本发明属于医疗领域,具体而言,涉及一种基于深度学习的ct造影剂外渗预测模型及其构建方法。
背景技术:
1、ct造影剂外渗(contrast agent extravasation,cae)是行增强ct扫描时造影剂冲破血管壁或留置针渗入肌肉组织的现象,是增强ct最常见的不良事件之一。穿刺部位、留置针型号、血管状态、造影剂流速、造影剂浓度等诸多因素均会不同程度诱发cae。cae具有发生隐匿且进展迅速的特点,会造成局部肿胀、疼痛、皮损,甚至诱发组织坏死等严重后果,所以提前并准确预测cae对提升患者安全和医疗质量具有极高的临床意义。目前应对cae的主流临床干预法是护理在穿刺时根据推注手感与既往经验对该患者cae发生概率进行预估并提示扫描技师修改相应的个性化扫描参数来降低cae发生概率。此方法极度依赖于护理工作经验且受主观性判断影响较强。
技术实现思路
1、为定量诱发cae的风险因素并解决以上问题,本发明提出利用深度学习算法对增强ct扫描时发生cae的风险因素进行分析并预测,即一种基于transformer算法的ct造影剂外渗预测模型及其构建方法。
2、第一方面,本申请提供了一种基于深度学习的ct造影剂外渗预测模型的构建方法,包括:
3、s101,定义研发cae三分类预测深度学习模型的用例;
4、s103,回顾性搜集cae数据建立三分类模型研发队列;
5、s105,样本数据的处理;
6、s107,在处理完的cae数据集上进行开发和训练;
7、s109,量化风险因素权重;
8、s111,模型测试与调优。
9、其中,s101,定义研发cae三分类预测深度学习模型的用例,包括:
10、cae预测模型的id、临床问题、场景描述、调用流程、数据输入/输出结构;深度学习模型返回结果定义:“cae高风险”、“cae中风险”、“cae低风险”;“cae高风险”定义为预测cae发生概率大于80%;“cae中风险”定义为预测cae发生概率为18%-80%;“cae低风险”定义为预测cae发生概率小于2%。
11、其中,s103,回顾性搜集cae数据建立三分类模型研发队列,包括:
12、从医院ris系统中检索连续患者资料,导出与cae预测相关的风险因素,包括:基本信息:性别、年龄、身高、体重、身体质量指数;基础病史:有无糖尿病史、有无高血压病史、有无高血脂病史、有无恶性肿瘤病史、有无放疗史、有无化疗史;造影剂参数:造影剂浓度、注射速率、造影剂总量、造影剂温度、穿刺部位、留置针内径;护理穿刺评分:由护理通过穿刺手感与个人经验对患者血管状态进行的五分制评分。
13、其中,s103,回顾性搜集cae数据建立三分类模型研发队列,还包括:
14、数字化上述风险因素,通过筛选和预处理确保数据在合理范围内,步骤包含:
15、数据均一化:将各类风险因素按照信息特征分类为类别数据和连续数值类数据;
16、数据标准化:使用z-score标准化对元数据进行处理,公式为z=(x-mean)/std,使得数据分布接近正态分布;
17、缺失值处理:采用均值填充的插值方法。
18、其中,s105,样本数据的处理,包括:
19、根据cae阴性和阳性数据比例使用focal loss作为损失函数来解决样本不平衡的问题,公式如下:fl(p_t)=-α_t*(1-p_t)^γ*log(p_t),
20、其中:p_t是模型的预测概率,α_t是平衡因子,用于调整正负样本的权重,取反样本比例的平方根,即α_t=√(1/num_negative_samples),γ是调制因子,用于调整难易样本的惩罚程度,同时对标签进行one-hot编码,将focal loss应用于当前任务。
21、其中,s107,在处理完的cae数据集上进行开发和训练,包括:
22、在gpu上利用pytorch深度学习python库,在处理完的cae数据集上进行开发和训练;cae三分类预测模型以嵌入层为该深度学习模型的第一层,后续结合全连接层网络,并根据cae阴性和阳性数据的分布占比,增加了one-hot编码的focal loss作为损失函数。
23、其中,s109,量化风险因素权重,包括:
24、将由18个特征组成的数据,对其中类别和连续类型的值分别处理,分别输入模型不同的层,类别型特征数据输入嵌入层,连续型特征数据输入线性连接层,然后将其整合输入全连接层。
25、其中,s109,量化风险因素权重,还包括:
26、通过对训练好的模型分别随机重采样各个特征参数组成新数据,分别得到改变该参数时的模型损失,然后将特征重要性权重定义为如下公式:
27、fi(c)=(new_loss-loss0)/new_loss
28、其中fi代表特征重要性,c代表18个不同的特征参数名称,loss0代表由训练好的模型对于测试集数据得到的平均损失值,new_loss代表由某一个特征参数重采样后新组成的数据集得到的平均损失值,
29、最终通过每个参数的fi值排序即得到特征重要性排序。
30、其中,s111,模型测试与调优,包括:
31、采用与建立研究队列相同标准建立测试集与调优集,用测试集的混淆矩阵评价三分类模型的效能,得到预测为“cae高风险”、“cae中风险”和“cae低风险”的精确度、召回率、f1-分数,以及roc曲线下面积;将cae三分类模型预测结果返回到ris系统中。
32、第二方面,本申请提供了一种基于深度学习的ct造影剂外渗预测模型,包括:嵌入层、3个串联的cae块、全连接层;cae块包括多头自注意力层和前馈神经网络层,每个cae块都包含了层归一化和残差连接。
33、本申请基于深度学习的ct造影剂外渗预测模型及其构建方法具有如下
34、有益效果:
35、(1)本申请进一步验证影响cae的各项风险因素,并将各因素定量化,为完善行业指南提供理论依据。(2)将人工智能预测模型引入影像护理流程,通过数字化、智能化手段减少了cae评估中护理工作经验的依赖以及受主观性判断的影响。(3)在降低护理负担、提升护理效率的同时,减少了不良事件的发生,提升了患者临床安全。
1.一种基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,包括:
2.根据权利要求1所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s101,定义研发cae三分类预测深度学习模型的用例,包括:
3.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s103,回顾性搜集cae数据建立三分类模型研发队列,包括:
4.根据权利要求3所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s103,回顾性搜集cae数据建立三分类模型研发队列,还包括:
5.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s105,样本数据的处理,包括:
6.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s107,在处理完的cae数据集上进行开发和训练,包括:
7.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s109,量化风险因素权重,包括:
8.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s109,量化风险因素权重,还包括:
9.根据权利要求1或2所述基于深度学习的ct造影剂外渗预测模型的构建方法,其特征在于,s111,模型测试与调优,包括:
10.一种基于深度学习的ct造影剂外渗预测模型,其特征在于,包括: