将n个特征输入至预设的全子集回归模型,得到最优子集,可以进一步得到能够判断左主干分叉的分支闭塞风险的最佳的相关联特征。
3、对最优子集中的i个特征进行变量赋值时,i个特征需要相互关联;因此需要将值最小的特征作为参考特征,其余特征的变量赋值需与参考特征相对应。并且在对特征进行变量赋值时需要降低模型最后的预测能力的损失,因此将最小比值比对应的特征的变量赋值为2,将其余i-1个特征的变量赋值为/>取整数时,整体模型预测能力的损失达到最小。
附图说明
图1是本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图一;
图2是本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图二;
图3是本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图三;
图4是本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图四;
图5是本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图五;
图6是本申请实施例提供的一种计算斑块分布位置特征比值比的示意图;
图7是本申请实施例提供的一种计算分支血管狭窄程度特征比值比的示意图;
图8是本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测系统的结构示意图;
图9是本申请实施例公开的一种电子设备的结构示意图。
附图标记说明:1、获取模块;2、处理模块;3、风险评测模块;4、模型构建模块;5、模型验证模块;900、电子设备;901、处理器;902、通信总线;903、用户接口;904、网络接口;905、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请的技术方案用于患者在进行心脏支架手术后,评估患者的冠脉左主干分叉的闭塞风险。
本申请提供了一种冠脉左主干分叉的分支闭塞风险预测方法,参照图1,其示出了本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图一。该方法包括步骤S101-S104,上述步骤如下:
步骤S101:获取患者的冠脉左主干造影图像。
在上述步骤中,服务器获取患者的冠脉左主干造影图像。
具体来说,在本技术方案中,获取患者的冠脉左主干造影图像的方式在本申请中不做过多限定。
步骤S102:将冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分。
在上述步骤中,服务器将冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型后,得到预测总分。
具体来说,在本技术方案中,预测总分即评判患者的冠脉左主干分叉发生闭塞的风险评分。预测总分越高,则表明患者患冠脉左主干分叉的分支闭塞的风险越高。其中,由专业医生根据大量医疗诊断结果,将发生冠脉左主干分叉的分支闭塞的风险等级设定为五个等级,并将风险评分的分数区间设定为[0,15]。其中第一级至第四级为低风险,低风险的评分区间为[0,8);第五级为高风险,高风险的评分区间为[8,15]。
步骤S103:判断预测总分是否大于或等于预设的第一阈值。
在上述步骤中,服务器判断预测总分是否大于或等于预设的第一阈值。
具体来说,在本技术方案中,由前述的实施例可知,预设的第一阈值即为8。
步骤S104:当预测总分大于或等于预设的第一阈值时,确定患者存在左主干分叉的分支闭塞风险。
在上述步骤中,当服务器判断当预测总分大于或等于预设的第一阈值时,即确定患者存在左主干分叉的分支闭塞风险。
具体来说,在本技术方案中,即当服务器判断当预测总分大于或等于8时,即确定患者在术后发生左主干分叉的分支闭塞的风险很高,需要专业医护人员介入治疗并采取相应的治疗策略。
在一种可能的实施方式中,参照图2,其示出了本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图二。该方法包括步骤S201-S205,上述步骤如下:
步骤S201:获取冠脉左主干造影图像样本。
在上述步骤中,服务器获取冠脉左主干造影图像样本。
具体来说,在本技术方案中,服务器获取冠脉左主干造影图像样本,用于构建预设的左主干分支闭塞预测评分模型。
步骤S202:提取冠脉左主干造影图像样本的多个特征。
在上述步骤中,服务器根据冠脉左主干造影图像样本,提取多个特征。
