JP7843414B2 - 出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステム - Google Patents

出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステム

Info

Publication number
JP7843414B2
JP7843414B2 JP2025503466A JP2025503466A JP7843414B2 JP 7843414 B2 JP7843414 B2 JP 7843414B2 JP 2025503466 A JP2025503466 A JP 2025503466A JP 2025503466 A JP2025503466 A JP 2025503466A JP 7843414 B2 JP7843414 B2 JP 7843414B2
Authority
JP
Japan
Prior art keywords
edema
patient
data
treatment
curve
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2025503466A
Other languages
English (en)
Other versions
JP2026502318A (ja
Inventor
英 張
明偉 王
Original Assignee
貴州電網有限責任公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 貴州電網有限責任公司 filed Critical 貴州電網有限責任公司
Publication of JP2026502318A publication Critical patent/JP2026502318A/ja
Application granted granted Critical
Publication of JP7843414B2 publication Critical patent/JP7843414B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明は、臨床知能診療の技術分野に関し、具体的には、出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステムに関する。
出血性脳卒中は、非外傷性脳実質内の血管破裂によって引き起こされる重度の脳出血疾患であり、その急性発症及び急速な進行によって、高致命率及び重度の神経機能障害を引き起こすことが多い。この疾患は、患者自身に多大な健康リスクをもたらすだけでなく、社会及び家庭に経済的に大きな負担をもたらす。特に出血性脳卒中の後期には、血腫の拡張は、予後不良の重要な危険因子と見なされ、頭蓋内圧の増加を引き起こし、神経機能を悪化させ、さらには生命を脅かす可能性がある。
なお、血腫周辺の浮腫は、出血性脳卒中後の二次損傷の重要なマーカーとして、近年、ますます臨床的に注目されている。このような浮腫は、脳組織の圧迫を引き起こし、ニューロン機能に影響を与え、さらなる脳組織の損傷を引き起こし、神経機能障害を悪化させる可能性がある。したがって、血腫およびその周辺の浮腫の動的モニタリングおよび早期予測は、患者の生存率および生活の質を改善するために非常に重要である。
医療映像技術の継続的な進歩に伴い、出血性脳卒中後の脳への損傷の非侵襲的な動的モニタリングが可能になっている。また、人工知能技術の急速な発展は、医療分野のデータ処理及び分析に革命的な変化をもたらした。イメージング特徴、臨床情報及び治療計画などのマルチソースデータを統合することにより、出血性脳卒中後の患者の予後の正確な予測及び個別化された治療効果の評価を実現することができる。
本発明は、ガウスフィッティングアルゴリズム、深層学習クラスタリングアルゴリズム及び相関ルールアルゴリズムに基づく総合的な分析方法を提案した。当該方法は、出血性脳卒中後の患者の浮腫体積の変化傾向、及びこれらの変化と異なる治療手段との間の関連性を正確に予測し及び評価することを目的とする。ガウスフィッティングアルゴリズムにより、本発明は浮腫体積が時間に伴って変化する曲線を構築し、且つ実際の観測値とフィッティング曲線との間の残差を計算することができる。深層学習クラスタリングアルゴリズムを利用し、本発明はさらに異なる患者のサブグループを区別し、且つ各サブグループに対して専用の浮腫体積傾向分析を行う。最後に、関連規則アルゴリズムにより、本発明は浮腫の進行傾向との関連度が最も高い治療方法を識別することができ、臨床治療の決定に重要なサポートを提供する。
上述した存在する問題に鑑みて、本発明を提案した。
従って、本発明が解決しようとする技術的問題は、以下のとおりであり、出血性脳卒中後、血腫の拡張及び周辺の浮腫の進行を効果的にモニタリング及び予測し、且つ治療方法と患者の浮腫の体積変化傾向との間の関連性を正確に評価し、それにより、個別化された治療計画を作成する。
上記技術的問題を解決するために、本発明は、以下の技術案を提案した。出血性脳卒中後の浮腫分析及び治療計画の分析方法であって、
各患者の異なる時点での浮腫量データを収集し、前処理を行うことと、
ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算することと、
深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することと、
浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別することとを含む。
本発明に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法の好ましい形態として、前記前処理は、各患者の異なる時点での浮腫量データをクレンジングし、エラー及び異常値を修正し、欠落した浮腫量データに対して、平均値充填及び線形補間を行い、患者の検査時間及び発症時間に基づき、浮腫量データに対して時間合わせを行い、そして、浮腫量データに対して標準化処理を行うことを含む。
