基于迁移学习的青少年IgA肾病的预测分析系统技术方案

本发明专利技术公开了一种基于迁移学习的青少年IgA肾病的预测分析系统，该系统包括依次连接的数据采集模块、数据预处理模块、数据归一化模块、迁移学习方法的模型训练模块、模型预测模块和报告生成模块；数据采集模块采集数据；数据预处理模块用于数据增强等；数据归一化模块将数据进行归一化；模型训练模块训练肾病预测模型；模型预测模块预测肾病恶化概率；报告生成模块输出肾病恶化情况分析报告。本发明专利技术将成年患者中传统肾病检查中的临床数据与青少年患者的临床数据结合起来，检查效果更准确，运用人工智能算法自动比较分析，提高青少年患者预测效率；通过比较不同年龄的患者的检查数据，有助于医生掌握疾病发展规律，有利于治疗与预后。与预后。与预后。

【技术实现步骤摘要】
基于迁移学习的青少年IgA肾病的预测分析系统


[0001]本专利技术涉及机器学习领域，尤其涉及一种基于迁移学习的面向青少年IgA肾病的预测分析系统。

技术介绍

[0002]IgA全称指(Immunoglobulin A，即免疫球蛋白A)。IgA肾病是全世界最常见的免疫性肾小球肾炎；各个年龄段都有发病，但高峰在20
‑
40岁。迄今为止，发病的机制尚不清楚，疾病预测仍依赖于肾活检这项有创操作，虽然经过积极治疗，目前仍有高达20％
‑
30％的患者可能恶化至终末期肾病(尿毒症)。因此我们结合机器学习，采取有效手段预测IgA肾病的青少年患者的恶化情况，有重要的科学意义和现实意义。
[0003]但是，由于青少年的发病率较低，用于训练机器学习模型的相关样本较少，难以通过数据驱动的方式为机器学习模型提供充分的训练样本，会造成模型预测精度的显著下降，使得模型对于青少年患者的临床样本的特征预测呈现欠拟合。
[0004]现有的利用机器学习的IgA肾病预测系统采取的判断途径主要是通过数据驱动的方式来训练IgA肾病预测模型。但是，由于青少年恶化率较低，难以对肾病预测分析系统提供充足的样本。如果使用全部年龄的样本来训练青少年肾病预测系统，一方面会引入关于成年患者的样本偏置，从而使得面向青少年预测系统的泛化性不强，另一方面，由于肾病预测衡量的指标多样复杂，不可避免的会引入训练噪声。但在重要的病理特征上，青少年和成年人存在一致性。因此本专利技术利用迁移学习技术，利用青少年和成年人肾病数据的域分布差异，在数据效率上，改进青少年肾病预测。
[0005]本专利技术利用迁移学习的技术方法，提供综合考虑青少年患者的临床病理数据和历史成年患者的病理数据以及恶化状态的肾病预测系统，并基于该系统提供预测青少年患者IgA肾病恶化的概率的装置，使得预测结果相对更加准确。

技术实现思路

[0006]本专利技术的目的是提供一套基于迁移学习的青少年IgA肾病恶化预测的分析系统，即基于迁移学习的青少年IgA肾病的预测分析系统，该系统综合运用青少年和成年历史临床检查数据，面向青少年患者是否恶化为终末期肾病(尿毒症)，采用迁移学习技术进行评估。该预测分析系统包含样本数据采集模块，数据预处理模块，数据归一化模块，基于迁移学习方法的模型训练模块，模型预测模块以及报告展示模块。通过样本数据采集模块中的临床病理采集装置采集数据，随后，在模型训练模块中，基于迁移学习方法训练得到青少年IgA肾病恶化概率预测模型；通过模型预测模块利用训练得到的概率预测模型预测新的临床样本的病情恶化概率；最后，报告生成展示装置生成临床样本的病情恶化概率预测报告。
[0007]其中，针对青少年患者临床样本不足的问题，基于迁移学习方法的预测系统通过临床病理数据预测患者IgA肾病恶化的概率，使得预测的结果更加准确。并通过预测报告分析设备生成患者IgA肾病恶化概率的预测报告。
[0008]本专利技术提出了一种基于迁移学习的面向青少年IgA肾病的预测分析系统，该系统包含以下模块：
[0009]1、数据采集模块：采集青少年(IgA)患者样本的临床检查数据和病理检查数据以及青少年患者样本对应的恶化标签、成年(IgA)患者样本的临床检查数据和病理检查数据，以及成年患者样本对应的恶化标签。
[0010]青少年患者数量和成年患者数量大致为1：1；
[0011]所述临床检查数据，即通过相关医疗仪器对青少年患者或成年患者采集血液样本进行血液检查和采集尿液样本进行尿液检查得到的化验单数据，包含血肌酐、肾小球滤过率、血压、尿酸等数据；
[0012]所述病理检查数据，即通过对青少年患者或成年患者的肾脏进行切片进行活体检查得到的与所患肾脏病相关的数据，包含M、E、S、T、C五类指标，其中，M(Mesangial hyperc ellularity)表示系膜细胞增生：超过50％的肾小球存在系膜细胞增生则为M1，否则为M0；E(Endocapillary hypercellularity)表示毛细血管内皮细胞增生：如果有毛细血管内皮细胞增生则为E1，否则为E0；S(Segmental glomerulosclerosis)表示肾小球节段硬化：如果有肾小球节段硬化或黏连为S1，否则为S0；T(Tubular atrophy/interstitial fibrosis)表示肾小管萎缩或肾间质纤维化：T0表示肾小管萎缩或肾间质纤维化的比例小于25％，T1表示肾小管萎缩或肾间质纤维化的比例大于25％小于50％，T2表示肾小管萎缩或肾间质纤维化的比例超过50％；C(Cellular fibrocellular crescents)表示细胞性或纤维细胞性新月体：C0表示不存在细胞性或纤维细胞性新月体，C1表示存在小于25％的肾小球存在细胞性或纤维细胞性新月体，C2表示存在超过25％的肾小球细胞性或纤维细胞性新月体；
[0013]所述恶化标签，即IgA肾病是否恶化，即是否达到终末期肾病或eGFR(肾小球滤过率)下降大于50％。其中，终末期肾病指eGFR＜15ml/min/1.73m2或开始进行肾脏替代治疗的时间持续3个月以上。
[0014]2、数据预处理模块：对青少年患者和成年患者的临床检查数据和病理检查数据进行数据增强预处理，并剔除有数据缺失的样本，最终得到可用于后续模型训练及预测的临床检查数据特征和病理检查数据特征表示，再将二者进行直接拼接组合，构成下文统称的临床数据特征，作为后续模型训练及测试的输入数据，患者(包括青少年患者和成年患者)的临床数据特征表示为F＝[f1,f2,
…
,f
n
]。其中，f
i
表示第i个特征，n表示共有n个特征。将恶化标签处理为1和0的二分类标签Y，作为后续模型训练及测试的标签，其中1表示患者IgA肾病恶化，0表示IgA肾病没有恶化。
[0015]所述数据增强包含对样本数据的增广。
[0016]3、数据归一化模块：接着，将得到的患者(包括青少年患者和成年患者)临床数据特征F进行数据归一化操作，最终得到可用于后续模型训练及测试的(青少年患者和成年患者)数据集。所述数据集中的每一个数据样本包括该患者(可以是青少年患者或成年患者)归一化后的临床数据特征及该患者对应的恶化标签。最终的面向青少年的IgA肾病预测模型的数据集由训练集和测试集两部分构成。其中训练集由成年患者的全部数据集样本以及青少年患者的70％的数据集样本构成，测试集由青少年患者的30％的数据集样本构成。
[0017]所述数据归一化指通过如下公式将临床数据特征F映射到0
‑
1之间，避免因为数据范围相差过大，增加模型训练的难度。