具体来说,在本技术方案中,提取的多个特征包括但不限于:分叉角度、斑块分布位置、主支血管及分支血管参考管腔直径、基线分叉核狭窄程度、主支血管狭窄程度、分支血管狭窄程度、主支血管病变长度、分支血管病变长度、主支血管TIMI血流等级、分支血管TIMI血流等级、以及病变特征包括血管钙化及扭曲情况等。提取特征的方案为本领域的常用技术手段,故在此不做过多限定。
需要说明的是,当存在无法精准提取某一个特征的时候,则需要由具有丰富造影影像学分析经验的技术员对所有研究对象基线和预扩张后冠状动脉造影资料进行评估,从而提取特征。
步骤S203:将多个特征输入至预设的回归模型中进行筛选,得到n个特征,其中,n为大于或等于1的正整数。
在上述步骤中,服务器将多个特征输入至预设的回归模型中进行筛选,筛选得到n个特征。
具体来说,在本技术方案中,筛选得到n个特征的方法将在后续实施例中进行详细描述。
在一种可能的实施方式中,参照图3,其示出了本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图三。步骤S203具体包括步骤S301-S303,上述步骤如下:
步骤S301:将多个特征作为自变量,将冠脉左主干分叉的分支闭塞风险作为因变量。
在上述步骤中,服务器将多个特征作为预设的回归模型中的自变量,将冠脉左主干分叉的分支闭塞风险作为预设的回归模型中的因变量。
具体来说,在本技术方案中,预设的回归模型中的自变量即用来预测因变量的变量;即通过多个特征来预测冠脉左主干分叉的分支闭塞发生的风险。
步骤S302:基于单因素Logistic回归模型对自变量和因变量进行分析,得到多个特征的P值。
在上述步骤中,服务器基于单因素Logistic回归模型对自变量和因变量进行分析,得到多个特征的P值。
具体来说,单因素Logistic回归模型用于研究一个自变量对二元因变量的影响。在本技术方案中,单因素Logistic回归模型即研究多个特征对冠脉左主干分叉的分支闭塞发生风险的影响。P值代表自变量对因变量是否有显著影响。以Wald检验为例,其假设原始为:H0:β1=0;H1:β1≠0。其中,β1是回归系数,H0表示原假设,即自变量对因变量没有显著影响,H1表示备择假设,即自变量对因变量有显著影响。Wald检验的统计量为:W=(β1-β1')/SE(β1)其中,β1'是回归系数的假设值(在这里为0),SE(β1)是β1的标准误差。W的分布近似于自由度为1的卡方分布,因此可以通过查卡方分布表获得p值。如果p值小于显著性水平,则可以拒绝原假设,即自变量对因变量具有显著影响。
步骤S303:对P值小于预设的第二阈值的多个特征进行筛选,得到n个特征。
在上述步骤中,服务器对P值小于预设的第二阈值的多个特征进行筛选,得到n个特征。
具体来说,在本技术方案中,预设的第二阈值为0.05;即代表可接受的错误率为5%。0.05为根据实验人员大量实验数据后得到的经验值。举例来说,从冠脉左主干造影图像样本中提取得到了20个特征,但将20个特征基于单因素Logistic回归模型分析计算后,只有10个特征的P值小于0.05,则此时经过筛选后保留该10个特征。
步骤S204:将n个特征输入至预设的全子集回归模型,得到最优子集。
在上述步骤中,服务器将n个特征输入至预设的全子集回归模型,得到最优子集。
具体来说,在本技术方案中,服务器将n个特征输入至预设的全子集回归模型,得到最优子集的方法将在后续实施例中进行详细描述。
在一种可能的实施方式中,参照图4,其示出了本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图四。步骤S204具体包括步骤S401-S403,上述步骤如下:
步骤S401:将n个特征输入至预设的全子集回归模型中,对n个特征进行排列组合,得到多个特征集合。
在上述步骤中,服务器将n个特征输入至预设的全子集回归模型中,对n个特征进行排列组合,得到多个特征集合。
具体来说,在本技术方案中,全子集回归模型可以发现所有可能的特征子集,并可以保证选择最佳特征子集。举例来说,当n为4时,将4个特征分别假设为A、B、C、D。则可以得到的特征集合为:{A}、{B}、{C}、{D}、{A,B}、{A,C}、{A,D}、{B,C}、{B,D}、{C,D}、{A,B,C}、{A,B,D}、{A,C,D}、{B,C,D},{A,B,C,D}。
步骤S402:基于赤池信息量准则,计算每个特征集合的AIC值。
在上述步骤中,服务器基于赤池信息量准则,计算每个特征集合的AIC值。
具体来说,赤池信息量准则是一种模型选择准则,用于在给定的一组模型中选择最优模型。即在本技术方案中,通过赤池信息量准则得到对预测患者冠脉左主干分叉发生闭塞效果最佳的特征集合。计算每个特征集合的AIC值可以为:AIC=2k−2ln(L);其中k表示模型中参数的个数,L表示模型的最大似然值。计算模型的最大似然值的方法不在本方案中进行过多限定。
步骤S403:将AIC值最小的特征集合作为最优子集。
在上述步骤中,服务器将AIC值最小的特征集合作为最优子集。
具体来说,在本技术方案中,由于AIC值越小,则说明该子集内的全部特征对于预测冠脉左主干分叉发生闭塞的风险的效果最优。因此将AIC值最小的特征集合作为最优子集。且最优子集包括i个特征,其中,。根据专业实验人员的大量实验数据可得,i的优选值为3。
在一种可能的实施方式中,参照图5,其示出了本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测方法的流程示意图五。在步骤S204之后,还包括步骤S211-S213:
步骤S211:计算最优子集内的i个特征的比值比。
在上述步骤中,服务器计算最优子集内的i个特征的比值比。
具体来说,在本技术方案中,比值比(odds ratio,OR值)是一种统计指标,用于评估两个因素之间的关联程度。其通过获取观察组和对照组的数据,来建立起事件结果与某一因素的联系,从而研究两者的相关性。参照图6,其示出了本申请实施例提供的一种计算斑块分布位置特征比值比的示意图。以前述实施例中的特征“斑块分布位置”和冠脉左主干分叉的分支闭塞的关系为例,首先构建观察组,即构建分支闭塞组,其包含冠脉左主干分叉的分支闭塞的患者人群;构建对照组,即构建无分支闭塞组,其包含无冠脉左主干分叉的分支闭塞的患者人群。统计分支闭塞组内斑块分布位置在分支同侧的患者数量a,分支闭塞组内斑块分布位置在分支对侧的患者数量b;统计无分支闭塞组内斑块分布位置在分支同侧的患者数量c,无分支闭塞组内斑块分布位置在分支对侧的患者数量d。再计算特征“斑块分布位置”的比值比,/>。其含义为,出现分支闭塞患者斑块位置为分支同侧比率是未出现分支闭塞患者斑块位置为分支同侧比率的/>倍;若/>,则说明斑块位置与出现分支闭塞无关;若/>,则说明斑块位置与出现分支闭塞之间有正相关关系;若/>,则说明斑块位置与出现分支闭塞有负相关关系。
参照图7,其示出了本申请实施例提供的一种计算分支血管狭窄程度特征比值比的示意图。以前述实施例中的另一特征“分支血管狭窄程度”和冠脉左主干分叉的分支闭塞的关系为例。分支血管狭窄程度可为0%至100%,不同的分支血管狭窄程度对应着不同的临床意义。分支血管狭窄程度为50%-70%,为临界性冠状动脉病变,当分支血管狭窄程度≥70%,则为严重冠状动脉病变。因此,在建立评分系统的过程中,需将经由造影图像提取的特征“分支血管狭窄程度”,结合实际的临床意义,将其转换为[0,50)、[50,70)和[70,100]三组分支血管狭窄程度分级,再将分支血管狭窄程度分级带入至回归模型。回归模型以分支血管狭窄程度分级为[0,50)作为参考,此时分别计算得到分支血管狭窄程度分级为[50,70)和分支血管狭窄程度分级为[70,100]的值,分别表示分支血管狭窄程度为[50,70)和[70,100],相比分支血管狭窄程度[0,50)与分支闭塞的相关性。构建观察组,即构建分支闭塞组,其包含冠脉左主干分叉的分支闭塞的患者人群;构建对照组,即构建无分支闭塞组,其包含无冠脉左主干分叉的分支闭塞的患者人群。统计分支闭塞组内分支血管狭窄程度[0,50)的患者数量A,分支闭塞组内分支血管狭窄程度[50,70)的患者数量B,分支闭塞组内分支血管狭窄程度[70,100]的患者数量C;统计无分支闭塞组内分支血管狭窄程度[0,50)的患者数量D,无分支闭塞组内分支血管狭窄程度[50,70)的患者数量E,无分支闭塞组内分支血管狭窄程度[70,100]的患者数量F。如图7所示,为了研究分支血管狭窄程度为[50,70)相比分支血管狭窄程度为[0,50)和发生分支闭塞有多大关系,可先分别计算分支闭塞组和无分支闭塞组的分支血管狭窄程度为[50,70)与分支血管狭窄程度为[0,50)的比率,再将两者进行比较,计算得到比值比。用公式表示即为:/>。其含义为,出现分支闭塞患者分支血管狭窄程度为[50,70)和分支血管狭窄程度为[0,50)的比率是未出现分支闭塞患者分支血管狭窄程度为[50,70)和分支血管狭窄程度为[0,50)的比率的/>倍;若/>,则说明分支闭塞患者分支血管狭窄程度为[50,70)与出现分支闭塞之间有正相关关系。其次,为了研究分支血管狭窄程度为[70,100]相比分支血管狭窄程度为[0,50)和发生分支闭塞有多大关系,可先分别计算分支闭塞组和无分支闭塞组的分支血管狭窄程度为[70,100]与分支血管狭窄程度为[0,50)的比率,再将两者进行比较,计算得到比值比。用公式表示即为:/>。其含义为,出现分支闭塞患者分支血管狭窄程度为[70,100]和分支血管狭窄程度为[0,50)的比率是未出现分支闭塞患者分支血管狭窄程度为[70,100]和分支血管狭窄程度为[0,50)的比率的/>倍;若/>,则说明分支闭塞患者分支血管狭窄程度为[70,100]与出现分支闭塞之间有正相关关系。
