基于聚合神经网络的TAVR术后并发症风险值预测方法技术

本发明专利技术涉及人工智能的深度神经网络技术领域，涉及一种基于聚合神经网络的TAVR术后并发症风险值预测方法，其目的在于提供了一种基于聚合神经网络的TAVR术后并发症风险值预测方法，其构建的聚合神经网络模型包括术前模块、术中模块以及术后模块的聚合神经网络模型，术前模块、术中模块以及术后模块均包括输入层、隐藏层和输出层，每个隐藏层均包括全连接层、批归一化层以及非线性激活函数层；术前模块的隐藏层与术中模块的隐藏层连接，术中模块的隐藏层与术后模块的隐藏层连接；通过本申请的神经网络模型，能够分阶段的给出术后并发症的概率值，提高术后风险的预测精度。提高术后风险的预测精度。提高术后风险的预测精度。

【技术实现步骤摘要】
基于聚合神经网络的TAVR术后并发症风险值预测方法


[0001]本专利技术属于人工智能的深度神经网络
，涉及一种基于聚合神经网络的TAVR术后并发症风险值预测方法。

技术介绍

[0002]随着科技的发展，以深度神经网络为代表的人工智能技术得到了飞速发展，其经过模型构建和模型训练后，能够很好的提取数据中蕴含的知识，实现数据空间相关性和时空相关性的预测，例如授权专利号为202011200812.2的一种疾病风险预测系统、方法、装置、设备及介质，以及授权专利号为202010112710.9的一种基于大数据的疾病预测系统，都是利用深度神经网络，在大量数据上训练，从而实现对于疾病风险值的预测。
[0003]伴随着我国人口老龄化的发展趋势，与年龄相关的瓣膜疾病负担也随之增高。其中主动脉瓣狭窄发病率高，患者出现症状后未行手术干预2年死亡率超过50％，严重威胁人民的生命健康。经导管主动脉瓣置换(transcatheter aortic valve replacement，TAVR)自2002年实施首例人体植入以来，发展迅速。其相比于外科手术创伤小，恢复快，且治疗效果相当。目前TAVR已成为无论何种外科手术风险的主动脉瓣狭窄患者的指南推荐治疗。
[0004]但是，在主动脉疾病的TAVR治疗时代，如何降低术后并发症出现的风险，如血栓、出血等，如何对潜在并发症风险进行预测，对于改善患者治疗质量，提高患者生存水平，已经成为亟待解决的关键问题。
[0005]在术后风险预测方面，已经形成诸多的研究成果。比如，申请号为201180029360.1的专利技术专利就公开了一种涉及在受试者中预测由手术干预导致的与急性肾损伤AKI相关的不良事件的风险的方法，申请号为201280043320.4的专利技术专利就提供了用于基于生物标记物L
‑
FABP诊断与急性事件后或外科手术后相关的急性肾损伤的设备和方法。但是，目前大部分术后风险预测的方法都属于传统的统计机器学习方法，这些方法面临着几个问题：第一，传统的机器学习方法需要特别复杂的特征工程；第二，需要依赖领域专家的知识进行特征筛选、标注；第三，传统的机器学习方法不适合处理高纬度的特征信息；第四，传统的机器学习大多为线性模型，很难学习特征之间的非线性关系。此外，现有的基于神经网络的风险预测更多的是预测风险产生的大致情况，比如风险较高、风险较低，但是具体产生这一风险的概率如何，具体概率值是多少，其并不能得出详尽风险产生的概率值，风险预测精度偏低，其预测的结论可供参考的作用有限，需基于更多的医生经验、检测结果加以辅助。

