一种基于机器学习算法的新冠肺炎重症化预测方法及系统

1.本发明属于机器学习技术领域，具体涉及一种基于机器学习算法的新冠肺炎重症化预测方法及系统。


背景技术：

2.新冠肺炎在全球就行大传播，在全球造成了严重的生命财产损失，在新冠肺炎的检测与治疗中，为了降低死亡率，重症肺炎患者的预测具有重大意义。在对新冠肺炎进行治疗的过程中，ct影像在新冠肺炎的诊断中起着重要的作用，患者定时拍摄ct影像，观察病情的发展变化。
3.专利申请号为202010492779.9的中国发明公开了一种基于25(oh)d水平的新冠肺炎严重程度预测算法，其根据25(oh)d水平以及患者的基本信息和既往病史，得出阈值对其严重程度进行预测，该方法仅仅使用了部分临床医学指标，并没有综合所有的因素，最终的预测准确度并不一定可靠。
4.专利申请号为202010269407.x的中国发明公开了一种基于定量超声分析的评估方法，降低了医生进行超声的专业技术性要求，该方法仅使用了超声影像的b线变化对病情的严重程度进行评分，其实际辅助诊断效果有待验证。
5.因此，如何找到一种可以自动评估、预测新冠肺炎的严重程度的方法是目前亟待解决的问题。


技术实现要素：

6.本发明的目的在于提供一种基于机器学习算法的新冠肺炎重症化预测方法，克服了现有技术的不足，使用影像和结构化数据利用机器学习预测新冠肺炎的严重程度。
7.为解决上述问题，本发明所采取的技术方案如下：
8.一种基于机器学习算法的新冠肺炎重症化预测方法，包括如下步骤：
9.(1)对患者的肺部ct影像进行采集，对ct图像的格式进行筛选，输出正确的图像格式；
10.(2)对步骤(1)肺部ct影像，利用图像处理技术进行预处理，分割出肺部有效区域；
11.(3)构建retinanet卷积神经网络模型，将步骤(2)肺部有效区域输入到模型中，并对模型进行训练，对重症程度进行回归，输出p
ct
值；
12.(4)采集患者临床结构化数据，采用主成分分析对临床结构化数据进行降维；
13.(5)采用随机森林模型对上述已降维的临床结构化数据进行训练，得到训练后的随机森林模型；
14.(6)用步骤(5)训练后的随机森林的模型对待预测的患者结构化数据进行预测，输出重症化程度p
clinical
值；
15.(7)将p
ct
值和p
clinical
值通过带权值的调和平均f
β
值计算进行融合，得出患者最终的重症程度。
16.进一步，所述步骤(3)中所述retinanet卷积神经网络模型是由resnet分类网络作为主干网络、fpn算法和两个fcn子网络组成的统一目标检测网络；resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像；分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归；resnet分类网络的卷积过程用的是resnet，上采样和侧边连接还是fpn结构；后面连接分类子网和回归子网，分别进行分类和回归；
17.分类子网为：分类子网对a个锚点，每个锚点中的k个类别，都预测一个存在概率；对于fpn的每一层输出，对分类子网来说，加上四层3x3x256卷积的fcn网络，最后一层的卷积用3x3xka，最后一层维度变为ka表示；在retinanet中采用5层的卷积结构；
18.回归子网为：与分类子网并行，对每一层fpn输出接上一个位置回归子网，回归子网本质也是fcn网络；是4层256维卷积，最后一层是4a维度，即对每一个锚点，回归一个四维向量。
19.进一步，所述临床结构化数据包括患者的年龄、性别，感染时间，呼吸频率，指氧饱和度，动脉血氧分压与吸氧浓度的比值，是否嗜睡、惊厥，既往患病史，吸烟史，外周血淋巴细胞计数和凝血功能指标d
‑
二聚体。
20.进一步，所述步骤(5)进一步包括：
21.a、将步骤(4)中降维后的数据按照8:2的比例分为训练集和测试集；
22.b、载入训练集的特征和真实的患者重症程度值，采用随机森林进行回归分析，得到最佳的随机森林模型；
23.c、采用测试集对训练后的随机森林模型进行测试，评估随机森林模型的表现精度。
24.进一步，所述步骤(7)中f
β
计算的具体公式为：
[0025][0026]
本发明还保护了一种基于机器学习算法的新冠肺炎重症化预测系统，包括：
[0027]
影像数据预测模块，用于分割提取患者肺部ct影像中病灶区域影像，将病灶区域影像输入训练好的retinanet卷积神经网络模型，输出预测值p
ct
值；
[0028]
临床结构化数据预测模块，用于将采集的患者临床结构化数据进行主成分分析进行降维后，输入训练好的随机森林模型中，输出预测值p
clinical
值；
[0029]
算法融合模块，用于通过f
β
计算将p
ct
值和p
clinical
值进行融合计算；
[0030]
结果输出模块，用于输出融合计算的结果，得到患者最终的重症程度。
[0031]
本发明与现有技术相比较，具有以下有益效果：
[0032]
本发明所述一种基于机器学习算法的新冠肺炎重症化预测方法，通过采集患者的ct影像数据，临床结构化数据例如呼吸频率(rr),指氧饱和度，动脉血氧分压与吸氧浓度的比值等，针对这些指标，利用机器学习算法进行预测，输出转化为重症肺炎的概率，并对结果进行输出展示，有效地辅助医生对新冠肺炎患者的治疗方案作出预期。
附图说明
[0033]
图1为一种基于机器学习算法的新冠肺炎重症化预测方法的流程示意图。
[0034]
图2为一种基于机器学习算法的新冠肺炎重症化预测系统的内部结构框图。
具体实施方式
[0035]
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他实施例，都属于本发明保护的范围。
[0036]
如图1所示，本实施例公开了一种基于机器学习算法的新冠肺炎重症化预测方法，包括如下步骤：
[0037]
(1)对患者的肺部ct影像进行采集，对ct图像的格式进行筛选，输出正确的图像格式；
[0038]
(2)对步骤(1)肺部ct影像，利用图像处理技术进行预处理，分割出肺部有效区域；
[0039]
(3)构建retinanet卷积神经网络模型，将步骤(2)肺部有效区域输入到模型中，并对模型进行训练，对重症程度进行回归，输出p
ct
值；；
[0040]
retinanet卷积神经网络模型是由resnet分类网络作为主干网络、fpn算法和两个fcn子网络组成的统一目标检测网络；resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像；分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归；resnet分类网络的卷积过程用的是resnet，上采样和侧边连接还是fpn结构；后面连接分类子网和回归子网，分别进行分类和回归；
[0041]
分类子网为：分类子网对a个锚点，每个锚点中的k个类别，都预测一个存在概率；对于fpn的每一层输出，对分类子网来说，加上四层3x3x256卷积的fcn网络，最后一层的卷积用3x3xka，最后一层维度变为ka表示；在retinanet中采用5层的卷积结构；
[0042]
回归子网为：与分类子网并行，对每一层fpn输出接上一个位置回归子网，回归子网本质也是fcn网络；是4层256维卷积，最后一层是4a维度，即对每一个锚点，回归一个四维向量。
[0043]
(4)采集患者临床结构化数据，采用主成分分析对临床结构化数据进行降维；临床结构化数据包括患者的年龄、性别，感染时间，呼吸频率，指氧饱和度，动脉血氧分压与吸氧浓度的比值，是否嗜睡、惊厥，既往患病史，吸烟史，外周血淋巴细胞计数和凝血功能指标d
‑
二聚体。
[0044]
(5)采用随机森林模型对上述已降维的临床结构化数据进行训练，得到训练后的随机森林模型。
[0045]
具体的训练方法为：
[0046]
a、将步骤(4)中降维后的数据按照8:2的比例分为训练集和测试集；
[0047]
b、载入训练集的特征和真实的患者重症程度值，采用随机森林进行回归分析，得到最佳的随机森林模型；
[0048]
c、采用测试集对训练后的随机森林模型进行测试，评估随机森林模型的表现精度
[0049]
(6)用步骤(5)训练后的随机森林的模型对待预测的患者结构化数据进行预测，输出p
clinical
值；
[0050]
(7)将p
ct
值和p
clinical
值通过f
β
计算进行融合，得出患者最终的重症程度。
[0051]
步骤(7)中f
‑
score计算的具体公式为：
[0052][0053]
如图2所示，本实施例公开了一种基于机器学习算法的新冠肺炎重症化预测系统，包括：
[0054]
影像数据预测模块，用于分割提取患者肺部ct影像中病灶区域影像，将病灶区域影像输入训练好的retinanet卷积神经网络模型，输出预测值p
ct
值；
[0055]
临床结构化数据预测模块，用于将采集的患者临床结构化数据进行主成分分析进行降维后，输入训练好的随机森林模型中，输出预测值p
clinical
值；
[0056]
算法融合模块，用于通过f
β
计算将p
ct
值和p
clinical
值进行融合计算；
[0057]
结果输出模块，用于输出融合计算的结果，得到患者最终的重症程度。
[0058]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。