病理数据的分析方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及数字医疗领域，提供一种病理数据的分析方法、装置、计算机设备和存储介质，方法包括：采集用户的病理数据；对病理数据进行特征提取，得到与心衰发生风险相关的指定特征数据；获取与心衰发生风险相关的用户的结构化特征数据；对指定特征数据与结构化特征数据进行拼接处理，得到融合特征数据；将融合特征数据作为预设的注意力模块的输入，生成与融合特征数据中每一个融合特征一一对应的注意力权重，根据注意力权重对融合特征数据中每一个融合特征进行加权求和，得到输出结果；将输出结果输入至预设的分类模块，对输出结果进行归一化处理，生成与用户的心衰发生预测概率。本申请提高了预测用户心衰发生风险的处理效率与预测准确性。

【技术实现步骤摘要】
病理数据的分析方法、装置、计算机设备和存储介质
本申请涉及数字医疗
，具体涉及一种病理数据的分析方法、装置、计算机设备和存储介质。
技术介绍
心力衰竭(heartfailure)简称心衰，是指由于心脏的收缩功能和(或)舒张功能发生障碍，不能将静脉回心血量充分排出心脏，导致静脉系统血液淤积，动脉系统血液灌注不足，从而引起心脏循环障碍症候群，此种障碍症候群集中表现为肺淤血、腔静脉淤血。心衰并不是一个独立的疾病，而是心脏疾病发展的终末阶段，当治疗不当会影响健康甚至会威胁到生命。但如果能够及早发现到存在较大的心衰发生风险并及时采取有效的预防和治疗措施，这将对改善患者预后及病死率具有重要意义。然而，现有对于心衰发生的高风险人群的筛查仍基于传统的经验判断，通常是由医生通过用户的临床症状来进行相应的心衰发生风险的预测，这样的心衰发生风险的预测方式需要花费大量的时间去搜集和分析临床数据，耗时耗力，且必须依赖医生的个人经验，而不同医生之间的经验水平往往差距较大，从而导致对于心衰发生的预测准确性较低。
技术实现思路
本申请的主要目的为提供一种病理数据的分析方法、装置、计算机设备和存储介质，旨在解决现有的心衰发生风险的预测方式仍基于传统的经验判断，耗时耗力且预测准确性较低的技术问题。本申请提出一种病理数据的分析方法，所述方法包括步骤：采集用户的病理数据；对所述病理数据进行特征提取，得到与心衰发生风险相关的指定特征数据，其中，所述指定特征数据包括生理信号特征数据、生命体征特征数据以及病例文本特征数据；获取与心衰发生风险相关的所述用户的结构化特征数据，其中，所述结构化特征数据包括实验室检查特征数据与人口统计学特征数据；对所述指定特征数据与所述结构化特征数据进行拼接处理，得到拼接处理后的融合特征数据；将所述融合特征数据作为预设的注意力模块的输入，通过所述注意力模块生成与所述融合特征数据中每一个融合特征一一对应的注意力权重，并根据所述注意力权重对所述融合特征数据中每一个融合特征进行加权求和处理，得到对应的输出结果；将所述输出结果输入至预设的分类模块，通过所述分类模块对所述输出结果进行归一化处理，生成与所述用户对应的心衰发生预测概率。可选地，所述对所述病理数据进行特征提取，得到与心衰发生风险相关的指定特征数据，其中，所述指定特征数据包括生理信号特征数据、生命体征特征数据以及病例文本特征数据的步骤，包括：采用卷积神经网络对所述病理数据中的生理信号数据进行特征提取，得到与所述生理信号数据对应的生理信号特征数据；以及，采用循环神经网络对所述病理数据中的生命体征数据进行特征提取，得到对应的生命体征特征数据；以及，采用中文自然语言处理技术对所述病理数据中的病例文本数据进行关键特征提取，得到对应的病例文本特征数据。可选地，所述采用循环神经网络对所述病理数据中的生命体征数据进行特征提取，得到对应的生命体征特征数据的步骤，包括：采用所述循环神经网络对所述病理数据中的生命体征数据进行特征提取，得到第一生命体征特征数据；判断所述第一生命体征特征数据中是否存在缺失值；若所述第一生命体征特征数据中存在缺失值，则获取所述第一生命体征特征数据中的数据缺失位置；获取与指定数据缺失位置对应的上次特征观测值，以及获取所述第一生命体征特征数据的均值，其中，所述指定数据缺失位置为所有所述数据缺失位置的任意一个数据缺失位置；根据所述上次特征观测值与所述均值，调用预设的计算公式计算出与所述指定数据缺失位置对应的指定填充值；使用所述指定填充值对所述指定数据缺失位置进行数据填充处理；获取对所述第一生命体征特征数据中所有的数据缺失位置进行对应的数据填充处理后得到的第二生命体征特征数据；将所述第二生命体征特征数据作为所述生命体征特征数据。