一种用于预测脑卒中患者发生血肿扩张事件的方法及系统与流程

本发明临床智能诊疗，具体为一种用于预测脑卒中患者发生血肿扩张事件的方法及系统。

背景技术：

1、出血性卒中，即非外伤性脑实质内血管破裂导致的脑出血，是一种急性脑血管疾病，其临床表现为起病急、进展快，常伴有严重的神经功能障碍。由于出血性卒中的病死率高，它给患者及其家庭带来了重大的健康和经济负担。在出血性卒中的发生后，血肿的扩张被认为是预后不良的重要因素之一。血肿范围的扩大可能导致颅内压增加，进而引发神经功能的进一步恶化，甚至可能危及生命。此外，血肿周围的水肿作为脑出血后继发性损伤的标志，对患者的神经功能损伤具有重要影响。

2、随着医学影像技术的进步，提供了无创动态监测出血性卒中后脑组织损伤和变化的有效手段。同时，人工智能技术在医疗领域的迅速发展，为处理和分析大量医疗数据提供了新的机遇。这使得综合利用影像学特征、患者临床信息及诊疗方案来精准预测出血性卒中患者的预后变得可行。

3、针对出血性卒中后血肿扩张和血肿周围水肿的发生及发展，本发明提出了一种基于数据驱动的方法来进行早期识别和预测，以改善患者的预后和提高生活质量。本发明通过对患者的临床信息、血肿及水肿的体积、位置、形状及灰度信息等数据进行预处理和分析，应用了xg-boost模型、shap值、多元线性回归以及极限学习机(elm)等方法，建立了一种血肿及水肿信息对患者发生血脉扩张影响的数学模型。该模型能有效地预测血肿扩张的风险，对于临床治疗决策和患者管理具有重要意义。此外，该模型结合了北方苍鹰优化算法(ngo)来提高预测准确率，进一步增强了模型的实用性和准确性。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：出血性卒中患者中血肿扩张和血肿周围水肿的早期识别和准确预测的问题。具体来说，技术问题包括如何有效地整合和分析患者的临床信息、血肿和水肿的体积、位置、形状及灰度信息等，以建立一个可靠的模型来预测出血性卒中后血肿的扩张风险。

3、为解决上述技术问题，本发明提供如下技术方案：一种用于预测脑卒中患者发生血肿扩张事件的方法，包括：收集患者数据信息，并进行数据预处理；

4、使用xg-boost模型计算不同类型数据的shap平均值和贡献度，提取出每一类型数据中贡献度最高的特征量；

5、进行多元线性回归分析，得到每一类型数据对血肿扩张的影响的权重，将所有特征量按照权重进行加权，得到一个经过shap平均值贡献度加权后的特征量；

6、使用极限学习机对血肿扩张概率进行预测；

7、使用北方苍鹰优化算法寻找预测值中血肿扩张事件发生的界限，验证预测的准确率。

8、作为本发明所述的用于预测脑卒中患者发生血肿扩张事件的方法的一种优选方案，其中：所述数据预处理包括，将患者首次检查的流水号对应的各类信息进行合并，计算患者发病到首次入院影像检查的时间间隔，将血压和性别进行编码处理，进行重新提取索引排序和归一化处理。

9、作为本发明所述的用于预测脑卒中患者发生血肿扩张事件的方法方法的一种优选方案，其中：所述xg-boost模型包括，

10、应用xg-boost模型对训练数据集进行训练，模型通过迭代地添加树，每次添加一个树来拟合上一轮预测的残差，具体过程遵循目标函数：

11、

12、其中，表示是损失函数的累加，其中n表示样本数量，表示单个样本的损失函数，用于衡量模型预测值与实际值yi之间的差异；表示正则化项的累加，k表示模型中树的数量；γ是一个参数，用于控制模型的复杂度，通过对叶节点数量t的惩罚来实现；表示叶节点权重的l2正则化项；λ是正则化强度参数，w表示树中各叶节点的权重。

13、在每一轮中更新模型的预测值，使用公式：

14、

15、其中，表示前一轮的预测值，ft(xi)表示本轮新加入模型的树对样本xi的预测值。

16、作为本发明所述的用于预测脑卒中患者发生血肿扩张事件的方法的一种优选方案，其中：所述计算不同类型数据的shap平均值和贡献度包括，

17、对于模型中的每个特征量xj,计算其shap值φj以反映特征量对模型预测结果的平均贡献，具体公式如下：

18、

19、其中，φj(νal)表示特征xj的shap值；表示考虑所有不包含特征xj的特征子集s，由模型中除了xj之外的所有其他特征构成；|s|表示特征子集s中的特征数量；p表示模型中总的特征数量；