需要说明的是,由于不同特征所具有的性质各不相同,因此不同特征计算比值比的方法需基于该特征的性质进行具体计算,一个特征的不同性质对应的比值比也不相同。计算其余特征比值比的方法在本申请中不做过多限定。
步骤S212:基于i个特征的比值比对i个特征进行变量赋值,得到i个赋值结果。
在上述步骤中,服务器基于i个特征的比值比对i个特征进行变量赋值,得到i个赋值结果。
具体来说,在本技术方案中,服务器基于i个特征的比值比对i个特征进行变量赋值,得到i个赋值结果的方法将在后续实施例中进行详细描述。
在一种可能的实施方式中,步骤S212具体包括如下步骤:
基于i个特征的比值比,得到最小比值比对应的特征;将最小比值比对应的特征的变量赋值为2;将其余i-1个特征的变量赋值为取整数;/>为比值比最小的特征的比值比,/>为其余i-1个特征的比值比。
具体来说,在本技术方案中,将其余i-1个特征的变量赋值为取整数为四舍五入取整。
由于对最优子集中的i个特征进行变量赋值时,i个特征需要相互关联;因此需要将值最小的特征作为参考特征,其余特征的变量赋值需与参考特征相对应。并且在对特征进行变量赋值时需要降低模型最后的预测能力的损失,由专业医生根据大量医疗诊断结果得到,将最小比值比对应的特征的变量赋值为2,将其余i-1个特征的变量赋值为取整数时,整体模型预测能力的损失达到最小。
举例来说,当i为3时,特征A计算的值为3.3,特征B计算的/>值为4.6,特征C计算的/>值为5.5。特征A的/>值最小,因此将特征A的变量赋值为2;特征B的变量赋值为,四舍五入取整后为3;特征C的变量赋值为/>,四舍五入取整后为3。
步骤S213:将i个赋值结果相加,得到预测总分。
在上述步骤中,服务器将i个赋值结果相加,得到预测总分。
具体来说,在本技术方案中,将i个赋值结果相加,得到预测总分,预测总分大于或等于8的则确定为存在左主干分叉的分支闭塞高风险;预测总分小于8的则确定为不存在左主干分叉的分支闭塞高风险。
举例来说:冠脉左主干造影图像样本A的最优子集中的特征分别为特征A、特征B以及特征C;则冠脉左主干造影图像样本A的预测总分为2+3+3=8分,存在左主干分叉的分支闭塞高风险。
需要说明的是,步骤S211-S213即在最优子集的基础上构建得到评分模型。对不同的冠脉左主干造影图像样本进行左主干分叉的分支闭塞风险评分。
步骤S205:生成包含最优子集的预设的左主干分支闭塞预测评分模型。
在上述步骤中,服务器生成包含最优子集的预设的左主干分支闭塞预测评分模型。
具体来说,在本技术方案中,预设的左主干分支闭塞预测评分模型包括最优子集和在最优子集的基础上构建得到的评分模型。
在一种可能的实施方式中,在步骤S205之后,方法还包括如下步骤:
基于受试者工作曲线方法、校准曲线方法、五折交叉验证方法以及模拟随机分析方法对预设的左主干分支闭塞预测评分模型进行验证,得到验证结果;判断验证结果与预设结果是否相同;当验证结果与预设结果相同时,确认预设的左主干分支闭塞预测评分模型验证通过。
具体来说,在本技术方案中,受试者工作特征曲线(receiver operatingcharacteristic curve,ROC),用于评价左主干分支闭塞预测评分系统诊断分支闭塞的效果,是否有应用价值。受试者工作特征曲线方法的预设结果为:ROC曲线越靠近左上角,表明模型越有诊断价值;ROC曲线下与坐标轴围成的面积(AUC)越大,表明模型越有应用价值。当验证左主干分支闭塞预测评分模型的ROC曲线越靠近左上角且AUC较大时,则表明左主干分支闭塞预测评分模型诊断分支闭塞的能力佳。
校准曲线为事件的实际概率和预测概率的散点图,为Hosmer-Lemeshow拟合优度检验的结果可视化。在坐标系中,如果将模型预测概率放在横轴,实际概率放在纵轴,校准曲线方法的预设结果为:矫正曲线应该是一个45°向上过0的直线(Ideal),表明模型预测概率和实际概率完全吻合。当验证左主干分支闭塞预测评分模型的校准曲线围绕Ideal线的周围没有偏离时,则表明左主干分支闭塞预测评分模型的校准度良好,可重复性佳。
