分类模型的训练方法及装置、冠心病辅助筛查方法及装置制造方法及图纸

本申请公开了分类模型的训练方法及装置、冠心病辅助筛查方法及装置，属于医疗技术领域。该分类模型的训练方法包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。通过上述分类模型，本申请提高了筛查结果的可信度，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，从而避免盲目检查带来的高检查成本，降低受检者的负担，还能够减少医生的负担，节约医院的医疗资源。医疗资源。医疗资源。

【技术实现步骤摘要】
分类模型的训练方法及装置、冠心病辅助筛查方法及装置


[0001]本申请涉及医疗
，特别是涉及分类模型的训练方法及装置、冠心病辅助筛查方法及装置。

技术介绍

[0002]心血管疾病是当今世界上公认的几大致命性疾病之一，以冠心病为例，每年死于冠心病的人数远多于其他重大疾病。有许多因素可能导致人们患上心血管疾病，例如不健康的生活习惯以及不健康的心理状态都是潜在的诱发心血管疾病的因素。心血管疾病严重的危害着人们的健康，但是心血管疾病在患病早期，其症状并不明显，因此，对心血管疾病的患病情况进行有效的预警与早期筛查就显得尤为重要，准确高效的筛查方法能够极大程度地降低心血管疾病发展到晚期并引发严重后果的风险。
[0003]现有的对冠心病进行筛查的方法，例如，利用常规临床数据进行冠心病患病风险预测，然而，即便是经典的弗拉明翰模型，也会出现假阳性或者漏诊等问题，预测的准确率受限；或者，利用CT技术进行临床诊断，然而，CT检测过程繁琐且费用昂贵，会增加患者的负担；又或者，利用冠状动脉造影技术进行诊断，然而，冠状动脉造影技术往往会对人体造成一定的身体负担。
[0004]由于现有的筛查方法可能会导致受检者进行盲目检查，又或者是为了避免增加负担而拒绝接受进一步的诊断。因此，需要一个成本较低、操作较简便且结果较精确的针对冠心病的筛查方法，能够对受检者患有冠心病的风险进行相对较为准确的评价，以使受检者根据筛查结果决定是否接收进一步的心血管检查。

