基于多视图对齐的血透表征识别与并发症风险预测系统技术方案

本发明专利技术公开了一种基于多视图对齐的血透表征识别与并发症风险预测系统，包括用于采集和整理血透患者数据的数据准备模块，以及用于血透表征识别与并发症风险预测的血透表征识别模块。本发明专利技术采用多视图表征输入方法，获取患者的个体特征数据、用药数据、诊断数据以及检查数据，通过特征提取单元和多视图映射单元构建多种患者视图，提供患者的综合表示。本发明专利技术利用不同特征提取单元对不同类型患者数据进行特征提取，保留不同数据的语义信息，并通过构建不同视图的一致性损失项和互补性损失项，挖掘不同视图间潜在的互补性与一致性信息，获取更加完备且不冗余的特征表示，从而提升学习任务的性能。本发明专利技术能够为临床预测提供准确、有效的决策支持。有效的决策支持。有效的决策支持。

【技术实现步骤摘要】
基于多视图对齐的血透表征识别与并发症风险预测系统


[0001]本专利技术属于医疗健康信息
，尤其涉及一种基于多视图对齐的血透表征识别与并发症风险预测系统。

技术介绍

[0002]血液透析为急慢性肾功能衰竭重要治疗方案，通过弥散、超滤、吸附、对流原理，清除体内代谢废物，维持酸碱平衡，减轻患者肾脏压力。但是长期血透过程中发生并发症的风险较大，严重的并发症会危害患者生命安全，如果能够尽早的预测血透患者并发症的发生，并对患者进行对应的治疗干预，则会减轻或避免并发症的发生。因此，提高血透并发症预测能力，对改善血透患者的生存质量具有重大意义。
[0003]随着人工智能的兴起，越来越多的研究者使用深度神经网络或者机器学习方法来预测血透患者并发症的风险。目前在血透并发症的预测过程中，对患者的表征输入分为两种：
[0004]第一种是单视图表征输入方法。将患者的诊断视图或者临床检查视图作为预测模型的输入，预测血透患者发生并发症的风险。由于单视图只能从患者的一个角度来表示患者，无法提供患者的综合表示，从而无法实现出色的预测能力。
[0005]第二种是多视图表征融合输入方法。将患者的个体特征、临床检查等视图通过特征提取和融合后作为预测模型的输入，预测血透患者发生并发症的风险。虽然这种方法解决了单视图无法提供患者的综合表示问题，但目前的多视图表征融合输入方法都会损失特征间独立的语义信息，并且未充分利用特征间的关系，从而影响学习任务的性能。

