基于全连接特征融合卷积神经网络的急性肾损伤预测方法技术

本发明专利技术公开了基于全连接特征融合卷积神经网络的急性肾损伤预测方法，能够更加精准地预测AKI，包括：步骤1，根据病人生理特征得到原始数据集；步骤2，搭建全连接特征融合卷积神经网络；步骤3，对原始数据集进行预处理，包括填空值以及归一化处理；步骤4，用集成学习方法对预处理后的数据集进行采样，并分别送入各个基分类器当中进行分类学习；步骤5，对各个基分类器的输出结果通过投票机制最终判定是否会发生AKI。生AKI。生AKI。

【技术实现步骤摘要】
基于全连接特征融合卷积神经网络的急性肾损伤预测方法


[0001]本专利技术涉及神经网络
，具体涉及基于全连接特征融合卷积神经网络的急性肾损伤预测方法。

技术介绍

[0002]急性肾损伤(Acute Kidney Injury，AKI)是一种由多种病因引起的复杂综合征，以血清肌酐升高或尿量减少为特征，是住院患者的常见并发症，常见于重症监护病房(Intensive Care Unit，ICU)的成年人，可能会导致肾脏恶化。近几十年来，随着人口老龄化和人口数量的增长，AKI的发病率呈上升趋势。尽管AKI的死亡率有所下降，但住院患者的死亡率仍有15％，危重患者的死亡率甚至超过50％。因此，AKI的早期预测在医学疾病预测方面具有很重要的意义，如果能够早期检测出一些患者的潜在患病风险，将有效的降低发病率和死亡率，因此近年来也受到越来越多的学者的关注和研究。
[0003]其中大部分是基于机器学习方法来进行AKI的预测，主要方法是将原始数据集直接送入到各种机器学习方法当中进行有监督的学习。例如：使用逻辑回归、随机森林或者多层感知机，通过患者入住ICU第一天的一些生理数据来进行AKI发病率的预测。还使用了K近邻、XGBoost模型等进行12、24、48以及72小时AKI发病预测。还有一些工作是基于深度学习技术对AKI进行预测，例如使用CNN、RNN、自校正的深度学习预测方法等，进行12、48小时AKI发病预测。当前各种方法对AKI的预测精度还不是很高。

技术实现思路

[0004]为了解决现有技术中的问题，本专利技术提供了基于全连接特征融合卷积神经网络的急性肾损伤预测方法，能够更加精准地预测AKI。
[0005]为了实现以上目的，本专利技术所采用的技术方案包括以下步骤：
[0006]步骤1，根据病人生理特征得到原始数据集；
[0007]步骤2，搭建全连接特征融合卷积神经网络；
[0008]步骤3，对原始数据集进行预处理，包括填空值以及归一化处理；
[0009]步骤4，用集成学习方法对预处理后的数据集进行采样，并分别送入各个基分类器当中进行分类学习；
[0010]步骤5，对各个基分类器的输出结果通过投票机制最终判定是否会发生AKI。
[0011]进一步地，所述步骤1中以病人的电子健康记录为原始数据集。
[0012]进一步地，所述全连接特征融合卷积神经网络包括：
[0013]全连接特征融合模块，使用全连接网络模型对数据进行特征融合，生成用以表示原始特征的特征矩阵；
[0014]基分类器模块，使用卷积神经网络对特征融合之后的特征矩阵进行学习并判定是否会发生AKI；
[0015]集成学习模块，使用集成学习方法来对数据进行采样，并送入到各个基分类器当
中进行分类学习和判定，然后对基分类器结果进行综合判定，输出最终结果。
[0016]进一步地，所述全连接特征融合模块的第一层的每个神经元连接着原始特征向量中位于不同位置的所有元素，随后使用3个完整的全连接层来充分融合病人的特征信息，最后将其输出重构为二维矩阵，在送入到卷积神经网络当中进行学习和分类。
[0017]进一步地，所述全连接特征融合模块进行原始一维数据的特征融合，表示为：
[0018][0019]其中，β
j
表示对应某一层第j个神经元的输出，w
hj
表示连接上一层各个神经元的权重，b
h
表示上一层的第h个神经元。
[0020]进一步地，所述基分类器模块的输入是全连接特征融合模块的输出，基分类器模块经过16个卷积核的二维卷积将输入特征矩阵由单通道变为多通道；然后经过一个最大池化层将其大小裁剪为原来的一半，随后传入多个残差模块。
[0021]进一步地，所述基分类器模块的其中4个残差模块的卷积核的数量分别为(16，16)、(32，32)、(32，32)和(64，64)，即18层Resnet网络结构部分，残差模块计算公式如下：
[0022]x
l+1
＝x
l
+F(x
l
,W
l
)
[0023]其中，x
l
是直接映射，F(x
l
,W
l
)是残差部分，由两个卷积操作完成，经过残差模块之后再将特征进行展平之后送入两个全连接层，目的是将高维的特征映射到一维空间，最后在经过sigmoid层，得到对某一个样本的预测输出。
[0024]进一步地，所述基分类器模块使用的损失函数为二元交叉熵损失函数，定义为：
[0025][0026]其中，y
n
表示输入数据的期望标签，x
n
表示模块输出结果，即是否发生AKI的概率。
[0027]进一步地，所述集成学习模块的集成学习方法包括：首先使用k个独立的均衡数据集来训练k个基分类器，然后将结果进行整合，最后通过投票机制做出最终预测；
[0028]得到k个独立均衡数据集的方法包括：首先对多数类样本进行k次随机重采样，得到k个具有相同AKI标签的不同的样本组，采样之后的各个数据集都是类别平衡的数据集，随后再将其送入网络模型中。
[0029]进一步地，所述投票机制采用绝对投票法，计算公式如下：
[0030][0031]其中，H(x)表示对于输入的数据x的最终预测结果，表示第p个基分类器的预测结果，函数结果意味着如果超过一半基分类器判定结果为是，则最终结果即为是；或者超过一半基分类器判定结果为否，则最终结果即为否。
[0032]与现有技术相比，本专利技术以病人的电子健康记录为数据集，通过特征融合技术，使用全连接网络把原始数据转换为更有利于神经网络学习的特征矩阵，解决了原始一维表格数据上特征排列顺序对神经网络判定结果的影响问题。同时使用集成学习方法解决了原始
数据不平衡的问题，通过投票机制得出最终AKI预测结果。提出的基于全连接网络的特征融合模型，把离散原始数据重塑为特征矩阵形式，避免了原始数据特征的组合顺序影响判定结果；采用了集成学习方法解决了原始数据类别不平衡问题，通过投票机制得出模型最终AKI预测结果，提高了准确率。
附图说明
[0033]图1是全连接特征融合模块示意图；
[0034]图2是基分类器模块示意图；
[0035]图3是集成学习模块示意图；
[0036]图4是投票机制预测示意图。
具体实施方式
[0037]下面结合说明书附图和具体的实施例对本专利技术作进一步地解释说明，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0038]本专利技术提供了基于全连接特征融合卷积神经网络的急性肾损伤预测方法，能够更精准地通过ICU等电子健康记录数据预测AKI，使用全连接神经网络进行特征融合并结合集成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于全连接特征融合卷积神经网络的急性肾损伤预测方法，其特征在于，包括以下步骤：步骤1，根据病人生理特征得到原始数据集；步骤2，搭建全连接特征融合卷积神经网络；步骤3，对原始数据集进行预处理，包括填空值以及归一化处理；步骤4，用集成学习方法对预处理后的数据集进行采样，并分别送入各个基分类器当中进行分类学习；步骤5，对各个基分类器的输出结果通过投票机制最终判定是否会发生AKI。2.根据权利要求1所述的基于全连接特征融合卷积神经网络的急性肾损伤预测方法，其特征在于，所述步骤1中以病人的电子健康记录为原始数据集。3.根据权利要求1所述的基于全连接特征融合卷积神经网络的急性肾损伤预测方法，其特征在于，所述全连接特征融合卷积神经网络包括：全连接特征融合模块，使用全连接网络模型对数据进行特征融合，生成用以表示原始特征的特征矩阵；基分类器模块，使用卷积神经网络对特征融合之后的特征矩阵进行学习并判定是否会发生AKI；集成学习模块，使用集成学习方法来对数据进行采样，并送入到各个基分类器当中进行分类学习和判定，然后对基分类器结果进行综合判定，输出最终结果。4.根据权利要求3所述的基于全连接特征融合卷积神经网络的急性肾损伤预测方法，其特征在于，所述全连接特征融合模块的第一层的每个神经元连接着原始特征向量中位于不同位置的所有元素，随后使用3个完整的全连接层来充分融合病人的特征信息，最后将其输出重构为二维矩阵，再送入到卷积神经网络当中进行学习和分类。5.根据权利要求4所述的基于全连接特征融合卷积神经网络的急性肾损伤预测方法，其特征在于，所述全连接特征融合模块进行原始一维数据的特征融合，表示为：其中，β
j
表示对应某一层第j个神经元的输出，w
hj
表示连接上一层各个神经元的权重，b
h
表示上一层的第h个神经元。6.根据权利要求3所述的基于全连接特征融合卷积神经网络的急性肾损伤预测方法，其特征在于，所述基分类器模块的输入是全连接特征融合模块的输出，基分类器模块经过16个卷积核的二维卷积将输入特征矩阵由单通道变为多通道；然后经过一...

【专利技术属性】
技术研发人员：鲍军鹏，陆浩杰，鲍新宏，
申请(专利权)人：陕西霖桥实业有限公司，
类型：发明
国别省市：