CN117275734A - 脑健康状态评估方法及装置 - Google Patents
脑健康状态评估方法及装置 Download PDFInfo
- Publication number
- CN117275734A CN117275734A CN202311543072.6A CN202311543072A CN117275734A CN 117275734 A CN117275734 A CN 117275734A CN 202311543072 A CN202311543072 A CN 202311543072A CN 117275734 A CN117275734 A CN 117275734A
- Authority
- CN
- China
- Prior art keywords
- brain
- data
- picture
- patient
- pictures
- 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
- 230000036995 brain health Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 35
- 210000004556 brain Anatomy 0.000 claims abstract description 205
- 230000006378 damage Effects 0.000 claims abstract description 66
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 8
- 210000004885 white matter Anatomy 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000003550 marker Substances 0.000 claims description 23
- 239000008280 blood Substances 0.000 claims description 19
- 210000004369 blood Anatomy 0.000 claims description 19
- 210000002700 urine Anatomy 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 10
- 206010072731 White matter lesion Diseases 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 206010012289 Dementia Diseases 0.000 abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 18
- 230000001149 cognitive effect Effects 0.000 abstract description 11
- 206010008111 Cerebral haemorrhage Diseases 0.000 abstract description 9
- 238000003759 clinical diagnosis Methods 0.000 abstract description 9
- 208000010877 cognitive disease Diseases 0.000 abstract description 9
- 201000010099 disease Diseases 0.000 abstract description 8
- 238000003748 differential diagnosis Methods 0.000 abstract description 5
- 238000009509 drug development Methods 0.000 abstract description 3
- 238000004393 prognosis Methods 0.000 abstract description 3
- 208000027418 Wounds and injury Diseases 0.000 description 26
- 208000014674 injury Diseases 0.000 description 26
- 210000005013 brain tissue Anatomy 0.000 description 16
- 239000000523 sample Substances 0.000 description 15
- 230000001771 impaired effect Effects 0.000 description 10
- 230000008449 language Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 230000003935 attention Effects 0.000 description 7
- 230000019771 cognition Effects 0.000 description 7
- 210000001652 frontal lobe Anatomy 0.000 description 7
- 210000003478 temporal lobe Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 208000028698 Cognitive impairment Diseases 0.000 description 5
- 230000003920 cognitive function Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 206010061218 Inflammation Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004054 inflammatory process Effects 0.000 description 4
- 210000000869 occipital lobe Anatomy 0.000 description 4
- KRCQSTCYZUOBHN-UHFFFAOYSA-N rabeprazole sodium Chemical group [Na+].COCCCOC1=CC=NC(CS(=O)C=2[N-]C3=CC=CC=C3N=2)=C1C KRCQSTCYZUOBHN-UHFFFAOYSA-N 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 101000979333 Homo sapiens Neurofilament light polypeptide Proteins 0.000 description 3
- 102100023057 Neurofilament light polypeptide Human genes 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 208000029028 brain injury Diseases 0.000 description 2