[0018][0019]上式中，f
i
表示对应患者的临床数据特征表示为F中的第i个临床数据特征，f
min
表示所有患者(包括青少年患者和成年患者)的第i个临床数据特征的最小值，f
max
表示所有患者(包括青少年患本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的青少年IgA肾病的预测分析系统，其特征在于，该系统包括数据采集模块、数据预处理模块、数据归一化模块、迁移学习方法的模型训练模块、模型预测模块和报告生成模块；其中，所述数据采集模块用于采集青少年患者样本的临床检查数据和病理检查数据以及青少年患者样本对应的恶化标签、成年患者样本的临床检查数据和病理检查数据，以及成年患者样本对应的恶化标签；所述数据预处理模块用于对青少年患者和成年患者的临床检查数据和病理检查数据进行数据增强，并剔除有数据缺失的样本，最终得到用于后续模型训练及预测的临床检查数据特征和病理检查数据特征表示，再将临床检查数据特征和病理检查数据特征二者进行直接拼接组合，构成临床数据特征，作为后续模型训练及测试的输入数据，患者的临床数据特征表示为F＝[f1,f2,
…
,f
n
]，其中，f
i
表示第i个特征，n表示共有n个特征；将恶化标签处理为1和0的二分类标签Y，作为后续模型训练及测试的标签，其中1表示患者IgA肾病恶化，0表示IgA肾病没有恶化；其中，患者包括青少年患者和成年患者；所述数据归一化模块用于将得到的患者临床数据特征F进行数据归一化操作，最终得到用于后续模型训练及测试的数据集，所述数据集中的每一个数据样本包括患者归一化后的临床数据特征及该患者对应的恶化标签，所述数据集由训练集和测试集两部分构成，其中训练集由成年患者的全部数据集样本以及青少年患者的70％的数据集样本构成，测试集由青少年患者的30％的数据集样本构成；所述数据归一化指通过如下公式将临床数据特征F映射到0
‑
1之间，避免因为数据范围相差过大，增加模型训练的难度；上式中，f
i
表示对应患者的临床数据特征表示为F中的第i个特征，f
min
表示包括青少年患者和成年患者在内的所有患者中第i个特征的最小值，f
max
表示包括青少年患者和成年患者在内的所有患者中第i个特征的最大值；x
i
表示第i个特征被归一化之后的标准特征值，最终归一化之后的临床数据特征表示为X＝[x1,x2,
…
,x
n
]；并将成年患者的恶化情况的概率表示为所述迁移学习方法的模型训练模块通过迁移学习方法，训练构建的面向青少年的IgA肾病预测模型，用于后续的青少年患者样本恶化概率预测；所述面向青少年的IgA肾病预测模型采用迭代训练方法进行训练，对于一个给定的输入的训练集数据样本，将临床数据特征分别输入面向青少年的IgA肾病预测模型中的肾病预测分类器和数据域分类器中，其中，数据域分类器用于判断输入的数据样本是来自成年患者还是青少年患者，当输入数据样本为成年患者时，肾病预测分类器用于判断成年患者的患病情况；当输入数据样本为青少年患者时，面向青少年的IgA肾病预测模型只需要计算数据域分类器的损失函数最终，使用所述肾病预测分类器的损失函数对所述面向青少年的IgA肾病预测模型进行训练；当面向青少年的IgA肾病预测模型的精度满足预设阈值要求，停止训练；其中，所述面向青少年的IgA肾病预测模型在训练过程中，使用损失函数其中，为肾病预测分类损失函数，该损失函数用于对比模型预测的成
年患者的恶化概率与成年患者的恶化标签，因此仅适用于成年患者样本，为数据域分类器的对抗损失函数；的表示如下：上式中，Y表示成年患者数据集样本的真实的恶化标签，表示成年患者数据集样本的模型预测的肾病恶化概率；所述数据域分类器的对抗损失函数如下：上式中，D
i
′
表示第i
′
个训练集数据样本的数据域标签，当D
i
′
＝0时，表示来自成年患者的数据域，即源域；而当D
i
′
＝1时，表示来自青少年患者的数据域，即目标域；p
i
′
表示对第i
′
个样本的所属的数据域的预测概率，log表示以e为底的对数；则最终的面向青少年的IgA肾病预测模型的损失函数表示如下：所述模型预测模块使用所述迁移学习方法的模型训练模块中训练得到的面向青少年的IgA肾病预测模型来预测临床样本的IgA肾病恶化概率；在采用训练得到的面向青少年的IgA肾病预测模型进行预测时，只需要使用肾病预测分类器，对于测试集数据样本，输入数据预处理模块得到待测试的青少年患者数据集样本的临床数据特征，将得到的青少年患者数据集样本的...

【专利技术属性】
技术研发人员：段立新，李文，刘丹蕾，魏凡越，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：