五折交叉验证方法为将建立左主干分支闭塞预测评分模型的全部人群随机分为五个人群,五折交叉验证方法的预设结果为:每个人群分支闭塞发生率相似。当验证左主干分支闭塞预测评分模型,结果显示五个人群中左主干分支闭塞的发生率均相似,则表明左主干分支闭塞预测评分模型具有很好的区分度。
模拟随机分析方法为评估左主干分支闭塞预测评分模型观察者内和观察者间变异性的影响。模拟产生15名不同的观察者,模拟随机分析方法的预设结果为:这些模拟的观察者分别评分的效应值增加±20%、±10%以及0%波动和对标准差增加±20%、±10%以及0%波动。当验证左主干分支闭塞预测评分模型,结果显示15名观察者所产生的评分的效应值增加和标准差增加和上述一致,则表明左主干分支闭塞预测评分模型具有优秀的区分能力。
当以上验证结果与预设结果均相同时,则确认预设的左主干分支闭塞预测评分模型验证通过。若存在其中任意一项的验证结果与预设结果均不同时,则代表预设的左主干分支闭塞预测评分模型验证不通过,需要重新设置模型参数训练模型。
参照图8,其示出了本申请实施例提供的一种冠脉左主干分叉的分支闭塞风险预测系统的结构示意图。系统包括:获取模块1、处理模块2、风险评测模块3;获取模块1,用于获取患者的冠脉左主干造影图像;处理模块2,用于将冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分;处理模块2,还用于判断预测总分是否大于或等于预设的第一阈值;风险评测模块3,用于当预测总分大于或等于预设的第一阈值时,确定患者为左主干分叉的分支闭塞风险。
在一种可能的实施方式中,系统还包括:模型构建模块4。获取模块1,还用于获取冠脉左主干造影图像样本;模型构建模块4,用于提取冠脉左主干造影图像样本的多个特征;模型构建模块4,还用于将多个特征输入至预设的回归模型中进行筛选,得到n个特征,其中,n为大于或等于1的正整数;模型构建模块4,还用于将n个特征输入至预设的全子集回归模型,得到最优子集;模型构建模块4,还用于生成包含最优子集的预设的左主干分支闭塞预测评分模型。
在一种可能的实施方式中,模型构建模块4,还用于计算最优子集内的i个特征的比值比;模型构建模块4,还用于基于i个特征的比值比对i个特征进行变量赋值,得到i个赋值结果;模型构建模块4,还用于将i个赋值结果相加,得到预测总分。
在一种可能的实施方式中,模型构建模块4,还用于将多个特征作为自变量,将冠脉左主干分叉的分支闭塞风险作为因变量;模型构建模块4,还用于基于单因素Logistic回归模型对自变量和因变量进行分析,得到多个特征的P值;模型构建模块4,还用于对P值小于预设的第二阈值的多个特征进行筛选,得到n个特征。
在一种可能的实施方式中,模型构建模块4,还用于将n个特征输入至预设的全子集回归模型中,对n个特征进行排列组合,得到多个特征集合;模型构建模块4,还用于基于赤池信息量准则,计算每个特征集合的AIC值;模型构建模块4,还用于将AIC值最小的特征集合作为最优子集。
在一种可能的实施方式中,模型构建模块4,还用于基于i个特征的比值比,得到最小比值比对应的特征;模型构建模块4,还用于将最小比值比对应的特征的变量赋值为2;模型构建模块4,还用于将其余i-1个特征的变量赋值为取整数;/>为比值比最小的特征的比值比,/>为其余i-1个特征的比值比。
在一种可能的实施方式中,系统还包括:模型验证模块5。模型验证模块5,用于基于受试者工作曲线方法、校准曲线方法、五折交叉验证方法以及模拟随机分析方法对预设的左主干分支闭塞预测评分模型进行验证,得到验证结果;模型验证模块5,还用于判断验证结果与预设结果是否相同;模型验证模块5,还用于当验证结果与预设结果相同时,确认预设的左主干分支闭塞预测评分模型验证通过。
本申请还公开一种电子设备。参照图9,图9是本申请实施例的公开的一种电子设备的结构示意图。该电子设备900可以包括:至少一个处理器901,至少一个网络接口904,用户接口903,存储器905,至少一个通信总线902。
其中,通信总线902用于实现这些组件之间的连接通信。
其中,用户接口903可以包括显示屏(Display)、摄像头(Camera),可选用户接口903还可以包括标准的有线接口、无线接口。
