用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法技术

本发明专利技术提供了一种用于ICU死亡率预测的深度级联框架及ICU死亡率预测方法，所述用于ICU死亡率预测的深度级联框架包括：体征子网络和疾病子网络，所述体征子网络包括多个对应于体征类型的节点，所述疾病子网络包括多个对应于疾病类型的节点，所述体征子网络和所述疾病子网络具有相互作用边，所述相互作用边为对应于所述疾病类型的节点与对应于所述体征类型的节点的连接边，其中，所述体征子网络和所述疾病子网络根据节点失效情况进行级联，所述体征子网络和所述疾病子网络均用于输出失效分布，以通过所述失效分布进行ICU死亡率预测。本发明专利技术的有益效果：能够方便对ICU患者死亡率进行预测，并使预测具有可解释性。并使预测具有可解释性。并使预测具有可解释性。

【技术实现步骤摘要】
用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法
[0001]技术邻居
[0002]本专利技术涉及ICU死亡率预测领域，具体而言，涉及一种用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法。

技术介绍

[0003]医疗风险检测是提升ICU临床实践能力的一项重要课题，许多基于量表和特征的生物统计学习方法、深度学习方法已经能够对特定病人的死亡率进行预测，并且协助医师做出相应的临床决策。然而，目前的方法不仅需要专家人工定义风险因素而且过度依赖预训练特征的有效性。从模型角度，端到端的预测模型缺乏可解释性，黑盒式的神经网络结构难以获得推理路径。

技术实现思路

[0004]本专利技术解决的问题是如何方便对ICU患者死亡率进行预测，并使预测具有可解释性。
[0005]本专利技术提出了一种用于ICU死亡率预测的深度级联框架，包括：体征子网络和疾病子网络，所述体征子网络包括多个对应于体征类型的节点，所述疾病子网络包括多个对应于疾病类型的节点，所述体征子网络和所述疾病子网络具有相互作用边，所述相互作用边为对应于所述疾病类型的节点与对应于所述体征类型的节点的连接边，其中，所述体征子网络和所述疾病子网络根据节点失效情况进行级联，所述体征子网络和所述疾病子网络均用于输出失效分布，以通过所述失效分布进行ICU死亡率预测。
[0006]进一步地，所述节点失效情况包括失效集合，所述失效集合包括级联阶段中失效风险最大的前n个节点。
[0007]进一步地，所述节点失效情况还包括网络连通性，所述网络连通性包括所述相互作用边的有效边概率，所述有效边概率表示随机选择一条相互作用边且该边连接两个有效节点的概率，当前级联阶段中生成的有效边概率用于更新下一级联阶段中的有效边概率。
[0008]进一步地，所述体征子网络和所述疾病子网络均包括度分布单元和超度分布单元，所述体征子网络和所述疾病子网络均通过度分布单元确定所述失效集合，所述体征子网络和所述疾病子网络均通过超度分布单元以根据当前级联阶段的有效边概率确定下一级联阶段的有效边概率。
[0009]进一步地，所述度分布单元包括度分布生成函数，所述超度分布单元包括超度分布生成函数，所述深度级联框架的递归关系式包括：
[0010]在第l次级联中，所述疾病子网络和所述体征子网络的有效节点比例分别为：或，
[0011]在第l次级联中，所述体征子网络和所述疾病子网络的有效节点比例分别为：
[0012][0013]其中，表示疾病子网络，表示体征子网络，和分别表示所述疾病子网络和所述体征子网络的度分布生成函数，和分别表示所述疾病子网络和所述体征子网络的超度分布生成函数，l表示级联次数，表示级联次数为l-1的所述体征子网络的超度分布生成函数，表示级联次数为l-1的所述疾病子网络的超度分布生成函数，表示级联次数为l的所述疾病子网络的超度分布生成函数，表示级联次数为l的所述体征子网络的超度分布生成函数，表示级联次数为l的所述疾病子网络的度分布生成函数，表示级联次数为l的所述体征子网络的度分布生成函数，q表示所述有效边概率，表示级联次数为l的所述疾病子网络的有效边概率，表示级联次数为l的所述体征子网络的有效边概率。
[0014]进一步地，所述体征子网络和所述疾病子网络均通过节点的有效概率确定所述失效分布，其中，通过对级联阶段的所有节点的有效概率进行归一化生成当前级联阶段的失效分布。
[0015]进一步地，在所述体征子网络和所述疾病子网络中，根据每个节点邻域中失效节点的数量确定所述节点的有效概率，其中，当前级联阶段中生成的失效集合用于更新下一个级联阶段中每个节点邻域中失效节点的数量。
[0016]进一步地，所述节点的有效概率的计算公式为：
[0017][0018]其中，表示节点，m表示节点的邻域中失效节点数量，k表示节点的邻居数量，k
s
表示节点的有效邻居数量，表示容忍分布，表示容忍系数，X表示所述体征子网络或所述疾病子网络。
[0019]进一步地，所述体征子网络和所述疾病子网络的每个节点均具有个性化的容忍分布其中：
[0020][0021]容忍系数的计算公式为：
[0022][0023]其中，表示节点的邻居对节点的重要性权重。
[0024]进一步地，在所述体征子网络和所述疾病子网络中，当节点连接有效节点的数量大于或等于第一预设数量时,表示所述节点有效，否则表示所述节点失效。
[0025]本专利技术的有益效果：通过体征子网络和所述疾病子网络构建深度级联框架，通过级联失效理论建立生理上的多米诺骨牌效应，体征子网络和疾病子网络根据节点失效情况进行级联，在级联失效中，节点的失效情况，例如节点或两个节点连接的交互边之间的失效会通过节点之间的耦合关系引发其它节点也发生失效，从而产生级联效应，由此，体征子网络和疾病子网络均在各自的级联阶段生成失效分布，以对各个子网络中疾病类型和体征类型的失效情况进行整体性的反应，最终，能够根据该输出确定患者ICU死亡率，并且由于体征类型和疾病类型之间的相互关系，能够使死亡率预测具有可解释性。
[0026]本专利技术还提出了一种ICU死亡率预测方法，包括：
[0027]获取患者的检查类型，所述检查类型包括患者的疾病类型或患者检查的体征中异常的体征类型；
[0028]根据所述检查类型生成初始的失效集合；
[0029]将所述初始的失效集合输入如上述所述的用于ICU死亡率预测的深度级联框架内进行级联；
[0030]将级联时各个级联阶段输出的失效分布依次输入至序列化模型；
[0031]根据级联结束时序列化模型最后一个隐藏状态获得患者的死亡率预测结果。
[0032]本专利技术所述的ICU死亡率预测方法与上述用于ICU死亡率预测的深度级联框架相较于现有技术的有益效果相近似，在此不再进行赘述。
[0033]进一步地，还包括：
[0034]通过图注意力网络生成重要性权重；
[0035]根据所述重要性权重确定级联时的各个级联阶段的每个节点的有效概率；
[0036]将级联阶段中所有节点的有效概率进行归一化以生成所述失效分布。
[0037]本专利技术还提出了一种计算设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的ICU死亡率预测方法。
[0038]本专利技术所述的计算设备与上述ICU死亡率预测方法相较于现有技术的有益效果相近似，在此不再进行赘述。
[0039]本专利技术还提出了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述所述的ICU死亡率预测方法。
[0040]本专利技术所述的计算机可读存储介质与上述ICU死亡率预测方法相较于现有技术的有益效果相近似，在此不再进行赘述。
附图说明
[0041]图1为本专利技术中利用深度级联框架进行ICU死亡率预测的预测模型的示意图；
[0042]图2为本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于ICU死亡率预测的深度级联框架，其特征在于，包括：体征子网络和疾病子网络，所述体征子网络包括多个对应于体征类型的节点，所述疾病子网络包括多个对应于疾病类型的节点，所述体征子网络和所述疾病子网络具有相互作用边，所述相互作用边为对应于所述疾病类型的节点与对应于所述体征类型的节点的连接边，其中，所述体征子网络和所述疾病子网络根据节点失效情况进行级联，所述体征子网络和所述疾病子网络均用于输出失效分布，以通过所述失效分布进行ICU死亡率预测。2.根据权利要求1所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述节点失效情况包括失效集合，所述失效集合包括级联阶段中失效风险最大的前n个节点。3.根据权利要求2所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述节点失效情况还包括网络连通性，所述网络连通性包括所述相互作用边的有效边概率，所述有效边概率表示随机选择一条相互作用边且该边连接两个有效节点的概率，当前级联阶段中生成的有效边概率用于更新下一级联阶段中的有效边概率。4.根据权利要求3所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述体征子网络和所述疾病子网络均包括度分布单元和超度分布单元，所述体征子网络和所述疾病子网络均通过度分布单元确定所述失效集合，所述体征子网络和所述疾病子网络均通过超度分布单元以根据当前级联阶段的有效边概率确定下一级联阶段的有效边概率。5.根据权利要求4所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述度分布单元包括度分布生成函数，所述超度分布单元包括超度分布生成函数，所述深度级联框架的递归关系式包括：在第l次级联中，所述疾病子网络和所述体征子网络的有效节点比例分别为：或，在第l次级联中，所述体征子网络和所述疾病子网络的有效节点比例分别为：其中，表示疾病子网络，表示体征子网络，和分别表示所述疾病子网络和所述体征子网络的度分布生成函数，和分别表示所述疾病子网络和所述体征子网络的超度分布生成函数，l表示级联次数，表示级联次数为l-1的所述体征子网络的超度分布生成函数，表示级联次数为l-1的所述疾病子网络的超度分布生成函数，表示级联次数为l的所述疾病子网络的超度分布生成函数，表示级联次数为l的所述体征子网络的超度分布生成函数，表示级联次数为l的所述疾病子网络的度分布生成函数，表示级联次数为l的所述体征
子网络的度分布生成函数，q表示所述有效边概率，表示级联次数为l的所述疾病子网络的有效边概率，表示级联次数为l的所述体征子网络的有效边概率。6.根据权利要求2-...

【专利技术属性】
技术研发人员：姜京池，王勃然，马林江，李雪，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：