- ONVRITSOLPHIRW-UHFFFAOYSA-N carbamoylazanium;formate Chemical compound OC=O.NC(N)=O ONVRITSOLPHIRW-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000000971 hippocampal effect Effects 0.000 description 2
- 210000001152 parietal lobe Anatomy 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 1
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 102100039289 Glial fibrillary acidic protein Human genes 0.000 description 1
- 101710193519 Glial fibrillary acidic protein Proteins 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000027626 Neurocognitive disease Diseases 0.000 description 1
- 229920001807 Urea-formaldehyde Polymers 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000013564 activation of immune response Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 210000005046 glial fibrillary acidic protein Anatomy 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 230000028709 inflammatory response Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010172 mouse model Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010855 neuropsychological testing Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- ODGAOXROABLFNM-UHFFFAOYSA-N polynoxylin Chemical compound O=C.NC(N)=O ODGAOXROABLFNM-UHFFFAOYSA-N 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 102000013498 tau Proteins Human genes 0.000 description 1
- 108010026424 tau Proteins Proteins 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 208000037820 vascular cognitive impairment Diseases 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 230000016776 visual perception Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种脑健康状态评估方法及装置，对脑部图片进行图像预处理得到对应的灰度值矩阵；对脑部图片进行图像特征提取得到对应的影像特征；将影像特征与患者其他信息相结合进行数据归一化处理，得到待训练数据；将待训练数据作为自变量结合各个结局变量进行模型训练，得到训练后模型；将患者的真实数据输入训练后模型并进行风险预测，输出预测结果。本发明的技术方案能够提前预测痴呆类疾病的种类，准确评估患者的认知障碍水平及各认知域受损情况，准确预测患者是否存在脑出血的情况，可助于药物开发、早期筛查、临床诊断和疾病预后评估，降低相关检测成本，显著提高了痴呆类疾病鉴别诊断准确率，实现了无创精准诊断。
Description
技术领域
本发明涉及体外诊断技术领域，尤其涉及一种脑健康状态评估方法及装置。
背景技术
脑健康是指在特定年龄保持最佳的大脑完整性以及精神和认知功能，并且没有明显的神经系统疾病。痴呆（dementia）也称为神经认知障碍，是一种以获得性认知功能损害为核心，并导致患者日常生活能力，学习能力，工作能力和社会交往能力明显减退的综合症。患者的认知功能损害涉及记忆、学习、定向、理解、判断、计算、语言、视空间功能、分析及解决问题等能力，在病程某一阶段常伴有精神、行为和人格异常。因此，对此类患者的评估通常包括认知功能(cognition)、社会及日常生活能力(daily activity)、精神行为症状(behavior)，可以概括为ABC。其中，认知功能评估又涉及上述的多个认知域。
认知障碍疾病的辅助检查包括体液检查、影像学检查、电生理检查和基因检测等。选择适当的辅助检查可以有效辅助认知障碍疾病的诊断和鉴别诊断，监测疾病进程。
近年来，生物标志物因其在超早期预测疾病方面的优势，已成为认知研究的一个热点。淀粉样蛋白40和42（Aβ40和Aβ42）、磷酸化tau181（ptau181）被确定为阿尔茨海默病患者诊断痴呆的生物标志物。但由于这些淀粉样β蛋白片段沉积在大脑皮层和皮亚脑膜小动脉壁，其同样可能造成大脑中的小血管病变。一些研究表明，tau蛋白含量的增加与血管性认知障碍患者整体认知水平和语言功能的下降关系更为密切。由于神经丝轻链（NFL）在轴突受损时释放到脑脊液和血液中，NFL水平的变化可以反映小鼠模型中的脑损伤和神经系统疾病。患者的认知功能下降可能和代谢、感染、中毒等全身和(或)脑部疾病相关，血液检查可以为病因诊断提供重要参考依据。
目前，先进的磁共振成像（MRI）技术，如二维张量成像（DTI）和静息态功能磁共振成像（rs-fMRI），对痴呆症的鉴别诊断有很大帮助。MRI技术首先可以排除可治疾病，如脑肿瘤、正常颅压脑积水；其次是显示AD相关的特异结构的改变。内侧颞叶，尤其是海马和内嗅皮质改变是结构核磁有关AD研究最经典的发现。海马容积缩小常作为AD诊断和判断疾病进展的指标之一，但不是最为敏感的影像标志物，因为在精神分裂症和抑郁症中也可有类似表现。
许多研究也发现炎症与认知能力下降和痴呆风险有关。正常情况下，炎症是一种保护性反应，有利于愈合过程；然而，长期的炎症会导致组织损伤。最常见的痴呆形式（阿尔茨海默病和血管性痴呆）都存在一定慢性或是严重的炎症反应，其可能会加速认知损伤。一些神经退行性疾病可因周围感染和相关的免疫反应激活而加重。此外，在临床实践中经常发现，老年人的认知缺陷经常在疾病和感染后出现，甚至在心理创伤事件（如配偶死亡）后出现，这种现象被一些临床医生称为潜在的认知障碍的 "掩盖 "效应。因此，炎症指标可能会在一定程度上帮助我们识别认知障碍以及鉴别痴呆类型，但容易受到其他疾病的干扰。
临床认知障碍评价主要采用神经心理学量表，这是一种测量一个人的大脑工作状况的测试。测试的能力包括阅读、语言使用、注意力、学习、处理速度、推理、记忆、解决问题、情绪和个性等等。但其结果可能在很大程度上受到患者的主观意识、教育水平、情绪状态和语言交流能力的影响。这样一来，神经心理学测试只适用于有限的患者，其耗时较长且准确性有限，难以满足大规模的精确临床诊断。
