CN116912236A - 一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质 - Google Patents
一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质 Download PDFInfo
- Publication number
- CN116912236A CN116912236A CN202311155204.8A CN202311155204A CN116912236A CN 116912236 A CN116912236 A CN 116912236A CN 202311155204 A CN202311155204 A CN 202311155204A CN 116912236 A CN116912236 A CN 116912236A
- Authority
- CN
- China
- Prior art keywords
- risk
- fetal
- heart disease
- congenital heart
- logistic regression
- 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
- 230000001605 fetal effect Effects 0.000 title claims abstract description 117
- 208000002330 Congenital Heart Defects Diseases 0.000 title claims abstract description 88
- 208000028831 congenital heart disease Diseases 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 208000029078 coronary artery disease Diseases 0.000 claims abstract description 70
- 238000007477 logistic regression Methods 0.000 claims abstract description 63
- 208000031404 Chromosome Aberrations Diseases 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 210000003754 fetus Anatomy 0.000 claims abstract description 19
- 230000002526 effect on cardiovascular system Effects 0.000 claims abstract description 18
- 230000035935 pregnancy Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 21
- 230000002861 ventricular Effects 0.000 claims description 19
- 206010008805 Chromosomal abnormalities Diseases 0.000 claims description 11
- 210000003492 pulmonary vein Anatomy 0.000 claims description 10
- 206010063836 Atrioventricular septal defect Diseases 0.000 claims description 9
- 208000001910 Ventricular Heart Septal Defects Diseases 0.000 claims description 9
- 208000003959 Ventricular Outflow Obstruction Diseases 0.000 claims description 9
- 206010010356 Congenital anomaly Diseases 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 201000003130 ventricular septal defect Diseases 0.000 claims description 8
- 230000036244 malformation Effects 0.000 claims description 7
- 230000002792 vascular Effects 0.000 claims description 7
- 206010067477 Cytogenetic abnormality Diseases 0.000 claims description 6
- 210000001367 artery Anatomy 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 210000001835 viscera Anatomy 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009278 visceral effect Effects 0.000 claims description 4
- 208000035478 Interatrial communication Diseases 0.000 claims description 3
- 208000013914 atrial heart septal defect Diseases 0.000 claims description 3
- 206010003664 atrial septal defect Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 3
- 210000002216 heart Anatomy 0.000 description 18
- 239000008280 blood Substances 0.000 description 17
- 210000004369 blood Anatomy 0.000 description 17
- 230000005856 abnormality Effects 0.000 description 12
- 239000000523 sample Substances 0.000 description 11
- 208000019622 heart disease Diseases 0.000 description 9
- 210000005246 left atrium Anatomy 0.000 description 9
- 210000005240 left ventricle Anatomy 0.000 description 9
- 210000005245 right atrium Anatomy 0.000 description 9
- 210000005241 right ventricle Anatomy 0.000 description 9
