一种基于深度学习和可解释机制的预后预测模型建模方法技术

本发明专利技术提供一种基于深度学习和可解释机制的预后预测模型建模方法，包括以下步骤：对患者临床数据进行分类，得到影像数据、离散型数据和连续型数据；对影像数据使用图像识别技术进行预处理，得到预处理影像数据；将离散型数据和连续型数据输入到可解释性模块，得到加权特征向量；将治疗方案、预处理影像数据、加权特征向量输入到深度置信网络进行训练，得到预后预测模型。构建得到的预后预测模型包括输入层、卷积神经网络、可解释性模块、深度置信网络。本发明专利技术可以较为准确的预测患者治愈或死亡事件的发生时间；可用于对比不同患者的事件风险；还可将输出的概率分布向量绘制成曲线图，直观地展示每个患者的风险。直观地展示每个患者的风险。直观地展示每个患者的风险。

【技术实现步骤摘要】
一种基于深度学习和可解释机制的预后预测模型建模方法


[0001]本专利技术涉及医疗
，具体涉及一种基于深度学习和可解释机制的预后预测模型建模方法。

技术介绍

[0002]预后建模算法在临床上有着广泛的应用场景，比如癌症复发预测、妊娠期糖尿病预测的死亡风险预测等，其主要思路是：通过特定的机器学习算法构建患者早期信息(如入院时采集的影像、生化指标等)跟患者事件(如死亡、出院等)之间的风险预测关系。建模过程一般包含以下步骤：1)模型架构定义及模型参数初始化；2)定义特定的损失函数并通过某种学习策略(如梯度下降法)最小化损失函数，以实现模型参数的迭代优化；3)模型性能评估。
[0003]由于临床场景的特殊性和复杂性，上述建模过程面临诸多挑战。首先，患者的临床信息包含各类异构多模态数据，需要模型具备较强的数据处理和表征能力；其次，数据跟预后事件之间可能存在复杂的关系，比如患者的病情发展过程是治疗方案跟患者临床特征之间相互作用的动态过程，要求模型具有很强的时变非线性表达能力，并且其学习过程需要选择合适的损失函数；再者，临床上，医生除了追求预测结果之外，还迫切地希望知道哪些特征与预后结果强相关，否则无法开展更深入的分析，更无法揭示临床信息跟预后事件之间的潜在规律，这一临床需求意味着模型必须具备可解释性机制；最后，用于建模的数据往往存在复杂特性，比如不同患者可能结局不同(治愈或者死亡)，甚至存在因转院等未知原因而导致无法追踪患者结局(即删失数据)；所有数据都非常宝贵，如何同时利用这些数据构建模型目前依然是个棘手的问题。
[0004]因此，现在亟需一种能够处理各类异构多模态数据、建立数据跟患者预后事件之间的时变非线性关系、具备可解释性机制的预后预测模型。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术提出一种基于深度学习和可解释机制的预后预测模型建模方法，以解决现有技术中存在的亟需一种能够处理各类异构多模态数据、建立数据跟患者预后事件之间的时变非线性关系、具备可解释性机制的预后预测模型的技术问题。
[0006]本专利技术采用的技术方案如下：
[0007]第一方面，提供了一种基于深度学习和可解释机制的预后预测模型建模方法，在第一种可实现方式中，包括以下步骤：
[0008]对患者临床数据进行分类，得到影像数据、离散型数据和连续型数据；
[0009]对影像数据使用图像识别技术进行预处理，得到预处理影像数据；
[0010]将离散型数据和连续型数据输入到可解释性模块，得到加权特征向量；
[0011]将治疗方案、预处理影像数据、加权特征向量输入到深度置信网络进行训练，得到
预后预测模型。
[0012]结合第一种可实现方式，在第二种可实现方式中，对影像数据使用图像识别技术进行预处理，包括：使用卷积神经网络分类模型对影像数据进行预处理。
[0013]结合第一种可实现方式，在第三种可实现方式中，可解释性模块由全连接层FC和激活函数SeLU组成。
[0014]结合第一种可实现方式，在第四种可实现方式中，在训练可解释性模块和深度置信网络时，损失函数包括删失患者损失函数、治愈患者损失函数、治愈患者一致性损失函数、死亡患者损失函数以及可解性模块L1正则化项，总损失函数如下：
[0015][0016]在上式中，表示删失患者损失函数，表示治愈患者损失函数，表示治愈患者一致性损失函数，表示死亡患者损失函数，表示可解释性模块L1正则化项，λ1‑
λ5表示每部分损失函数的权重。
[0017]结合第四种可实现方式，在第五种可实现方式中，删失患者损失函数如下：
[0018][0019]在上式中，N
censor
表示删失患者样本数，σ
n
表示患者类型，t
n
表示删失患者的最后记录时间，表示特征向量，I
n
