CN116705325A - 一种伤口感染风险评估方法及其系统 - Google Patents
一种伤口感染风险评估方法及其系统 Download PDFInfo
- Publication number
- CN116705325A CN116705325A CN202310761408.XA CN202310761408A CN116705325A CN 116705325 A CN116705325 A CN 116705325A CN 202310761408 A CN202310761408 A CN 202310761408A CN 116705325 A CN116705325 A CN 116705325A
- Authority
- CN
- China
- Prior art keywords
- wound
- learner
- data
- user
- image data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 206010048038 Wound infection Diseases 0.000 title claims abstract description 34
- 238000012502 risk assessment Methods 0.000 title claims abstract description 21
- 206010052428 Wound Diseases 0.000 claims abstract description 106
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 106
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 230000035876 healing Effects 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 238000007635 classification algorithm Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 32
- 230000029663 wound healing Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 210000000416 exudates and transudate Anatomy 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 abstract description 5
- 230000002980 postoperative effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 208000025865 Ulcer Diseases 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 231100000397 ulcer Toxicity 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种伤口感染风险评估方法及其系统，获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。本发明可应用于提前预测术后病人在手术后各时间节点感染风险发生情况，为术后的诊疗方案提供临床辅助决策支持。
Description
技术领域
本发明属于风险评估技术领域，尤其是涉及一种伤口感染风险评估方法及其系统。
背景技术
在术后伤口恢复过程中，伤口是无法在正常时间内及时修复到解剖和功能上完整状态的伤口，形成伤口的原因很复杂，因此伤口形成后的评估需要结合临床表征对伤口的病因进行分析，传统的检查方法只是分类逐项的利用各种不同的影像设备描述伤口的大小、深度、创缘、组织以及位置等，结合无菌钝头探针检查浅表层溃疡，记录探针是否探及窦道、溃疡是否有创缘潜行的腔隙、溃疡是否已深达腱鞘和骨关节等，对于患有非典型溃疡或者怀疑恶性溃疡的伤口还需要对溃疡处进行充分的外科准备后，再对溃疡基底切取样本或者抽取脓性物进行培养、菌落技术以及药物敏感试验等，同时进行细菌、分歧杆菌、真菌染色以及组织培养确认菌落的种类，以便于对特定的菌落使用对应的抗生素，加快伤口的愈合，这种检查方法不具备实时性，且通过人为识别创面类型来判断伤口成因的准确度因人而异，不具备识别的稳定性，识别精度不足，也不能够对伤口实现实时监测，是本领域技术人员亟需解决的技术问题，因此需要一种伤口感染风险评估方法。
发明内容
本发明的目的是针对上述问题，提供一种伤口感染风险评估方法及其系统。
为达到上述目的，本发明提供如下技术方案：
包括如下步骤：
A获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
B根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
C确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
D通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
进一步地，在步骤B中确定所述用户的伤口等级数据的方法包括以下步骤：
a对不同区域伤口分别进行损伤识别，其中包括损伤面积、损伤类型以及损伤程度；
b建立专家数据库预测损伤伤口预计愈合时间；
C通过识别伤口损伤预测伤口愈合等级数据。
进一步地，所述底层学习器包括弹性网络线性模型和线性支持向量机以及两个非线性模型分别为核支持向量机和随机森林模型。
进一步地，将所述伤口等级数据的标注数据集按照7∶1∶2的比例随机分为训练集、验证集和测试集，将训练集分别训练每个底层学习器，迭代运行，直至所有子集均充当过训练集后结束训练。
进一步地，所述标注数据集包括局部皮温指数、伤口渗液指数和年龄指数等。
进一步地，所述底层学习器删除指标中重要性≤1％的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标后得到包含用户伤口数据集。
进一步地，确定ROC愈合曲线的方法包括：
1)收集数据：收集伤口愈合数据，包括伤口面积、伤口类型、伤口程度、愈合时间等信息。
2)确定正负样本：将收集到的数据按照伤口愈合时间分类，将愈合时间较短的伤口定义为正样本，愈合时间较长的伤口定义为负样本。
3)制作混淆矩阵：将样本数据输入到伤口愈合模型中，获得预测结果。根据预测结果和真实结果，制作混淆矩阵，包括真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)。
4)计算敏感度和特异度：根据混淆矩阵，计算伤口愈合模型的敏感度和特异度。敏感度表示模型能够正确识别正样本的能力，特异度表示模型能够正确识别负样本的能力。
5)绘制ROC曲线：计算出的敏感度和特异度的数值作为横纵坐标，绘制ROC曲线。
第二方面，一种伤口感染风险评估系统，包括：
数据处理模块，用于获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
分级模块，用于根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
训练模块，用于确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
评估模块，用于通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
第三方面，一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
现有技术相比，本发明提供了一种伤口感染风险评估方法的的方法，具备以下有益效果：
本发明可应用于提前预测术后病人在手术后各时间节点感染风险发生情况，为术后的诊疗方案提供临床辅助决策支持。
附图说明
图1为本发明伤口感染风险评估方法的的方法的流程示意图；
图2为本说明书实施例中口感染风险评估方法元学习器的结构示意图。
图3为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
以下实施例仅处于说明性目的，而不是想要限制本发明的范围。
如图1和2所示，在本实施例子中A获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
B根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；可以使用这些数据来训练模型，并使用训练好的模型来预测新的伤口是否感染，以将伤口等级数据作为模型的输入特征，将感染情况作为目标变量，在本实施例子中使用卷积神经网络进行训练和预测，将伤口图像作为输入，将伤口等级作为目标变量。训练好的模型可以将伤口图像分类到不同的等级，并输出每个等级的概率值作为结果。
C确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
在元学习器中，本发明可以使用AUC作为目标函数，通过调整底层学习器的权重参数来最小化AUC，从而优化集成模型的性能，在本实施例子中使用底层学习器来将伤口等级数据和模型性能评价指标--ROC曲线作为输入，输出伤口感染的概率值，采用随机森林算法训练模型，使其能够根据伤口等级和ROC曲线的输入的特征来预测伤口感染的概率值。
D通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
具体来说，对于每个底层学习器，它们都可以输出一个伤口感染评估结果，该结果可以是二元分类(感染/未感染)或多元分类(轻度感染/中度感染/重度感染)。这些结果可以被看作是一个分类器的预测结果，在集成学习中，可以使用加权投票的方法来汇总不同分类器的预测结果。对于每个分类器，可以为其分配一个权重值，该权重值可以反映出该分类器在训练集上的表现或其他因素。然后，对于每个测试样本，可以统计所有分类器的预测结果，并根据其权重值进行加权平均，得到最终的伤口感染评估结果，在这个实施例子中，可以使用决策树进行加权投票。具体来说，可以构建一棵决策树，将所有底层学习器的预测结果作为叶节点，并为每个叶节点分配一个权重值。然后，对于每个测试样本，可以根据其底层学习器的预测结果，沿着决策树进行遍历，并将叶节点的权重值累加起来，得到最终的伤口感染评估结果。
在本实施例子中在步骤B中确定所述用户的伤口等级数据的方法包括以下步骤：
a对不同区域伤口分别进行损伤识别，其中包括损伤面积、损伤类型以及损伤程度；
b建立专家数据库预测损伤伤口预计愈合时间；
C通过识别伤口损伤预测伤口愈合等级数据。
在本实施例子中，所述底层学习器包括弹性网络线性模型和线性支持向量机以及两个非线性模型分别为核支持向量机和随机森林模型,弹性网络线性模型是一种基于线性回归模型的正则化方法，通过同时引入L1和L2正则化项，可以在特征选择的同时保持模型的稳定性；线性支持向量机是一种经典的分类和回归方法，基于最大间隔原理构建分类器或回归模型。这两种模型都是线性的，适用于输入特征与输出变量之间线性可分或近似线性可分的情形，核支持向量机则通过引入核函数，将输入空间映射到高维特征空间，从而解决非线性分类和回归问题。随机森林模型是一种基于决策树的集成学习方法，通过构建多个决策树，并将它们的结果进行平均或投票，来提高模型的鲁棒性和准确性，这些不同类型的底层学习器可以相互补充和增强，提高模型的性能和准确性。同时，组合不同类型的底层学习器也可以降低个别模型的偏差和方差，提高模型的稳定性和鲁棒性。
在本实施例子中将所述伤口等级数据的标注数据集按照7∶1∶2的比例随机分为训练集、验证集和测试集，将训练集分别训练每个底层学习器，迭代运行，直至所有子集均充当过训练集后结束训练。在训练阶段，将训练集分别训练每个底层学习器，并进行迭代运行。
具体来说，将训练集分为多个子集，每个子集充当一次训练集，其余子集作为验证集。在每次训练中，使用当前训练集训练底层学习器，使用验证集调整模型参数，防止过拟合，并记录模型在验证集上的表现。当所有子集均充当过训练集后结束训练，得到多个底层学习器，将这些底层学习器组合成集成学习模型，使用测试集评估模型的性能和准确性，这个实施例子中的训练过程可以有效地提高模型的性能和准确性，同时减少了过拟合的风险。