其中,网络接口904可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器901可以包括一个或者多个处理核心。处理器901利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器905内的指令、程序、代码集或指令集,以及调用存储在存储器905内的数据,执行服务器的各种功能和处理数据。可选的,处理器901可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器901可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器901中,单独通过一块芯片进行实现。
其中,存储器905可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器905包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器905可用于存储指令、程序、代码、代码集或指令集。存储器905可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器905可选的还可以是至少一个位于远离前述处理器901的存储装置。参照图9,作为一种计算机可读存储介质的存储器905中可以包括操作系统、网络通信模块、用户接口模块以及一种应用程序。
在图9所示的电子设备900中,用户接口903主要用于为用户提供输入的接口,获取用户输入的数据;而处理器901可以用于调用存储器905中存储一种应用程序,当由一个或多个处理器901执行时,使得电子设备900执行如上述实施例中一个或多个的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (8)
1.一种冠脉左主干分叉的分支闭塞风险预测方法,其特征在于,所述方法包括:
获取冠脉左主干造影图像样本;
提取所述冠脉左主干造影图像样本的多个特征;
将多个所述特征输入至预设的回归模型中进行筛选,得到n个所述特征,其中,n为大于或等于1的正整数;
将n个所述特征输入至预设的全子集回归模型,得到最优子集;所述最优子集包括i个所述特征,其中,;
计算所述最优子集内的i个所述特征的比值比;
基于i个所述特征的比值比对i个所述特征进行变量赋值,得到i个赋值结果;
将所述i个赋值结果相加,得到预测总分α;
生成包含所述最优子集的预设的左主干分支闭塞预测评分模型;
获取患者的冠脉左主干造影图像;
将所述冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分β;
判断所述预测总分β是否大于或等于预设的第一阈值;
当所述预测总分β大于或等于所述预设的第一阈值时,确定所述患者存在左主干分叉的分支闭塞风险。
2.根据权利要求1所述的方法,其特征在于,所述将多个所述特征输入至预设的回归模型中进行筛选,得到n个所述特征,具体包括:
将多个所述特征作为自变量,将冠脉左主干分叉的分支闭塞风险作为因变量;
基于单因素Logistic回归模型对所述自变量和所述因变量进行分析,得到多个所述特征的P值;
对所述P值小于预设的第二阈值的多个所述特征进行筛选,得到n个所述特征。
3.根据权利要求1所述的方法,其特征在于,所述将n个所述特征输入至预设的全子集回归模型,得到最优子集,具体包括:
将n个所述特征输入至预设的全子集回归模型中,对n个所述特征进行排列组合,得到多个特征集合;
基于赤池信息量准则,计算每个所述特征集合的AIC值;
将所述AIC值最小的所述特征集合作为最优子集。
4.根据权利要求1所述的方法,其特征在于,所述基于i个所述特征的比值比对i个所述特征进行变量赋值,得到i个赋值结果,具体包括:
基于所述i个所述特征的比值比,得到最小比值比对应的特征;
将所述最小比值比对应的特征的变量赋值为2;
将其余i-1个所述特征的变量赋值为取整数;所述/>为所述比值比最小的所述特征的比值比,所述/>为其余i-1个所述特征的比值比。
5.根据权利要求1所述的方法,其特征在于,在所述生成包含所述最优子集的预设的左主干分支闭塞预测评分模型之后,所述方法还包括:
基于受试者工作曲线方法、校准曲线方法、五折交叉验证方法以及模拟随机分析方法对所述预设的左主干分支闭塞预测评分模型进行验证,得到验证结果;
判断所述验证结果与预设结果是否相同;
当所述验证结果与预设结果相同时,确认所述预设的左主干分支闭塞预测评分模型验证通过。
6.一种冠脉左主干分叉的分支闭塞风险预测系统,其特征在于,所述系统包括:获取模块、处理模块、风险评测模块以及模型构建模块;
所述获取模块,用于获取冠脉左主干造影图像样本;
所述模型构建模块,用于提取所述冠脉左主干造影图像样本的多个特征;
