【技术实现步骤摘要】
一种脑出血患者神经功能预后预测模型的建立方法及系统
[0001]本专利技术属于人工智能
,具体涉及一种脑出血患者神经功能预后预测模型的建立方法及系统
。
技术介绍
[0002]脑出血是指脑血管破裂导致的出血,它可能导致脑组织神经损伤和神经功能障碍,神经功能预后预测模型旨在通过分析患者的临床数据
、
影像学资料
、
病史等信息,来预测患者在治疗后的恢复情况,“预后”是指根据经验预测的疾病发展情况,以便在临床实践中帮助医生更好地了解患者的预后情况,指导治疗决策,并为患者及其家属提供更准确的信息和建议
。
[0003]目前,对于预后预测往往基于医师主观因素进行判断,主观因素较强易出现预测失误,且预测结果易受限于医师有限的执业经验,预测结果的不准确较大概率导致延误患者治疗时机
。
技术实现思路
[0004]为了解决现有技术存在的对于预后预测往往基于医师主观因素进行判断,主观因素较强易出现预测失误,且预测结果易受限于医师有限的执业经验,预测结果的不准确较大概率导致延误患者治疗时机的技术问题,本专利技术提供一种脑出血患者神经功能预后预测模型的建立方法及系统
。
[0005]第一方面本专利技术提供了一种脑出血患者神经功能预后预测模型的建立方法,包括:
S101
:获取不同类别患者的历史预后数据,其中,类别包括年龄
、
性别和病史,历史预后数据包括特征和与特征相应的标签;
S102
: ...
【技术保护点】
【技术特征摘要】
1.
一种脑出血患者神经功能预后预测模型的建立方法,其特征在于,包括:
S101
:获取不同类别患者的历史预后数据,其中,所述类别包括年龄
、
性别和病史,所述历史预后数据包括特征和与所述特征相应的标签,所述标签包括代表神经功能恢复情况的优秀
、
良好
、
一般和不良;
S102
:建立生成对抗网络模型,对所述历史预后数据进行数据增强,其中,所述生成对抗网络模型包括生成器和判别器;
S103
:对增强后的历史预后数据进行预处理,根据预处理后的历史数据构建历史预后数据集,其中,所述预处理包括数据清洗,去除异常值和数据标准化;
S104
:将所述历史数据集按预设比例划分为训练集和测试集;
S105
:构建随机森林预测模型,利用所述训练集对所述预测模型进行训练;
S106
:利用所述测试集评估训练后的所述随机森林预测模型的预测准确率,在所述预测准确率大于准确率阈值的情况下,结束所述随机森林预测模型的训练;
S107
:将所述随机森林预测模型用于患者的预后预测,间隔预设时长统计所述预后预测的准确率平均值;
S108
:在所述准确率平均值低于准确率平均阈值的情况下,结合贝叶斯优化算法调整所述随机森林预测模型的超参数,重新对所述随机森林预测模型进行训练
。2.
根据权利要求1所述的脑出血患者神经功能预后预测模型的建立方法,其特征在于,所述
S102
具体包括:
S1021
:通过所述生成器随机生成一次预后数据;
S1022
:结合所述历史预后数据,通过所述判别器计算所述一次预后数据与所述历史预后数据的均方误差损失函数值;
S1023
:以所述均方误差损失函数值最小化为目标,固定判别器参数,对所述生成器进行训练,其中,所述生成器的目标函数具体为:;其中,表示所述生成器的目标函数,分别表示生成器参数和所述判别器参数,
E()
表示数学期望值,
F()
表示所述生成器,
G()
表示所述判别器,
pz
表示历史预后数据分布,
ph
表示生成的预后数据分布;
S1024
:以所述均方误差损失函数值最大化为目标,固定生成器参数对所述判别器进行训练,所述判别器的目标函数具体为:;其中,表示所述判别器的目标函数;
S1025
:利用训练后的对抗网络模型生成二次预后数据;
S1026
:计算所述历史预后数据与所述二次合成数据的均方误差损失函数值,在所述均方误差损失函数值大于预设指数的情况下,将所述二次合成数据作为目标合成数据输出,并结束所述对抗网络模型的训练
。3.
根据权利要求1所述的脑出血患者神经功能预后预测模型的建立方法,其特征在于,
所述训练集和所述测试集划分的预设比例为
8:2。4.
根据权利要求1所述的脑出血患者神经功能预后预测模型的建立方法,其特征在于,所述
S105
具体包括:
S1051
:对所述训练集中的样本进行预设次数的不放回抽样,每次保留一个样本,得到预设数量的样本,组成基础数据集;
S1052
:根据所述基础数据集生成多个决策树;
S1053
:将所述决策树进行组合,...
【专利技术属性】
技术研发人员:赵呈进,
申请(专利权)人:南通市康复医院南通市第二人民医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。