综上可知，现有的针对脑健康的体外临床诊断的方法具有一定的局限性，在诊断过程中易受患者状态和其他疾病干扰的影响，导致对患者认知情况的评判出现不客观、不准确、难以区分各类潜在痴呆患者的类型甚至出现误诊的情况。
发明内容
本发明的目的之一是为了克服现有技术中的不足，针对现有技术中存在的针对脑健康的体外临床诊断的方法有局限性、不客观、不准确、难以区分各类潜在痴呆患者的类型甚至出现误诊的情况的问题，提供一种脑健康状态评估方法及装置。
为实现以上目的，本发明通过以下技术方案实现：
第一方面，本发明提供了一种脑健康状态评估方法，所述评估方法包括：
对多张脑部图片进行图像预处理，得到所述多张脑部图片对应的灰度值矩阵；所述灰度值矩阵表示所述脑部图片中各个像素位置对应的灰度值；
基于所述多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征；
将所述脑部图片对应的影像特征与获取的患者其他信息相结合进行数据归一化处理，得到待训练数据；
将所述待训练数据作为自变量输入诊断模型，结合所述诊断模型中设置的各个结局变量进行模型训练，得到训练后模型；
将患者的真实数据输入所述训练后模型并进行风险预测，输出预测结果。
在本申请的一个优选实施例中，在所述基于所述多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征中，具体包括：
以脑部图片的图像中心为原点，根据所述灰度值矩阵中各个像素位置的灰度值的分布情况设置选取半径，确定选取范围；
分析所述选取范围内所述脑部图片的像素在所述灰度值矩阵中对应的灰度值，根据预设的截断值，选取大于所述截断值的灰度值对应的像素形成各个脑部图片的感兴趣区域；
基于所述各个脑部图片的灰度大小、所述感兴趣区域的区域坐标以及所述感兴趣区域在所述各个脑部图片中的分布规律，分别提取出各个脑部图片对应的面积特征、位置特征和数据分布特征，所述面积特征、所述位置特征和所述数据分布特征组成所述各个脑部图片的影像特征。
在本申请的一个优选实施例中，所述脑部图片包括多个脑部区域，所述面积特征包括各个脑部区域的脑白质损伤面积、脑白质损伤总面积、大脑面积及所述脑白质损伤总面积占所述大脑面积的总面积百分比，所述面积特征根据所述多个脑部区域在所述脑部图片的大脑中的划分情况，通过计算所述各个脑部区域内感兴趣区域的区域面积来计算所述各个脑部区域的脑白质损伤面积。
在本申请的一个优选实施例中，所述脑部图片具有至少一个脑白质损伤，所述位置特征包括根据所述脑白质损伤的四个极点相对于所述脑部图片的原点在所述脑部图片中的坐标点所记录的所述脑白质损伤的四个极点的位置信息。
在本申请的一个优选实施例中，所述感兴趣区域具有灰度值信息，所述数据分布特征包括所述感兴趣区域的上四分位点、下四分位点和中位数的灰度值、平均损伤程度及杂色程度；所述上四分位点、下四分位点和中位数的灰度值采用统计学参数进行计算，所述平均损伤程度采用平均值进行计算，所述杂色程度采用标准差进行计算。
在本申请的一个优选实施例中，所述患者其他信息包括血液标志物检测值、尿液标志物检测值、基因检测结果和临床基础信息等；所述数据归一化处理包括先对非正态分布的数据进行自然对数转换，再对全部数据采用归一化公式进行归一化计算，转化得到待训练数据。
在本申请的一个优选实施例中，基于所述自变量和所述结局变量，通过决策树对所述诊断模型进行模型训练。
在本申请的一个优选实施例中，在所述将患者的真实数据输入所述训练后模型并进行风险预测，输出预测结果中，具体包括：
通过输入所述训练后模型的方式获取患者的真实数据；
基于所述自变量分析所述真实数据，若有与所述自变量的样本特征对应变量数据则在所述训练后模型中填写对应的变量数据，若无与所述自变量的样本特征对应变量数据则在所述训练后模型中作为缺失值处理；
根据所述真实数据中各个变量数据对应的样本特征，所述变量数据的样本会在所述训练后模型的树中到达特定的叶子节点，每个叶子节点分别对应一个预测结果；
输出预测结果，展示所述真实数据经过所述训练后模型计算得出的风险评估结果。
在本申请的一个优选实施例中，在所述多张脑部图片进行图像预处理，得到所述多张脑部图片对应的灰度值矩阵中，具体包括：
接收患者的多张原始图像；
根据脑部状态的相关性，在所述多张原始图像中筛选出多张脑部图片；
将所述多张脑部图片输入评估装置；
矫正所述多张脑部图片像素达到统一水平；
将所述多张脑部图片的全部像素全部转化为RGB三个通道值；
对各个脑部图片的RGB三个通道值通过加权平均值算法转化成灰度值；
针对各个脑部图片，将灰度值对应各个像素填入对应的像素位置，形成各个脑部图片对应的灰度值矩阵。
第二方面，本发明提供了一种脑健康状态的评估装置，所述评估装置包括互相连接的预处理模块、特征提取模块、数据处理模块、模型训练模块和风险预测模块；
所述预处理模块用于对多张脑部图片进行图像预处理，得到所述多张脑部图片对应的灰度值矩阵；所述灰度值矩阵表示所述脑部图片中各个像素位置对应的灰度值；
所述特征提取模块用于基于所述多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征；
所述数据处理模块用于将所述脑部图片对应的影像特征与获取的患者其他信息相结合进行数据归一化处理，得到待训练数据；
所述模型训练模块用于将所述待训练数据作为自变量输入诊断模型，结合所述诊断模型中设置的各个结局变量进行模型训练，得到训练后模型；
所述风险预测模块用于将患者的真实数据输入所述训练后模型并进行风险预测，输出预测结果。
第三方面，本发明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中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面所述的脑健康状态评估方法。
第四方面，本发明提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，当其在计算机上运行时，使得计算机执行如第一方面所述的脑健康状态评估方法。
本发明所公开的脑健康状态评估方法及装置，能够提前预测痴呆类疾病的种类，准确评估患者的认知障碍水平及各认知域受损情况，准确预测患者是否存在脑出血的情况，可助于药物开发、早期筛查、临床诊断和疾病预后评估，降低相关检测成本，显著提高了痴呆类疾病鉴别诊断准确率，实现了无创精准诊断。
附图说明
本发明借助于以下附图进行描述：
图1是本发明中实施例1的脑健康状态评估方法的步骤流程图；
图2是本发明中实施例1的脑健康状态评估方法中，S10的具体流程图；
图3是本发明中实施例1的脑健康状态评估方法中，脑部图片经过图像归一化处理前后的状态示意图；
图4是本发明中实施例1的脑健康状态评估方法中，S20的具体流程图；
图5是本发明中实施例1的脑健康状态评估方法中，脑部图片中各个脑部区域的示意图；
图6是本发明中实施例1的脑健康状态评估方法中，脑部图片中各个脑部区域的轮廓图；
图7是本发明中实施例1的脑健康状态评估方法中，脑部图片的位置特征的计算示意图；
图8是本发明中实施例1的脑健康状态评估方法中，诊断模型以各个结局变量为终点所达到的性能的曲线图；
图9是本发明中实施例1的脑健康状态评估方法中，诊断模型以各个结局变量为终点所达到的性能的曲线图；
图10是本发明中实施例1的脑健康状态评估方法中，S50的具体流程图；
图11是本发明中实施例2的脑健康状态的评估装置的模块示意图。
附图标记：
100-预处理模块；200-特征提取模块；300-数据处理模块；400-模型训练模块；500-风险预测模块。
具体实施方式