本発明に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法の好ましい形態として、前記ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングすることは、
前処理された浮腫量データを患者及び時点に基づきソートし、構造化されたデータセットを形成し、各行が患者ごとの特定の時点での浮腫体積を表すことと、
ガウス関数を選択する式が、以下の通りであり、
(1)
ただし、vが発症から検査までの時点を表し、a、b及びcがフィッティング後の、患者の浮腫の時間に対するガウス関数曲線のパラメータであり、aが曲線のピーク値を表し、bが曲線の平均値を表し、cが曲線の幅を表することと、
各患者のデータについて、最小二乗法を用いてガウスモデルのパラメータa、b及びcを推定し、且つ、勾配降下法により反復パラメータ最適化を行うことと、
各患者の時系列データにガウス関数を適用して、浮腫体積の経時的変化のフィッティング曲線を生成することとを含む。
本発明に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法の好ましい形態として、前記曲線と実際値との間の残差を計算することは、
残差をガウスフィッティング曲線の予測値と実際の観測値との間の差として定義し、計算式が以下の通りであり、
(2)
ただし、Riが時点iでのフィッティング残差を表し、Yiが時点iでの浮腫体積の実際値を表し、
がガウスフィッティング曲線の同じ時点での予測値を表すことと、
各患者の各時点での浮腫体積データについて、ガウスフィッティング曲線の対応する点との残差を計算することとを含む。
本発明に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法の好ましい形態として、前記深層学習クラスタリングアルゴリズムにより患者を複数のサブグループに分けることは、
異なる患者の個人情報特徴に対して、自己符号化器を用いて患者データに対して特徴抽出を行い、符号化の過程において、元の各種の特徴データxを符号化器によって低次元潜在変数hに変換し、計算式が以下の通りであり、
(3)
ただし、W1及びb1が、それぞれ符号化器の重み及びバイアスであり、σが活性化関数であり、mが特徴符号化器での特徴値であることと、
復号化の過程において、符号化の過程を経た後の潜在変数hが元のデータ次元に復号化され、再構成データ
を得、計算式が以下の通りであり、
(4)
ただし、W2が特徴復号化器の重みを表し、b2が特徴復号化器のバイアスを表すことと、
自己符号化器のパラメータが損失関数によって反復的に最適化され、損失関数が、元のデータxと再構成データ
との間の差を最小化するように定義され、その式が以下の通りであり、
(5)
ただし、Gが元の各患者の特徴情報データセットを表し、GRが符号化器によって再構成された元の各患者の特徴情報データセットを表すことと、
自己符号化器のトレーニングにより得られた低次元表現hをK-Meansクラスタリングに用い、予め設定されたクラスタの数kに基づき、アルゴリズムが患者をk個のクラスタに分け、各クラスタが、類似する特徴を有する患者で構成され、(C1,C2…Ck)に表され、最小化二乗誤差Eが、以下のように表され、
(6)
ただし、
がベクトルのノルムを表し、lが患者情報の低次元表現を表し、μiがクラスタCiの平均値ベクトルを表すこととを含む。
本発明に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法の好ましい形態として、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することは、
深層学習クラスタリングアルゴリズムによって分けられたそれぞれのサブグループ内の患者データに対してガウスフィッティングを行い、各サブグループのガウスフィッティング曲線に対して、サブグループ内の各患者の実際の浮腫量データとの残差をそれぞれ計算することを含む。
本発明に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法の好ましい形態として、前記相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析することは、
前処理されたデータセットから浮腫体積の変化量及び対応する治療計画情報を抽出することと、
項目セットX及びYを定義し、Xが特定の治療計画を表し、Yが特定の浮腫体積の変化傾向を表すことと、
支持度計算を行い、データの項目セットXの支持度Support(X)がDにおけるXを含むトランザクション数とDの総トランザクション数との比であり、式が以下のように示され、
(7)
ただし、Dが浮腫の進展状況を表し、xが選択された特定の治療計画を表し、count(x)が選択された特定の治療計画の数を表し、count(D)が、浮腫の進展傾向が抑制された数を表すことと、
相関ルールX=>Yの支持度が、項目セット
の支持度に等しく、式が以下のように示され、
(8)
ただし、Xが選択された特定の治療計画を表し、Yが別の選択された特定の治療計画を表し、
が選択された2つの治療計画の数を表すことと、
X=>Yの信頼度を計算し、以下の式を用い、
(9)
特定の治療計画を含む場合、別の治療計画が現れる可能性のルールを評価し、ただし、
が2つの治療方式がいずれも存在する支持度を表し、Support(x)が前者の治療方式がいずれも存在する支持度を表すことと、
Aprioriアルゴリズムを用いて頻出項目セット及び対応する相関ルールを反復的に生成し、生成された相関ルールから、最も高い支持度及び信頼度のルールを識別することとを含む。
出血性脳卒中後の浮腫分析及び治療計画の分析システムであって、
データ前処理モジュールと、ガウスフィッティングモジュールと、患者サブグループ分類モジュールと、治療計画関連分析モジュールとを備え、
前記データ前処理モジュールは、各患者の異なる時点での浮腫量データに対して、前処理を行い、
前記ガウスフィッティングモジュールは、ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算し、