- 238000011088 calibration curve Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 230000001746 atrial effect Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 210000001765 aortic valve Anatomy 0.000 description 5
- 210000003102 pulmonary valve Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 206010047700 Vomiting Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 210000004381 amniotic fluid Anatomy 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 210000002458 fetal heart Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000004115 mitral valve Anatomy 0.000 description 4
- 210000001147 pulmonary artery Anatomy 0.000 description 4
- 230000000391 smoking effect Effects 0.000 description 4
- 210000000591 tricuspid valve Anatomy 0.000 description 4
- 230000008673 vomiting Effects 0.000 description 4
- 208000032170 Congenital Abnormalities Diseases 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 206010002906 aortic stenosis Diseases 0.000 description 3
- 210000005242 cardiac chamber Anatomy 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035622 drinking Effects 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 239000003055 low molecular weight heparin Substances 0.000 description 3
- 230000013011 mating Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010051951 scimitar syndrome Diseases 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 208000005228 Pericardial Effusion Diseases 0.000 description 2
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 208000005678 Rhabdomyoma Diseases 0.000 description 2
- 206010064466 Trunk deformities Diseases 0.000 description 2
- 206010046788 Uterine haemorrhage Diseases 0.000 description 2
- 206010046910 Vaginal haemorrhage Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000004887 air purification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 208000003017 Aortic Valve Stenosis Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000004652 Cardiovascular Abnormalities Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 206010067265 Heterotaxia Diseases 0.000 description 1
- 208000002128 Heterotaxy Syndrome Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 1
- 208000037197 Partial atrioventricular septal defect Diseases 0.000 description 1
- 208000004605 Persistent Truncus Arteriosus Diseases 0.000 description 1
- 206010064911 Pulmonary arterial hypertension Diseases 0.000 description 1
- 208000000924 Right ventricular hypertrophy Diseases 0.000 description 1
- 208000037258 Truncus arteriosus Diseases 0.000 description 1
- 208000006906 Vascular Ring Diseases 0.000 description 1
- 206010047050 Vascular anomaly Diseases 0.000 description 1
- 206010047295 Ventricular hypertrophy Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007698 birth defect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 210000003748 coronary sinus Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- JGMOKGBVKVMRFX-HQZYFCCVSA-N dydrogesterone Chemical compound C1=CC2=CC(=O)CC[C@@]2(C)[C@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 JGMOKGBVKVMRFX-HQZYFCCVSA-N 0.000 description 1
- 229960004913 dydrogesterone Drugs 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000013020 embryo development Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000008175 fetal development Effects 0.000 description 1
- 229960000304 folic acid Drugs 0.000 description 1