在本实施例子中所述标注数据集包括局部皮温指数、伤口渗液指数和年龄指数等。其中，局部皮温指数描述了伤口周围皮肤的温度，高温可能表示伤口周围组织的炎症反应，从而影响伤口的愈合时间,伤口渗液指数描述了伤口渗液的程度，渗液过多可能会影响伤口的愈合，增加感染的风险,年龄指数描述了患者的年龄，年龄越大可能意味着免疫系统的衰退和代谢能力的下降，从而影响伤口的愈合时间,
这些指标可以作为特征输入到模型中，帮助模型学习和预测伤口愈合时间，通过比较模型预测结果和实际伤口愈合时间来评估模型的准确性和可靠性。
在本实施例子中所述底层学习器删除指标中重要性≤1％的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标后得到包含用户伤口数据集。
在这个实施例子中，底层学习器删除了重要性≤1％的指标，这些指标对预测结果的影响较小，因此可以被删除，通过特征相关性矩阵筛选，剔除了具有高相关性的指标，这些指标之间存在较强的相关性，保留其中一个指标即可表示这些相关性，这样可以减少特征数量，提高模型训练的效率和准确性。最后，得到的数据集包含用户伤口数据，这些数据被用于训练和测试模型，以实现对伤口愈合时间的预测。这个实施例子中的数据预处理过程可以有效地提高模型的性能和准确性，同时减少了训练和测试的时间和资源成本。
在本实施例子中确定ROC愈合曲线的方法包括：
1)收集数据：收集伤口愈合数据，包括伤口面积、伤口类型、伤口程度、愈合时间等信息。
2)确定正负样本：将收集到的数据按照伤口愈合时间分类，将愈合时间较短的伤口定义为正样本，愈合时间较长的伤口定义为负样本。
3)制作混淆矩阵：将样本数据输入到伤口愈合模型中，获得预测结果。根据预测结果和真实结果，制作混淆矩阵，包括真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)。
4)计算敏感度和特异度：根据混淆矩阵，计算伤口愈合模型的敏感度和特异度。敏感度表示模型能够正确识别正样本的能力，特异度表示模型能够正确识别负样本的能力。
5)绘制ROC曲线：计算出的敏感度和特异度的数值作为横纵坐标，绘制ROC曲线。
一种伤口感染风险评估系统，包括
数据处理模块，用于获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
分级模块，用于根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
训练模块，用于确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
评估模块，用于通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
该系统能够执行前述任一实施例中的方法，并能够获得相同或相似的技术效果，此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种基于伤口感染风险评估装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种基于伤口感染风险评估方法。
上述如本申请图1所示实施例揭示的一种基于伤口感染风险评估方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)
1.一种伤口感染风险评估方法，其特征在于：包括如下步骤：
A获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
B根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
C确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
D通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
2.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：在步骤B中确定所述用户的伤口等级数据的方法包括以下步骤：
a对不同区域伤口分别进行损伤识别，其中包括损伤面积、损伤类型以及损伤程度；
b建立专家数据库预测损伤伤口预计愈合时间；
C通过识别伤口损伤预测伤口愈合等级数据。
3.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：所述底层学习器包括弹性网络线性模型和线性支持向量机，以及两个非线性模型分别为核支持向量机和随机森林模型。
4.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：将所述伤口等级数据的标注数据集按照7∶1∶2的比例随机分为训练集、验证集和测试集，将训练集分别训练每个底层学习器，迭代运行，直至所有子集均充当过训练集后结束训练。
5.根据权利要求4所述的一种伤口感染风险评估方法，其特征在于：所述标注数据集包括局部皮温指数、伤口渗液指数和年龄指数等。
6.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：所述底层学习器删除指标中重要性≤1％的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标后得到包含用户伤口数据集。
7.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：确定ROC愈合曲线的方法包括：
1)收集数据：收集伤口愈合数据，包括伤口面积、伤口类型、伤口程度、愈合时间等信息；
2)确定正负样本：将收集到的数据按照伤口愈合时间分类，将愈合时间较短的伤口定义为正样本，愈合时间较长的伤口定义为负样本；
3)制作混淆矩阵：将样本数据输入到伤口愈合模型中，获得预测结果；根据预测结果和真实结果，制作混淆矩阵，包括真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)；
4)计算敏感度和特异度：根据混淆矩阵，计算伤口愈合模型的敏感度和特异度,敏感度表示模型能够正确识别正样本的能力，特异度表示模型能够正确识别负样本的能力；