技术实现思路

[0006]本专利技术的目的在于针对现有技术的不足，面向血透并发症预测场景，提供一种基于多视图对齐的血透表征识别与并发症风险预测系统，为临床预测提供准确、有效的决策支持。
[0007]本专利技术的目的是通过以下技术方案实现：一种基于多视图对齐的血透表征识别与并发症风险预测系统，该系统包括数据准备模块和血透表征识别模块；
[0008]所述数据准备模块用于获取血透患者数据，对数据进行清洗后，按照静态数据、一维时序数据和二维时序数据进行分类整合；
[0009]所述血透表征识别模块包括特征提取单元、多视图映射单元和风险预测单元；
[0010]所述特征提取单元用于对整合后的静态数据、一维时序数据和二维时序数据分别设置对应的特征提取单元进行不同的特征提取，得到不同的血透表征；
[0011]所述多视图映射单元用于将不同的血透表征映射到不同的患者视图；
[0012]所述风险预测单元用于根据患者视图进行并发症风险预测，所述风险预测单元的预测损失函数包括目标任务损失项、一致性损失项和互补性损失项，所述一致性损失项用于衡量不同患者视图输出之间的一致性差异，所述互补性损失项用于衡量不同患者视图血
透表征之间的互信息。
[0013]进一步地，所述数据准备模块获取的血透患者数据包括个体特征数据、用药数据、诊断数据、检查数据和医疗结果数据。
[0014]进一步地，二维时序数据特征提取单元包括两个双向长短期记忆网络、两个注意力层和表征对齐层组成；第一个双向长短期记忆网络用于捕捉患者一次血透过程中血压动态变化关系，第二个双向长短期记忆网络用于捕捉患者每次血透间的血压动态变化关系，每个双向长短期记忆网络后连接一个注意力层，通过表征对齐层保证各特征提取单元的特征表征长度相同。
[0015]进一步地，一维时序数据特征提取单元包括依次连接的双向长短期记忆网络、注意力层和表征对齐层组成；所述双向长短期记忆网络用于捕捉患者一维时序数据前后变化关系，通过表征对齐层保证各特征提取单元的特征表征长度相同。
[0016]进一步地，静态数据特征提取单元利用自动编码器构建，所述自动编码器包括编码器部分和解码器部分，对静态数据特征提取单元进行预训练，将静态数据进行独热编码后作为自动编码器输入，将均方误差作为自动编码器损失函数，使用随机梯度下降方法进行优化，待预训练完成后，取编码器部分用于静态数据的特征提取。
[0017]进一步地，所述多视图映射单元用于利用不同视图映射单元将不同的血透表征映射到不同的患者视图，所述患者视图包括个体特征视图、诊断视图、检查视图和用药视图。
[0018]进一步地，所述风险预测单元的目标任务损失项用于衡量目标任务真值和风险预测单元输出之间的差异，使用交叉熵损失。
[0019]进一步地，所述风险预测单元的一致性损失项使用KL散度度量不同患者视图输出之间的分布差异。
[0020]进一步地，所述风险预测单元的互补性损失项使用不同视图的血透表征之间互信息度量不同视图的血透表征含有的互补信息量。
[0021]进一步地，系统的训练包括两个阶段，第一阶段是预训练静态数据特征提取单元，并固定其参数；第二阶段是训练除静态数据特征提取单元外的其他单元，通过输入患者数据，计算风险预测单元的损失值，梯度反向传播更新风险预测单元、多视图映射单元、二维时序数据特征提取单元和一维时序数据特征提取单元的参数。
[0022]本专利技术的有益效果是：
[0023]1. 针对单视图表征输入方法无法提供患者的综合表示问题，本专利技术采用多视图表征输入方法，收集患者的个体特征数据、用药数据、诊断数据以及检查数据，通过特征提取单元和多视图映射单元构建多种患者视图，提供患者的综合表示。
[0024]2. 针对目前的多视图表征融合输入方法损失了特征间独立的语义信息和未充分利用特征间的关系问题，本专利技术利用不同特征提取单元对不同类型患者数据进行特征提取，保留不同数据的语义信息，并通过构建不同视图的一致性损失项和互补性损失项，挖掘不同视图间潜在的互补性与一致性信息，获取更加完备且不冗余的特征表示，从而提升学习任务的性能。
[0025]3. 本专利技术通过构建两个双向长短期记忆网络，提取二维时序数据不同时间维度的语义信息，获得的血透表征信息更加准确。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为一示例性实施例示出的基于多视图对齐的血透表征识别与并发症风险预测系统结构框图；
[0028]图2为一示例性实施例示出的血透表征识别模块结构图；
[0029]图3为一示例性实施例示出的二维时序数据特征提取单元结构图；
[0030]图4为一示例性实施例示出的双向长短期记忆网络结构图；
[0031]图5为一示例性实施例示出的一维时序数据特征提取单元结构图；
[0032]图6为一示例性实施例示出的自动编码器结构图；
[0033]图7为一示例性实施例示出的风险预测单元结构图。
具体实施方式
[0034]为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
[0035]应当明确，所描述的实施例仅仅是本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多视图对齐的血透表征识别与并发症风险预测系统，其特征在于，包括数据准备模块和血透表征识别模块；所述数据准备模块用于获取血透患者数据，对数据进行清洗后，按照静态数据、一维时序数据和二维时序数据进行分类整合；所述血透表征识别模块包括特征提取单元、多视图映射单元和风险预测单元；所述特征提取单元用于对整合后的静态数据、一维时序数据和二维时序数据分别设置对应的特征提取单元进行不同的特征提取，得到不同的血透表征；所述多视图映射单元用于将不同的血透表征映射到不同的患者视图；所述风险预测单元用于根据患者视图进行并发症风险预测，所述风险预测单元的预测损失函数包括目标任务损失项、一致性损失项和互补性损失项，所述一致性损失项用于衡量不同患者视图输出之间的一致性差异，所述互补性损失项用于衡量不同患者视图血透表征之间的互信息。2.根据权利要求1所述的基于多视图对齐的血透表征识别与并发症风险预测系统，其特征在于，所述数据准备模块获取的血透患者数据包括个体特征数据、用药数据、诊断数据、检查数据和医疗结果数据。3.根据权利要求1所述的基于多视图对齐的血透表征识别与并发症风险预测系统，其特征在于，二维时序数据特征提取单元包括两个双向长短期记忆网络、两个注意力层和表征对齐层组成；第一个双向长短期记忆网络用于捕捉患者一次血透过程中血压动态变化关系，第二个双向长短期记忆网络用于捕捉患者每次血透间的血压动态变化关系，每个双向长短期记忆网络后连接一个注意力层，通过表征对齐层保证各特征提取单元的特征表征长度相同。4.根据权利要求1所述的基于多视图对齐的血透表征识别与并发症风险预测系统，其特征在于，一维时序数据特征提取单元包括依次连接的双向长短期记忆网络、注意力层和表征对齐层组成；所述双向长短期记忆网络用于捕捉患者一维时序数据前后变化关系，通过表征对齐层保证各特征提取单元的特征...

【专利技术属性】
技术研发人员：李劲松，王丰，朱伟伟，池胜强，田雨，
申请(专利权)人：之江实验室，
类型：发明
国别省市：