- 235000019152 folic acid Nutrition 0.000 description 1
- 239000011724 folic acid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000005831 heart abnormality Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 229940127215 low-molecular weight heparin Drugs 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 1
- 229960003105 metformin Drugs 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000032705 ostium primum type atrial septal defect Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 208000009138 pulmonary valve stenosis Diseases 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 210000002620 vena cava superior Anatomy 0.000 description 1
- 201000006869 visceral heterotaxy Diseases 0.000 description 1
- 235000020812 vitamin status Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质，涉及智能医疗领域。所述方法包括：获取胎儿超声影像；对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。本发明提供的方法利用人工智能、超声图像分析等技术，能够准确评估胎儿患先天性心脏病的风险，并且可以提供胎儿染色体异常的风险评估，具有较高的应用价值和临床意义。
Description
技术领域
本发明属于智能医疗领域，更具体地，涉及一种基于人工智能预测胎儿先天性心脏病风险的方法、系统、设备、计算机可读存储介质及其应用。
背景技术
胎儿先天性心脏病（congenital heart disease, CHD）是指在胎儿发育过程中出现的心脏结构异常，即心脏在胚胎期发育过程中出现的结构缺陷或异常。这些异常可以涉及心脏的任何部分，包括心脏的血管、心室、心房以及瓣膜等部分。先天性心脏病是婴儿最常见的先天性缺陷之一。早在19世纪末，医学界就开始关注胎儿心脏病的存在。20世纪50年代，超声成像技术的引入，为胎儿心脏病的诊断提供了新的手段，更加方便和安全。
目前，预测胎儿先天性心脏病的方法主要包括以下几种：超声检查、遗传学检测、羊水穿刺、家族史和临床风险评估。其中，超声检查是胎儿超声检查最常用的预测方法，通过超声波探头对孕妇腹部进行扫描，可以观察胎儿心脏的结构和功能，检测是否存在异常。遗传学检测是研究发现先天性心脏病与遗传因素有一定的关联，进行遗传学检测可以检测胎儿是否存在染色体异常或基因突变等与心脏病相关的遗传变异。羊水穿刺是一种通过取得胎儿羊水样本进行检测的方法，通过分析羊水中的DNA和蛋白质等指标，可以提示与罹患先天性心脏病相关的遗传因素。家族史和临床风险评估是通过了解孕妇及其家族的心脏病史以及其他相关的临床风险因素，辅助预测胎儿先天性心脏病的风险。
发明内容
本申请公开了一种胎儿先天性心脏病风险预测的方法，该方法综合运用超声图像分析、人工智能技术、遗传学检测和临床信息研判等多种技术手段，通过AI分析孕妇妊娠早、中期超声图像，检查是否有心血管微小异常，并对不同心脏表型的风险等级进行准确分级、分类，提高胎儿先天性心脏病风险的预测准确性和效率，为患者提供更好的诊断和预后咨询。
本申请公开一种基于人工智能预测胎儿先天性心脏病风险的方法，所述方法包括：
获取胎儿超声影像；
对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；
将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。
进一步，所述次梯度方法对逻辑回归模型参数的更新进行优化的更新公式为：
其中，是逻辑回归模型的参数/>的符号函数，用来表示参数/>的每个元素的符号，/>为更新前的逻辑回归模型的参数，/>为更新后的逻辑回归模型的参数，/>为学习率， />表示似然函数/>关于参数/>的梯度。
进一步，所述逻辑回归模型的训练过程包括：基于训练集样本的胎儿超声影像及对应的分类标签，对所述胎儿超声影像进行特征提取得到影像特征，将所述影像特征输入分类器得到预测分类结果，将所述预测分类结果与标签进行比对，生成损失函数，优化迭代模型，得到第一逻辑回归模型；在模型迭代时，采用负梯度替代样本的分类标签训练第二逻辑回归模型，所述第二回归模型的预测结果和所述第一逻辑回归模型的预测结果的加和作为预测分类结果，生成损失函数。
进一步，所述负梯度的计算公式可以表示为：
其中，表示第/>个样本的负梯度（残差），/>为输入样本的特征向量，/>为输入样本/>的实际标签，/>是当前模型对样本/>的预测结果，/>为对数损失函数。
进一步，当分类结果为轻度CHD风险和重度CHD风险时，基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率；所述胎儿先天性心脏病表型包括以下任意一种或几种：圆锥动脉干畸形、室间隔缺损、左室流出道梗阻、右室流出道梗阻、房室间隔缺损、肺静脉异位引流、先天性血管变异、内脏异位、复杂胎儿先天性心脏病。
进一步，所述基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率，具体为：
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险极高的结果：室间隔缺损、房室间隔缺损；
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险高的结果：圆锥动脉干畸形、左室流出道梗阻；
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险中等的结果：先天性血管变异、复杂胎儿先天性心脏病；
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险低的结果：右室流出道梗阻、肺静脉异位引流、内脏异位。
进一步，所述方法还包括：
获取孕妇及配偶围孕期-孕早期的危险因素，其包括以下任意一种或几种：孕妇及配偶的健康状况、妊娠情况、生活习惯、用药情况、宠物接触史、生活环境；
将所述危险因素输入分类器得到分类结果，所述分类结果为是否存在CHD风险；对于存在CHD风险，采用上述的基于人工智能预测胎儿先天性心脏病风险的方法进行胎儿先天性心脏病风险的预测。
一种基于人工智能预测胎儿先天性心脏病风险的系统，所述系统包括：
获取单元，用于获取胎儿超声影像；
特征提取单元，用于对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；
分类单元，用于将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。一种基于人工智能预测胎儿先天性心脏病风险的设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行上述的基于人工智能预测胎儿先天性心脏病风险的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于人工智能预测胎儿先天性心脏病风险的方法。
本发明的优点：
1.本申请公开的一种胎儿先天性心脏病风险预测的方法，基于人工智能算法，利用胎儿超声影像和临床信息进行风险预测，相比传统的人工判断更具客观性和准确性。
2.该方法能够对胎儿超声影像进行特征提取，包括心血管微小异常特征及特征在超声影像中的相对位置数据，通过综合分析多维特征，更全面地评估胎儿的先天性心脏病风险。
3.该方法能够将影像特征输入分类器，得到三分类结果，分别为无CHD风险、轻度CHD风险和重度CHD风险，基于三分类结果，帮助医生与家属了解胎儿出现先天性心脏病的风险，指导后续治疗与预后方案选择。
4.该方法还结合孕妇及配偶围孕期的危险因素，建立研判模型，对家庭中子代患CHD的个体风险进行评估，提供参考意见。
5.该方法使用逻辑回归模型进行分类，引入次梯度方法对模型参数进行优化，通过优化迭代模型，提高模型的预测性能和稳定性。
6.该方法在风险结果为轻度CHD风险和重度CHD风险时，可以基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率，以进一步评估胎儿的染色体异常风险，为临床医生提供更全面的信息，具有较高的应用价值和临床意义。
7.综上，该胎儿先天性心脏病风险预测方法通过人工智能分析超声影像、结合孕妇及配偶围孕期的危险因素进行研判，提供准确的诊断和预后咨询，对于早期发现和预防胎儿先天性心脏病具有重要意义，有助于提高胎儿及其母亲的生活质量和健康状况。
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取其他的附图。
图1是一种本发明实施例提供的基于人工智能预测胎儿先天性心脏病风险的方法流程示意图；
图2是一种本发明实施例提供的基于人工智能预测胎儿先天性心脏病风险的系统示意图；
图3是一种本发明实施例提供的基于人工智能预测胎儿先天性心脏病风险的设备示意图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S101、S102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种基于人工智能预测胎儿先天性心脏病风险的方法，所述方法流程图见图1，包括：
S101：获取胎儿超声影像；
在一个实施例中，胎儿超声影像来自于孕妇妊娠早、中期，并保存于计算机中，可随时进行查看、处置。超声影像是评估胎儿心脏病风险的重要工具。通过超声波探头对孕妇的腹部进行扫描，可以获取胎儿心脏的图像信息。超声图像分析技术可以对心脏结构、功能和血液流动进行评估，识别心脏异常和心血管微小异常。
S102：对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；
在一个实施例中，所述相对位置数据是指所述心血管微小异常特征于心脏的部位，所述部位包括以下任意一种或几种：四个腔室、四个心腔和四个瓣膜。
其中，四个腔室包括：右心房、右心室、左心房和左心室；四个心腔包括：右心房腔、右心室腔、左心房腔和左心室腔；四个瓣膜包括三尖瓣、肺动脉瓣、二尖瓣和主动脉瓣。
四个腔室：右心房（Right atrium）：位于心脏右上方，接收静脉血回流，通过三尖瓣与右心室相连；右心室（Right ventricle）：位于心脏的右下方，接收从右心房流入的血液，通过肺动脉瓣与肺动脉相连，将血液推送到肺部进行气体交换；左心房（Left atrium）：位于心脏左上方，接收氧合血从肺静脉流入，通过二尖瓣与左心室相连；左心室（Leftventricle）：位于心脏的左下方，接收从左心房流入的氧合血，通过主动脉瓣与主动脉相连，将血液推送到全身各个组织和器官。
四个心腔：右心房腔（Right atrial cavity）：位于右心房内，接收静脉血回流；右心室腔（Right ventricular cavity）：位于右心室内，接收从右心房流入的血液；左心房腔（Left atrial cavity）：位于左心房内，接收氧合血从肺静脉流入；左心室腔（Leftventricular cavity）：位于左心室内，接收从左心房流入的氧合血。
四个瓣膜：三尖瓣（Tricuspid valve）：位于右心房与右心室之间，防止血液逆流；肺动脉瓣（Pulmonary valve）：位于右心室与肺动脉之间，防止血液逆流；二尖瓣（Mitralvalve）：位于左心房与左心室之间，防止血液逆流；主动脉瓣（Aortic valve）：位于左心室与主动脉之间，防止血液逆流。在一个实施例中，对胎儿超声影像中存在心血管微小异常的区域进行手动ROI标识，得到心血管微小异常特征及特征在所述超声影像中的相对位置数据。另一方面，将手动标识心血管微小异常区域的超声影像和正常样本对照输入到深度学习模型中进行模型训练，训练后的深度学习模型能够从超声影像中自动提取心血管微小异常特征及特征在所述超声影像中的相对位置数据。
在一个实施例中，预先构建特征库，所述特征库中包含心血管微小异常特征等众多与CHD风险相关的特征。对输入超声影像进行AI模型识别，与特征库进行比对，若匹配特征库成功，自动输出患先心病的分类，可反向查询类似患者的历史影像进行比对，若匹配特征库失败则新增特征库，结合临床最终判定是否为CHD的结果，完善特征片段的分类；输入超声图片后通过卷积处理输出像素单元，对处理结果再次使用卷积处理，输出新的像素组合，也即线性组合，再次对线性组合进行卷积，将得到我们想要的异常特征形态。在一个具体实施例中，超声影像的匹配结果与特征库进行比对，一般采用像素点比对，由于两张图片不是同一纬度，所以需要确认到纵横偏移量，导致比对效率不高，可以使用分块方式，对检查结果细分成多块，再匹配目标特征库，最终比对出相似度最高的3-5个特征，再二次进行精确的像素比对，来确认最终结果。
在一个具体实施例中，对卷积算法改进并简化后卷积公式如下：
a1 =δ(b + w * a0）
其中，a1表示卷积后的输出，a0表示输入影像，*表示卷积操作(convolutionoperation)，b为偏移值，w为权值矩阵。
由此可以推导出卷积正向传播公式：
al =δ（zl）=δ(bl + wl * al-1）
zl为本次输入也即上一次卷积输出结果。
由于做有限层的卷积，w、b的梯度可以实际测算，不用根据结果来递推，模型确定直接使用即可。
S103：将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。
在一个实施例中，所采用的分类器为改进的逻辑回归分类器算法。
首先，训练一个基本的逻辑回归模型。逻辑回归模型的优化目标是极大化似然函数，可以表示为：
其中，为逻辑回归模型的似然函数，/>为给定输入/>对应的标签/>为1的概率，/>为输入样本的特征向量，/>为输入样本/>的实际标签，/>为训练样本的数量。，/>是正则化系数，由人为设置用来平衡模型复杂度和训练误差。
进一步地，由逻辑函数得出，可以表示为：
其中，为逻辑回归模型的参数，是一个向量，其每个元素对应输入特征的一个权重。/>为矩阵的转置符号。
在一个实施例中，由于L1范数不可导，故，本发明中使用次梯度方法进行优化。所述次梯度方法对逻辑回归模型参数的更新进行优化的更新公式为：
其中，是逻辑回归模型的参数/>的符号函数，用来表示参数/>的每个元素的符号，/>为更新前的逻辑回归模型的参数，/>为更新后的逻辑回归模型的参数，/>为学习率， />表示似然函数/>关于参数/>的梯度。