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
实施例1
本发明实施例1公开了一种脑健康状态评估方法，使用MRI图像和血液标志物、尿液标志物对患者的脑健康状态进行评估，确定患者的脑健康状态是否处于风险状态，从而提高了对痴呆类疾病的临床诊断准确率，实现无创精准诊断。
参见图1，本实施例1的评估方法包括：
S10：对多张脑部图片进行图像预处理，得到多张脑部图片对应的灰度值矩阵；
S20：基于多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征；
S30：将脑部图片对应的影像特征与获取的患者其他信息相结合进行数据归一化处理，得到待训练数据；
S40：将待训练数据作为自变量输入诊断模型，结合诊断模型中设置的各个结局变量进行模型训练，得到训练后模型；
S50：将患者的真实数据输入训练后模型并进行风险预测，输出预测结果。
具体来说，在本实施例1的评估方法中，灰度值矩阵表示脑部图片中各个像素位置对应的灰度值。患者的脑部图片中各个像素所处的位置即为像素位置，每个像素位置都有灰度值，各个像素位置的灰度值根据像素位置的排列方式组成灰度值矩阵。通过对脑部图片对应的灰度值矩阵进行灰度值信息的分析，能够便于对脑部图片进行图像特征提取，从而得到脑部图片对应的影像特征，这些影像特征能够清晰地表示患者大脑是否发生损伤、损伤范围和损伤程度。血液标志物检测值是通过对患者进行血液检测而得，尿液标志物检测值是通过对患者进行尿液检测而得，临床基础信息是对患者进行临床诊断而得，上述四项数据即可结合完成对患者的脑健康状态的诊断。在将影像特征、血液标志物检测值、尿液标志物检测值和临床基础信息输入诊断模型进行模型训练之前，需要对这四项数据进行归一化处理，能够消除不同数据之间量纲差异带来的复杂计算，形成统一的数据，即为待训练数据。不同患者的脑健康状态不相同，故不同患者的待训练数据也不同，相对于诊断模型中设置的各个结局变量来说，患者的待训练数据是自变量。结局变量包括患者总体认知是否受损、患者各认知域（包括记忆、注意力、语言、视空间）是否受损、患者痴呆类型、患者是否脑出血。通过自变量和结局变量的结合对诊断模型进行训练，尽可能地减小对患者的脑健康状态进行预测的预测值与患者的脑健康状态应有的真实值之间的误差，提高诊断模型的预测性能和泛化能力。诊断模型经过模型训练后变为训练后模型，其对于患者的脑健康状态的风险预测的准确度大大提高。最终通过对患者的脑健康状态进行风险分数和风险预测评估结果的计算，展示并输出结果。
下面针对本实施例1的评估方法中各个步骤S1~S5的具体流程结合附图展开进行说明。
参见图2，在本实施例1的评估方法中，执行步骤S1的流程具体包括：
S11：接收患者的多张原始图像；
S12：根据脑部状态的相关性，在多张原始图像中筛选出多张脑部图片；
S13：将多张脑部图片输入评估装置；
S14：矫正多张脑部图片像素达到统一水平；
S15：将多张脑部图片的全部像素全部转化为RGB三个通道值；
S16：对各个脑部图片的RGB三个通道值通过加权平均值算法转化成灰度值；
S17：针对各个脑部图片，将灰度值对应各个像素填入对应的像素位置，形成各个脑部图片对应的灰度值矩阵。
具体来说，在本实施例1的评估方法中，用于后续图像特征提取和模型训练的脑部图片是从患者的原始图像中筛选出来的。患者的原始图像为MRI（Magnetic ResonanceImaging，磁共振成像）图像，这些原始图像中并非所有图像都会展示患者的脑部状态，且即使是展示脑部状态的图像也不一定适用于脑健康状态诊断，因此需要对这些原始图像中不展示脑部状态以及不适用于脑健康状态诊断的图像筛除，选出最能代表患者的脑部状态的脑部图片，脑部图片的数量选取范围可以为3~15张，优选为5张。当患者的脑部图片同时被输入评估装置后，评估装置将这些脑部图片全部选中并进行图像归一化处理。采用常用图像处理技术进行归一化处理，优选采用Gamma矫正使多张脑部图片像素达到统一水平，矫正由于人眼的视觉感知特性或显示设备响应特性导致的非线性畸变。对图像的每一个像素值进行幂运算，这个过程可以用下面的公式来表示：O = (I/255) ^ (1/γ) * 255，其中I是原始像素值，O是矫正后的像素值，γ是Gamma值，255是8位图像的最大像素值。Gamma值根据图像原始像素值选取，一般为0.8-2，优选为1.5。通过对脑部图片进行RGB转化后，将各个脑部图片的全部像素使用RGB三个通道值对应的灰度值进行表示，灰度值范围为0-255，最后通过在各个脑部图片中各个像素的像素位置使用通过加权平均值算法算出的灰度值来表示，组成脑部图片对应的灰度值矩阵。参见图3，上面四张脑部图片为未经过图像归一化处理的状态，由于采集设备不同，人眼可明显感知像素分布不在统一水平，用作脑健康状态的诊断很难保证诊断的准确率，在经过图像归一化处理后，上面四张脑部图片转换成了中间四张的状态，可见图像像素分布已无肉眼可见的差别，可输入统一模型进行处理，达到了能够进行脑健康状态的诊断的要求，有助于提升患者的脑健康状态的诊断的准确率。
参见图4，在本实施例1的评估方法中，执行步骤S2的流程具体包括：
S21：以脑部图片的图像中心为原点，根据灰度值矩阵中各个像素位置的灰度值的分布情况设置选取半径，确定选取范围；
S22：分析选取范围内脑部图片的像素在灰度值矩阵中对应的灰度值，根据预设的截断值，选取大于截断值的灰度值对应的像素形成各个脑部图片的感兴趣区域；
S23：基于各个脑部图片的灰度大小、感兴趣区域的区域坐标以及感兴趣区域在各个脑部图片中的分布规律，分别提取出各个脑部图片对应的面积特征、位置特征和数据分布特征，面积特征、位置特征和数据分布特征组成各个脑部图片的影像特征。
具体来说，在本实施例1的评估方法中，脑部图片中患者的脑组织切片大致都位于图像的中间位置，故根据脑部图片对应灰度值矩阵中各个像素位置的灰度值，以脑部图片的图像中心为原点O，来确定能够大致覆盖患者的脑组织的选取半径，从而确定选取范围，例如根据灰度值矩阵可知，患者的脑组织相对于原点O在原点O的左侧存在100个、右侧存在95个、上侧存在110个、下侧存在90个表示脑组织的像素，则可以将选取半径确定在100个像素，并以原点O为圆心、100个像素为选取半径划出该脑部图片的选取范围，该选取范围能够大致表示患者的脑组织所处的位置，便于进行图像特征提取，其中选取半径的范围可以是50~200个像素。又由于脑部图片中健康的脑组织所呈现的灰度值是固定不变的，而出现损伤、病变的脑组织所呈现的灰度值大于健康的脑组织，故通过预先设置截断值的方式来区分健康的脑组织和可能出现损伤、病变的脑组织，那么当灰度值大于截断值时，就可以认为该灰度值的像素位置可能存在脑组织的损伤、病变，在选取范围内将所有灰度值大于截断值的像素位置组合起来就形成了脑部图片的各个感兴趣区域（Region of interest，ROI区域）。在进行图像特征提取时，脑部图片中各个像素位置的灰度值大小有助于判断可能产生损伤、病变的脑组织的位置，ROI区域内的灰度值大小有助于判断局部脑组织的损伤、病变程度，各个ROI区域相对于原点O的坐标分布则有助于判断整体脑组织的损伤、病变程度，各个ROI区域在脑部图片中的分布规律则有助于判断脑组织发生损伤、病变的位置集中在哪一个区域，如图3所示，下面四张图就是感兴趣区域的效果示意图。在经过对脑部图片进行图像特征提取后会得到对应的影像特征，影像特征包括面积特征、位置特征和数据分布特征。
在本实施例1的评估方法中，脑部图片包括多个脑部区域，参见图5，具体为右额叶区域（R_Frontal）、左额叶区域（L_Frontal）、右颞叶区域（R_Temp）、左颞叶区域（L_Temp）、右顶叶区域（R_Pariet）、左顶叶区域（L_Pariet）、右枕叶区域（R_Occ）、左枕叶区域（L_Occ），面积特征包括各个脑部区域的脑白质损伤面积、脑白质损伤总面积、大脑面积及脑白质损伤总面积占大脑面积的总面积百分比，面积特征根据多个脑部区域在脑部图片的大脑中的划分情况，通过计算各个脑部区域内感兴趣区域的区域面积来计算各个脑部区域的脑白质损伤面积，其中根据大脑脑区分布特征位置，各个脑部区域的脑白质损伤面积分别为上脑脑白质损伤面积、下脑脑白质损伤面积、右额叶（Frontal Lobe）脑白质损伤面积、左额叶脑白质损伤面积、右颞叶(Temporal Lobe)脑白质损伤面积、左颞叶脑白质损伤面积、右顶叶(Parietal Lobe)脑白质损伤面积、左顶叶脑白质损伤面积、右枕叶(Occipital Lobe)脑白质损伤面积、左枕叶脑白质损伤面积，上脑及下脑脑白质损伤面积之和为脑白质损伤总面积。
根据图6所示，黄线区分上下半脑，蓝线区分具体大脑区域，白色像素表示脑白质损伤。将计算上述区域中白色像素的数量，得到对应脑部区域中的面积。例如一个患者上半脑区域、下半脑区域、右额叶区域、左额叶区域、右颞叶区域、左颞叶区域、右顶叶区域、左顶叶区域、右枕叶区域、左枕叶区域，全部大脑中分别有2561，3101，579，631，506，476，413，650，0，0，5662个白色像素，而大脑面积则使用患者大脑外轮廓包含的所有像素得到126959，脑白质损伤总面积占大脑面积的总面积百分比则可通过5662/126959=0.0446计算得到。故该患者的面积特征可以写为{2561,3101,579,631,506,476,413,650,0,0,5662,126959,0.0446}。
在本实施例1的评估方法中，脑部图片具有至少一个脑白质损伤，位置特征包括根据脑白质损伤的四个极点相对于脑部图片的原点O在脑部图片中的坐标点所记录的脑白质损伤的四个极点的位置信息。参见图7，例如患者的某一脑部图片中存在一个脑白质损伤，那么需要对该脑白质损伤在脑部图片中所处的位置进行计算，以确定该位置对应的脑组织处于哪一个脑部区域，进而能够确定该位置是否出现损伤和病变、出现了何种病症，以便于后续对患者的脑健康状态进行诊断模型训练和风险预测。脑白质损伤的位置特征的确定的方式为，先确定脑白质损伤的中心点O'，再以中心点O'的水平向右方向为起点逆时针分别转动至45°、135°、225°、315°四个方向，并在这四个方向或者相近的方向（比如±5%的范围）上寻找脑白质损伤的轮廓中与中心点O'距离最远的点，分别作为脑白质损伤的左上极点a、右上极点b、左下极点c和右下极点d，最后分别计算左上极点a、右上极点b、左下极点c和右下极点d在整张图片中的坐标，由于每张图片在标准化处理后，像素都为512*512，使用（x,y）表达点坐标。如图6可分别得到左上极点a（194，331）、右上极点b（341，352）、左下极点c（167，174）和右下极点d（385，168）。故该患者的位置特征可以写为{（194，331），（341，352），（167，174），（385，168）}。
在本实施例1的评估方法中，脑部图片的各个感兴趣区域均具有灰度值信息，数据分布特征包括感兴趣区域的上四分位点、下四分位点和中位数的灰度值、平均损伤程度及杂色程度；上四分位点、下四分位点和中位数的灰度值采用统计学参数进行计算，平均损伤程度采用平均值进行计算，杂色程度采用标准差进行计算。每个感兴趣区域中各个像素对应的灰度值可能相同可能不同，针对单个感兴趣区域，其内各个像素对应的灰度值若按大小进行排序形成灰度值的数列，采用一般统计学方法确定数列的中位数、上四分位点和下四分位点，其中中位数即为ROI区域灰度值中位数，上四分位点即为ROI区域灰度值上四分位点，下四分位点即为ROI区域灰度值下四分位点，例如某个感兴趣区域内具有11个像素，各个像素对应的灰度值为{112,116,178,188,211,242,238,210,163,118,108}，经过排序后形成从小到大排列的数列{108,112,116,118,163,178,188,210,211,238,242}，则该数列的中位数为178，即为ROI区域灰度值中位数，上四分位点为211，即为ROI区域灰度值上四分位点，下四分位点为116，即为ROI区域灰度值下四分位点，采用平均值算法计算感兴趣区域内的灰度值可得ROI区域平均损伤情况，例如对上述数列求平均值可得ROI区域平均损伤情况为171.27，采用标准差算法计算感兴趣区域内的灰度值可得ROI区域内脑白质损伤杂色程度，例如对上述数列进行标准差计算可得ROI区域内脑白质损伤杂色程度为48.93，故该感兴趣区域的数据分布特征可以写为{211,116,178,171.27,48.93}。
综上三段描述可知，脑部图片对应的影像特征就是根据一定方式排列的数据集，即{（上脑脑白质损伤面积，下脑脑白质损伤面积，右额叶脑白质损伤面积，左额叶脑白质损伤面积，右颞叶脑白质损伤面积，左颞叶脑白质损伤面积，右顶叶脑白质损伤面积，左顶叶脑白质损伤面积，右枕叶脑白质损伤面积，左枕叶脑白质损伤面积，脑白质损伤总面积，大脑面积，脑白质损伤总面积占大脑面积的总面积百分比），（各个脑白质损伤的左上极点a、右上极点b、左下极点c和右下极点d相对于脑部图片的原点O的坐标），（感兴趣区域的上四分位点、下四分位点和中位数的灰度值、平均损伤程度及杂色程度）}。然而以上呈现脑部图片情况的数据仍然需要进行数据归一化处理，使得患者的数据进一步突出脑健康状态的特征，以便于进行诊断模型训练和风险预测。
在本实施例1的评估方法中，对影像特征进行数据归一化处理需要结合患者的实际身体健康状态进行，故需要采集患者的血液标志物检测值、尿液标志物检测和临床基础信息，即通过验血以获得患者的血液状态，验尿以获得患者的尿液状态以及通过医生对患者进行问诊，进而获取患者的实际身体健康状态。其中，血液标志物检测值通过对痴呆标志物筛查以获得。痴呆标志物具体包括：Aβ40， Aβ42，Aβ42：Aβ40， TAU, P-tau181, P-tau231, P-tau217, NfL, GFAP。尿液标志物检测值通过对尿液标志物筛查以获得，尿液标志物包括：尿甲酸、尿甲醛。临床基础信息具体包括：年龄、身高、体重、BMI、教育程度、是否高血压、是否糖尿病、是否高脂血症。在采集到患者的血液、尿液标志物检测值和临床基础信息后，结合先前得到的患者的脑部图片的影像特征进行数据归一化处理，整合出能够表征患者的脑健康状态的待训练数据，以用于诊断模型的模型训练。数据归一化处理包括先对非正态分布的数据进行自然对数转换，对于非正态分布的数据采用公式ln(x+1)进行统一转换，ln为自然对数。转换完成后，再对全部数据采用归一化公式进行归一化计算，采用公式对于全部数据，包括影像特征、血液标志物检测值以及临床基础信息，进行归一化处理，转化得到待训练数据，并将转化后的带训练数据输入后续诊断模型进行处理。
在本实施例1的评估方法中，以患者的影像特征、血液标志物检测值及临床基础信息得到的待训练数据为自变量，以患者总体认知是否受损、患者各认知域（包括记忆、注意力、语言、视空间）是否受损、患者痴呆类型、患者是否脑出血分别作为结局变量，并基于自变量和结局变量，通过决策树进行模型训练。
