一种食管胃底静脉曲张出血风险的预测方法及装置

本技术涉及神经网络，具体涉及一种食管胃底静脉曲张出血风险的预测方法及装置。

背景技术：

1、食管静脉曲张主要是由局部的静脉组织回流受阻而引起。在临床中，最常见的类型是下段食管静脉曲张，主要是因为门静脉高压而形成，病变向上蔓延又称上行性食管静脉曲张。另由纵隔及颈部疾病压迫上腔静脉及上段食管静脉使回流受阻，病变逐渐向下蔓延，称下行性食管静脉曲张。需要注意的是，食管静脉曲张容易引起出血，一旦出血的话就会非常的危险，静脉压力如果进一步加大，加上进食时食物的摩擦就会出现静脉壁破裂出血。轻则可能会出现头晕，比较严重的有可能会出现吐血，休克甚至死亡。

2、现有技术中，确定食管静脉曲张出血风险的方法一般通过对患者的临床数据进行评估与分析，主要包括以下几种方式：

3、第一种是进行胃镜检查，由医师根据检查结果识别并判断静脉曲张是否存在出血风险，然而胃镜检查是侵入性操作，不仅患者耐受性差，还有引起贲门撕裂、食管胃穿孔、出血等并发症风险，其侵入性操作本身就存在增加患者痛苦指数，诱发静脉曲张破裂出血的风险。在接受反复多次胃镜监测的患者中，绝大多数情况下患者并未进展至重度静脉曲等出血高风险阶段，他们并未从中获益，却要忍受反复多次胃镜监测的痛苦，承担额外的检查风险及医疗费用支出。

4、第二种是胃镜检查的替代手段，医师参考检查结果以判断患者是否需要进一步进行胃镜检查。例如以肝静脉压力梯度(hvpg)检测的方法预测食管胃底静脉曲张破裂出血的风险，然而hvpg检测是一个有创的介入操作，价格昂贵，还需要配备专业人员及设备才能开展，其结果的稳定性易受体位、呼吸、麻醉药物和肝内分流等多种因素的干扰。此外还有众多学者提出无创的方法，基于血清标志物构建食管胃底静脉曲张破裂出血的预测模型，如fib-4(fibrosis index based on four factors，肝纤维化指数)、lok评分、apri(aspartate aminotransferase to platelet count ratio index，谷草转氨酶与血小板计数比值指数)、aar(aspartate aminotransferase to alanineaminotransferaseratio，谷草转氨酶与谷丙转氨酶比值)、vitro评分(von willebrandfactor antigen/platelet ratio，血管性血友病因子抗原水平与血小板计数比值)等等。

5、虽然上述现有技术中存在替代胃镜检查的检查手段，部分为有创检查，部分是无创检查，然而其检查费用并不低于胃镜检查，且现有替代胃镜检查的检查手段的检查结果并无法给医师提供直观、有效的参考指标，不能满足临床需求。

技术实现思路

1、本技术旨在解决现有确定食管静脉曲张出血风险的方法存在患者痛苦、准确性差以及成本高的问题，提出一种食管胃底静脉曲张出血风险的预测方法及装置。

2、本技术解决上述技术问题所采用的技术方案是：

3、第一方面，本技术提供一种食管胃底静脉曲张出血风险的预测方法，所述方法包括：

4、收集与食管静脉曲张出血风险相关的医学数据，所述医学数据包括多个患者的患者信息、血管结构数据、组织特征数据及其对应的食管胃底的静脉曲张出血情况；

5、根据所述血管结构数据为每个患者构建图结构，所述图结构中，食管、胃、肝、脾、各个静脉和静脉曲张位置以及患者信息分别为一个节点，食管、胃、肝、脾、各个静脉和静脉曲张位置之间的连接关系为节点的边，患者信息对应的节点分别与其它节点连接；

6、对于各患者对应的图结构，根据组织特征数据在除患者信息对应的节点外的其它节点上设置对应的节点特征，并根据食管胃底的静脉曲张出血情况在对应节点上设置特征标签，所述特征标签为高风险标签或低风险标签；

7、根据设置完成的图结构训练图神经网络模型，并基于所述图神经网络模型预测待测患者食管胃底的静脉曲张出血风险。

8、进一步地，所述静脉包括食管上静脉、食管中静脉、食管下静脉、左胃静脉、右胃静脉、胃短静脉、胃小弯静脉、胃大弯静脉、门静脉、中央静脉、肝小静脉、脾窦静脉、小脾静脉、主脾静脉、脾门静脉、颈内静脉、颈外静脉、锁骨下静脉、颈锁静脉和心脏静脉。