前記患者サブグループ分類モジュールは、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算し、
前記治療計画関連分析モジュールは、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する。
コンピュータ装置であって、メモリ及びプロセッサを含み、前記メモリにコンピュータプログラムが記憶され、前記プロセッサが前記コンピュータプログラムを実行すると、上記方法のステップが実現される。
コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶され、
前記コンピュータプログラムがプロセッサによって実行させると、上記方法のステップが実現される。
本発明の有益な効果は、以下の通りであり、先進的なアルゴリズムを利用して出血性脳卒中後の浮腫の体積変化を正確に分析し、患者の予後の予測精度を向上させる。異なる患者のサブグループを詳細に分析することにより、本発明は、より個別化された治療方法をサポートし、治療効果の向上に役立つ。血腫及び浮腫の進行を早期に識別し及び正確に予測することにより、効果的な措置をタイムリーに取り、患者の予後及び生活の質を改善することに役立つ。
本発明の実施例の技術的解決手段をより明確に説明するために、以下、実施例の説明に必要な図面を簡単に説明し、明らかに、以下の説明における図面は、本発明のいくつかの実施例に過ぎず、当業者であれば、創造的な労力を要することなく、これらの図面に基づいて他の図面を得ることができる。ここで、
本発明の第1実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法の全体フローチャートである。 本発明の第1実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法の相関ルールAprioriアルゴリズムのフローチャートである。 本発明の第2実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法の患者全体の浮腫体積VS時間のフィッティング図である。 本発明の第2実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法のサブクラス0の患者の浮腫体積の経時的変化の曲線図である。 本発明の第2実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法のサブクラス1の患者の浮腫体積の経時的変化の曲線図である。 本発明の第2実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法のサブクラス2の患者の浮腫体積の経時的変化の曲線図である。 本発明の第2実施例が提供する出血性脳卒中後の浮腫分析及び治療計画の分析方法のサブクラス3の患者の浮腫体積の経時的変化の曲線図である。
本発明の上記目的、特徴及び利点をより明確で分かりやすくするために、以下では明細書の図面を参照しながら本発明の具体的な実施形態を詳細に説明し、明らかに説明された実施例は、本発明の一部の実施例であり、全ての実施例ではない。本発明における実施例に基づき、当業者が創造的な労力を要することなく取得した全ての他の実施例は、いずれも本発明の保護範囲に属するべきである。
実施例1
図1、2を参照し、それらは、本発明の一実施例であり、出血性脳卒中後の浮腫分析及び治療計画の分析方法が提供され、当該方法は、
S1において、各患者の異なる時点での浮腫量データに対して、前処理を行う。
各患者の異なる時点での浮腫量データをクレンジングし、エラー及び異常値を修正し、欠落した浮腫量データに対して、平均値充填及び線形補間を行い、患者の検査時間及び発症時間に基づき、浮腫量データに対して時間合わせを行い、そして浮腫量データに対して標準化処理を行う。
S2において、ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算する。
前処理された浮腫量データを患者及び時点に基づきソートし、構造化されたデータセットを形成し、各行は、患者ごとの特定の時点での浮腫体積を表す。
ガウス関数を選択する式は、以下の通りであり、
(1)
ただし、xは、発症から検査までの時点を表し、a、b及びcは、ガウス関数のパラメータであり、それぞれ曲線のピーク値、平均値及び記述曲線の幅を表す。
各患者のデータについて、最小二乗法を用いてガウスモデルのパラメータa、b及びcを推定し、
各患者の時系列データにガウス関数を適用して、浮腫体積の経時的変化のフィッティング曲線を生成する。
残差をガウスフィッティング曲線の予測値と実際の観測値との間の差として定義し、計算式は、以下の通りであり、
(2)
ただし、Riは、i個目のデータ点の残差を表し、Yiは、実際の観測値を表し、
は、ガウスフィッティング曲線の同じ時点での予測値を表す。
各患者の各時点での浮腫体積データについて、ガウスフィッティング曲線の対応する点との残差を計算する。
S3において、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対して、ガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算する。
自己符号化器を用いて患者データに対して特徴抽出を行い、符号化の過程において、元のデータxを符号化器によって低次元潜在変数hに変換し、計算式は、以下の通りであり、
(3)
ただし、W1及びb1は、それぞれ符号化器の重み及びバイアスであり、σは、活性化関数であり、
復号化の過程において、潜在変数hは、元のデータ次元に復号化され、再構成データ
を得、計算式は、以下の通りであり、
(4)
ただし、W2及びb2は、復号化器の重み及びバイアスであり、自己符号化器のパラメータを最適化して元のデータxと再構成データ
との間の差を最小化し、式は、以下の通りであり、
(5)
自己符号化器のトレーニングにより得られた低次元表現hをK-Meansクラスタリングに用い、予め設定されたクラスタの数kに基づき、アルゴリズムが患者をk個のクラスタに分け、各クラスタが類似する特徴を有する患者で構成され、(C1,C2…Ck)に表され、最小化二乗誤差Eは、以下のように表され、