5)绘制ROC曲线：计算出的敏感度和特异度的数值作为横纵坐标，绘制ROC曲线。
8.一种伤口感染风险评估系统，其特征在于：包括：
数据处理模块，用于获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
分级模块，用于根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
训练模块，用于确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
评估模块，用于通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
9.一种电子设备，其特征在于：包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述权利要求1-7的伤口感染风险评估方法步骤。
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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1-7的伤口感染风险评估方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761408.XA CN116705325B (zh) | 2023-06-26 | 2023-06-26 | 一种伤口感染风险评估方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761408.XA CN116705325B (zh) | 2023-06-26 | 2023-06-26 | 一种伤口感染风险评估方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116705325A true CN116705325A (zh) | 2023-09-05 |
| CN116705325B CN116705325B (zh) | 2024-01-19 |
Family
ID=87825533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310761408.XA Active CN116705325B (zh) | 2023-06-26 | 2023-06-26 | 一种伤口感染风险评估方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705325B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117133459A (zh) * | 2023-09-12 | 2023-11-28 | 江苏省人民医院（南京医科大学第一附属医院） | 一种基于机器学习的术后颅内感染预测方法及系统 |
| CN117153424A (zh) * | 2023-11-01 | 2023-12-01 | 北京遥领医疗科技有限公司 | 中心化疗效评估方法及系统 |
| CN117393171A (zh) * | 2023-12-11 | 2024-01-12 | 四川大学华西医院 | 直肠癌术后lars发展轨迹预测模型构建方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011087807A2 (en) * | 2009-12-22 | 2011-07-21 | Health Discovery Corporation | System and method for remote melanoma screening |
| CN110573066A (zh) * | 2017-03-02 | 2019-12-13 | 光谱Md公司 | 用于多光谱截肢部位分析的机器学习系统和技术 |
| CN113257413A (zh) * | 2021-06-22 | 2021-08-13 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
| WO2022041396A1 (zh) * | 2020-08-25 | 2022-03-03 | 复旦大学 | 一种基于眼表特征的新冠肺炎（covid-19）疾病患者风险筛查深度学习系统 |
| CN114627067A (zh) * | 2022-03-08 | 2022-06-14 | 中南大学湘雅医院 | 一种基于图像处理的伤口面积测量及辅助诊疗方法 |
| CN116157065A (zh) * | 2020-07-13 | 2023-05-23 | 光谱Md公司 | 用于伤口组织学评估的光谱成像系统和方法 |
-
2023
- 2023-06-26 CN CN202310761408.XA patent/CN116705325B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011087807A2 (en) * | 2009-12-22 | 2011-07-21 | Health Discovery Corporation | System and method for remote melanoma screening |
| CN110573066A (zh) * | 2017-03-02 | 2019-12-13 | 光谱Md公司 | 用于多光谱截肢部位分析的机器学习系统和技术 |
| CN116157065A (zh) * | 2020-07-13 | 2023-05-23 | 光谱Md公司 | 用于伤口组织学评估的光谱成像系统和方法 |
| WO2022041396A1 (zh) * | 2020-08-25 | 2022-03-03 | 复旦大学 | 一种基于眼表特征的新冠肺炎（covid-19）疾病患者风险筛查深度学习系统 |
| CN113257413A (zh) * | 2021-06-22 | 2021-08-13 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