9、进一步地，所述图神经网络模型的训练方法包括：

10、将各患者对应的图结构划分为训练集和测试集，并将所述训练集中图结构的顺序打乱；

11、重复多次从打乱顺序的训练集中随机采样预设数量的图结构，并根据每次采样获得的图结构训练图神经网络模型，直至交叉熵损失值收敛；

12、使用测试集中的图结构验证训练完成的图神经网络模型的预测准确性是否符合要求，若是，则训练结束，否则，重新训练或者对图神经网络模型进行调整后重新训练。

13、进一步地，根据每次采样获得的图结构训练图神经网络模型，具体包括：

14、图神经网络模型在每个采样的图结构中为每个中心节点随机选择一定数量的邻居节点作为目标邻居节点；

15、对于每个中心节点，将其对应的目标邻居节点的节点特征进行聚合，并将聚合后的特征与中心节点的节点特征进行拼接，获得每个中心节点的最终节点特征并对相应的节点表示进行更新；

16、确定交叉熵损失函数，根据交叉熵损失函数计算交叉熵损失值，并通过反向传播更新所述图神经网络模型的可学习参数；

17、若交叉熵损失值未收敛，则根据预设次数重复上述步骤进行多层邻居节点的特征聚合和拼接，若交叉熵损失值收敛，则训练结束。

18、进一步地，目标邻居节点的节点特征的聚合过程以及聚合后的特征与中心节点的节点特征的拼接过程表示如下：

19、

20、其中，表示节点v在第(l+1)层的节点特征，σ表示激活函数，wl表示权重矩阵，concat表示拼接函数，表示节点v在第l层的节点特征，agg表示聚合函数，表示目标邻居节点u的节点特征，n(v)表示节点v的目标邻居节点集合。

21、进一步地，所述交叉熵损失函数的表达式如下：

22、h(y，p)＝-(ylog(p)+(1-y)log(1-p))；

23、其中，y表示真实特征标签，p表示图神经网络模型输出的概率，h(y，p)表示交叉熵损失值。

24、进一步地，使用测试集中的图结构验证训练完成的图神经网络模型的预测准确性是否符合要求，具体包括：

25、基于训练完成的图神经网络模型预测测试集中所有图结构对应患者静脉曲张出位置对应节点的特征标签的概率，根据所述概率判断是否发生静脉曲张出血，是则判定为正例，否则判定为负例；

26、确定对应患者是否真实发生静脉曲张出血，是则判定为正例，否则判定为负例；

27、根据预测的静脉曲张出血情况和真实的静脉曲张出血情况计算图神经网络模型的假阳性率和真阳性率，若所述假阳性率小于第一预设值并且所述真阳性率大于第二预设值，则判定图神经网络模型的预测准确性符合要求。

28、进一步地，所述假阳性率的计算公式如下：

29、

30、其中，fpr表示假阳性率，fp表示假阳性的样本数量，假阳性表示预测结果为正例，真实情况为负例，tn表示真阴性的样本数量，真阴性表示预测结果和真实情况均为负例；

31、所述真阳性率的计算公式如下：

32、

33、其中，tpr表示真阳性率，tp表示真阳性的样本数量，真阳性表示预测结果和真实情况均为正例，fn表示假阴性的样本数量，假阴性表示预测结果为负例，真实情况为正例。

34、进一步地，基于所述图神经网络模型预测待测患者的静脉曲张出血风险，具体包括：

35、根据待测患者的医学数据构建待测患者的待测图结构，将所述待测图结构输入至图神经网络模型最后一层的分类器中，获得待测患者食管胃底的静脉曲张位置对应节点的特征标签的概率。

36、第二方面，本技术提供一种食管胃底静脉曲张出血风险的预测装置，所述装置包括：

37、收集单元，用于收集与食管静脉曲张出血风险相关的医学数据，所述医学数据包括多个患者的患者信息、血管结构数据、组织特征数据及其对应的食管胃底的静脉曲张出血情况；

38、构建单元，用于根据所述血管结构数据为每个患者构建图结构，所述图结构中，食管、胃、肝、脾、各个静脉和静脉曲张位置以及患者信息分别为一个节点，食管、胃、肝、脾、各个静脉和静脉曲张位置之间的连接关系为节点的边，患者信息对应的节点分别与其它节点连接；

39、设置单元，用于对于各患者对应的图结构，根据组织特征数据在除患者信息对应的节点外的其它节点上设置对应的节点特征，并根据食管胃底的静脉曲张出血情况在对应的节点上设置特征标签，所述特征标签为高风险标签或低风险标签；

40、预测单元，用于根据设置完成的图结构训练图神经网络模型，基于所述图神经网络模型预测待测患者食管胃底的静脉曲张出血风险。

41、本技术的有益效果是：本技术提供的食管胃底静脉曲张出血风险的预测方法及装置，基于人体血管结构数据构建图结构，并根据多个历史病例的图结构训练图神经网络模型，在需要进行静脉曲张出血风险预测时，只需要获取待测患者的患者信息、血管结构数据和组织特征数据，即可基于预先训练的图神经网络对待测患者食管胃底的静脉曲张出血风险进行预测，操作简单成本较低，预测结果可以直接供医师参考使用，例如医师可根据预测结果及患者的历史病历给出患者进一步进行内镜检查的建议，或者给出患者定期复查的建议，提高了食管胃底的静脉曲张出血风险预测的准确性，并且可以避免过多的内镜检查，降低患者的痛苦和医疗费用支出，也可避免内镜检查所带来的额外风险。