基于病人检测信息对潜在治疗方案治愈概率打分的方法技术

本发明专利技术属于深度学习分析领域，公开了一种基于病人检测信息对潜在治疗方案治愈概率打分的方法，该方法包括以下步骤：(S1)收集训练用数据；(S2)建立逻辑回归模型并训练；(S3)分别建立unet模型和三维卷积神经网络模型并训练；(S4)补全训练用数据，得到训练用数据对应的任意一位病人在治疗过程中每一天的生存情况得分；(S5)建立长短期记忆网络LSTM模型并训练；(S6)随机潜在治疗方案，预测得到第N+2天的生存情况得分，从而即可完成对该潜在治疗方案的打分。本发明专利技术通过对方法及系统的整体流程设计等进行改进，能够从大数据分析的角度具体量化病人的情况，对潜在治疗方案治愈概率进行打分。分。分。

【技术实现步骤摘要】
基于病人检测信息对潜在治疗方案治愈概率打分的方法


[0001]本专利技术属于深度学习分析领域，更具体地，涉及一种基于病人检测信息对潜在治疗方案治愈概率打分的方法，与该方法相对应的系统，同样能够基于病人检测信息对潜在治疗方案治愈概率进行打分。

技术介绍

[0002]针对一类疾病，病人的各项检测值往往蕴含大量信息。目前医生针对病人的治疗基于经验和自身对病人情况的判断，个体差异较大，可能出现各种原因导致的误诊，给出诊断方案时也可能考虑不周。
[0003]肺部疾病，除了在临床检查信息(如血检、尿检)上有体现外，往往还可以通过患者肺部CT图像进行判断。综合各种数据往往能得到相对准确的结果。同时目前并没有对治疗方案实时更新的预测方法，本专利技术希望利用病人的检查结果及治疗方案，给出治愈概率打分较高的治疗方案，为医生提供合理的建议和参考。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术的目的在于提供一种基于病人检测信息对潜在治疗方案治愈概率打分的方法及系统，其中通过对方法的整体流程设计、及相应系统的功能模块设置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于病人检测信息对潜在治疗方案治愈概率打分的方法，其特征在于，针对种类预先选定的肺部疾病，该方法包括以下步骤：(S1)针对预先已知结局是死亡还是治愈出院的患有该肺部疾病的病人，收集他们入院后的临床检查结果、入院后的肺部CT图像以及入院后每一天的治疗方式，作为训练用数据；其中，所述临床检查结果为血检结果和尿检结果；每一天的治疗方式，包括：针对预先选定的多种药物中每一种药物是否使用，以及预先设定的多种通风方案中每一种通风方案是否使用；(S2)根据训练用数据中的临床检查结果，编制表格，该表格中的每一列用于代表相应的一项检测，每一行代表一个病人某一天的检测值；建立逻辑回归模型，利用所述表格中的每一行数据、并以该行数据所对应的病人结局为标签，对该逻辑回归模型进行训练，使训练后的逻辑回归模型能够以某一病人的临床检查结果为输入，预测该病人基于临床信息的临床信息检测当天的生存情况得分；(S3)分别建立unet模型和三维卷积神经网络模型，利用训练用数据中的肺部CT图像对它们进行训练，其中，就某一个训练样本：首先将3D肺部CT图像切片为若干张2D肺部CT图像切片，利用所述unet模型提取每一张2D肺部CT图像切片中的肺实质区域；接着，利用每一张2D肺部CT图像切片中的肺实质区域，对3D肺部CT图像进行处理，得到3D肺部CT图像中肺实质区域的最大外接立方体；然后，将该立方体缩放至预先设定的统一尺寸，并以该训练样本所对应的病人结局为标签，对所述三维卷积神经网络模型进行训练；如此利用训练用数据中的肺部CT图像所有训练样本，使训练后的unet模型和训练后的三维卷积神经网络模型配合能够以某一病人的肺部CT图像为输入，预测该病人基于肺部CT图像的肺部CT检测当天的生存情况得分；(S4)针对训练用数据，依据结局是死亡还是治愈出院将训练用数据分为两类，对于其中的任意一类，根据这一类病人的生存情况得分随入院治疗天数变化趋势，用得到的基于临床信息的生存情况得分、基于肺部CT图像的生存情况得分利用二次函数线性回归共同拟合补全训练用数据对应的这一类病人中任意一位病人在治疗过程中每一天的生存情况得分；如此，即可得到训练用数据对应的任意一位病人在治疗过程中每一天的生存情况得分，收集作为入院治疗天数
‑
生存情况得分关系数据集；(S5)建立长短期记忆网络LSTM模型，根据训练用数据中入院后每一天的治疗方式，以病人入院后连续N天的治疗方式及步骤(S4)得到的这连续N天的生存情况得分作为一个训练样本，以及步骤(S4)得到的第N+1天该病人的生存情况得分作为标签，训练所述长短期记忆网络LSTM模型；使训练后的长短期记忆网络LSTM模型能够以某一病人的N天的治疗方式及这连续N天的生存情况得分为输入，预测该病人第N+1天的生存情况得分；其中，N为大于等于3的正整数；(S6)收集患有该肺部疾病的病人入院后的临床检查结果及肺部CT图像，将临床检查结果输入至训练后的逻辑回归模型，将肺部CT图像输入至训练后的unet模型和训练后的三维卷积神经网络模型中，从而分别得到临床信息检测当天的生存情况得分、以及肺部CT检测当天的生存情况得分；然后，将它们并入所述步骤(S4)得到的所述入院治疗天数
‑
生存情况
得分关系数据集中，再次利用二次函数线性回归拟合，补全该病人自入院后每一天的生存情况得分；针对预先选定的多种药物和预先选定的多种通风方案，根据从病人入院到离开医院过程中某一天每一种药物是否使用、以及每一种通风方案是否使用，随机排列组合后，得到若干种治疗方案；根据预先设定的每天允许施加的药物种类的上限要求、以及预先设定的每天允许施加的通风方案的上限要求，从中筛选出满足要求的作为潜在治疗方案；利用训练后的长短期记忆网络LSTM模型，将该病人入院后连续N天的治疗方式及这连续N天的生存情况得分作为输入，预测得到第N+1天的生存情况得分，并以预测得到第N+1天的生存情况得分作为更新后的第N+1天的生存情况得分；然后，随机潜在治疗方案作为第N+1天的治疗方案，同样利用训练后的长短期记忆网络LSTM模型，通过预测得到第N+2天生存情况得分，将该第N+2天生存情况得分作为对该潜在治疗方案的打分，即可完成对该潜在治疗方案的打分。2.如权利要求1所述方法，其特征在于，所述步骤(S2)中，所述第一表格中的每一列的数据用于代表相应的一项治疗方式是否使用，具体满足：使用为1，未使用为0。3.如权利要求1所述方法，其特征在于，所述步骤(S3)中，所述unet模型包括七个细节结构，其中，第一个细节结构为输入层，第二个细节结构和第三个细节结构为下采样层，第四个细节结构设置为跳跃连接，第五个细节结构和第六个细节结构为上采样层，第七个细节结构为全连接和输出层；所述第二个细节结构和所述第三个细节结构均依次包括一层卷积层、一层Dropout层、一层卷积层、一层最大池化层与一层批标准化层；其中，所述第三个细节结构中每一个所述卷积层的卷积核个数彼此相等，所述第二个细节结构中每一个所述卷积层的卷积核个数彼此相等；优选的，所述第三个细节结构中每一个所述卷积层的卷积核个数均为8，所述第二个细节结构中每一个所述卷积层的卷积...

【专利技术属性】
技术研发人员：薛宇，苟宇杰，宁万山，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：