表示患者的CT影像数据，表示患者的治疗方案，N为患者总样本数。
[0020]结合第四种可实现方式，在第六种可实现方式中，治愈患者损失函数如下：
[0021][0022]在上式中，N
recover
表示治愈患者样本数，σ
n
表示患者类型，t
n
表示治愈患者真实治愈时间，表示特征向量，I
n
表示患者的CT影像数据，表示患者的治疗方案，N表示患者样本总数。
[0023]结合第四种可实现方式，在第七种可实现方式中，死亡患者损失函数如下：
[0024][0025]在上式中，N
death
表示死亡患者样本数，σ
n
表示患者类型，T表示模型输出时间最大值，表示特征向量，I
n
表示患者的CT影像数据，表示患者的治疗方案，N表示患者样本总数。
[0026]结合第四种可实现方式，在第八种可实现方式中，治愈患者一致性损失函数如下：
[0027][0028]在上式中，n、m分别表示任意两个治愈患者且患者n早于患者m治愈，t
n
、t
m
分别表示患者n、患者m的真实治愈时间，分别表示患者n、患者m的特征向量，I
n
、I
m
分别表示患者n、患者m的CT影像数据，分别表示患者n、患者m的治疗方案。
[0029]第二方面，提供了一种基于深度学习和可解释机制的预后预测模型，使用第一方面提供的的建模方法构建得到，包括：
[0030]输入层，用于输入患者的治疗方案、影像数据、离散型数据、连续型数据；
[0031]卷积神经网络，用于将影像数据进行预处理，并把预处理后的影像数据输入到深度置信网络；
[0032]可解释性模块，用于对离散型数据、连续型数据进行加权特征选择，并把加权特征向量输入到深度置信网络；
[0033]深度置信网络，用于根据治疗方案、预处理影像数据、加权特征向量对患者的治愈、死亡事件发生概括进行预测。
[0034]由上述技术方案可知，本专利技术的有益技术效果如下：
[0035]1.能够较为准确的预测患者治愈或死亡事件的发生时间；
[0036]2.可用于对比不同患者的事件风险；
[0037]3.可以将输出的概率分布向量绘制成曲线图，直观地展示每个患者的风险。
附图说明
[0038]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0039]图1为本专利技术实施例的预后预测模型建模方法流程图；
[0040]图2为本专利技术实施例的可解释性模块的非线性子网络结构示意图；
[0041]图3为本专利技术实施例的预后预测模型结构示意图。
具体实施方式
[0042]下面将结合附图对本专利技术技术方案的实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和可解释机制的预后预测模型建模方法，其特征在于，包括以下步骤：对患者临床数据进行分类，得到影像数据、离散型数据和连续型数据；对影像数据使用图像识别技术进行预处理，得到预处理影像数据；将离散型数据和连续型数据输入到可解释性模块，得到加权特征向量；将治疗方案、预处理影像数据、加权特征向量输入到深度置信网络进行训练，得到预后预测模型。2.根据权利要求1所述的基于深度学习和可解释机制的预后预测模型建模方法，其特征在于，所述对影像数据使用图像识别技术进行预处理，包括：使用卷积神经网络分类模型对影像数据进行预处理。3.根据权利要求1所述的基于深度学习和可解释机制的预后预测模型建模方法，其特征在于，所述可解释性模块由全连接层FC和激活函数SeLU组成。4.根据权利要求1所述的基于深度学习和可解释机制的预后预测模型建模方法，其特征在于，在训练所述可解释性模块和所述深度置信网络时，损失函数包括删失患者损失函数、治愈患者损失函数、治愈患者一致性损失函数、死亡患者损失函数以及可解性模块L1正则化项；总损失函数如下：在上式中，表示删失患者损失函数，表示治愈患者损失函数，表示治愈患者一致性损失函数，表示死亡患者损失函数，表示可解释性模块L1正则化项，λ1‑
λ5表示每部分损失函数的权重。5.根据权利要求4所述的基于深度学习和可解释机制的预后预测模型建模方法，其特征在于，所述删失患者损失函数如下：在上式中，N
censor
表示删失患者样本数，σ
n
表示患者类型，t
n
表示删失患者的最后记录时间，表示特征向量，I
n
表示患者的CT影像数据，表示患者的治疗方案，N为患者总样本数。6.根据权利要求4所述的基于深度学习和可解释机制的预后预测模型建模方法，其特征在于，所述治愈...

【专利技术属性】
技术研发人员：王军，刘晨，程琳，王健，梁红琴，王薪钢，温茹，陈辉，张雨涵，李梦菲，蒋珍珍，
申请(专利权)人：中国人民解放军陆军军医大学第一附属医院，
类型：发明
国别省市：