在本实施例1的评估方法中，通过基于决策树的原理进行特征的持续分裂，从而生成模型。模型训练完成后，会得到一个完整的决策树。在对变量数据的样本预测阶段，根据样本特征，样本会在树中到达特定的叶子节点。每个叶子节点都有一个相应的预测结果。在本实施例1中，评估方法采用了决策树作为诊断模型的训练工具，其初始设定开始于根节点。从根节点出发，根据预设的阈值进行决策，选择向左子节点或右子节点进一步延伸，直到到达叶子节点，从而得出预测结果。在这个过程中，评估方法采用信息增益（InformationGain，IG）来对样本特征进行筛选。信息增益计算的是一个样本特征能提供的类别信息量。根据信息增益值的大小，进行分割节点并构建决策树。决策树算法总是试图最大化信息增益值。因此，具有最高信息增益的节点或属性会被优先分割。信息增益的计算公式如下：
IG = E（S）- [（加权平均值）* E（每个特征）]；
其中，E代表熵，是衡量一个给定属性的不确定性的指标，它规定了数据的随机性，熵可以通过以下公式计算：
E = -P符合节点条件log2P符合节点条件- P不符合节点条件log2P不符合节点条件；
其中，P表示概率。
决策树中节点的判定顺序由信息增益的大小决定。在修剪决策树时，将每个节点作为修剪候选对象，判断是否修剪该节点的步骤如下：
1：删除以该节点为根的子树；
2：将该节点变为叶子节点；
3：将该节点赋值为关联训练数据中最常见的分类；
4：仅在修剪后的树对验证集的性能不比原来差时，才最终删除该节点。
因此，通过利用验证集数据来纠正训练集的过拟合，通过反复进行上述操作，从底向上处理节点，删除那些能最大限度提高验证集精度的节点，直至进一步修剪会降低验证集精度为止。
图8和图9为本实施例1的评估方法采用的整合诊断模型以各个结局变量为终点所能达到的性能，其中横轴表示真阴性率（1-specificity），纵轴表示真阳性率（sensitivity），AUC表示ROC曲线（receiver operating characteristic curve，接收者操作特征曲线）下与坐标轴围成的面积，图8中的①号曲线表示预测认知，②号曲线表示预测记忆，③号曲线表示预测注意力，④号曲线表示预测语言，⑤号曲线表示预测视空间，图9中的⑥号曲线表示预测痴呆类型，⑦号曲线表示预测脑出血。预测患者总体认知是否受损准确度达到89%，AUC 达到0.951，敏感度达到94.7%，特异度达到87.7%；预测患者记忆是否受损准确度达到85%，AUC 达到0.936，敏感度达到100.0%，特异度达到82.4%；预测患者注意力是否受损准确度达到80%，AUC 达到0.917，敏感度达到100.0%，特异度达到75.9%；预测患者语言是否受损准确度达到72%，AUC 达到0.898，敏感度达到100.0%，特异度达到67.4%；预测患者视空间能力是否受损准确度达到82%，AUC 达到0.874，敏感度达到92.3%，特异度达到69.0%；预测患者痴呆类型准确度达到86%，AUC 达到0.921，敏感度达到100.0%，特异度达到82.5%；预测患者是否脑出血准确度达到88%，AUC 达到0.951，敏感度达到82.4%，特异度达到91.7%。
参见图10，在本实施例1的评估方法中，执行步骤S5的流程具体包括：
S51：通过输入训练后模型的方式获取患者的真实数据；
S52：基于自变量分析真实数据，若有与自变量的样本特征对应变量数据则在训练后模型中填写对应的变量数据，若无与自变量的样本特征对应变量数据则在训练后模型中作为缺失值处理；
S53：根据真实数据中各个变量数据对应的样本特征，变量数据的样本会在训练后模型的树中到达特定的叶子结点，每个叶子结点叶子节点分别对应一个预测结果；
S54：输出预测结果，展示真实数据经过训练后模型计算得出的风险分数和风险评估结果。
具体来说，经过上述模型训练的诊断模型已经变成能够更加准确地对患者的脑健康状态进行诊断的训练后模型，该训练后模型与前述的诊断模型为同类型的诊断模型，只不过对于患者的脑健康状态的诊断准确度更高，风险预测更准确了。在对患者实际进行风险预测时，将患者的影像特征（即患者的原始图像）、血液标志物检测值、尿液标志物检测值以及临床基础信息（即对患者直接问诊的数据）输入训练后模型中，若无对应变量数据，则训练后模型将自动将该变量数据作为缺失值处理。表1展示了两例样本输入训练后模型的数据情况，未展示数据视为缺失值，表2展示了两例样本的各结局变量风险评估结果。
表1：两例患者样本的数据情况
| 样本 | 脑白质损伤面积百分比 | 下脑脑白质损伤面积百分比 | P-tau181 | NfL | 教育程度 | 尿甲酸 |
| 01 | 0.53% | 0.27% | 5.9 | 27.5 | 高中 | 0.16 |
| 02 | 2.97% | 1.19% | 2.74 | 148 | 大学 | 1.65 |
表2：两例患者样本的风险预测评估结果
| 样本 | 总体认知 | 记忆 | 注意力 | 语言 | 视空间 | 类型 | 脑出血 |
| 01 | 高风险 | 高风险 | 低风险 | 低风险 | 低风险 | AD | 低风险 |
| 02 | 高风险 | 低风险 | 高风险 | 高风险 | 低风险 | VD | 高风险 |
根据输入训练后模型的上述两例患者的样本特征，这些样本特征分别指代输入训练后模型的变量数据，根据样本特征，从根节点出发，根据预设的阈值进行决策，选择向左或向右进行延展，样本会在树中到达特定的叶子节点，每个叶子节点都有一个相应的预测结果。预测结果分为高风险组和低风险组两种，其中高风险组提示有必要进行进一步临床诊断以确定检测对象是否存在对应风险。最终的输出结果会展示经过训练后模型计算的风险预测评估结果。
实施例2
本发明实施例2公开了一种脑健康状态的评估装置，使用MRI图像和血液标志物对患者的脑健康状态进行评估，确定患者的脑健康状态是否处于风险状态，从而提高了对痴呆类疾病的临床诊断准确率，实现无创精准诊断。
参见图11，本实施例2的评估装置包括互相连接的预处理模块100、特征提取模块200、数据处理模块300、模型训练模块400和风险预测模块500。其中，预处理模块100用于对多张脑部图片进行图像预处理，得到多张脑部图片对应的灰度值矩阵；灰度值矩阵表示脑部图片中各个像素位置对应的灰度值；特征提取模块200用于基于多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征；数据处理模块300用于将脑部图片对应的影像特征与获取的血液、尿液标志物检测值和临床基础信息相结合进行数据归一化处理，得到待训练数据；模型训练模块400用于将待训练数据作为自变量输入诊断模型，结合诊断模型中设置的各个结局变量进行模型训练，得到训练后模型；风险预测模块500用于将患者的真实数据输入训练后模型并进行风险预测，输出预测结果。
具体来说，在本实施例2的评估装置中，灰度值矩阵表示脑部图片中各个像素位置对应的灰度值。患者的脑部图片中各个像素所处的位置即为像素位置，每个像素位置都有灰度值，各个像素位置的灰度值根据像素位置的排列方式组成灰度值矩阵。通过预处理模块100对脑部图片对应的灰度值矩阵进行灰度值信息的分析，能够便于特征提取模块200对脑部图片进行图像特征提取，从而得到脑部图片对应的影像特征，这些影像特征能够清晰地表示患者大脑是否发生损伤、损伤范围和损伤程度。血液标志物检测值是通过对患者进行血液检测而得，尿液标志物检测值是通过对患者进行尿液检测而得，临床基础信息是对患者进行临床诊断而得，上述四项数据即可结合完成对患者的脑健康状态的诊断。在将影像特征、血液、尿液标志物检测值和临床基础信息输入诊断模型进行模型训练之前，需要由数据处理模块300对这三项数据进行归一化处理，能够消除不同数据之间量纲差异带来的复杂计算，形成统一的数据，即为待训练数据。不同患者的脑健康状态不相同，故不同患者的待训练数据也不同，相对于诊断模型中设置的各个结局变量来说，患者的待训练数据是自变量。结局变量包括患者总体认知是否受损、患者各认知域（包括记忆、注意力、语言、视空间）是否受损、患者痴呆类型、患者是否脑出血。通过模型训练模块400将自变量和结局变量进行结合对诊断模型进行训练，尽可能地减小通过风险预测模块500对患者的脑健康状态进行预测的预测值与患者的脑健康状态应有的真实值之间的误差，提高诊断模型的预测性能和泛化能力。诊断模型经过模型训练后变为训练后模型，其对于患者的脑健康状态的风险预测的准确度大大提高。最终通过风险预测模块500对患者的脑健康状态进行风险分数和风险预测评估结果的计算，展示并输出结果。