技术实现思路

[0006]为解决上述现有技术中存在的挑战与问题，如无法预测术后并发症风险的具体概率值、风险预测精度偏低、无法遵循临床事件的时序关系等，本专利技术提供了一种基于聚合神经网络的TAVR术后并发症风险值预测方法，通过本申请的神经网络模型，能够分阶段的给出术后并发症的概率值，提高术后风险的预测精度。
[0007]为解决以上技术问题，本专利技术采用的技术方案如下：
[0008]一种基于聚合神经网络的TAVR术后并发症风险值预测方法，包括以下步骤：
[0009]步骤1，数据获取；
[0010]步骤2，数据清洗与编码；
[0011]步骤3，构建聚合神经网络模型；
[0012]构建包括术前模块、术中模块以及术后模块的聚合神经网络模型，术前模块、术中模块以及术后模块均包括输入层、隐藏层和输出层，每个隐藏层均包括全连接层、批归一化层以及非线性激活函数层；术前模块的隐藏层与术中模块的隐藏层连接，术中模块的隐藏层与术后模块的隐藏层连接；
[0013]步骤4，训练聚合神经网络模型；
[0014]采用步骤2处理后的数据对步骤3构建的聚合神经网络模型进行训练；
[0015]步骤5，风险预测；
[0016]利用训练好的聚合神经网络模型对待预测对象进行风险预测，预测出待预测对象术后并发症的风险概率值。
[0017]其中，该术前模块包括一个输入层、一个隐藏层和一个输出层，术中模块包括一个输入层、两个隐藏层和一个输出层，术后模块包括一个输入层、三个隐藏层和一个输出层；
[0018]术前模块的隐藏层与术中模块的第一个隐藏层连接，术中模块的第二个隐藏层与术后模块的第一个隐藏层连接。
[0019]该步骤1中的数据来源于医院的TAVR数据库，收集患有主动脉瓣狭窄并经导管主动脉瓣置换术的患者数据，每位患者的数据均包括了术前、术中以及术后的临床数据。
[0020]在步骤2中，数据清洗与编码包括数据编码处理和缺失值填充处理；
[0021]数据编码处理，是指对于临床数据中的连续临床变量数据，采用浮点数进行编码；对于临床数据中的离散临床变量数据，采用整数进行编码；
[0022]缺失值填充处理，是指对于临床数据中的离散临床变量数据，采用数值
‑
1填充缺失值；对于临床数据中的连续临床变量数据，使用sk learn库中的随机森林算法来计算并填充缺失值。
[0023]在数据编码处理和缺失值填充处理前进行终点事件分析，数据获取时，观察患者术后三年的并发症发生，若患者在术后三年内出现术后并发症，则产生终点事件，且采集终点事件以前的患者数据并用于聚合神经网络模型的训练。
[0024]步骤5中，给定患者i，采用聚合神经网络模型计算风险值的具体步骤为：
[0025]步骤5.1，将患者i的临床数据x
i
分为术前临床数据术中临床数据术后临床数据
[0026]步骤5.2，将术前临床数据输入术前模块的输入层，得到并发症预测的术前风险指数
[0027]步骤5.3，将术中临床数据输入到术中模块，术中模块聚合术中临床数据中的特征数据和通过术前模块传来的术前临床数据中的特征数据，得到并发症
预测的术中风险指数
[0028]步骤5.4，将术后临床数据输入到术后模块，术后模块聚合术后临床数据中的特征数据和通过术中模块传来的术中临床数据术前临床数据中的特征数据，得到并发症预测的术后风险指数步骤4中，训练聚合神经网络模型时采用的损失函数为：
[0029]Loss＝α*L(P
pre
)+β*L(P
mid
)+γ*L(P
post
)
[0030]其中，α、β、γ为三个常量系数，L(P
pre
)、L(P
mid
)和L(P
post
)分别定义为：
[0031][0032]其中n表示样本个数，i、j表示患者索引，S
i
是患者i的终点状态；t
i
表示患者i的生存时间；R(t
i
)表示t
i
时刻的风险集，即生存时间大于t
i
的患者的索引的集合；表示并发症预测的术前风险指数，表示并发症预测的术中风险指数，表示并发症预测的术后风险指数。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于，包括以下步骤：步骤1，数据获取；步骤2，数据清洗与编码；步骤3，构建聚合神经网络模型；构建包括术前模块、术中模块以及术后模块的聚合神经网络模型，术前模块、术中模块以及术后模块均包括输入层、隐藏层和输出层，每个隐藏层均包括全连接层、批归一化层以及非线性激活函数层；术前模块的隐藏层与术中模块的隐藏层连接，术中模块的隐藏层与术后模块的隐藏层连接；步骤4，训练聚合神经网络模型；采用步骤2处理后的数据对步骤3构建的聚合神经网络模型进行训练；步骤5，风险预测；利用训练好的聚合神经网络模型对待预测对象进行风险预测，预测出待预测对象术后并发症的风险概率值。2.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：术前模块包括一个输入层、一个隐藏层和一个输出层，术中模块包括一个输入层、两个隐藏层和一个输出层，术后模块包括一个输入层、三个隐藏层和一个输出层；术前模块的隐藏层与术中模块的第一个隐藏层连接，术中模块的第二个隐藏层与术后模块的第一个隐藏层连接。3.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：步骤1中的数据来源于医院的TAVR数据库，收集患有主动脉瓣狭窄并经导管主动脉瓣置换术的患者数据，每位患者的数据均包括了术前、术中以及术后的临床数据。4.如权利要求1所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：步骤2中，数据清洗与编码包括数据编码处理和缺失值填充处理；数据编码处理，是指对于临床数据中的连续临床变量数据，采用浮点数进行编码；对于临床数据中的离散临床变量数据，采用整数进行编码；缺失值填充处理，是指对于临床数据中的离散临床变量数据，采用数值
‑
1填充缺失值；对于临床数据中的连续临床变量数据，使用sklearn库中的随机森林算法来计算并填充缺失值。5.如权利要求4所述的基于聚合神经网络的TAVR术后并发症风险值预测方法，其特征在于：在数据编码处理和缺失值填充处理前进行终点事件分析，数据获取时，观察患者术后三年内的并发症发生情况，若患者在术后三...

【专利技术属性】
技术研发人员：李奕明，章毅，贾宇恒，王建勇，冯沅，洛桑嘎登，李汶键，陈茂，
申请(专利权)人：四川大学，
类型：发明
国别省市：