在一个实施例中，所述逻辑回归模型的训练过程包括：基于训练集样本的胎儿超声影像及对应的分类标签，对所述胎儿超声影像进行特征提取得到影像特征，将所述影像特征输入分类器得到预测分类结果，将所述预测分类结果与标签进行比对，生成损失函数，优化迭代模型，得到第一逻辑回归模型；在模型迭代时，采用负梯度替代样本的分类标签训练第二逻辑回归模型，所述第二回归模型的预测结果和所述第一逻辑回归模型的预测结果的加和作为预测分类结果，生成损失函数。
在一个实施例中，所述负梯度的计算公式可以表示为：
其中，表示第/>个样本的负梯度（残差），/>为输入样本的特征向量，/>为输入样本/>的实际标签，/>是当前模型对样本/>的预测结果，/>为对数损失函数。
进一步地，用负梯度代替原来的标签，训练一个新的逻辑回归模型。然后，将新模型的预测结果加到原模型上，得到一个新的模型。
具体的，更新模型的方式为：
让表示第/>步的模型，/>表示第/>步训练的新模型，则：
其中，是步长，通过线搜索等方法找到使得损失函数最小的/>。
进一步地，重复上述更新方式，直到达到预设的迭代次数或者损失函数的值小于某个预设的阈值，即表示模型构建完成并训练完成。
在一个实施例中，当分类结果为轻度CHD风险和重度CHD风险时，基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率；所述胎儿先天性心脏病表型包括以下任意一种或几种：圆锥动脉干畸形、室间隔缺损、左室流出道梗阻、右室流出道梗阻、房室间隔缺损、肺静脉异位引流、先天性血管变异、内脏异位、复杂胎儿先天性心脏病。
在一个实施例中，输入超声图片后通过卷积处理输出像素单元，对处理结果再次使用卷积处理，输出新的像素组合，也即线性组合，再次对线性组合进行卷积，将得到我们想要的异常特征形态；分别采集患CHD风险、患轻度CHD风险、患重度CHD风险的已知先心病患者妊娠早、中期超声影像输入训练模型中进行训练，输出结果作为三个级别的心血管微小异常特征库，再对特征库中具体患病类别进行标识，同时对特征库进行二次分析、筛查，并逆向还原心血管微小异常在超声影像中的相对位置，在原影像中标识异常位置作为AI识别的基础数据。
在一个具体实施例中，所述基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率，具体为：当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险极高的结果：室间隔缺损、房室间隔缺损；当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险高的结果：圆锥动脉干畸形、左室流出道梗阻；当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险中等的结果：先天性血管变异、复杂胎儿先天性心脏病；当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险低的结果：右室流出道梗阻、肺静脉异位引流、内脏异位。
在一个具体实施例中，回顾性选择2012年1月-2022年12月就诊于北京妇产医院行产前超声心动图检查诊断为胎儿CHD并行遗传学检测的病例为研究对象。经北京妇产医院伦理委员会进行批准，对所有入组病例的各项资料均进行严格保密。研究对象的纳入和排除标准如下，最终纳入542例。具体纳入与排除标准可见表1。
表1 研究对象的纳入标准及排除标准
542名患者中，共检测出745例先心病病例，这是由于一名患者可能合并2种及以上CHD。具体表型对应染色体异常病例数及相应发生率见表2。
表2所有CHD发生染色体异常的风险排序
表注: 其他*包括：横纹肌瘤、心包积液、心率和心功能异常
基于表2不同CHD发生染色体异常的发生率，计算上下四分位数与中位数，依据所述三组数值由低到高将CHD患者发生染色体异常的风险划分为低风险、中风险、高风险和极高风险。具体数值范围、表型与染色体异常风险对应关系可见表3。
表3所有CHD发生染色体异常的风险分类
表注: 其他*包括：横纹肌瘤、心包积液、心率和心功能异常
其中，对于具有圆锥动脉干畸形患者，进一步统计其组内染色体异常发生内容，见表4。
表4 圆锥动脉干畸形组内具体染色体异常发生内容
圆锥动脉干畸形（conotruncal heart defects，CTD）由于胚胎期动脉圆锥和大动脉干发育异常而引起的一类复杂型先天性心脏病。包括法洛四联症、共同动脉干、完全型大动脉转位、右室双出口等。它可以导致主动脉瓣和三尖瓣的关闭不全，以及主动脉瓣狭窄等问题。
室间隔缺损（Ventricular Septal Defect，VSD）是室间隔存在缺损，使得左右心室之间存在通道。这会导致血液在心室之间混合，增加肺动脉的血流量，可能引起肺动脉高压和心脏负荷过重。
左室流出道梗阻（Left Ventricular Outflow Tract Obstruction，LVOTO）是指左室流出道部分或完全受阻，导致左心室排血受限。常见的LVOTO包括主动脉瓣狭窄、主动脉瓣闭锁、主动脉狭窄等。这些梗阻会增加左心室的负荷，可能导致心室肥厚和心功能不全。
右室流出道梗阻（Right Ventricular Outflow Tract Obstruction，RVOTO）是指右室流出道部分或完全受阻，导致右心室排血受限。常见的RVOTO包括肺动脉瓣狭窄、肺动脉瓣闭锁等。这些梗阻会增加右心室的负荷，可能导致右心室肥厚和心功能不全。
房室间隔缺损（Atrioventricular Septal Defect，AVSD）是一种心脏结构异常，特点是房室之间存在缺损。它包括完全性房室间隔缺损、部分性房室间隔缺损以及过渡型房室间隔缺损这几个类型。AVSD常伴随着左心室和左房的扩大，可能导致血液在心脏中的混合，增加肺动脉的血流量。
肺静脉异位引流（Total Anomalous Pulmonary Venous Return，TAPVR）的特点是肺静脉异常连接到右心房、冠状窦或静脉窦。这导致血液无法正常流入左心房，而是返回到右心房。TAPVR可分为四种类型，具体症状和严重程度因类型而异。
先天性血管变异（Vascular Anomalies）是指心脏血管走行异常，包括血管环、永存左上腔静脉等。这些异常可能导致血液流动的不正常，影响心脏的功能。
内脏异位（Visceral Heterotaxy）是一种罕见的先天性心脏病，特点是内脏器官的位置和结构异常。这可能导致心脏和其他内脏器官的功能异常，严重影响患者的生命。
复杂胎儿先天性心脏病（Complex Congenital Heart Disease）是指结构异常较为复杂、严重的先天性心脏病。它可能涉及多个心脏结构。这些病变可能需要复杂的手术干预或合并其他心脏畸形。
在一个实施例中，基于人工智能预测胎儿先天性行脏病风险的方法还包括：
获取孕妇及配偶围孕期-孕早期的危险因素，其包括以下任意一种或几种：孕妇及配偶的健康状况、妊娠情况、生活习惯、用药情况、宠物接触史、生活环境；
将所述危险因素输入分类器得到分类结果，所述分类结果为是否存在CHD风险；
对于存在CHD风险，采用上述的基于人工智能预测胎儿先天性心脏病风险的方法进行胎儿先天性心脏病风险的检测。
在一个实施例中，收集孕妇及配偶样本的数据集，分为训练集及验证集，基于训练集训练机器学习模型，输出样本是否存在CHD风险。训练机器学习模型输入的临床信息包括孕妇及配偶的基本信息、健康状况、妊娠情况、生活习惯、用药情况、宠物接触史、生活环境等各项指标，可进一步将各项临床指标进行数字化表示，训练机器学习模型输出样本是否存在CHD风险。此外，可以用状态机来配置各项参数，最终获得综合评分，或结合临床医生对结果得出参考意见，结合AI输出结果进行综合研判，得出家庭中子代患CHD个体风险的最终结论。