实施例3
本发明实施例3公开了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如实施例1公开的脑健康状态评估方法。
实施例4
本发明实施例4公开了一种计算机程序产品，计算机程序产品包括计算机程序，当其在计算机上运行时，使得计算机执行如实施例1公开的脑健康状态评估方法。
本发明所公开的脑健康状态评估方法及装置，能够提前预测痴呆类疾病的种类，准确评估患者的认知障碍水平及各认知域受损情况，准确预测患者是否存在脑出血的情况，可助于药物开发、早期筛查、临床诊断和疾病预后评估，降低相关检测成本，显著提高了痴呆类疾病鉴别诊断准确率，实现了无创精准诊断。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。
Claims (12)
1.一种脑健康状态评估方法，其特征在于，所述评估方法包括：
对多张脑部图片进行图像预处理，得到所述多张脑部图片对应的灰度值矩阵；所述灰度值矩阵表示所述脑部图片中各个像素位置对应的灰度值；
基于所述多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征；
将所述脑部图片对应的影像特征与获取的患者其他信息相结合进行数据归一化处理，得到待训练数据；
将所述待训练数据作为自变量输入诊断模型，结合所述诊断模型中设置的各个结局变量进行模型训练，得到训练后模型；
将患者的真实数据输入所述训练后模型并进行风险预测，输出预测结果。
2.根据权利要求1所述的评估方法，其特征在于，在所述基于所述多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征中，具体包括：
以脑部图片的图像中心为原点，根据所述灰度值矩阵中各个像素位置的灰度值的分布情况设置选取半径，确定选取范围；
分析所述选取范围内所述脑部图片的像素在所述灰度值矩阵中对应的灰度值，根据预设的截断值，选取大于所述截断值的灰度值对应的像素形成各个脑部图片的感兴趣区域；
基于所述各个脑部图片的灰度大小、所述感兴趣区域的区域坐标以及所述感兴趣区域在所述各个脑部图片中的分布规律，分别提取出各个脑部图片对应的面积特征、位置特征和数据分布特征，所述面积特征、所述位置特征和所述数据分布特征组成所述各个脑部图片的影像特征。
3.根据权利要求2所述的评估方法，其特征在于，所述脑部图片包括多个脑部区域，所述面积特征包括各个脑部区域的脑白质损伤面积、脑白质损伤总面积、大脑面积及所述脑白质损伤总面积占所述大脑面积的总面积百分比，所述面积特征根据所述多个脑部区域在所述脑部图片的大脑中的划分情况，通过计算所述各个脑部区域内感兴趣区域的区域面积来计算所述各个脑部区域的脑白质损伤面积。
4.根据权利要求2所述的评估方法，其特征在于，所述脑部图片具有至少一个脑白质损伤，所述位置特征包括根据所述脑白质损伤的四个极点相对于所述脑部图片的原点在所述脑部图片中的坐标点所记录的所述脑白质损伤的四个极点的位置信息。
5.根据权利要求2所述的评估方法，其特征在于，所述感兴趣区域具有灰度值信息，所述数据分布特征包括所述感兴趣区域的上四分位点、下四分位点和中位数的灰度值、平均损伤程度及杂色程度；所述上四分位点、下四分位点和中位数的灰度值采用统计学参数进行计算，所述平均损伤程度采用平均值进行计算，所述杂色程度采用标准差进行计算。
6.根据权利要求1所述的评估方法，其特征在于，所述患者其他信息包括血液标志物检测值、尿液标志物检测值、基因检测结果和临床基础信息等；所述数据归一化处理包括先对非正态分布的数据进行自然对数转换，再对全部数据采用归一化公式进行归一化计算，转化得到待训练数据。
7.根据权利要求1所述的评估方法，其特征在于，基于所述自变量和所述结局变量，通过决策树对所述诊断模型进行模型训练。
8.根据权利要求1所述的评估方法，其特征在于，在所述将患者的真实数据输入所述训练后模型并进行风险预测，输出预测结果中，具体包括：
通过输入所述训练后模型的方式获取患者的真实数据；
基于所述自变量分析所述真实数据，若有与所述自变量的样本特征对应变量数据则在所述训练后模型中填写对应的变量数据，若无与所述自变量的样本特征对应变量数据则在所述训练后模型中作为缺失值处理；
根据所述真实数据中各个变量数据对应的样本特征，所述变量数据的样本会在所述训练后模型的树中到达特定的叶子节点，每个叶子节点分别对应一个预测结果；
输出预测结果，展示所述真实数据经过所述训练后模型计算得出的风险分数和风险评估结果。
9.根据权利要求1所述的评估方法，其特征在于，在所述多张脑部图片进行图像预处理，得到所述多张脑部图片对应的灰度值矩阵中，具体包括：
接收患者的多张原始图像；
根据脑部状态的相关性，在所述多张原始图像中筛选出多张脑部图片；
将所述多张脑部图片输入评估装置；
矫正所述多张脑部图片像素达到统一水平；
将所述多张脑部图片的全部像素全部转化为RGB三个通道值；
对各个脑部图片的RGB三个通道值通过加权平均值算法转化成灰度值；
针对各个脑部图片，将灰度值对应各个像素填入对应的像素位置，形成各个脑部图片对应的灰度值矩阵。
10.一种脑健康状态的评估装置，其特征在于，所述评估装置包括互相连接的预处理模块、特征提取模块、数据处理模块、模型训练模块和风险预测模块；
所述预处理模块用于对多张脑部图片进行图像预处理，得到所述多张脑部图片对应的灰度值矩阵；所述灰度值矩阵表示所述脑部图片中各个像素位置对应的灰度值；
所述特征提取模块用于基于所述多张脑部图片对应的灰度值矩阵，对各个脑部图片进行图像特征提取，得到各个脑部图片对应的影像特征；
所述数据处理模块用于将所述脑部图片对应的影像特征与获取的患者其他信息相结合进行数据归一化处理，得到待训练数据；
所述模型训练模块用于将所述待训练数据作为自变量输入诊断模型，结合所述诊断模型中设置的各个结局变量进行模型训练，得到训练后模型；
所述风险预测模块用于将患者的真实数据输入所述训练后模型并进行风险预测，输出预测结果。
11.一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中存储有计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1至9任一项所述的脑健康状态评估方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1至9任一项所述的脑健康状态评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311543072.6A CN117275734A (zh) | 2023-11-20 | 2023-11-20 | 脑健康状态评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311543072.6A CN117275734A (zh) | 2023-11-20 | 2023-11-20 | 脑健康状态评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117275734A true CN117275734A (zh) | 2023-12-22 |