| CN114627067A (zh) * | 2022-03-08 | 2022-06-14 | 中南大学湘雅医院 | 一种基于图像处理的伤口面积测量及辅助诊疗方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117133459A (zh) * | 2023-09-12 | 2023-11-28 | 江苏省人民医院（南京医科大学第一附属医院） | 一种基于机器学习的术后颅内感染预测方法及系统 |
| CN117133459B (zh) * | 2023-09-12 | 2024-04-09 | 江苏省人民医院（南京医科大学第一附属医院） | 一种基于机器学习的术后颅内感染预测方法及系统 |
| CN117153424A (zh) * | 2023-11-01 | 2023-12-01 | 北京遥领医疗科技有限公司 | 中心化疗效评估方法及系统 |
| CN117153424B (zh) * | 2023-11-01 | 2024-02-23 | 北京遥领医疗科技有限公司 | 中心化疗效评估方法及系统 |
| CN117393171A (zh) * | 2023-12-11 | 2024-01-12 | 四川大学华西医院 | 直肠癌术后lars发展轨迹预测模型构建方法及系统 |
| CN117393171B (zh) * | 2023-12-11 | 2024-02-20 | 四川大学华西医院 | 直肠癌术后lars发展轨迹预测模型构建方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116705325B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116705325B (zh) | 一种伤口感染风险评估方法及其系统 | |
| CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
| CN112950614B (zh) | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 | |
| CN110890137A (zh) | 一种化合物毒性预测模型建模方法、装置及其应用 | |
| US20200372638A1 (en) | Automated screening of histopathology tissue samples via classifier performance metrics | |
| CN113392894A (zh) | 一种多组学数据的聚类分析方法和系统 | |
| CN109273094A (zh) | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 | |
| CN109255029A (zh) | 一种采用加权优化训练集增强自动Bug报告分配的方法 | |
| Shrestha et al. | Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection | |
| CN113113152A (zh) | 针对新型冠状病毒肺炎的疾病数据集样本获取处理方法、系统、装置、处理器及其存储介质 | |
| 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 | |
| CN115862897B (zh) | 一种基于临床数据的症候群监测方法及系统 | |
| CN116189909B (zh) | 基于推举算法的临床医学判别方法及系统 | |
| CN112382382B (zh) | 一种代价敏感的集成学习分类方法及系统 | |
| Yu et al. | An automatic recognition method of journal impact factor manipulation | |
| Sharma et al. | Robust and Uncertainty-Aware VAE (RU-VAE) for One-Class Classification | |
| Jusman et al. | Comparison Performance of Prostate Cell Images Classification using Pretrained Convolutional Neural Network Models | |
| CN117133459B (zh) | 一种基于机器学习的术后颅内感染预测方法及系统 | |
| CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
| CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
| TWI817795B (zh) | 癌症進展判別方法及其系統 | |
| Cingillioglu et al. | A 3-stage classification system for predicting breast cancer diagnosis via FNA biopsy features | |
| Meenakshi et al. | An Efficient way of Predicting Covid-19 using Machine and Deep Learning Algorithms | |
| Saleena | Analysis of machine learning and deep learning prediction models for sepsis and neonatal sepsis: A systematic review | |
| Arrayyan et al. | Naive Bayes for Diabetes Prediction: Developing a Classification Model for Risk Identification in Specific Populations |
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 |