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方案

本发明专利技术公开了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，属于人工智能技术领域，方法包括：获取不同类别患者的历史预后数据；建立生成对抗网络模型；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；将历史数据集按预设比例划分为训练集和测试集；构建随机森林预测模型，利用训练集对预测模型进行训练；利用测试集评估训练后的随机森林预测模型的预测准确率，将测试后的随机森林预测模型用于患者的预后预测，间隔预设时长统计预后预测的准确率平均值；在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随机森林预测模型超参数，重新对随机森林预测模型进行训练

【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
：建立生成对抗网络模型，对历史预后数据进行数据增强，其中，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，预处理包括数据清洗，去除异常值和数据标准化；
S104
：将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，利用训练集对预测模型进行训练；
S106
：利用测试集评估训练后的随机森林预测模型的预测准确率，在预测准确率大于准确率阈值的情况下，结束随机森林预测模型的训练；
S107
：将随机森林预测模型用于患者的预后预测，间隔预设时长统计预后预测的准确率平均值；
S108
：在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随机森林预测模型的超参数，重新对随机森林预测模型进行训练
。
[0006]第二方面
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系统，用于执行第一方面中的脑出血患者神经功能预后预测模型的建立方法
。
[0007]与现有技术相比，本专利技术至少具有以下有益技术效果：（1）在本专利技术中，通过生成对抗网络模型将获取的历史预后数据进行数据增强，扩充并提供准确的预后数据样本，以便为用于神经功能预后预测的随机森林预测模型提供丰富的训练集，提升模型的训练质量和训练结果的泛华能力，在保护患者隐私的情况下，不仅避免了患者医疗数据难以获取的情况，而且避免了医师主观预测易受有限执业经验的缺点
。
[0008]（2）在本专利技术中，通过引入贝叶斯优化算法对难以确定的随机森林预测模型超参数进行寻优，避免随机调整超参数导致的模型预测准确率低，不能有效控制模型超参数的情况
。
通过持续的模型监测和优化，提升模型泛华能力和预测准确率，为治疗医师提供指导，提前对患者治疗手段进行干预，提升患者神经功能的康复速度
。
附图说明
[0009]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性
、
技术特征
、
优点及其实现方式予以进一步说明
。
[0010]图1是本专利技术提供的一种脑出血患者神经功能预后预测模型的建立方法的流程示意图
。
具体实施方式
[0011]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，下面将对照附图说明本专利技术的具体实施方式
。
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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式
。
[0012]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构
。
另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个
。
在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形
。
[0013]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和
/
或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合
。
[0014]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通
。
对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义
。
[0015]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性
。
[0016]实施例1在一个实施例中，参考说明书附图1，示出了本专利技术提供的脑出血患者神经功能预
后预测模型的建立方法的流程示意图
。
[0017]本专利技术提供的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
。
[0018]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，标签包括代表神经功能恢复情况的优秀
、
良好
、
一般和不良
。
[0019]其中，特征是用来描述患者的属性和情况的数据，可能包括患者的年龄
、
性别
、
病史中的特定疾病指标
、
治疗方案等等，这些特征可以用来描述患者的状态和特征，以便用于预测
。
标签是我们希望预测的目标，这里的标签是关于神经功能恢复情况的，有四种可能的类别：优秀
、
良好
、
一般和不良
。
这些标签表示了患者在一段时间后神经功能恢复的不同状态，例如神经功能很好
、
恢复良好
、
恢复一般或者恢复不良
。
标签的选择取决于具体的预测目标，预测模型的任务和所要解决的临床问题
。
建立本文档来自技高网...

【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：