Family
ID=89202884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311543072.6A Pending CN117275734A (zh) | 2023-11-20 | 2023-11-20 | 脑健康状态评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275734A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830322A (zh) * | 2024-03-06 | 2024-04-05 | 慧创科仪(北京)科技有限公司 | 用于对近红外数据进行显著性差异分析的方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050283054A1 (en) * | 2004-06-18 | 2005-12-22 | Banner Health | Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging |
| CN114999656A (zh) * | 2022-07-27 | 2022-09-02 | 苏州药明泽康生物科技有限公司 | 一种阿尔兹海默病风险评估系统及模块 |
| CN116579975A (zh) * | 2023-03-08 | 2023-08-11 | 上海市东方医院（同济大学附属东方医院） | 一种卷积神经网络的脑龄预测方法及系统 |
-
2023
- 2023-11-20 CN CN202311543072.6A patent/CN117275734A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050283054A1 (en) * | 2004-06-18 | 2005-12-22 | Banner Health | Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging |
| CN114999656A (zh) * | 2022-07-27 | 2022-09-02 | 苏州药明泽康生物科技有限公司 | 一种阿尔兹海默病风险评估系统及模块 |
| CN116579975A (zh) * | 2023-03-08 | 2023-08-11 | 上海市东方医院（同济大学附属东方医院） | 一种卷积神经网络的脑龄预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张喜红: "基于BP神经网络脑部CT图像模式分类方法的研究", 伊犁师范学院学报(自然科学版), vol. 10, no. 2, pages 86 - 90 * |
| 王德才;: "基于深度学习的肺癌检测方法研究", 数字技术与应用, no. 01 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830322A (zh) * | 2024-03-06 | 2024-04-05 | 慧创科仪(北京)科技有限公司 | 用于对近红外数据进行显著性差异分析的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| JP2022507861A (ja) | 脳機能地図のサル－ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム | |
| Muramatsu et al. | Automated detection and classification of major retinal vessels for determination of diameter ratio of arteries and veins | |
| US20210391056A1 (en) | Health big data service method and system based on remote fundus screening | |
| JP2023169313A (ja) | 診断支援システムおよび方法 | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN117275734A (zh) | 脑健康状态评估方法及装置 | |
| CN104545792A (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
| Coyner et al. | Synthetic medical images for robust, privacy-preserving training of artificial intelligence: application to retinopathy of prematurity diagnosis | |
| CN110674773A (zh) | 一种痴呆症的识别系统、装置及存储介质 | |
| CN114999656B (zh) | 一种阿尔兹海默病风险评估系统及模块 | |
| CN115691794B (zh) | 一种神经诊断的辅助分析方法及系统 | |
| CN111383775A (zh) | 一种基于眼底筛查的会员用户匿名交流方法及存储设备 | |
| CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
| CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
| CN111435612B (zh) | 一种移动医疗个性化健康服务的方法和系统 | |
| CN116597950A (zh) | 一种医学图像分层方法 | |
| Çelebi et al. | Leveraging Deep Learning for Enhanced Detection of Alzheimer's Disease Through Morphometric Analysis of Brain Images. | |
| CN115810122A (zh) | 基于spect/ct检测甲状腺相关眼病活动性的深度学习方法 | |
| Haweel et al. | A review on autism spectrum disorder diagnosis using task-based functional mri | |
| CN113948180A (zh) | 实现精神疾病影像报告生成处理的方法、装置、处理器及其计算机可读存储介质 | |
| Nandakumar et al. | Detection of Diabetic Retinopathy from Retinal Images Using DenseNet Models. | |
| CN114612373A (zh) | 一种图像识别方法及服务器 | |
| CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
| CN114250288B (zh) | Dna甲基化特征和前脉冲抑制特征在精神分裂症诊断中的应用 |
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 |