所述模型构建模块,还用于将多个所述特征输入至预设的回归模型中进行筛选,得到n个所述特征,其中,n为大于或等于1的正整数;
所述模型构建模块,还用于将n个所述特征输入至预设的全子集回归模型,得到最优子集;所述最优子集包括i个所述特征,其中,;
所述模型构建模块,还用于计算所述最优子集内的i个所述特征的比值比;
所述模型构建模块,还用于基于i个所述特征的比值比对i个所述特征进行变量赋值,得到i个赋值结果;
所述模型构建模块,还用于将所述i个赋值结果相加,得到预测总分α;
所述模型构建模块,还用于生成包含所述最优子集的预设的左主干分支闭塞预测评分模型;
所述获取模块,还用于获取患者的冠脉左主干造影图像;
所述处理模块,用于将所述冠脉左主干造影图像输入至预设的左主干分支闭塞预测评分模型,得到预测总分β;
所述处理模块,还用于判断所述预测总分β是否大于或等于预设的第一阈值;
所述风险评测模块,用于当所述预测总分β大于或等于预设的第一阈值时,确定患者为左主干分叉的分支闭塞风险。
7.一种电子设备,其特征在于,包括处理器(901)、存储器(905)、用户接口(903)及网络接口(904),所述存储器(905)用于存储指令,所述用户接口(903)和网络接口(904)用于给其他设备通信,所述处理器(901)用于执行所述存储器(905)中存储的指令,以使所述电子设备(900)执行如权利要求1-5任意一项所述的方法。
8.一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指令,当所述指令被执行时,执行如权利要求1-5任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310791910.5A CN116504407B (zh) | 2023-06-30 | 一种冠脉左主干分叉的分支闭塞风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310791910.5A CN116504407B (zh) | 2023-06-30 | 一种冠脉左主干分叉的分支闭塞风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116504407A CN116504407A (zh) | 2023-07-28 |
CN116504407B true CN116504407B (zh) | 2023-09-29 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490863A (zh) * | 2019-08-22 | 2019-11-22 | 北京红云智胜科技有限公司 | 基于深度学习的检测冠脉造影有无完全闭塞病变的系统 |
CN111599475A (zh) * | 2020-05-07 | 2020-08-28 | 江西省人民医院 | 预测冠脉慢性完全闭塞病变介入治疗成功率的评分模型 |
CN113870177A (zh) * | 2021-08-13 | 2021-12-31 | 首都医科大学附属北京安贞医院 | 一种血管闭塞病变的冠脉cta处理方法和装置 |
CN114649098A (zh) * | 2022-03-23 | 2022-06-21 | 和田地区人民医院 | 基于syntax-ⅱ积分的冠心病pci术的建模方法 |
CN116051544A (zh) * | 2022-06-15 | 2023-05-02 | 中国医学科学院阜外医院 | 一种三维ct评价动脉分支闭塞的方法及系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490863A (zh) * | 2019-08-22 | 2019-11-22 | 北京红云智胜科技有限公司 | 基于深度学习的检测冠脉造影有无完全闭塞病变的系统 |
CN111599475A (zh) * | 2020-05-07 | 2020-08-28 | 江西省人民医院 | 预测冠脉慢性完全闭塞病变介入治疗成功率的评分模型 |
CN113870177A (zh) * | 2021-08-13 | 2021-12-31 | 首都医科大学附属北京安贞医院 | 一种血管闭塞病变的冠脉cta处理方法和装置 |
CN114649098A (zh) * | 2022-03-23 | 2022-06-21 | 和田地区人民医院 | 基于syntax-ⅱ积分的冠心病pci术的建模方法 |
