一种预测肝移植进展与转归的机器学习方法及系统技术方案

本发明专利技术提供一种预测肝移植进展与转归的机器学习方法及系统，所述系统包括数据获取模块

【技术实现步骤摘要】
一种预测肝移植进展与转归的机器学习方法及系统


[0001]本专利技术涉及肝移预测
，尤其涉及一种预测肝移植进展与转归的机器学习方法及系统
。

技术介绍

[0002]肝脏是人体含酶最丰富的器官，其病理状态常导致酶的血清浓度发生改变，肝脏生化试验
(LBT
，俗称肝功能试验
)
是判断有无肝损害
、
评估肝病严重程度
、
追踪肝病进展以及判断治疗效果和预后的重要方法
。
转归是指病情的转移和发展的意思
。
比如病情的恶化或好转，以及扩散或减轻
。
一般疾病发展过程常可分为四期：潜伏期
、
前驱期
、
症状明显期
、
转归期
。
[0003]目前的现有的机器学习预测模型将肝移植过程看作以肝移植过程的临床表现为特征的统计分类预测问题，根据临床表现建立样本特征空间，将已有的病历样本特征和对应的标记作为训练集合，采用统计分析模型训练分类预测函数，从而可以对新病例进行预测分析
。
[0004]缺点：现有的技术方案主要是针对肝肿瘤的图像分析预测，在肝移植方面还未有完整的人工智能
+
多元数据的系统方案出现，依然是依赖经验丰富的医生人工排查以及定时复检，本专利技术提供人工智能
、
多元数据的机器学习算法与系统可以给医生提供更可靠的分析，减少肝功能影像和血液动力学参数的判断时间
。
专利
技术实现思路