可选地，所述将所述融合特征数据作为预设的注意力模块的输入，通过所述注意力模块生成与所述融合特征数据中每一个融合特征一一对应的注意力权重，并根据所述注意力权重对所述融合特征数据中每一个融合特征进行加权求和处理，得到对应的输出结果的步骤之后，包括：根据所述注意力权重，按照预设规则获取与每一类模态特征数据分别对应的重要性系数，其中，所述模态特征数据包括生理信号特征数据、生命体征特征数据、病例文本特征数据、实验室检查特征数据以及人口统计学特征数据；将所有所述重要性系数按照数值从大到小的顺序进行排序，得到对应的排序结果；根据所述排序结果，生成每一类所述模态特征数据对应于心衰发生风险的重要性预测报告；展示所述重要性预测报告。可选地，所述根据所述注意力权重，按照预设规则获取与每一类模态特征数据分别对应的重要性系数，其中，所述模态特征数据包括生理信号特征数据、生命体征特征数据、病例文本特征数据、实验室检查特征数据以及人口统计学特征数据的步骤，包括：筛选出与每一个所述生理信号特征数据分别对应的第一注意力权重、与每一个所述生命体征特征数据分别对应的第二注意力权重、与每一个所述病例特征数据分别对应的第三注意力权重、与每一个所述实验室检查特征数据分别对应的第四注意力权重，以及与每一个所述人口统计学特征数据分别对应的第五注意力权重；计算出所有所述第一注意力权重的第一平均值、所有所述第二注意力权重的第二平均值、所有所述第三注意力权重的第三平均值、所有所述第四注意力权重的第四平均值，以及所有所述第五注意力权重的第五平均值；将所述第一平均值作为所述生理信号特征数据相对于心衰发生风险的第一重要性系数，将所述第二平均值作为所述生命体征特征数据相对于心衰发生风险的第二重要性系数，将所述第三平均值作为所述病例特征数据相对于心衰发生风险的第三重要性系数，将所述第四平均值作为所述实验室检查特征数据相对于心衰发生风险的第四重要性系数，以及将所述第五平均值作为所述人口统计学特征数据相对于心衰发生风险的第五重要性系数。可选地，所述将所述输出结果输入至预设的分类模块，通过所述分类模块对所述输出结果进行归一化处理，得到与所述用户对应的心衰发生预测概率的步骤之后，包括：获取预设的风险阈值；判断所述心衰发生预测概率是否大于所述风险阈值；若所述心衰发生预测概率大于所述风险阈值，则判定所述用户的心衰发生风险为高风险等级；若所述心衰发生预测概率不大于所述风险阈值，判断所述心衰发生预测概率是否处于第一预设范围内；若所述心衰发生预测概率处于第一预设范围内，则判定所述用户的心衰发生风险为中风险等级；若所述心衰风险预测概率不处于第一预设范围内，则判定所述用户的心衰发生风险为低风险等级。可选地，所述将所述输出结果输入至预设的分类模块，通过所述分类模块对所述输出结果进行归一化处理，得到对应的心衰风险预测概率的步骤之后，包括：当所述用户的心衰发生风险为高风险等级状态或中风险等级状态时，生成预警信息，其中，所述预警信息包括所述心衰发生预测概率以及对应的风险等本文档来自技高网...

【技术保护点】
1.一种病理数据的分析方法，其特征在于，包括：/n采集用户的病理数据；/n对所述病理数据进行特征提取，得到与心衰发生风险相关的指定特征数据，其中，所述指定特征数据包括生理信号特征数据、生命体征特征数据以及病例文本特征数据；/n获取与心衰发生风险相关的所述用户的结构化特征数据，其中，所述结构化特征数据包括实验室检查特征数据与人口统计学特征数据；/n对所述指定特征数据与所述结构化特征数据进行拼接处理，得到拼接处理后的融合特征数据；/n将所述融合特征数据作为预设的注意力模块的输入，通过所述注意力模块生成与所述融合特征数据中每一个融合特征一一对应的注意力权重，并根据所述注意力权重对所述融合特征数据中每一个融合特征进行加权求和处理，得到对应的输出结果；/n将所述输出结果输入至预设的分类模块，通过所述分类模块对所述输出结果进行归一化处理，生成与所述用户对应的心衰发生预测概率。/n