(6)

ただし、μiは、クラスタciの平均値ベクトルであり、以下の式で表され、
(10)
深層学習クラスタリングアルゴリズムによって分けられたそれぞれのサブグループ内の患者データに対して、ガウスフィッティングを行い、各サブグループのガウスフィッティング曲線に対して、サブグループ内の各患者の実際の浮腫量データとの残差を計算する。
なお、深層学習クラスタリングアルゴリズム(Autoencoder K-Means Clustering)は、オートエンコーダの特徴学習及びK平均値のクラスタリング能力を合わせたものである。それは、まず、オートエンコーダを用いてデータをトレーニングし、低次元の符号化後の表現Hを取得する。次に、K-Meansアルゴリズムクラスタリングアルゴリズムを用いてHをK個のクラスタにクラスタリングし、オートエンコーダの特徴学習によってK平均値のクラスタリングの性能を改善する。
S4において、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する。
前処理されたデータセットから浮腫体積の変化量及び対応する治療計画情報を抽出し、項目セットX及びYを定義し、ただし、Xは、特定の治療計画を表し、Yは、特定の浮腫体積の変化傾向を表し、
支持度計算を行い、データ項目セットXの支持度Support(X)は、DにおけるXを含むトランザクション数とDの総トランザクション数との比であり、式は、以下のように示され、
(7)
ただし、Dは、浮腫の進展状況を表し、xは、選択された特定の治療計画を表し、count(x)は、選択された特定の治療計画の数を表し、count(D)は、浮腫の進展傾向が抑制された数であり、相関ルールX=>Yの支持度は、項目セット
の支持度に等しく、以下の式に示される通りであり、
(8)
ただし、Xは、選択された特定の治療計画を表し、Yは、別の選択された特定の治療計画を表し、
は、選択された2種の治療計画の数を表し、X=>Yの信頼度を計算し、以下の式を用い、
(9)
特定の治療計画を含む場合、別の治療計画が現れる可能性のルールを評価し、ただし、
は、2種の治療方式がいずれも存在する支持度を表し、Support(X)は、全社の治療方式がいずれも存在する支持度を表す。
Aprioriアルゴリズムを用いて頻出項目セット及び対応する相関ルールを反復的に生成し、生成された相関ルールから、最も高い支持度及び信頼度のルールを識別する。
なお、図2に示すように、Aprioriアルゴリズムは、反復方法である。利用k次頻出項目セットLkを利用して接続して(k+1)次候補セットCk+1を生成し、そして、プルーニング操作を行って(k+1)次頻出項目セットLk+1を得、データベースを複数回走査し、頻出項目セットを見つけることができなくなるまで上記操作を行う。頻出項目セットのマイニングが完了した後、1つのk次頻出項目セットLkに対して、2(2k-1)の意味のあるルール(前後の項目がブランクではない)を生成することができるが、それらは、いずれも条件を満たすものではない。LkのブランクではないサブセットSの信頼度が最小信頼度よりも大きい場合のみ、要件を満たす相関ルール「s→(1-s)」を生成する。
上記の実施例において、出血性脳卒中後の浮腫分析及び治療計画の分析システムをさらに含み、具体的には、
データ前処理モジュールは、各患者の異なる時点での浮腫量データに対して、前処理を行う。
ガウスフィッティングモジュールは、ガウスフィッティングアルゴリズムを用いて上記前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算する。
患者サブグループ分類モジュールは、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算する。
治療計画関連分析モジュールは、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する。
コンピュータ装置は、サーバであってもよい。当該コンピュータ装置は、プロセッサ、メモリ、入力/出力インターフェース(Input/Output、I/Oと略称する)及び通信インターフェースを含む。ここで、プロセッサ、メモリ及び入力/出力インターフェースは、システムバスを介して接続され、通信インターフェースは、入力/出力インターフェースを介してシステムバスに接続される。ここで、当該コンピュータ装置のプロセッサは、計算及び制御能力を提供するために用いられる。当該コンピュータ装置のメモリは、不揮発性記憶媒体及び内部メモリを含む。当該不揮発性記憶媒体にオペレーティングシステム、コンピュータプログラム及びデータベースが記憶されている。当該内部メモリは、不揮発性記憶媒体内のオペレーティングシステム及びコンピュータプログラムの実行のための環境を提供する。当該コンピュータ装置のデータベースは、電力監視システムのデータクラスタデータを記憶するために用いられる。当該コンピュータ装置の入力/出力インターフェースは、プロセッサと外部装置との間で情報をやり取りするために用いられる。当該コンピュータ装置の通信インターフェースは、外部の端末とネットワーク接続を介して通信するために用いられる。当該コンピュータプログラムは、プロセッサによって実行されると、出血性脳卒中後の浮腫分析及び治療計画の分析方法が実現される。
当業者であれば理解できるように、上記実施例の方法における全部又は一部のプロセスを実現することは、コンピュータプログラムによって関連するハードウェアを命令して完了することができ、上述したコンピュータプログラムは、不揮発性のコンピュータ可読記憶媒体に記憶することができ、当該コンピュータプログラムを実行する時、上記各方法の実施例のプロセスを含むことができる。ここで、本願が提供する各実施例で使用されるメモリ、データベース又は他の媒体への任意の参照は、いずれも不揮発性及び揮発性メモリのうちの少なくとも1種を含むことができる。不揮発性メモリは、読み出し専用メモリ(Read-Only Memory、ROM)、テープ、フロッピーディスク、フラッシュメモリ、光メモリ、高密度埋め込み型不揮発性メモリ、抵抗変化メモリ(ReRAM)、磁気抵抗メモリ(Magnetoresistive Random Access Memory、MRAM)、強誘電体メモリ(Ferroelectric Random Access Memory、FRAM{登録商標})、相変化メモリ(Phase Change Memory、PCM)、グラフェンメモリ等を含むことができる。揮発性メモリは、ランダムアクセスメモリ(Random Access Memory、RAM)又は外部キャッシュメモリ等を含むことができる。限定ではなく説明として、RAMは、様々な形式であってもよく、例えばスタティックランダムアクセスメモリ(Static Random Access Memory、SRAM)又はダイナミックランダムアクセスメモリ(Dynamic Random Access Memory、DRAM)等である。本願が提供する各実施例に係るデータベースは、リレーショナルデータベース及び非リレーショナルデータベースのうちの少なくとも1種を含むことができる。非リレーショナルデータベースは、ブロックチェーンに基づく分散データベース等を含むことができ、これに限定されるものではない。本願が提供する各実施例に係るプロセッサは、汎用プロセッサ、中央プロセッサ、グラフィックスプロセッサ、デジタル信号プロセッサ、プログラマブルロジックデバイス、量子計算に基づくデータ処理ロジックデバイス等であってもよく、これに限定されるものではない。
実施例2
図3~図7は、本発明の一実施例であり、出血性脳卒中後の浮腫分析及び治療計画の分析方法が提供され、本発明の有益な効果を検証するために、経済効果の計算及びシミュレーション/比較実験によって科学的な論証を行う。
図3は、本発明のガウス関数フィッティングによる患者全体の浮腫の経時的変化の曲線及び深層学習クラスタリングアルゴリズムにより100人の患者を4つのサブクラスに分けてそれぞれガウス関数フィッティングを行った曲線である。
実際の環境では、患者の発症から入院して最初に検査を受けるまでの時間には、ランダム性、独立性及びカウント可能性が存在する。患者の後続の検査回数、検査時間も、その統計データに強い独立性及びランダム性が存在することを示す。従って、大量の患者データに対して、その後続データにおける検査が0であるデータをクリアする。患者全体で合計で450個のデータがあり、ガウス(Gaussian Fitting Algorithm)関数によって曲線をフィッティングした結果は、以下の図3に示す通りである。
図3を参照することによる分析からわかるように、患者の浮腫体積が大きい時点の多くは、同時発生後のxx時間内に集中し、データは、時間の経過に伴って減少する傾向を示し、明らかなピークがあり、フィッティングされたデータ(曲線)から、顕著な正確性を有すると確定することができる。ガウス(Gaussian Fitting Algorithm)関数で曲線をフィッティングすることは、データの分布特徴及びフィッティング曲線の平滑度の優位性を良好に維持することを明らかに示す。実際値とフィッティング曲線の対応する時点との間の残差を計算することにより、残差に対応する時点のシリアル番号を見つけ、各患者の全てのシリアル番号に対応する残差値をマッチングする。そして、患者に対応する全てのシリアル番号の残差値に対して平均二乗誤差計算を行い、最終的に患者の実際値と患者全体の浮腫の経時的変化フィッティング曲線との間の残差値を得る。
同様に、患者の浮腫体積の経時的な進行パターンの個人差をさらに調べ求める際に、患者の個人の経歴、既往歴及び発症の関連情報を追加した。深層学習アルゴリズムにより、クラスタリングを行い、100人の患者を4つのサブクラス(サブクラス0、サブクラス1、サブクラス2、サブクラス3)にクラスタリングした。図4に示すように、ガウス(Gaussian Fitting Algorithm)関数によって、曲線をフィッティングした。
図4~図7からわかるように、異なるサブクラスの患者の浮腫体積は、発症後の1000時間内に、浮腫体積の変化が顕著であることに該当し、1000時間後に浮腫体積の変化が安定するようになる。各サブクラスの実際値とそのフィッティング曲線との間の残差を計算し、データを分析することにより、深層学習クラスタリングアルゴリズムに基づき得られた各サブクラスにおける各患者の実際のデータとガウス(Guess)関数によりフィッティングされた曲線との間の残差、及びフィッティングされた患者全体の浮腫体積の経時的変化の曲線との残差が顕著に低下したことがわかる。これからわかるように、深層学習クラスタリングアルゴリズムにより得られたサブクラス群は、さらにガウス(Guess)関数を用いてフィッティングされた曲線は、実際のデータの変化法則に合致し、実際の状況により近く、今後の再医療分野において患者の病状の変化の分析に重要な意味を有する。
なお、以上の実施例は、本発明の技術的解決手段を説明するためのものに過ぎず、限定するものではなく、好適な実施例を参照して本発明を詳細に説明したが、当業者であれば、本発明の技術的解決手段の精神及び範囲から逸脱することなく、本発明の技術的解決手段に対して修正又は同等置換を行うことができ、それらは、いずれも本発明の特許請求の範囲に含まれるべきであることを理解すべきである。

