【技术实现步骤摘要】
本专利技术涉及医学和人工智能领域。更具体地，涉及一种冠心病预测模型的训练方法、计算机设备及可读存储介质。
技术介绍
1、冠心病(coronary artery disease,cad)是世界各国的主要心血管疾病和主要死亡原因之一。冠状动脉血管内粥样硬化斑块形成、斑块侵蚀不稳定和管腔狭窄等是cad的主要病理基础。粥样硬化斑块由胆固醇沉积和其他物质如细胞废物、钙和纤维蛋白组成。随着时间推移，斑块炎症缓慢进展，动脉壁增厚，管腔变窄，导致细胞缺氧、坏死、心肌缺血、循环血流部分或完全阻断。在此病理进展过程中，临床上表现为冠状动脉临界病变、稳定型心绞痛、不稳定型心绞痛、心肌梗死甚至心肌梗死后心力衰竭不同阶段。
2、在cad早期，冠脉临界病变，患者一般无明显症状，通常在血管造影检查中发现。该阶段进展性病变的典型特征是易损斑块，包括大脂质负荷、薄帽纤维粥样硬化和层状斑块等。冠脉临界病变会进一步进展，随着冠状动脉的逐渐狭窄，心肌血供不足以满足心肌细胞的代谢需求。随着心脏自身循环受到影响，可发生稳定性心绞痛。
3、稳定型心绞痛是冠状动脉临界病变的进一步发展，冠状动脉临界病变难以控制，导致动脉管腔进行性狭窄，在耗氧量增加时局部缺血，表现为反复发作的短暂性胸痛。这种类型的胸痛在休息时可缓解。然而，随着cad进一步发展，在静息时仍存在心绞痛时，发展中的粥样斑块可能会被破坏，从而导致血栓形成，引起心肌梗死。当心肌梗死逐渐导致心肌纤维化、心室重构和心脏增大，这一过程会影响心室功能和生存结局，最终发展为心衰。
4、当出现冠脉
技术实现思路
1、本专利技术的目的在于提供一种冠心病预测模型的训练方法、计算机设备及可读存储介质，以解决现有技术存在的问题中的至少一个。
2、为达到上述目的，本专利技术采用下述技术方案：
3、本专利技术第一方面提供了一种冠心病不同阶段的集成预测模型的训练方法，该方法包括
4、采集待测患者的外周血检测样本进行指标检测，并对所述指标检测的结果进行标准化处理，及将所述标准化处理后的数据整理为第一特征向量；
5、将所述第一特征向量随机划分为训练集和测试集；
6、分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化，并将所述训练集的样本输入所述参数优化后的深度学习模型、第一机器学习模型和第二机器学习模型中进行训练；
7、利用集成方法并基于训练后的深度学习模型、第一机器学习模型和第二机器学习模型构建集成预测模型。
8、可选地，所述待测患者的外周血检测样本为外周血有核细胞。
9、可选地，所述深度学习模型包括基于水平台的深度学习模型；
10、所述第一机器学习模型包括极端梯度上升模型；
11、所述第二机器学习模型包括随机森林模型；
12、所述集成方法包括软投票集成方法。
13、可选地，所述分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化包括
14、使用网络搜索和交叉验证对所述深度学习模型和所述第一机器学习模型进行参数优化。
15、可选地，所述分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化还包括
16、使用最小模型误判率对所述第二机器学习模型进行参数优化。
17、可选地，所述将所述标准化处理后的数据整理为第一特征向量包括
18、将所述标准化处理后的数据整理为数据矩阵并将所述数据矩阵作为第一特征向量。
19、可选地，所述冠心病不同阶段包括健康对照患者阶段、冠心病临界病变患者阶段、稳定性心绞痛患者阶段、心肌梗死患者阶段和心肌梗死后心衰患者阶段。
20、可选地，所述集成预测模型的预测结果包括
21、利用训练后的深度学习模型、第一机器学习模型和第二机器学习模型分别预测所述冠心病不同阶段的概率，得到每一个阶段的多个概率值；
22、对所述每一个阶段的多个概率值求平均，得到每一个阶段的概率平均值；
23、选取所述每一个阶段的概率平均值中的最大值为所述集成预测模型的预测结果。
24、本专利技术第二方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的方法。
25、本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的方法。
26、本专利技术的有益效果如下：
27、本专利技术提供了一种冠心病不同阶段的集成预测模型的训练方法，对cad不同进展阶段建立预测模型，及早发现问题，及早预防，及时干预，降低不良心血管事件的发生率，减轻cad患者焦虑等不良情绪，提高患者生活质量，减轻社会负担。
本文档来自技高网...【技术保护点】
1.一种冠心病不同阶段的集成预测模型的训练方法，其特征在于，该方法包括
2.根据权利要求1所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，
3.根据权利要求2所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，
4.根据权利要求3所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，所述分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化包括
5.根据权利要求4所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，所述分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化还包括
6.根据权利要求5所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，所述将所述标准化处理后的数据整理为第一特征向量包括
7.根据权利要求6所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，
8.根据权利要求7所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，所述集成预测模型的预测结果包括
9.一种计算机设备，包括存储器、处理器及存储在存储
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
...【技术特征摘要】
1.一种冠心病不同阶段的集成预测模型的训练方法，其特征在于，该方法包括
2.根据权利要求1所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，
3.根据权利要求2所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，
4.根据权利要求3所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，所述分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化包括
5.根据权利要求4所述的冠心病不同阶段的集成预测模型的训练方法，其特征在于，所述分别对深度学习模型、第一机器学习模型和第二机器学习模型进行参数优化还包括
6.根据权利要求5所述的冠心...
【专利技术属性】
技术研发人员：王阶，马素亚，刘咏梅，李军，刘超，刘兰椿，惠小珊，
申请(专利权)人：中国中医科学院广安门医院，
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。