状态机（State machine）是一种数学模型，用于描述系统或对象的行为和状态转换。它是由一组状态（States）、事件（Events）、转移（Transitions）和动作（Actions）组成的。在状态机中，系统或对象可以处于不同的状态，每个状态代表系统或对象的一种特定状态或条件。事件是导致状态转换的触发器，当特定事件发生时，系统或对象会根据定义的转移条件进行状态转换。转移描述了从一个状态到另一个状态的条件和动作。动作是在状态转换发生时执行的操作或行为。
在一个实施例中，获取孕妇及配偶围孕期-孕早期的临床信息；将所述临床信息早期输入训练好的机器学习模型（CHD风险预测模型），预测胎儿是否存在CHD风险。对存在CHD风险的孕妇，获取胎儿超声影像，对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险。当分类结果为轻度CHD风险和重度CHD风险时，基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率。
在一个具体实施例中，获取孕妇及配偶的基本情况（年龄、民族、受教育年限、职业、BMI、个人收入、家庭收入）、是否初次妊娠、不良孕产史、妊娠高血压或糖尿病史、妊娠异常胎儿史、是否辅助受孕、妊娠期感冒、发烧、家族内出生缺陷疾病史、夫妻吸烟饮酒史、口服叶酸、维生素情况、妊娠期孕吐、腹痛及阴道出血情况、妊娠期是否接受黄体酮治疗、妊娠期是否口服地屈孕酮、妊娠期是否用低分子肝素治疗、妊娠期是否服用二甲双胍、妊娠期是否服用抗生素、妊娠期动物接触史、房屋类型、家庭及单位房屋情况、环境通风情况作为自变量，以是否发生CHD作为因变量，建立第三逻辑回归模型。
单因素Logistic回归结果显示：孕妇和配偶年龄、孕妇是汉族、孕妇及其配偶受教育年限、孕妇及其配偶职业、孕妇个人收入及家庭收入、有不良孕产史、妊娠胎儿异常史、辅助受孕、家族中有CHD疾病史、妊娠期发烧、孕妇吸烟、妊娠期接触二手烟、孕妇及配偶饮酒、口服维生素、妊娠期阴道出血、孕吐、妊娠期口服地屈孕酮及抗生素、妊娠期使用低分子肝素治疗、妊娠期养小动物及接触小动物、房屋类型、家里是否经常通风、做饭时是否使用抽油烟机或排风扇、是否接触跟空气污染有关的化学品、家里有无空气净化系统、家里净化器或新风使用情况、单位有无空气净化系统和单位净化器或新风使用情况均对CHD的发生有影响。
多因素Logistic回归结果显示：配偶年龄、孕妇民族、孕妇职业、配偶职业、个人及家庭年收入、不良孕产史、妊娠异常胎儿史、孕妇是否吸烟、配偶是否饮酒、是否口服维生素、妊娠期孕吐、妊娠期是否用低分子肝素治疗、家里是否经常通风均是CHD的独立影响因素（均P<0.05），具体数据参见表5-表8。
表5 先心病影响因素的Logistic回归分析结果（一）
表6 先心病影响因素的Logistic回归分析结果（二）
/>
表7 先心病影响因素的Logistic回归分析结果（三）
表8 先心病影响因素的Logistic回归分析结果（四）
以纳入第三逻辑回归模型中的14个变量为预测因素，是否发生CHD作为结局，构建CHD临床预测模型列线图，模型中是否妊娠期孕吐及家中是否经常通风与CHD发生呈负相关，是保护因素；其他因素均与CHD呈正相关，是危险因素。总分为各变量分值之和，总分所对应刻度值是CHD的发生风险概率。
利用校准曲线对模型的校准度进行评价，训练集校准曲线显示，预测概率在0~10%时，模型预测曲线与实际观测曲线较为接近，P=0.999>0.05，提示校准曲线有意义，但Emax=0.120提示校准曲线偏离较大；验证集校准曲线显示，预测概率在0~20%时模型预测曲线与实际观测曲线较为接近，P=0.994>0.05，提示校准曲线有意义，Emax=0.019和Eavg=0.001提示校准曲线校准度较好。利用ROC曲线评价模型的区分度，ROC曲线结果显示，训练集的AUC为0.756，验证集的AUC为0.752，提示模型具有中等偏上的区分度且模型稳定。
在一个实施例中，将基于孕妇及配偶的基本信息、健康状况、妊娠情况、生活习惯、用药情况、宠物接触史、生活环境等各项指标构建的分类模型与基于胎儿超声影像构建的分类模型组成一个集成模型，以提高分类性能。
所述集成模型的构建过程包括：
步骤1：数据集划分。对于两个不同的数据集，将它们合并成一个统一的数据集，并确保数据集中的特征和标签是相同的。
步骤2：模型选择。选择两个不同的分类模型作为基础模型，所述基础模型可以有不同的结构、参数设置、甚至来自不同的算法家族。
步骤3：训练基础模型。使用合并后的数据集分别对两个基础模型进行训练，每个模型会捕捉不同的数据特征和模式。
步骤4：生成预测。使用训练好的基础模型对验证集或测试集进行预测，得到每个模型的独立预测结果。
步骤5：集成方法选择。选择合适的集成方法来结合两个基础模型的预测结果。可以考虑加权平均、投票、堆叠等方法。
步骤6：集成模型构建。根据选定的集成方法，将两个基础模型的预测结果进行融合，得到集成模型的最终预测。
步骤7：性能评估。使用验证集或交叉验证来评估集成模型的性能。与单独的基础模型进行比较，确保集成模型在准确性和鲁棒性方面表现更好。
步骤8：参数调整。根据性能评估结果，可能需要调整集成方法中的参数，如基础模型的权重或集成方法的参数。
步骤9：验证和交叉验证。使用交叉验证等技术来验证集成模型的泛化性能，以确保其在不同数据集上都表现良好。
步骤10：最终部署。在集成模型达到满意性能后，可以将其部署用于实际应用中进行分类预测。
图2是本发明实施例提供的一种基于人工智能预测胎儿先天性心脏病风险的系统，所述系统示意图见图2，包括：
S201：获取单元，用于获取胎儿超声影像。
S202：特征提取单元，用于对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据。
S203：分类单元，用于将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。
图3是本发明实施例提供的一种基于人工智能预测胎儿先天性心脏病风险的设备，所述设备，包括：存储器和处理器；该设备还可以包括：输入装置和输出装置。
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行上述基于人工智能预测胎儿先天性心脏病风险的方法。存储器、处理器、输入装置和输出装置可以通过总线或者其他方式连接。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能预测胎儿先天性心脏病风险的方法。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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，在本发明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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，所述方法包括：
获取胎儿超声影像；
对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；
将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。
2.根据权利要求1所述的基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，所述次梯度方法对逻辑回归模型参数的更新进行优化的更新公式为：