Claims (10)

  1. コンピュータによって実行される、出血性脳卒中後の浮腫分析及び治療計画の分析方法であって、
    各患者の異なる時点での浮腫量データを収集し、前処理を行うことと、
    ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算することと、
    深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することと、
    浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別することとを含む、ことを特徴とする出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  2. 前記前処理は、各患者の異なる時点での浮腫量データをクレンジングし、エラー及び異常値を修正し、欠落した浮腫量データに対して、平均値充填及び線形補間を行い、患者の検査時間及び発症時間に基づき、浮腫量データに対して時間合わせを行い、そして、浮腫量データに対して標準化処理を行うことを含む、ことを特徴とする請求項1に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  3. 前記ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングすることは、
    前処理された浮腫量データを患者及び時点に基づきソートし、構造化されたデータセットを形成し、各行が患者ごとの特定の時点での浮腫体積を表すことと、
    ガウス関数を選択する式が、以下の通りであり、
    ただし、vが発症から検査までの時点を表し、a、b及びcがフィッティング後の、患者の浮腫の時間に対するガウス関数曲線のパラメータであり、aが曲線のピーク値を表し、bが曲線の平均値を表し、cが曲線の幅を表することと、
    各患者のデータについて、最小二乗法を用いてガウスモデルのパラメータa、b及びcを推定し、且つ、勾配降下法により反復パラメータ最適化を行うことと、
    各患者の時系列データにガウス関数を適用して、浮腫体積の経時的変化のフィッティング曲線を生成することとを含む、ことを特徴とする請求項2に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  4. 前記曲線と実際値との間の残差を計算することは、
    残差をガウスフィッティング曲線の予測値と実際の観測値との間の差として定義し、計算式が以下の通りであり、
    ただし、Riが時点iでのフィッティング残差を表し、Yiが時点iでの浮腫体積の実際値を表し、
    がガウスフィッティング曲線の同じ時点での予測値を表すことと、
    各患者の各時点での浮腫体積データについて、ガウスフィッティング曲線の対応する点との残差を計算することとを含む、ことを特徴とする請求項3に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  5. 前記深層学習クラスタリングアルゴリズムにより患者を複数のサブグループに分けることは、
    異なる患者の個人情報特徴に対して、自己符号化器を用いて患者データに対して特徴抽出を行い、符号化の過程において、元の各種の特徴データxを符号化器によって低次元潜在変数hに変換し、計算式が以下の通りであり、
    ただし、W1及びb1が、それぞれ符号化器の重み及びバイアスであり、σが活性化関数であり、mが特徴符号化器での特徴値であることと、
    復号化の過程において、符号化の過程を経た後の潜在変数hが元のデータ次元に復号化され、再構成データ
    を得、計算式が以下の通りであり、
    ただし、W2が特徴復号化器の重みを表し、b2が特徴復号化器のバイアスを表すことと、
    自己符号化器のパラメータが損失関数によって反復的に最適化され、損失関数が、元のデータxと再構成データ
    との間の差を最小化するように定義され、その式が以下の通りであり、
    ただし、Gが元の各患者の特徴情報データセットを表し、GRが符号化器によって再構成された元の各患者の特徴情報データセットを表すことと、
    自己符号化器のトレーニングにより得られた低次元表現hをK-Meansクラスタリングに用い、予め設定されたクラスタの数kに基づき、アルゴリズムが患者をk個のクラスタに分け、各クラスタが、類似する特徴を有する患者で構成され、(C1,C2…Ck)に表され、最小化二乗誤差Eが、以下のように表され、
    ただし、
    がベクトルのノルムを表し、lが患者情報の低次元表現を表し、μiがクラスタCiの平均値ベクトルを表すこととを含む、ことを特徴とする請求項4に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  6. フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算することは、
