基于胸片与EHR数据使用神经网络预测心力衰竭病人死亡率的方法

本发明涉及心力衰竭病人死亡率的预测领域，具体为一种基于胸片与ehr数据使用神经网络预测心力衰竭病人死亡率的方法。

背景技术：

1、心力衰竭简称心衰，是各种心脏结构或功能性疾病导致心室充盈和(或)射血功能受损，心排血量不能满足机体组织代谢需要，以肺循环和(或)体循环淤血，器官、组织血液不足为临床表现的一组综合征。心衰作为最重要也是最严重的心血管病之一，随着年龄增加，心衰患病率迅速增加，70岁以上人群患病率可上升至10％以上，4年死亡率达50％，严重者1年死亡率高达50％。因此，在面对心力衰竭时，就需要准确地预测死亡率，从而评估病情并及时恰当地予以治疗。

2、在过去几年中，机器学习方法的应用已经扩展到各个领域，在医疗领域也有非常多的应用。随着深度学习的推广，越来越多的医学领域研究人员尝试引入机器学习方法来帮助治疗某些疾病。例如，研究人员引入了几种深度学习方法来分析医学图像，证明了深度学习方法可以从杂乱的医学图像中学习更好的表示。此外，卷积神经网络(cnn)已被证明在医学图像分析和生物医学自然语言处理中有效。许多传统的机器学习技术已被应用于检测心力衰竭。所有这些研究都表明了将深度学习方法与医疗决策和医疗保健相关联的重要性。因此也可以尝试将深度学习方法与预测心力衰竭病人死亡率的领域进行结合。

技术实现思路

1、本发明为了解决将深度学习方法应用于预测心力衰竭病人死亡率的问题，提供了一种基于胸片与ehr数据使用神经网络预测心力衰竭病人死亡率的方法。

2、本发明是通过如下技术方案来实现的：一种基于胸片与ehr数据使用神经网络预测心力衰竭病人死亡率的方法：包括如下步骤：

3、s1：数据预处理，对胸片与ehr数据进行预处理，处理异常值与缺失值，具体为：

4、s1-1：采集ehr数据，包括患者人口统计学信息、实验室检测、并发症、用药、手术信息；

5、s1-2：当时间窗口内没有可用的测量值时，将变量设置为缺失；

6、s1-3：所有测量值均清除了可能由输入错误引起的生理学超限值；

7、s1-4：通过时间插值与多重插补处理缺失；

8、s2：采用cnn+lstm图像模型处理胸片数据，具体如下：

9、s2-1：输入由图像组成，每个图像512×512像素；每个图像都已处理，输入cnn架构；所述cnn架构由四个convnet层组成，包括l1到l4；在每个convnet层中，设有两个卷积子层具有整流线性单元(relu)激活；因此，conv1将单个图像作为输入并生成四个特征图；然后，每个conv1特征图由四个conv2滤波器进一步处理，以生成4×512×512特征图，采用一个批量标准化层标准化每个特征图组；对于批量标准化，设有两个可学习参数(β，γ)和两个不可学习的参数(μ，σ)，对应参数在运行时进行计算；因此，有4×4＝16个参数用于l1的批量归一化；然后将特征图通过应用于每个图像的max池层，以将每个图像的分辨率降低3倍；l2、l3和l4均采用类比于l1的连接，使每个图像的cnn输出为8个特征图；

10、s2-2：使用两个lstm层来处理cnn输出；来自每个图像的cnn输出形成时间序列输入到具有8个隐藏单元的lstm层；然后，对应lstm层的输出被输入到具有4个隐藏单元的另一个lstm层；最终输出是一个4维向量，通过一个完全连接的层处理为单个sigmoid激活；

11、

12、其中mv代表基于胸片预测的死亡率风险，σ为sigmoid激活函数，为权重，v为模型输出，bv为偏置项；

13、s3：利用线性回归模处理ehr数据并融合图像模型的输出值输出预测值，

14、线性回归(linear regression)在回归的各种标准工具中最简单而且最流行。它可以追溯到19世纪初。线性回归基于几个简单的假设：首先，假设自变量x和因变量y之间的关系是线性的，即y可以表示为x中元素的加权和，这里通常允许包含观测值的一些噪声；其次，我们假设任何噪声都比较正常，如噪声遵循正态分布。本发明的线性回归模型具体如下：

15、s3-1：首先定义所有变量，ehr临床因素列表由xs＝[x1，x2，…，xn]给出，考虑分别应用于每个标量因子的多项式变换；ps＝[p1(x1)，p2(x2)，…，pn(xn)，然后使用每个多项式贡献的加权和：

16、wstps＝(w1p1(x1)+w2p2(x2)+…+wnpn(xn))

17、使用sigmoid来建模死亡风险：

18、ms＝σ(wstps+bs)

19、其中ms代表基于ehr预测的死亡率风险，σ为sigmoid激活函数，bs为偏置项；

20、s3-2：对于胸片与ehr的多模态模型，使用sigmoid激活函数建模死亡率；

21、

22、msv为综合多模态数据建模的患者死亡率；

23、s4：使用数据集训练步骤s1～s3中的模型，最后用训练好的模型进行结果预测，输出预测死亡率。

24、上述过程综述为：通过将胸片与ehr数据进行预处理，处理异常值与缺失值；利用cnn+lstms图像模型处理胸片数据；利用线性回归模型处理ehr数据并融合图像模型的输出值输出预测值；使用数据集训练模型，最后用训练好的模型进行结果预测，输出预测死亡率。

25、与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于胸片与ehr数据使用神经网络预测心力衰竭病人死亡率的方法，将患者一次住院的时间序列胸片这一数据所隐含的病理信息、病情变化趋势信息纳入模型，极大地提高了患者的预后；且融合了胸片与结构化数据两种模态的信息，相比单一模态它提供了更全面的患者健康信息，从而提高了诊断的准确性和临床上的可解释性；构建了cnn+lstm的混合模型，可以更好地提取时间序列胸片所包含的重要特征。

技术特征：

1.一种基于胸片与ehr数据使用神经网络预测心力衰竭病人死亡率的方法，其特征在于：包括如下步骤：

技术总结
本发明公开了一种基于胸片与EHR数据使用神经网络预测心力衰竭病人死亡率的方法，涉及心力衰竭病人死亡率的预测领域。通过将胸片与EHR数据进行预处理，处理异常值与缺失值；利用CNN+LSTMS图像模型处理胸片数据；利用线性回归模型处理EHR数据并融合图像模型的输出值输出预测值；使用数据集训练模型，最后用训练好的模型进行结果预测，输出预测死亡率。本发明将患者的病理信息、病情变化趋势信息纳入模型，极大地提高了患者的预后；且融合了胸片与结构化数据两种模态的信息，相比单一模态它提供了更全面的患者健康信息，提高了诊断的准确性和临床上的可解释性；构建了CNN+LSTM的混合模型，可以更好地提取时间序列胸片所包含的重要特征。

技术研发人员：李灯熬,赵菊敏,邢文
受保护的技术使用者：太原理工大学
技术研发日：
技术公布日：2024/1/15