技术实现思路

[0005]本申请主要解决的技术问题是提供一种分类模型的训练方法及装置、冠心病辅助筛查方法及装置，通过将超声心动图数据和电子病历记录结合，以基于输入的数据量化评估受检者患病的风险。
[0006]为解决上述技术问题，本申请采用的一个技术方案是提供一种分类模型的训练方法，该训练方法包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
[0007]其中，通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型的步骤具体包括：将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征；将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征；通过组合特征进行分类预测，得到预测结果；基于预测结果对预设深度学习模型的模型参数进行调整，以构建分类模型。
[0008]其中，预设深度学习模型依次包括特征提取层、特征融合层、分类器层以及输出层；将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征的步骤包括：将数据集中的有效影像数据与结构化特征数据输入到特征提取层进行提取处理，得到第一数量的超声心动图特征与相关联的结构化特征；将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征的步骤具体包括：将第一数量的超声心动图特征与数据集中相关联的结构化特征输入到特征融合层进行处理，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征；通过组合特征进行分类预测，得到预测结果的步骤具体包括：将组合特征输入到分类器层进行预测，并通过输出层输出预测结果。
[0009]其中，通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型的步骤还包括：将数据集中的设定数量的相关联的有效影像数据与结构化特征数据按设定比例划分为训练集、验证集以及测试集；通过训练集、验证集以及测试集对预设深度学习模型进行训练，以构建分类模型。
[0010]其中，通过训练集、验证集以及测试集对预设深度学习模型进行训练，以构建分类模型的步骤具体包括：将训练集中的训练数据输入到预设深度学习模型中进行训练，得到第一模型；将验证集中的验证数据输入到第一模型中进行预测，并基于预测结果对第一模型的参数进行调整，得到调整后的第一模型；将测试集中的测试数据输入到调整后的第一模型中进行预测，并基于预测结果对调整后的第一模型的打分结果进行评价，以构建分类模型。
[0011]其中，相关联的有效影像数据与结构化特征数据为从同一受检者处获取的有效影像数据与结构化特征数据。
[0012]其中，有效影像数据包括心脏剖面结构图、心脏剖面结构图对应的腔内测量图、心脏彩色多普勒超声图以及心脏彩色多普勒超声图对应的频谱图。
[0013]为解决上述技术问题，本申请采用的另一个技术方案是提供一种基于分类模型的冠心病辅助筛查方法，该筛查方法包括：获取上述训练好的分类模型；接收受检者的超声心动图数据与电子病历数据；对受检者的超声心动图数据与电子病历数据进行预处理，获取到相关联的有效影像数据与结构化特征数据；将相关联的有效影像数据与结构化特征数据输入到分类模型中，通过分类模型对受检者的有效影像数据与结构化特征数据进行预测；输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
[0014]为解决上述技术问题，本申请采用的又一个技术方案是提供一种分类模型的训练装置，该训练装置包括：预处理模块，用于对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；分类模型构建模块，用于通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。
[0015]为解决上述技术问题，本申请采用的另一个技术方案是提供一种基于分类模型的冠心病辅助筛查装置，该筛查装置包括上述的训练好的分类模型，包括接收模块、预处理模块、分类模块以及输出模块，接收模块用于接收受检者的超声心动图数据与电子病历数据；预处理模块用于对受检者的超声心动图数据与电子病历数据进行预处理，获取到受检者的
有效影像数据与结构化特征数据；分类模块用于对受检者的有效影像数据与结构化特征数据进行预测；输出模块用于输出预测结果，以使受检者根据预测结果决定是否接收进一步检查。
[0016]为解决上述技术问题，本申请采用的又一个技术方案是提供一种基于分类模型的冠心病辅助筛查系统，该系统包括：存储器，用于存储程序数据，存储程序数据被执行时可实现如上述任一项所述的分类模型的训练方法中的步骤或上述的基于分类模型的冠心病辅助筛查方法中的步骤；处理器，用于执行存储器存储的程序指令以实现如可实现如上述任一项所述的分类模型的训练方法中的步骤或上述的基于分类模型的冠心病辅助筛查方法中的步骤。
[0017]为解决上述技术问题，本申请采用的另一个技术方案是提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任一项所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型的训练方法，其特征在于，包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型。2.根据权利要求1所述的分类模型的训练方法，其特征在于，所述通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型的步骤具体包括：将所述数据集中的所述有效影像数据与所述结构化特征数据输入到所述预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征；将所述第一数量的超声心动图特征与所述数据集中相关联的所述结构化特征进行融合，得到第一数量的同时包含所述超声心动图特征以及所述结构化特征的组合特征；通过所述组合特征进行分类预测，得到预测结果；基于所述预测结果对所述预设深度学习模型的模型参数进行调整，以构建所述分类模型。3.根据权利要求2所述的分类模型的训练方法，其特征在于，所述预设深度学习模型依次包括特征提取层、特征融合层、分类器层以及输出层；所述将所述数据集中的所述有效影像数据与所述结构化特征数据输入到所述预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征的步骤包括：将所述数据集中的所述有效影像数据与所述结构化特征数据输入到所述特征提取层进行提取处理，得到所述第一数量的超声心动图特征与相关联的结构化特征；所述将所述第一数量的超声心动图特征与所述数据集中相关联的所述结构化特征进行融合，得到第一数量的同时包含所述超声心动图特征以及所述结构化特征的组合特征的步骤具体包括：将所述第一数量的超声心动图特征与所述数据集中相关联的所述结构化特征输入到所述特征融合层进行处理，得到所述第一数量的同时包含超声心动图特征以及所述结构化特征的组合特征；所述通过所述组合特征进行分类预测，得到预测结果的步骤具体包括：将所述组合特征输入到所述分类器层进行预测，并通过所述输出层输出所述预测结果。4.根据权利要求1所述的分类模型的训练方法，其特征在于，所述通过所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建所述分类模型的步骤还包括：将所述数据集中的所述设定数量的相关联的有效影像数据与结构化特征数据按设定比例划分为训练集、验证集以及测试集；通过所述训练集、所述验证集以及所述测试集对所述预设深度学习模型进行训练，以构建所述分类模型。5.根据权利要求4所述的分类模型的训练方法，其特征在于，
所述通过所述训练集、所述验证集以及所述测试集对所述预设深度学习模型进行训练，以构建所述分类模型的步骤具体包括：将所述训练集中的训练数据输入到所述预设深度学习模型中进行训练，得到第一模型；将所述验证集中的验证数据输入到所述第一模型中进行预...

【专利技术属性】
技术研发人员：左英男，蔡云鹏，杨博凯，杨舜翔，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：