【技术特征摘要】
1.一种病理数据的分析方法，其特征在于，包括：
采集用户的病理数据；
对所述病理数据进行特征提取，得到与心衰发生风险相关的指定特征数据，其中，所述指定特征数据包括生理信号特征数据、生命体征特征数据以及病例文本特征数据；
获取与心衰发生风险相关的所述用户的结构化特征数据，其中，所述结构化特征数据包括实验室检查特征数据与人口统计学特征数据；
对所述指定特征数据与所述结构化特征数据进行拼接处理，得到拼接处理后的融合特征数据；
将所述融合特征数据作为预设的注意力模块的输入，通过所述注意力模块生成与所述融合特征数据中每一个融合特征一一对应的注意力权重，并根据所述注意力权重对所述融合特征数据中每一个融合特征进行加权求和处理，得到对应的输出结果；
将所述输出结果输入至预设的分类模块，通过所述分类模块对所述输出结果进行归一化处理，生成与所述用户对应的心衰发生预测概率。


2.根据权利要求1所述的病理数据的分析方法，其特征在于，所述对所述病理数据进行特征提取，得到与心衰发生风险相关的指定特征数据，其中，所述指定特征数据包括生理信号特征数据、生命体征特征数据以及病例文本特征数据的步骤，包括：
采用卷积神经网络对所述病理数据中的生理信号数据进行特征提取，得到与所述生理信号数据对应的生理信号特征数据；以及，
采用循环神经网络对所述病理数据中的生命体征数据进行特征提取，得到对应的生命体征特征数据；以及，
采用中文自然语言处理技术对所述病理数据中的病例文本数据进行关键特征提取，得到对应的病例文本特征数据。


3.根据权利要求2所述的病理数据的分析方法，其特征在于，所述采用循环神经网络对所述病理数据中的生命体征数据进行特征提取，得到对应的生命体征特征数据的步骤，包括：
采用所述循环神经网络对所述病理数据中的生命体征数据进行特征提取，得到第一生命体征特征数据；
判断所述第一生命体征特征数据中是否存在缺失值；
若所述第一生命体征特征数据中存在缺失值，则获取所述第一生命体征特征数据中的数据缺失位置；
获取与指定数据缺失位置对应的上次特征观测值，以及获取所述第一生命体征特征数据的均值，其中，所述指定数据缺失位置为所有所述数据缺失位置的任意一个数据缺失位置；
根据所述上次特征观测值与所述均值，调用预设的计算公式计算出与所述指定数据缺失位置对应的指定填充值；使用所述指定填充值对所述指定数据缺失位置进行数据填充处理；
获取对所述第一生命体征特征数据中所有的数据缺失位置进行对应的数据填充处理后得到的第二生命体征特征数据；
将所述第二生命体征特征数据作为所述生命体征特征数据。


4.根据权利要求1所述的病理数据的分析方法，其特征在于，所述将所述融合特征数据作为预设的注意力模块的输入，通过所述注意力模块生成与所述融合特征数据中每一个融合特征一一对应的注意力权重，并根据所述注意力权重对所述融合特征数据中每一个融合特征进行加权求和处理，得到对应的输出结果的步骤之后，包括：
根据所述注意力权重，按照预设规则获取与每一类模态特征数据分别对应的重要性系数，其中，所述模态特征数据包括生理信号特征数据、生命体征特征数据、病例文本特征数据、实验室检查特征数据以及人口统计学特征数据；
将所有所述重要性系数按照数值从大到小的顺序进行排序，得到对应的排序结果；
根据所述排序结果，生成每一类所述模态特征数据对应于心衰发生风险的重要性预测报告；
展示所述重要性预测报告。


5.根据权利要求4所述的病理数据的分析方法，其特征在于，所述根据所述注意力权重，按照预设规则获取与每一类模态特征数据分别对应的重要性系数，其中，所述模态特征数据包括生理信号特征数据、生命体征特征数据、病例文本特征数据、实验室检查特征数据以及人口统计学特征数据的步骤，包括：

【专利技术属性】
技术研发人员：贾文笑，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44