其中，是逻辑回归模型的参数/>的符号函数，用来表示参数/>的每个元素的符号，为更新前的逻辑回归模型的参数，/>为更新后的逻辑回归模型的参数，/>为学习率，表示似然函数/>关于参数/>的梯度。
3.根据权利要求1所述的基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，所述逻辑回归模型的训练过程包括：基于训练集样本的胎儿超声影像及对应的分类标签，对所述胎儿超声影像进行特征提取得到影像特征，将所述影像特征输入分类器得到预测分类结果，将所述预测分类结果与标签进行比对，生成损失函数，优化迭代模型，得到第一逻辑回归模型；在模型迭代时，采用负梯度替代样本的分类标签训练第二逻辑回归模型，所述第二逻辑回归模型的预测结果和所述第一逻辑回归模型的预测结果的加和作为预测分类结果，生成损失函数。
4.根据权利要求3所述的基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，所述负梯度的计算公式可以表示为：
其中，表示第/>个样本的负梯度，/>为输入样本的特征向量，/>为输入样本/>的实际标签，/>是当前模型对样本/>的预测结果，/>为对数损失函数。
5.根据权利要求1所述的基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，当分类结果为轻度CHD风险和重度CHD风险时，基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率；所述胎儿先天性心脏病表型包括以下任意一种或几种：圆锥动脉干畸形、室间隔缺损、左室流出道梗阻、右室流出道梗阻、房室间隔缺损、肺静脉异位引流、先天性血管变异、内脏异位、复杂胎儿先天性心脏病。
6.根据权利要求5所述的基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，所述基于胎儿先天性心脏病表型输出胎儿染色体异常的风险概率，具体为：
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险极高的结果：室间隔缺损、房室间隔缺损；
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险高的结果：圆锥动脉干畸形、左室流出道梗阻；
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险中等的结果：先天性血管变异、复杂胎儿先天性心脏病；
当胎儿先天性心脏病表型为下列任意一种或几种时，输出胎儿发生染色体异常的风险低的结果：右室流出道梗阻、肺静脉异位引流、内脏异位。
7.根据权利要求1所述的基于人工智能预测胎儿先天性心脏病风险的方法，其特征在于，所述方法还包括：
获取孕妇及配偶围孕期-孕早期的危险因素，其包括以下任意一种或几种：孕妇及配偶的健康状况、妊娠情况、生活习惯、用药情况、宠物接触史、生活环境；将所述危险因素输入分类器得到分类结果，所述分类结果为是否存在CHD风险；
对于存在CHD风险，采用权利要求1-6任意一种所述的基于人工智能预测胎儿先天性心脏病风险的方法进行胎儿先天性心脏病风险的预测。
8.一种基于人工智能预测胎儿先天性心脏病风险的系统，其特征在于，所述系统包括：
获取单元，用于获取胎儿超声影像；
特征提取单元，用于对所述胎儿超声影像进行特征提取得到影像特征，所述影像特征包括心血管微小异常特征及特征在所述超声影像中的相对位置数据；
分类单元，用于将所述影像特征输入分类器得到三分类结果，所述三分类结果为无CHD风险、轻度CHD风险和重度CHD风险；所述分类器为逻辑回归模型，所述逻辑回归模型训练中引入次梯度方法对逻辑回归模型参数的更新进行优化。
9.一种基于人工智能预测胎儿先天性心脏病风险的设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行权利要求1-7任意一项所述的基于人工智能预测胎儿先天性心脏病风险的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任意一项所述的基于人工智能预测胎儿先天性心脏病风险的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155204.8A CN116912236B (zh) | 2023-09-08 | 2023-09-08 | 一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155204.8A CN116912236B (zh) | 2023-09-08 | 2023-09-08 | 一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912236A true CN116912236A (zh) | 2023-10-20 |
| CN116912236B CN116912236B (zh) | 2023-12-26 |
Family
ID=88367110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311155204.8A Active CN116912236B (zh) | 2023-09-08 | 2023-09-08 | 一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912236B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111354005A (zh) * | 2020-02-28 | 2020-06-30 | 浙江德尚韵兴医疗科技有限公司 | 基于卷积神经网络的全自动胎儿心超影像三血管分割方法 |
| CN112530590A (zh) * | 2020-12-02 | 2021-03-19 | 中国福利会国际和平妇幼保健院 | 一种基于5g的出生缺陷评估方法、装置及电子设备 |
| CN113592797A (zh) * | 2021-07-21 | 2021-11-02 | 山东大学 | 基于多数据融合及深度学习的乳腺结节风险等级预测系统 |
| CN115482190A (zh) * | 2021-11-10 | 2022-12-16 | 中山大学附属第七医院(深圳) | 一种胎儿心脏结构分割测量方法、装置及计算机存储介质 |
| US20230038921A1 (en) * | 2021-06-03 | 2023-02-09 | Tata Consultancy Services Limited | System and method for estimation of delivery date of pregnant subject using microbiome data |
| CN116681958A (zh) * | 2023-08-04 | 2023-09-01 | 首都医科大学附属北京妇产医院 | 基于机器学习的胎儿肺脏超声影像成熟度预测方法 |
-
2023
- 2023-09-08 CN CN202311155204.8A patent/CN116912236B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111354005A (zh) * | 2020-02-28 | 2020-06-30 | 浙江德尚韵兴医疗科技有限公司 | 基于卷积神经网络的全自动胎儿心超影像三血管分割方法 |
| CN112530590A (zh) * | 2020-12-02 | 2021-03-19 | 中国福利会国际和平妇幼保健院 | 一种基于5g的出生缺陷评估方法、装置及电子设备 |