CN116051544A (zh) * | 2022-06-15 | 2023-05-02 | 中国医学科学院阜外医院 | 一种三维ct评价动脉分支闭塞的方法及系统 |
Non-Patent Citations (2)
Title |
---|
冠状动脉分叉病变介入治疗中分支闭塞风险模型及评分系统的研究;何源;张冬;尹栋;徐波;窦克非;;中国循环杂志(第09期);全文 * |
基于造影目测结果评估冠状动脉分叉病变介入治疗中分支闭塞风险评分系统的研究;何源;张冬;陈昌喆;宋晨曦;尹栋;丰雷;朱成刚;徐波;窦克非;;中国循环杂志(第12期);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210338333A1 (en) | Systems and methods for treatment planning based on plaque progression and regression curves | |
CN109859168A (zh) | 一种x射线胸片图像质量确定方法及装置 | |
JP2013248329A (ja) | 健康状態判定方法および装置 | |
CN110364259B (zh) | 一种高原疾病预测方法、系统、介质及电子设备 | |
US11626209B2 (en) | Diagnosis support apparatus, diagnosis support system, diagnosis support method, and non-transitory storage medium | |
KR20240054248A (ko) | 의료 영상 분석 장치 및 방법, 의료 영상 시각화 장치 및 방법 | |
EP3428925B1 (en) | Method and system for clinical decision support with local and remote analytics | |
US10909676B2 (en) | Method and system for clinical decision support with local and remote analytics | |
WO2021205033A1 (en) | Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions | |
CN116504407B (zh) | 一种冠脉左主干分叉的分支闭塞风险预测方法及系统 | |
KR20130104883A (ko) | 관상동맥석회화 수준 변화 예측장치 및 예측방법 | |
CN114613498B (zh) | 一种基于机器学习的辅助mdt临床决策方法、系统及设备 | |
JP2018530402A (ja) | 正確な放射線科推奨を生成するシステムおよび方法 | |
CN116504407A (zh) | 一种冠脉左主干分叉的分支闭塞风险预测方法及系统 | |
Tang et al. | A neural network to pulmonary embolism aided diagnosis with a feature selection approach | |
CN116052882A (zh) | 基于机器学习的嗜铬细胞瘤术后高血压并发症预测系统 | |
CN109192306A (zh) | 一种糖尿病的判断装置、设备及计算机可读存储介质 | |
CN116128784A (zh) | 一种图像处理方法、装置、存储介质及终端 | |
TWI774982B (zh) | 醫療資源整合系統、計算機裝置及醫療資源整合方法 | |
KR102200039B1 (ko) | 요관 결석의 자연 배출에 대한 예측 값을 제공하기 위한 방법 및 장치 | |
CN116759079B (zh) | 基于多特征融合的出血转化判定方法、装置、介质及终端 | |
JP2021104140A (ja) | 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム | |
CN113593678B (zh) | 基于血管影像补全的脑卒中分型方法及装置 | |
CN110706812A (zh) | 医学指标时序预测方法、装置、介质及电子设备 | |
CN117558391B (zh) | 基于主动脉夹层病历数据的术后病情深度学习方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |