【技术实现步骤摘要】
一种基于假阴性样本识别的体检辅助决策系统
[0001]本专利技术属于医疗健康信息
，尤其涉及一种基于假阴性样本识别的体检辅助决策系统。
技术介绍
[0002]基于真实世界临床数据（以电子病历数据为代表）进行回顾性临床医学研究和临床辅助决策支持已成为当前医学信息学研究中的常见与重要手段。相较前瞻性的临床随机对照试验（RCT），使用回顾性真实世界数据进行信息学建模具有数据体量大、临床场景全、患者分布相似性高等优势，能够更贴近于实际诊疗场景，具有更好的临床应用价值。
[0003]体检是发现潜在疾病的重要手段，其中血常规、尿常规等化验指标带有大量的健康状态信息。但当前的体检过程仅能对小部分疾病进行提示性筛查。基于电子病例数据进行回顾性建模，能够极大提升体检数据对未纳入当前体检发现范围的疾病的识别能力，提升单次体检可带来的健康价值。
[0004]然而，由于真实世界医疗数据来源复杂，所包含数据的准确性和完备性会受到具体数据录入时诊疗过程的影响。其中，一种典型的数据不完备情形是真实诊断标签中样本的阳性标签缺失（即假阴...
【技术保护点】
【技术特征摘要】
1.一种基于假阴性样本识别的体检辅助决策系统，其特征在于，包括：数据获取模块：用于获取真实世界体检数据集，矩阵化为包括输入特征矩阵和真实诊断标签的原始数据集，将体检结果为阴性的样本视为无标签样本；数据预处理模块：通过统一原始数据集中各特征分量的标准差和均值，形成标准化数据集；分离标准化数据集中各特征分量的正负半轴分量，在每个正负半轴分量上加上对应的可训练上下限值，形成扩展数据集；基础特征分析模块：使用逻辑回归模型，将无标签样本视为负样本，训练获得在不考虑假阴性样本的情况下，各特征维度对产生真实诊断标签的特征权重；假阴性样本识别模块：将特征维度分为直接相关维度和竞争维度两类；构建两个逻辑回归模型和联合损失函数，进行联合训练，使用联合损失函数筛选真阴性样本和假阴性样本，并且使得直接相关维度能够最大程度区分阳性样本与筛选出的疑似真阴性样本，竞争维度能够最大程度区分阳性样本与筛选出的疑似假阴性样本；通过假阴性指标指示样本为假阴性样本的可能性；预测模型构建模块：构建多层神经网络和引入了假阴性指标的损失函数，基于标准化数据集与假阴性指标，训练体检辅助决策模型；辅助决策模块：基于体检者的体检数据，通过数据预处理模块获得标准化的特征向量，通过体检辅助决策模型得到预测结果，并输出给临床医生作为体检辅助决策结果。2.根据权利要求1所述的基于假阴性样本识别的体检辅助决策系统，其特征在于，所述数据获取模块中，体检数据的特征维度包括基本生理指标和常规化验指标，所述基本生理指标包括身高、体重、BMI、收缩压和舒张压，所述常规化验指标包括血常规和尿常规；所述真实诊断标签为体检结果。3.根据权利要求1所述的基于假阴性样本识别的体检辅助决策系统，其特征在于，所述数据获取模块中，将体检数据集矩阵化为原始数据集，为输入特征矩阵，为样本量，为体检指标总数，至表示各样本，至为原始数据集在各特征维度上的特征分量，表示转置；为个样本的真实诊断标签，代表第个样本为阳性样本，代表第个样本为真阴性样本或假阴性样本，视为无标签样本；将阳性样本集合记为，将无标签样本集合记为，将真阴性样本集合记为，将假阴性样本集合记为，有，且，的具体样本组成已知，，的具体样本组成未知。4.根据权利要求3所述的基于假阴性样本识别的体检辅助决策系统，其特征在于，所述数据预处理模块中，对中各特征分量做标准化处理，使各特征分量上所有体检数据的标准差为1，均值为0；将标准化处理后的特征矩阵记为，表示第个经标准化后的样本，为标准化后的第维特征分量，与形成标准化数据集；将扩展形成可训练特征矩阵：
其中表示第个经数据扩展后的样本，分别为的正半轴分量和负半轴分量；为各分量上的可训练上下限值构成的偏移向量，，加法通过广播机制完成；可训练特征矩阵与形成扩展数据集。5.根据权利要求4所述的基于假阴性样本识别的体检辅助决策系统，其特征在于，所述基础特征分析模块中，将无标签样本视为负样本，基于扩展数据集...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。