20、其中，表示权重因子，用于平衡不同大小的特征子集在计算中的贡献，考虑了特征xj加入或不加入子集s时，对预测结果的影响；val(s∪{xj})-val(s)表示特征xj存在与否对模型预测结果的影响；val(s∪{xj})表示在包含特征xj的情况下，特征子集s的预测值；val(s)表示在不包含特征xj的情况下，特征子集s的预测值。

21、作为本发明所述的用于预测脑卒中患者发生血肿扩张事件的方法方法的一种优选方案，其中：所述多元线性回归分析包括，采用多元线性回归模型来分析提取出的最有影响力的特征量，并计算其对血肿扩张影响的权重，分析模型遵循形式：

22、y＝β0+β1x1+β2x2+...+βpxp+ε

23、其中，y表示因变量，x1,x2,...,xp表示自变量，β0,β1,β2,...,βp表示回归系数，β0表示截距，ε表示误差项。

24、作为本发明所述的用于预测脑卒中患者发生血肿扩张事件的方法方法的一种优选方案，其中：所述使用极限学习机对血肿扩张概率进行预测包括，计算公式为：

25、

26、其中，l表示隐藏单元的数量；n表示训练样本的数量；βi表示第i个隐藏层和输出之间的权重向量；w表示输入和输出之间的权重向量；g表示激活函数；b表示偏置向量；x表示输入向量；

27、使用elm前馈神经网络结构，将加权特征量作为输入，构建隐藏层输出矩阵h，设置目标输出矩阵t和隐藏层到输出层的权重矩阵β，具体形式为：

28、

29、其中，h表示隐藏层输出矩阵，大小为n×l，其中n是训练样本的数量，l是隐藏层单元的数量；g(wi·xj+bi)表示隐藏层的激活函数，对于每个隐藏单元i(i＝1,…,l)和每个训练样本j(j＝1,…,n)，其中wi是输入层到第i个隐藏单元的权重，bi是偏置项；β表示隐藏层到输出层的权重矩阵，大小为l×m，其中m是输出层的维度；t表示训练集的标签矩阵，大小为n×m；表示第j个训练样本的目标标签。

30、作为本发明所述的用于预测脑卒中患者发生血肿扩张事件的方法方法的一种优选方案，其中：所述使用北方苍鹰优化算法寻找预测值中血肿扩张事件发生的界限，验证预测的准确率包括，

31、初始化北方苍鹰种群x：

32、

33、其中，xi表示第i个建议的解决方案，xi,j表示第i种建议的解决方法指定的第j个变量的值，n表示种群成员的数量，m表示问题变量的数量；

34、在所述北方苍鹰优化算法的第一阶段，根据以下公式更新每个苍鹰的位置：

35、

36、

37、pi＝xk,i＝1,2,...,n,k＝1,2,...,i-1,i+1,...,n

38、其中，pi表示第i只北方苍鹰的猎物位置，表示其目标函数值，k表示区间[1,n]中的随机自然数，表示第i个提出的解的新状态，表示其第j维，表示其基于ngo第一阶段的目标函数值；r表示区间[0,1]中的随机数，i表示一个随机数；

39、在所述北方苍鹰优化算法的第二阶段，根据以下公式模拟猎物在被攻击后的逃逸行为，和苍鹰迅速的追赶动作：

40、

41、

42、

43、其中，t表示迭代计数器，t表示最大迭代次数，表示第i个提出的解决方案的新状态，表示其第j个维度，表示其基于ngo第二阶段的目标函数值。

44、一种用于预测脑卒中患者发生血肿扩张事件的系统，其特征在于：包括，

45、数据预处理模块：对患者的个人史、疾病史、发病相关、血肿的体积及位置、血肿的形状及灰度信息进行数据预处理；

46、shap值计算模块：使用xg-boost模型计算不同类型数据的shap平均值和贡献度，提取出每一类型数据中贡献度最高的特征量；

47、多元线性回归分析模块：进行多元线性回归分析，得到每一类型数据对血肿扩张的影响的权重，将所有特征量按照权重进行加权，得到一个经过shap平均值贡献度加权后的特征量；

48、极限学习机预测模块：使用极限学习机对血肿扩张概率进行预测；

49、北方苍鹰优化算法模块：使用北方苍鹰优化算法寻找预测值中血肿扩张事件发生的界限，验证预测的准确率。

50、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

51、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

52、本发明的有益效果：本发明能够精准分析和预测出血性卒中后血肿的扩张风险，这对于早期诊断和及时治疗至关重要。本发明提供的预测模型能够根据患者的具体情况进行个性化的风险评估，有助于制定更加精准的治疗方案。通过早期识别高风险患者并采取相应的干预措施，可以有效减少由于血肿扩张引起的严重并发症，从而降低长期的医疗成本。准确的风险预测和及时的治疗干预有助于减少脑组织的进一步损伤，从而改善患者的生存率和生活质量。