一种缺血性脑卒中患者康复预测模型建立方法

本发明涉及预测模型建立，尤其涉及一种缺血性脑卒中患者康复预测模型建立方法。

背景技术：

1、缺血性脑卒中(脑梗)中有接近90％的患者的预后会存在不同的功能障碍，包括：运动功能障碍、感觉功能障碍、认知障碍、情绪障碍、言语和语言障碍、吞咽障碍、排泄障碍及心肺功能障碍，而这些功能障碍的恢复情况是影响患者预后日常生活活动能力(adl)的主要因素。

2、循证医学证实，脑卒中康复是降低致残率最有效的方法。适应、再生和神经重塑是卒中恢复的三个基本机制，康复治疗可以有效辅助患者对受损功能进行补偿、帮助神经细胞恢复功能、对神经系统连接和排布进行重塑，是减轻并发症的最有效手段，及时、科学、系统的康复治疗可以有效帮助卒中患者重塑或修复大脑神经功能，降低致残率，恢复患者自主生活能力，减轻家庭负担，提升预后生活品质等。神经系统的恢复遵循非线性的对数模式，一般发病一年内的康复训练都被认为是有意义的，但是前三个月为最佳康复时间，前六个月为有效康复时间，如果能准确预测三个月、六个月和一年后患者的康复状态有助于医生制定康复方案，增强患者信心，合理安排康复进度等。

3、临床上，一般使用美国国立卫生研究院卒中量表(nihss)、简易精神状态检查(mmse)、肌张力痉挛评定量表(ashworth)、fugl-meyer运动功能评定量表(fma)等多种量表来评估患者的功能受损情况、生活能力等，使用电子计算机断层扫描(ct)、结构磁共振成像(smri)、功能磁共振成像(fmri)、脑电图(eeg)、脑磁图(meg)和功能近红外谱成像(fnirs)等医学影像对患者的发病位置、严重程度等进行定性和定量分析，使用临床指标评估患者的身体状态、基础疾病等。为了实现缺血性脑卒中的精准康复预测，考虑采用不同时期的多种数据模态对整个康复进程进行预测。

技术实现思路

1、本发明就是针对现有技术存在的缺陷，提供一种缺血性脑卒中患者康复预测模型建立方法。其基于卒中患者的临床信息、检查评定、lis检验结果、结构磁共振成像(smri)和功能磁共振成像(fmri)等，分别提取不同的数据特征和影像特征，并采取多任务学习和相互学习的思想，以深度学习为手段预测缺血性脑卒中患者在发病后三个月、六个月以及一年后的adl恢复情况(用barthel量表得分作为评价金标准)。

2、为实现上述目的，本发明采用如下技术方案，包括：

3、s1、数据预处理。

4、其包括：数据特征提取、影像特征提取、深度特征提取。

5、s2、基于深度互相学习(dsml)的长期康复预测。

6、其包括：多模态特征融合、模型搭建、模型训练。

7、进一步地，所述数据预处理中，选择一定数量的缺血性脑卒中患者，每名患者均接受lis检查(血检、尿检等)、临床信息采集(年龄、性别、糖尿病病史、高血压病史等)、检查评定(nihss评分、mmse评分、ashworth评分、fugl-meyer评分、十米步行测试时间等)、smri影像(t1wi、flair)、fmri影像(dwi、dti、blood-fmri)、adl评估(barthel量表)。

8、其中，lis检查包括血检、尿检。

9、临床信息采集包括年龄、性别、糖尿病病史、高血压病史。

10、检查评定包括nihss评分、mmse评分、ashworth评分、fugl-meyer评分、十米步行测试时间。

11、进一步地，所述数据特征提取包括：对于lis检查数据，筛选出超过70％患者都进行的检查项目，缺失值选择中位数填充，并按照标准值的上限和下限进行数据标准化；对于患者的临床信息，进行独热编码，对于病史信息缺乏的按照无病史进行处理；对于检查评定中的各种量表得分，按照0-满分进行归一化，十米步行测试按照最大最小值进行归一化操作；并对连续变量(如年龄、lis检验、量表得分等)进行曼-惠特尼秩和检验(mannwhitney u检验)，其中，连续变量包括年龄、lis检验、量表得分，对离散特征(病史等)采用卡方检验进行特征筛选，其中，离散特征包括病史。

12、进一步地，所述影像特征提取包括：

13、对于smri影像，进行空间归一化、配准和偏置场校正，对齐影像的空间位置，对于fmri影像，分别进行时间层校正、头动校正、配准、平滑、去线性偏移和带通滤波，去除干扰。

14、采用spm12中的计算解剖学工具包(cat)对t1wi、flair序列进行处理，得到颅内总容积(tiv)、灰质体积(gm)、白质体积(wm)、脑容量(csf)、白质高信号区体积(wmh)。

15、对于fmri影像中的dwi序列，对dwi图像按弥散敏感系数b(简称b值)进行拆分，分别提取b＝0和b＝1500的影像，并根据b0图像和b1500图像计算梗死区域体积、缺血半暗带体积。

16、对于dti序列，利用3d-slicer软件计算dti序列中梗塞灶中梗死核心、半暗带以及健侧对应区的平均各向异性分数(fa)和平均弥散率(md)。

17、对于blood-fmri序列，利用静息态fmri数据分析工具包(rest1.8)工具包，选择blood-fmri序列中与运动、平衡、感觉、语言、认知功能具有相关性的(即相关性较强的)双侧中央前回、中央后回、额上回、颞下回、小脑、丘脑、壳核以及尾状核，分别计算这些解剖结构的局部一致性(reho)、低频波动振幅(alff)、低频振荡分数(falff)。

18、进一步地，所述深度特征提取包括：对于smri影像，将t1wi、flair序列进行配准；对于dwi序列，按照b＝0和b＝1500进行拆分；对于dti序列，利用3d-slicer生成全脑的fa图和md图；对于blood-fmri序列，考虑大脑初级运动皮层(m1区)是大脑中负责直接控制躯体运动的系统，利用resting state fmridata analysis toolkit(rest1.8)工具包，选择双侧的m1区作为种子点，计算双侧m1区与全脑的功能连接(fc)图；将得到的t1wi图像、flair图像、b0图像、b1500图像、fa图像、md图像、左侧fc图像和右侧fa图像这9个序列重采样到相同的spacing，保证所有图像的空间一致性，并进行标准化处理，按照维度进行concatenate拼接，并采用3d-inception_v3提取影像的深度特征。

19、进一步地，所述多模态特征融合包括：利用数据预处理步骤得到的数据特征、影像特征和深度特征，搭建长期康复预测模型，分别预测康复治疗三个月、六个月和一年后患者的barthel得分(adl)。

20、建立基于multi-head attention的特征融合模块，对于每一个模态的特征向量，qkv三个矩阵只有q送入了自己模态的attention层，而k和v矩阵分别送入另两个模态的attention层，也就是在不同模态的特征之间做了一个信息的交互，在交互之后，各自走自己独立的transformer结构，并将各自的输出进行拼接，得到结合了多模态信息的融合特征。

21、进一步地，所述模型搭建包括：建立深度相互学习模型来预测患者的长期康复情况；分别选择convnext这一基于卷积神经网络的模型和swin-t这一基于transformer的模型作为相互学习的两个基准模型，两个模型同时训练。

22、每个网络在训练过程中拥有两个损失函数，一个是监督损失函数，另一个是利用kl散度计算的与同伴网络预测概率之间的交互损失函数。

23、进一步地，所述模型训练包括将544例患者随机分成训练集和测试集(444:100)，模型的初始学习率设置为0.003，并制定学习律衰减策略，两个模型连续10个epoch的loss值没有变化时，学习率变为之前的0.1倍，每个epoch训练结束保存最佳模型和最新模型，convnext模型采用sdg优化器，swin-t模型采用adamw优化器，二者训练的epochs同为200。

24、与现有技术相比本发明有益效果。

25、本发明基于adl的长期康复预测，以barthel作为最终结局的评价指标，barthel是一个满分为100分的用于评估患者预后生活自理能力的量表，本发明基于多模态数据，采取深度同步学习策略对barthel评分进行回归预测，选择r2分数作为模型性能的评估。在测试集上，采用深度同步学习策略时，convnext网络在三个月、六个月、一年后预测的r2分数分别为0.9137、0.8616、0.8838，swin-t在三个月、六个月、一年后预测的r2分数分别为0.7713、0.7892、0.8028；同时，本发明做了对照实验，验证本发明方法的有效性，在不使用深度同步学习策略时，convnext网络不同时期预测的r2分数分别为0.8813、0.8608、0.8627，swin-t的不同时期预测的r2分数分别为：0.7543、0.7717、0.7948。