【技术实现步骤摘要】
本专利技术涉及心力衰竭的诊断与预警领域，具体为一种基于深度学习算法使用胸片和ehr数据集对心力衰竭的诊断及预警方法。
技术介绍
1、心力衰竭（hf）是一种复杂而长期的心脏循环障碍综合征，由心脏功能障碍引起，往往与高发病率和死亡率相关。在全球范围内，每年有2600万成年人被诊断为心衰，其中有360万人为第一次被确诊。35%的hf患者在第一年内死亡，其余患者在5年内死亡。心衰患者通常存在两个主要的风险：出院后意外的心衰再入院以及全因死亡率。因此，准确的心力衰竭预测可在支持临床决策方面发挥重要作用，从而实现心力衰竭患者治疗轨迹的准确预后和及时干预。
2、深度学习方法可针对海量数据进行分析挖掘，借助深度学习可以实现智能医疗和预测，减小医生负担及降低就医成本。使用多模态的医疗数据对心力衰竭患者的状态进行评估，能有效提高心衰风险预测的准确率。因此可以借助深度学习方法来预测心衰风险。
技术实现思路
1、本专利技术为了解决采用深度学习方法来预测心衰风险的问题，提供了一种基于深度学习算法使用胸片和ehr数据集对心力衰竭的诊断及预警方法。
2、本专利技术是通过如下技术方案来实现的：一种基于深度学习算法使用胸片和ehr数据集对心力衰竭的诊断及预警方法，包括如下步骤：
3、s1：数据与图像预处理，具体如下：
4、s1-1：图像预处理，以数字成像和医学通信（dicom）文件的形式使用心力衰竭患者的胸片，每个患者都有同时拍摄的一张或多张胸片；在获得胸片图像后，首
5、s1-2： ehr数据处理，使用fiddle的预处理方式，将结构化ehr数据转换为适合于机器学习模型的特征向量，并通过将特征向量中的所有值设置为零来解释缺失，预处理后，ehr数据由326个二进制特征表示；
6、s2：特征提取，具体如下：
7、针对胸片图像数据进行特征提取，使用cnn架构来将胸片图像展平，所提出的cnn块由堆叠的2d卷积层组成，随后是1d全局最大池层；而且使用了三个2d卷积层，第一个使用了16个内核大小为3的2d滤波器，第二个使用了256个内核大小为5的2d滤波器，而第三个使用了内核大小为5的2d滤波器；
8、s3：使用卷积神经网络对数据进行训练，具体如下：
9、该步骤提出了卷积神经网络cxinet来对上步得到的分类信息进行训练。cxinet是针对胸片图像数据提出的一个卷积神经网络，它基于resnet网络进行了改进，在卷积运算中使用更大的卷积核，来帮助网络更好的完成分类任务。在cxinet中，我们增加了所建议模型中的参数数量，从而去训练结构更深的网络。
10、s3-1：构造卷积神经网络cxinet，包括4个block（模块），第一个block对输入的数据进行conv2d操作，再通过batch normalization操作使得网络中每层输入数据的分布相对稳定，加速模型学习速度，bn通过规范化与线性变换使得每一层网络的输入数据的均值与方差都在一定范围内，使得后一层网络不必不断去适应底层网络中输入的变化，从而实现了网络中层与层之间的解耦，允许每一层进行独立学习，有利于提高整个神经网络的学习速度；之后再进行一个conv2d操作，最后一步，使用最大池化来用于压缩数据和参数的量，减小过拟合的情况；余下的3个block的结构类比于第一个block，目的是学习数据中的特征，为之后的分类任务做铺垫；
11、s3-2：采用卷积神经网络cxinet对步骤s2得到的分类信息进行训练；
12、s4：数据拼接及分类，具体如下：
13、将得到的胸片数据和her数据这两种不同数据类型的数据分为视觉特征和结构化文本特征，再将特征数据向量化，并连接成一个更大的特征向量；之后通过一个全连接层来实现分类，最后用softmax层来输出分类结果，以达到对心力衰竭患者进行诊断的目的；
14、s5：使用accuracy来评估算法的准确度，并针对准确度大于阈值的数据提出预警，来帮助疑似病例提前预防。
15、与现有技术相比本专利技术具有以下有益效果：本专利技术所提供的一种基于深度学习算法使用胸片和ehr数据集对心力衰竭的诊断及预警方法，针对心力衰竭疾病，采用了卷积神经网络cxinet，诊断患者是否有患上心力衰竭的风险，并对患病风险大的患者提出预警，在性能方面，预测准确率优于目前已知的模型。为医生对心力衰竭疾病的诊断和心力衰竭研究的发展做出了贡献。
本文档来自技高网...【技术保护点】
1.一种基于深度学习算法使用胸片和EHR数据集对心力衰竭的诊断及预警方法，其特征在于：包括如下步骤：
【技术特征摘要】
1.一种基于深度学习算法使用胸片和ehr数据集对心...
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。