    深層学習クラスタリングアルゴリズムによって分けられたそれぞれのサブグループ内の患者データに対してガウスフィッティングを行い、各サブグループのガウスフィッティング曲線に対して、サブグループ内の各患者の実際の浮腫量データとの残差をそれぞれ計算することを含む、ことを特徴とする請求項5に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  7. 前記相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析することは、
    前処理されたデータセットから浮腫体積の変化量及び対応する治療計画情報を抽出することと、
    項目セットX及びYを定義し、Xが特定の治療計画を表し、Yが特定の浮腫体積の変化傾向を表すことと、
    支持度計算を行い、データの項目セットXの支持度Support(X)がDにおけるXを含むトランザクション数とDの総トランザクション数との比であり、式が以下のように示され、
    ただし、Dが浮腫の進展状況を表し、xが選択された特定の治療計画を表し、count(x)が選択された特定の治療計画の数を表し、count(D)が、浮腫の進展傾向が抑制された数を表すことと、
    相関ルールX=>Yの支持度が、項目セット
    の支持度に等しく、式が以下のように示され、
    ただし、Xが選択された特定の治療計画を表し、Yが別の選択された特定の治療計画を表し、
    が選択された2種の治療計画の数を表すことと、
    X=>Yの信頼度を計算し、以下の式を用い、
    特定の治療計画を含む場合、別の治療計画が現れる可能性のルールを評価し、ただし、
    が2種の治療方式がいずれも存在する支持度を表し、Support(x)が前者の治療方式がいずれも存在する支持度を表すことと、
    Aprioriアルゴリズムを用いて頻出項目セット及び対応する相関ルールを反復的に生成し、生成された相関ルールから、最も高い支持度及び信頼度のルールを識別することとを含む、ことを特徴とする請求項6に記載の出血性脳卒中後の浮腫分析及び治療計画の分析方法。
  8. 請求項1に記載の方法を用いる出血性脳卒中後の浮腫分析及び治療計画の分析システムであって、
    データ前処理モジュールと、ガウスフィッティングモジュールと、患者サブグループ分類モジュールと、治療計画関連分析モジュールとを備え、
    前記データ前処理モジュールは、各患者の異なる時点での浮腫量データに対して、前処理を行い、
    前記ガウスフィッティングモジュールは、ガウスフィッティングアルゴリズムを用いて前処理後のデータをフィッティングし、患者全体の浮腫体積の経時的進展の曲線を構築し、前記曲線と実際値との間の残差を計算し、
    前記患者サブグループ分類モジュールは、深層学習クラスタリングアルゴリズムにより、患者を複数のサブグループに分け、各サブグループの患者の異なる時点での浮腫量に対してガウス関数フィッティングを行い、フィッティングされた各サブクラスの曲線と各サブクラスの実際値との間の残差を計算し、
    前記治療計画関連分析モジュールは、浮腫体積の変化量を計算し、変化傾向を特定し、対応する治療計画と組み合わせて、相関ルールアルゴリズムを用いて治療方法と浮腫の進展傾向との間の関連度を分析し、浮腫の進展傾向と関連度が最も高い治療計画を識別する、ことを特徴とする出血性脳卒中後の浮腫分析及び治療計画の分析システム。
  9. コンピュータ装置であって、
    メモリ及びプロセッサを含み、
    前記メモリにコンピュータプログラムが記憶され、
    前記プロセッサが前記コンピュータプログラムを実行すると、請求項1に記載の方法のステップが実現される、ことを特徴とするコンピュータ装置。
  10. コンピュータ可読記憶媒体であって、
    前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶され、
    前記コンピュータプログラムがプロセッサによって実行させると、請求項1に記載の方法のステップが実現される、ことを特徴とするコンピュータ可読記憶媒体。
JP2025503466A 2023-12-05 2024-07-15 出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステム Active JP7843414B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202311652126 2023-12-05
CN202311652126.2 2023-12-05
PCT/CN2024/105483 WO2025118607A1 (zh) 2023-12-05 2024-07-15 一种出血性脑卒中后水肿分析与治疗方案分析方法及系统

