基于多模型的结节性硬化症引发癫痫的治疗效果预测方法与流程

本申请实施例涉及药物治疗效果检测与评价，特别涉及一种基于多模型的结节性硬化症引发癫痫的治疗效果预测方法。

背景技术：

1、结节性硬化症是由tsc1或tsc2基因突变引起的常染色体显性遗传疾病，且与心脏、大脑、皮肤、肾脏、肝脏和肺在内的多个器官的错构瘤形成有关。80％至90％的结节性硬化症患者会有癫痫发作，且几乎三分之二的患者是在出生后第一年内首次发作。癫痫是结节性硬化症的许多症状表现中最影响生活质量的症状之一，由大脑中某些皮质结节引起。癫痫的主要治疗方法是抗癫痫药。然而，60％的癫痫患者是耐药的，并且死亡风险更高。一段时间内服用抗癫痫药物无效，才会被诊断为耐药，而这一过程需要较长时间。因此，尽早识别出对药物治疗无效的患者非常重要。

2、现有的对癫痫患者的耐药性预测方法多用到机器学习方法，机器学习方法可大致分为有监督学习、无监督学习、强化学习三类。其中有监督学习基于已有的多个输入-输出数据对，学习从输入到输出的一个映射。一个输入-输出对可表示为二元组(x,y)，称为一个训练样例，其中x为输入，y为输出。多个训练样例组成训练集。有监督学习方法通过训练集，推导出一个函数f：x→y。这个函数也可以输入训练集中没有的x′。假设输入x′对应的正确输出为y′。在最理想情况下，输入x′到函数f后得到的与正确标签相等，即

3、现有的对癫痫患者的耐药性预测方法，从1376756位患者数据中筛选出292892位达到入组条件的癫痫数据，按60％、20％、20％的比例划分为训练集、验证集、测试集。使用三种学习方法：多变量逻辑回归、线性支持向量机、随机森林，来预测患者耐药性，通过计算接收机工作特性曲线下面积的打分机制选出其中最好模型对结节性硬化症引发的癫痫进行预测。其选出的最好模型是随机森林，其接收机工作特性曲线的曲线下面积达到0.764，95％置信区间(0.759,0.770)。此处，使用到的特征为人口统计信息、合并症、保险单、治疗信息，并无针对与结节性硬化症的特征。该方法使用的癫痫患者数据包括了所有癫痫，没有针对由结节性硬化症引发的癫痫。

技术实现思路

1、本申请实施例提供一种基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，针对于儿童结节性硬化症引发的癫痫和样本量小的特性，提取数据中的相关特征，进行基于多模型融合机制的机器学习任务，对结节性硬化症引发的癫痫具有针对性，且预测效果较好。

2、为解决上述技术问题，本申请实施例提供一种基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，包括以下步骤：获取训练集、测试集，并分别在训练集、测试集中提取特征变量；基于特征变量，分别在训练集、测试集中提取目标变量；基于目标变量，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集；基于目标变量以及已选择的特征，在经过特征选择的训练集上分别训练多种学习模型，并对学习模型的参数进行调整，得到多个训练后的学习模型；分别将测试集的特征集合输入多个训练后的学习模型中进行模型训练，得到多个预测结果；预测结果与学习模型一一对应；测试集的特征集合基于已选择的特征集合获取；对多个预测结果进行融合，得到最终预测结局。

3、在一些示例性实施例中，在提取目标变量之前，还包括：分别对训练集、测试集中的特征变量进行预处理，得到预处理后的训练集、预处理后的测试集；基于特征变量，分别在预处理后的训练集、预处理后的测试集中提取目标变量。

4、在一些示例性实施例中，分别对训练集、测试集中的特征变量进行预处理，包括：分别对训练集、测试集中的特征变量进行变量量化处理；或分别对训练集、测试集中的特征变量进行归一化处理。

5、在一些示例性实施例中，训练集、测试集中的特征变量包括：二值类别特征、多类别特征以及连续值特征；分别对训练集、测试集中的特征变量进行预处理，包括：对于二值类别特征，分别用0、1表示二值类别特征中的否、是；对于多类别特征，将多类别特征拆分为多个二值类别特征，分别用0、1表示二值类别特征中的否、是；对于连续值特征，按公式(1)进行归一化处理：