[0005]鉴以此，本专利技术的目的在于提供一种预测肝移植进展与转归的机器学习方法及系统，以至少解决以上问题
。
[0006]本专利技术第一方面采用的技术方案如下：
[0007]一种预测肝移植进展与转归的机器学习方法，所述方法应用于预测肝移植进展与转归的机器学习系统，所述系统包括数据获取模块
、
分析模块
、
学习模块
、
可视化模块和预测模块，所述方法包括以下步骤：
[0008]S1、
通过数据获取模块获取肝移植患者肝脏检测数据；
[0009]S2、
通过分析模块将肝脏检测数据进行分析；
[0010]S3、
通过学习模块将分析模块对肝脏检测数据的分析结果进行机器学习；
[0011]S4、
通过可视化模块展示学习模块的学习结果；
[0012]S5、
预测模块依据学习模块的学习结果进行肝脏的进展与转归预测
。
[0013]进一步的，在步骤
S1
中，通过数据获取模块获取肝移植患者肝脏检测数据还包括子步骤：
[0014]S11、
数据获取模块获取肝移植患者的肝脏超声检测图像和肝功能检查参数；
[0015]S12、
对肝脏超声检测图像进行语义分割形成结构化评估分层的参数
。
[0016]进一步的，在步骤
S2
中，通过分析模块将肝脏检测数据进行分析具体为：
[0017]分析模块将肝脏超声检测图像的结构化评估分层的参数和肝功能检查参数进行标化处理并归档到数据库
。
[0018]进一步的，在步骤
S3
中，通过学习模块将分析模块对肝脏检测数据的分析结果进行机器学习具体为：
[0019]学习模块利用机器学习算法模型对标化处理的结构化评估分层的参数和肝功能检查参数进行分析并且筛选出关键指标数据
。
[0020]进一步的，在步骤
S4
中，通过可视化模块展示学习模块的学习结果具体为：
[0021]可视化模块通过绘制多维标化处理的结构化评估分层的参数和肝功能检查参数数据的趋势分析图及关键指标数据的可视化趋势图
。
[0022]进一步的，在步骤
S5
中，预测模块依据学习模块的学习结果进行肝脏的进展与转归预测具体为：
[0023]预测模块依据绘制多维标化处理的结构化评估分层的参数和肝功能检查参数数据的趋势分析图及关键指标数据的可视化趋势图进行肝移植患者进展与转归情况预测
。
[0024]本专利技术第二方面采用的技术方案如下：
[0025]一种预测肝移植进展与转归的机器学习系统，所述系统系统用于执行第一方面所述的方法，所述系统包括数据获取模块
、
分析模块
、
学习模块
、
可视化模块和预测模块
。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]本专利技术提出一种预测肝移植进展与转归的机器学习方法及系统，能够从图像评估分层
、
血流动力学
、
肝功能的参数等多元数据最大限度提取到有用的特征信息，可对肝移植术后患者进行全面高效的实时监测，为医生提供可靠的数据分析，帮助医生更快速的提取有用信息
。
附图说明
[0028]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述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优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0029]图1是本专利技术实施例提出的一种预测肝移植进展与转归的机器学习方法整体流程示意图
。
具体实施方式
[0030]以下结合附图对本专利技术的原理和特征进行描述，所列举实施例只用于解释本专利技术，并非用于限定本专利技术的范围
。
[0031]实施例一
[0032]参照图1，本专利技术提供一种预测肝移植进展与转归的机器学习方法，所述方法应用于预测肝移植进展与转归的机器学习系统，所述系统包括数据获取模块
、
分析模块
、
学习模块
、
可视化模块和预测模块，所述方法包括以下步骤：
[0033]S1、
通过数据获取模块获取肝移植患者肝脏检测数据；
[0034]S2、
通过分析模块将肝脏检测数据进行分析；
[0035]S3、
通过学习模块将分析模块对肝脏检测数据的分析结果进行机器学习；
[0036]S4、
通过可视化模块展示学习模块的学习结果；
[0037]S5、
预测模块依据学习模块的学习结果进行肝脏的进展与转归预测
。
[0038]在步骤
S1
中，通过数据获取模块获取肝移植患者肝脏检测数据还包括子步骤：
[0039]S11、
数据获取模块获取肝移植患者的肝脏超声检测图像和肝功能检查参数；
[0040]S12、
对肝脏超声检测图像进行语义分割形成结构化评估分层的参数
。
[0041]示例性地，肝脏超声检测图像可以通过超声扫查，二维成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种预测肝移植进展与转归的机器学习方法，其特征在于，所述方法应用于预测肝移植进展与转归的机器学习系统，所述系统包括数据获取模块
、
分析模块
、
学习模块
、
可视化模块和预测模块，所述方法包括以下步骤：
S1、
通过数据获取模块获取肝移植患者肝脏检测数据；
S2、
通过分析模块将肝脏检测数据进行分析；
S3、
通过学习模块将分析模块对肝脏检测数据的分析结果进行机器学习；
S4、
通过可视化模块展示学习模块的学习结果；
S5、
预测模块依据学习模块的学习结果进行肝脏的进展与转归预测
。2.
根据权利要求1所述的一种预测肝移植进展与转归的机器学习方法，其特征在于，在步骤
S1
中，通过数据获取模块获取肝移植患者肝脏检测数据还包括子步骤：
S11、
数据获取模块获取肝移植患者的肝脏超声检测图像和肝功能检查参数；
S12、
对肝脏超声检测图像进行语义分割形成结构化评估分层的参数
。3.
根据权利要求2所述的一种预测肝移植进展与转归的机器学习方法，其特征在于，在步骤
S2
中，通过分析模块将肝脏检测数据进行分析具体为：分析模块将肝脏超声检测图像的结构化评估分层的参数和...

【专利技术属性】
技术研发人员：唐缨，牛宁宁，左琳，王平，谢小峰，王忠贤，于慧敏，王明阳，张国英，孔维娜，刘菁，
申请(专利权)人：杭州时迈智能技术有限公司，
类型：发明
国别省市：