一种基于机器学习的弱视矫治效果预测方法、装置及设备制造方法及图纸

本申请公开了一种基于机器学习的弱视矫治效果预测方法、装置及设备，方法包括：获取弱视矫治相关数据，弱视矫治相关数据包括患者基础信息、裸眼视力、球镜度数和矫治措施；采用随机森林算法基于决策树对弱视矫治相关数据进行特征筛选分析，得到特征集；将特征集分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果。本申请能够解决现有技术难以预见当前弱视矫治方案的治疗效果，无法控制并避免误诊耽误治疗时机的技术问题。题。题。

【技术实现步骤摘要】
一种基于机器学习的弱视矫治效果预测方法、装置及设备


[0001]本申请涉及医疗数据处理
，尤其涉及一种基于机器学习的弱视矫治效果预测方法、装置及设备。

技术介绍

[0002]弱视严重影响青少年儿童学习生活，弱视如得不到及时治理，会导致患者终身视力受损，给家庭和社会带来沉重负担。然而，弱视眼在矫治上存在病程长、矫治落实难度大，患者年龄越小，矫治效果越好等特点。因此，青少年儿童弱视矫治是一个争分夺秒的过程。但在临床场景下，医生只有在拥有丰富的临床经验和学习较多临床研究报告之后，才能开出较好的矫治方案和对矫治效果有较为粗略的估计。
[0003]弱视患者矫治整体方案包括具体矫治措施制定，矫治效果预测以及复诊安排等，高度依赖医生的丰富临床经验，还需要消耗医生较多的时间和精力。此外，我国医疗资源分布很不均衡，每次诊治弱视患者，对乡镇社区卫生机构及欠发达地区县一二级医院在内的基层眼科医生来说都是一次“大数据”的挑战。相比起人脑的记忆分析，机器学习可以帮助分析预测，从而辅助医生做出更合理的决策。毫无疑问，弱视矫治效果预测无论是对初诊病人，还是复诊病人都至关重要。因为：弱视矫治效果预测可以帮助制定更精准的矫治方案；有助于避免因诊断错误与处理不当使患者错过治疗时机。

技术实现思路

[0004]本申请提供了一种基于机器学习的弱视矫治效果预测方法、装置及设备，用于解决现有技术难以预见当前弱视矫治方案的治疗效果，无法控制并避免误诊耽误治疗时机的技术问题。
[0005]有鉴于此，本申请第一方面提供了一种基于机器学习的弱视矫治效果预测方法，包括：获取弱视矫治相关数据，所述弱视矫治相关数据包括患者基础信息、裸眼视力、球镜度数和矫治措施；采用随机森林算法基于决策树对所述弱视矫治相关数据进行特征筛选分析，得到特征集；将所述特征集分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果。
[0006]优选地，所述获取弱视矫治相关数据，之后还包括：对所述弱视矫治相关数据进行第一预处理操作，所述第一预处理操作包括缺失值处理。
[0007]优选地，所述获取弱视矫治相关数据，之后还包括：对所述弱视矫治相关数据进行第二预处理操作，所述第二预处理操作包括离散化处理和One
‑
hot编码处理。
[0008]优选地，所述采用随机森林算法基于决策树对所述弱视矫治相关数据进行特征筛选分析，得到特征集，包括：采用随机森林算法计算每颗决策树中所述弱视矫治相关数据对应的样本特征的重要性；将所有的所述样本特征的重要性进行降序排列，并按照预设百分比筛选所述样本特征，得到特征集。
[0009]优选地，所述将所述特征集分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果，包括：将所述特征集分别输入多种不同的基础预测模型中进行效果预测，得到基础预测结果；基于预设线性融合公式和所述基础预测结果计算融合结果，得到预测结果，所述预设线性融合公式包括融合权重。
[0010]本申请第二方面提供了一种基于机器学习的弱视矫治效果预测装置，包括：数据获取单元，用于获取弱视矫治相关数据，所述弱视矫治相关数据包括患者基础信息、裸眼视力、球镜度数和矫治措施；特征筛选单元，用于采用随机森林算法基于决策树对所述弱视矫治相关数据进行特征筛选分析，得到特征集；效果预测单元，用于将所述特征集分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果。
[0011]优选地，还包括：第一预处理单元，用于对所述弱视矫治相关数据进行第一预处理操作，所述第一预处理操作包括缺失值处理。
[0012]优选地，还包括：第二预处理单元，用于对所述弱视矫治相关数据进行第二预处理操作，所述第二预处理操作包括离散化处理和One
‑
hot编码处理。
[0013]优选地，所述特征筛选单元，具体用于：采用随机森林算法计算每颗决策树中所述弱视矫治相关数据对应的样本特征的重要性；将所有的所述样本特征的重要性进行降序排列，并按照预设百分比筛选所述样本特征，得到特征集。
[0014]本申请第三方面提供了一种基于机器学习的弱视矫治效果预测设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于机器学习的弱视矫治效果预测方法。
[0015]从以上技术方案可以看出，本申请实施例具有以下优点：本申请中，提供了一种基于机器学习的弱视矫治效果预测方法，包括：获取弱视矫治相关数据，弱视矫治相关数据包括患者基础信息、裸眼视力、球镜度数和矫治措施；采用随机森林算法基于决策树对弱视矫治相关数据进行特征筛选分析，得到特征集；将特征集
分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果。
[0016]本申请提供的基于机器学习的弱视矫治效果预测方法，以机器学习为基础，获取弱视矫治相关数据，这些数据除了包括患者基础信息，还包括一些客观检测信息，例如裸眼视力和球镜度数等；然后采用随机森林算法基于弱视矫治相关数据进行特征筛选分析，确保特征提取的准确性；在效果预测阶段，采用多种不同的预测模型进行融合性预测，从而得到更加可靠的预测结果。因此，本申请能够解决现有技术难以预见当前弱视矫治方案的治疗效果，无法控制并避免误诊耽误治疗时机的技术问题。
附图说明
[0017]图1为本申请实施例提供的一种基于机器学习的弱视矫治效果预测方法的流程示意图；图2为本申请实施例提供的一种基于机器学习的弱视矫治效果预测装置的结构示意图。
具体实施方式
[0018]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
[0019]为了便于理解，请参阅图1，本申请提供的一种基于机器学习的弱视矫治效果预测方法的实施例，包括：步骤101、获取弱视矫治相关数据，弱视矫治相关数据包括患者基础信息、裸眼视力、球镜度数和矫治措施。
[0020]本实施例中的数据筛选自中山大学中山眼科中心与罗定市人民医院合作的CREST项目，具体的筛选自2014~2022年期间该项目长期随访的屈光性弱视青少年儿童患者数据。筛选的弱视矫治相关数据的属性包括患者基础信息，例如性别、年龄、就诊时间等，还有一些客观检测信息，例如裸眼视力、球镜度数、柱镜度数、柱镜轴位和眼压等，还有类似于最佳矫正视力这样的基准数据，以及矫治措施等。其中，矫治措施包括配镜、遮眼、精细目力训练、视功能训练、放松睫状肌、增强眼肌肌力与眼部调节力等操作。矫治措施可以通过数据化的方式描述表达，便于后续的数据分析和效果预测，具体的数据转换方法在此不作限定。
[0021]进一步地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的弱视矫治效果预测方法，其特征在于，包括：获取弱视矫治相关数据，所述弱视矫治相关数据包括患者基础信息、裸眼视力、球镜度数和矫治措施；采用随机森林算法基于决策树对所述弱视矫治相关数据进行特征筛选分析，得到特征集；将所述特征集分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果。2.根据权利要求1所述的基于机器学习的弱视矫治效果预测方法，其特征在于，所述获取弱视矫治相关数据，之后还包括：对所述弱视矫治相关数据进行第一预处理操作，所述第一预处理操作包括缺失值处理。3.根据权利要求1所述的基于机器学习的弱视矫治效果预测方法，其特征在于，所述获取弱视矫治相关数据，之后还包括：对所述弱视矫治相关数据进行第二预处理操作，所述第二预处理操作包括离散化处理和One
‑
hot编码处理。4.根据权利要求1所述的基于机器学习的弱视矫治效果预测方法，其特征在于，所述采用随机森林算法基于决策树对所述弱视矫治相关数据进行特征筛选分析，得到特征集，包括：采用随机森林算法计算每颗决策树中所述弱视矫治相关数据对应的样本特征的重要性；将所有的所述样本特征的重要性进行降序排列，并按照预设百分比筛选所述样本特征，得到特征集。5.根据权利要求1所述的基于机器学习的弱视矫治效果预测方法，其特征在于，所述将所述特征集分别输入多种不同的基础预测模型中进行效果预测，再进行融合操作，得到预测结果，包括：将所述特征集分别输入多种不同的基础预测模型中进行效果预测，得到基础预测结果；基于预设线性融合公式和所述基础预测结果计算融合结果，得到预测结果，所...

【专利技术属性】
技术研发人员：成天河，张立臣，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：