6、

7、其中，：＝为赋值符号，max表示所有患者中连续值特征的最大值，min表示所有患者中连续值特征的最小值。

8、在一些示例性实施例中，特征变量包括：结节性硬化症患者的皮质结节病灶信息、症状信息、tsc1和tsc2基因检测信息。

9、在一些示例性实施例中，基于目标变量，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集，包括：采用方差分析f值检验的方法，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集。

10、在一些示例性实施例中，采用方差分析的方法，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集，包括：计算其余特征的方差分析f值，保留f值最大的前k个特征，并记录下所选择的特征集合；所选择的特征集合为已选择的特征集合；所述其余特征为在预处理后的训练集中除去所述目标变量，剩余的其余特征变量。

11、在一些示例性实施例中，在经过特征选择的训练集上分别训练三种学习模型；三种学习模型分别为：多层感知机、朴素贝叶斯、支持向量机。

12、在一些示例性实施例中，对多个预测结果进行融合，得到最终预测结局，包括：使用投票机制对多个预测结果进行融合，将投票最多的结局作为最终预测结局。

13、在一些示例性实施例中，目标变量为癫痫治疗转归结局；癫痫治疗转归结局包括控制结局和未控制结局。

14、本申请实施例提供的技术方案至少具有以下优点：

15、本申请实施例提供一种基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，该方法包括以下步骤：获取训练集、测试集，并分别在训练集、测试集中提取特征变量；基于特征变量，分别在训练集、测试集中提取目标变量；基于目标变量，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集；基于目标变量以及已选择的特征，在经过特征选择的训练集上分别训练多种学习模型，并对学习模型的参数进行调整，得到多个训练后的学习模型；分别将测试集的特征集合输入多个训练后的学习模型中进行模型训练，得到多个预测结果；预测结果与学习模型一一对应；测试集的特征集合基于已选择的特征集合获取；对多个预测结果进行融合，得到最终预测结局。

16、本申请提出一种全新的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，通过提取针对结节性硬化症患者独有的特征变量，并使用了基于多模型融合机制的多层感知机机器学习模型，进行癫痫治疗结局的预测。相比现有的预测普通癫痫耐药性的方法，本申请提供的方法，对于结节性硬化症引发的癫痫的预测用药结局，针对性更强，预测效果更好。

技术特征：

1.一种基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，在提取目标变量之前，还包括：

3.根据权利要求2所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，分别对所述训练集、所述测试集中的特征变量进行预处理，包括：

4.根据权利要求3所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，所述训练集、所述测试集中的特征变量包括：二值类别特征、多类别特征以及连续值特征；

5.根据权利要求1所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，所述特征变量包括：结节性硬化症患者的皮质结节病灶信息、症状信息、tsc1和tsc2基因检测信息。

6.根据权利要求1所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，基于所述目标变量，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集，包括：

7.根据权利要求6所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，采用方差分析的方法，对预处理后的训练集进行特征选择，得到已选择的特征集合以及经过特征选择的训练集，包括：

8.根据权利要求1所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，在所述经过特征选择的训练集上分别训练三种学习模型；

9.根据权利要求1所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，对多个预测结果进行融合，得到最终预测结局，包括：

10.根据权利要求1所述的基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，其特征在于，所述目标变量为癫痫治疗转归结局；

技术总结
本申请实施例涉及药物治疗效果检测与评价技术领域，特别涉及一种基于多模型的结节性硬化症引发癫痫的治疗效果预测方法，该方法包括：在训练集、测试集中提取特征变量；基于特征变量，分别在训练集、测试集中提取目标变量；基于目标变量，对预处理后的训练集进行特征选择；基于目标变量以及已选择的特征，分别训练多种学习模型；分别将测试集的特征集合输入多个训练后的学习模型中进行模型训练，得到多个预测结果；对多个预测结果进行融合，得到最终预测结局。本申请提供的方法，针对于儿童结节性硬化症引发的癫痫的特性，提取数据中的特征变量，进行基于多模型融合机制的机器学习任务，对结节性硬化症引发的癫痫具有针对性，且预测效果较好。

技术研发人员：胡湛棋,林荣波,孔令宇,王海峰,杨俊,赵彩蕾,赵霞,袁碧霞,蒋典,廖建湘
受保护的技术使用者：深圳市儿童医院
技术研发日：
技术公布日：2024/1/14