| US20230038921A1 (en) * | 2021-06-03 | 2023-02-09 | Tata Consultancy Services Limited | System and method for estimation of delivery date of pregnant subject using microbiome data |
| CN113592797A (zh) * | 2021-07-21 | 2021-11-02 | 山东大学 | 基于多数据融合及深度学习的乳腺结节风险等级预测系统 |
| CN115482190A (zh) * | 2021-11-10 | 2022-12-16 | 中山大学附属第七医院(深圳) | 一种胎儿心脏结构分割测量方法、装置及计算机存储介质 |
| CN116681958A (zh) * | 2023-08-04 | 2023-09-01 | 首都医科大学附属北京妇产医院 | 基于机器学习的胎儿肺脏超声影像成熟度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912236B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stirnemann et al. | Profiling fetal cardiac function in twin–twin transfusion syndrome | |
| CN111681219B (zh) | 基于深度学习的新冠病毒感染ct图像分类方法、系统及设备 | |
| Adriaanse et al. | Interobserver agreement in detailed prenatal diagnosis of congenital heart disease by telemedicine using four‐dimensional ultrasound with spatiotemporal image correlation | |
| Huggon et al. | Atrioventricular septal defects diagnosed in fetal life: associated cardiac and extra-cardiac abnormalities and outcome | |
| Galindo et al. | Clinical significance of persistent left superior vena cava diagnosed in fetal life | |
| Jørgensen et al. | Prenatal detection of congenital heart disease in a low risk population undergoing first and second trimester screening | |
| Isaksen et al. | Fetuses and infants with congenital urinary system anomalies: correlation between prenatal ultrasound and postmortem findings | |
| TW200532523A (en) | Methods and systems for predicting occurrence of an event | |
| Hauerberg et al. | Correlation between prenatal diagnosis by ultrasound and fetal autopsy findings in second‐trimester abortions | |
| CN116681958B (zh) | 基于机器学习的胎儿肺脏超声影像成熟度预测方法 | |
| CN112259219B (zh) | 一种基于上消化道出血预测疾病的系统、设备、存储介质 | |
| EP3964136A1 (en) | System and method for guiding a user in ultrasound assessment of a fetal organ | |
| Thomas et al. | Absent ductus venosus–outcomes and implications from a tertiary centre | |
| Shaheen | Adoption of machine learning for medical diagnosis | |
| Shelmerdine et al. | Is traditional perinatal autopsy needed after detailed fetal ultrasound and post‐mortem MRI? | |
| Yeo et al. | Value of a complete sonographic survey in detecting fetal abnormalities: correlation with perinatal autopsy | |
| CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| Chang et al. | The study that applies artificial intelligence and logistic regression for assistance in differential diagnostic of pancreatic cancer | |
| CN113763336A (zh) | 图像多任务识别方法及电子设备 | |
| Minsart et al. | Left superior vena cava in the fetus: a rarely isolated anomaly | |
| Helman et al. | The role of machine learning applications in diagnosing and assessing critical and non-critical CHD: a scoping review | |
| Shelmerdine et al. | Diagnostic accuracy of postmortem ultrasound vs postmortem 1.5‐T MRI for non‐invasive perinatal autopsy | |
| Bottelli et al. | Prenatal detection of congenital heart disease at 12–13 gestational weeks: detailed analysis of false‐negative cases | |
| CN116912236B (zh) | 一种基于人工智能预测胎儿先天性心脏病风险的方法、系统及可存储介质 | |
| Wang et al. | A clinical prediction model to estimate the risk for coarctation of the aorta: From fetal to newborn life |
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 |