Publications (2)

Publication Number Publication Date
JP2026502318A JP2026502318A (ja) 2026-01-22
JP7843414B2 true JP7843414B2 (ja) 2026-04-09

Family

ID=95981184

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2025503466A Active JP7843414B2 (ja) 2023-12-05 2024-07-15 出血性脳卒中後の浮腫分析及び治療計画の分析方法及びシステム

Country Status (2)

Country Link
JP (1) JP7843414B2 (ja)
WO (1) WO2025118607A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210127529A (ko) 2020-04-14 2021-10-22 충북대학교 산학협력단 당뇨성황반부종 등급 분류 방법 및 이를 이용한 장치
JP2021532936A (ja) 2018-08-08 2021-12-02 ミネトロニクス ニューロ インコーポレイテッドMinnetronix Neuro, Inc. 中枢神経系に沿って治療するためのシステム、カテーテル、および方法
CN114520055A (zh) 2022-02-15 2022-05-20 苏州大学附属第一医院 一种患者脑出血预后的预测方法、装置、设备及产品
CN115578347A (zh) 2022-10-12 2023-01-06 河北医科大学第二医院 基于深度学习对lhi脑水肿的定量分析方法、系统及设备
US20230134886A1 (en) 2019-10-10 2023-05-04 University Of Kentucky Research Foundation A machine learning algorithm for predicting clinical outcomes and identifying drug targets in ischemic stroke
KR20230112355A (ko) 2022-01-20 2023-07-27 가톨릭대학교 산학협력단 머신 러닝 기반으로 뇌부종 발생을 예측하는 방법, 이를 위한 장치 및 프로그램
US20230355199A1 (en) 2022-05-04 2023-11-09 Washington University Systems and methods for evaluation and prediction of risk of malignant edema after stroke

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021532936A (ja) 2018-08-08 2021-12-02 ミネトロニクス ニューロ インコーポレイテッドMinnetronix Neuro, Inc. 中枢神経系に沿って治療するためのシステム、カテーテル、および方法
US20230134886A1 (en) 2019-10-10 2023-05-04 University Of Kentucky Research Foundation A machine learning algorithm for predicting clinical outcomes and identifying drug targets in ischemic stroke
KR20210127529A (ko) 2020-04-14 2021-10-22 충북대학교 산학협력단 당뇨성황반부종 등급 분류 방법 및 이를 이용한 장치
KR20230112355A (ko) 2022-01-20 2023-07-27 가톨릭대학교 산학협력단 머신 러닝 기반으로 뇌부종 발생을 예측하는 방법, 이를 위한 장치 및 프로그램
CN114520055A (zh) 2022-02-15 2022-05-20 苏州大学附属第一医院 一种患者脑出血预后的预测方法、装置、设备及产品
US20230355199A1 (en) 2022-05-04 2023-11-09 Washington University Systems and methods for evaluation and prediction of risk of malignant edema after stroke
CN115578347A (zh) 2022-10-12 2023-01-06 河北医科大学第二医院 基于深度学习对lhi脑水肿的定量分析方法、系统及设备

Also Published As

Publication number Publication date
JP2026502318A (ja) 2026-01-22
WO2025118607A1 (zh) 2025-06-12

Similar Documents

Publication Publication Date Title
CN118609743B (zh) 基于人工智能的医疗数据管理方法、系统及存储介质
TWI814154B (zh) 基於醫學影像的疾病預測方法
US11783950B2 (en) System and method for providing a medical data structure for a patient
US11887736B1 (en) Methods for evaluating clinical comparative efficacy using real-world health data and artificial intelligence
Zhou et al. Optimizing autoencoders for learning deep representations from health data
CN117079093B (zh) 一种基于多模态影像数据的异动症预测方法、装置及设备
Anaya-Isaza et al. CrossTransUnet: a new computationally inexpensive tumor segmentation model for brain MRI
CN120613110A (zh) 一种基于人工智能的辅助诊疗系统
CN119560155B (zh) 基于电子健康记录的临床预测方法、系统、设备及介质
KR20230068717A (ko) 입원 환자의 퇴원 예측을 위한 장치 및 방법
CN119887801A (zh) 结合脑窗和血窗图像的ich区域的分割方法、系统、设备
Sünkel et al. Hybrid quantum machine learning assisted classification of COVID-19 from computed tomography scans
CN118471484B (zh) 一种急诊重症患者分级分诊方法及系统
CN119361141A (zh) 慢性胃炎演化趋势的预测方法及装置
CN121236073B (zh) 一种用于增强阿尔茨海默症分类的深度学习系统
CN117153422A (zh) 基于深度学习和ChatGPT的脓毒症早期检测装置
Lakshmi et al. A leakyrelu based effective brain mri segmentation using u-net
Rahman et al. Prediction of diabetes induced complications using different machine learning algorithms
CN120781653A (zh) 一种细粒度事件级医疗时间序列分析方法、系统及存储介质
Florez et al. Augmentation techniques for sequential clinical data to improve deep learning prediction techniques
CN120072171B (zh) 一种临床护理监测信息录入方法、系统及设备
Tang et al. Biomarker change-point estimation with right censoring in longitudinal studies
KR102748088B1 (ko) 욕창 발생 예측 시스템
CN116385804B (zh) 一种基于深度学习的复合影像特征分类检测方法
JP2025097311A (ja) 診断時間ウィンドウを使用した構造化電子健康記録補完のためのシステム、方法、および装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20250122

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20260123

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20260209

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20260209

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20260209

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20260324

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20260330

R150 Certificate of patent or registration of utility model

Ref document number: 7843414

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150