System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗领域,尤其是涉及一种慢性肾脏病风险预警方法及系统。
技术介绍
1、慢性肾脏病(chronic kidney diseases,ckd) 是一种渐进性的肾脏疾病,慢性肾脏病可能有多种原因引起,例如高血压、糖尿病、肾脏感染或者环境中存在损害肾脏组织的因素等。对于慢性肾脏病的确定主要有血液检测,血液检测是测定血液中的血清肌酐的含量。慢性肾脏病之所以称为慢性是由于这个过程能够持续数年甚至数十年,在早期并不容易发现,而且没有明显症状,但是随着疾病的进展,患者会出现疲劳、水肿等情况,如果发展到肾衰竭阶段,则就需要进行透析甚至肾移植。早期诊断和尽早干预是管理慢性肾脏病的关键,特别是对于一些患有高血压、糖尿病或者其他可能导致肾脏功能受损的疾病。如何能够尽早的对慢性肾脏病进行风险预警是十分关键的。
技术实现思路
1、为了解决上述问题,本专利技术提供了一种慢性肾脏病风险预警方法,所述方法包括以下步骤:
2、预先设置与慢性肾脏病相关的关键词和关键词对应的重要度,从电子病历中获取与关键词对应的值,构成<关键词、值、重要度>三元组,将所述值的词嵌入编码和所述重要度的词嵌入编码进行拼接得到每个关键词对应的编码结果;
3、按照所述重要度对所述编码结果进行排序,并根据所述重要度将排序后的编码结果分为三个子集;对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,并对所有关键词对应的编码结果采用多头注意力机制计算注意力得到第二注意力;
4、根
5、优选地,所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:
6、获取关键词所在的子集,得到子集的重要度的平均值;
7、计算所有关键词对应的重要度的平均值;
8、根据公式计算得到编码器的输入;其中,表示第一注意力,表示第二注意力,c表示编码器的输入。
9、优选地,所述编码器为transformer网络模型的编码器,所述编码器包括n个相同结构的层;
10、其中,在第n层中第一个ln层的输入为;
11、其中表示第n层的输入,sublayber()表示第n层中多头注意力机制的输出,n是位于[6,12]之间的整数,n=1、2、…、n。
12、优选地,所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:
13、对每个子集分别设置多个<查询权重矩阵q、键权重矩阵k、值权重矩阵v>三元组,每个子集通过一个<查询权重矩阵q、键权重矩阵k、值权重矩阵v>按照公式得到特征向量;其中,表示缩放因子;
14、将每个子集对应的多个特征向量拼接得到特征向量,然后将拼接得到特征向量z,将特征向量z和权重矩阵相乘,得到第一注意力;
15、其中,j表示子集的序号,j=1或2或3,k表示三元组的序号,k为正整数。
16、优选地,所述关键词至少包括:性别、体重、年龄、血糖、血肌酐、胱抑素、遗传史。
17、优选地,血肌酐、胱抑素、血糖、性别、年龄、体重、遗传史对应的重要度依次降低,且重要度位于(0,1]。
18、此外,本专利技术还提供了一种慢性肾脏病风险预警系统,所述系统包括以下单元:
19、编码单元,用于预先设置与慢性肾脏病相关的关键词和关键词对应的重要度,从电子病历中获取与关键词对应的值,构成<关键词、值、重要度>三元组,将所述值的词嵌入编码和所述重要度的词嵌入编码进行拼接得到每个关键词对应的编码结果;
20、注意力计算单元,用于按照所述重要度对所述编码结果进行排序,并根据所述重要度将排序后的编码结果分为三个子集;对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,并对所有关键词对应的编码结果采用多头注意力机制计算注意力得到第二注意力;
21、风险预测单元,用于根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,将编码器的输出作为mlp的输入,得到慢性肾脏病的风险概率。
22、优选地,所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:
23、获取关键词所在的子集,得到子集的重要度的平均值;
24、计算所有关键词对应的重要度的平均值;
25、根据公式计算得到编码器的输入;其中,表示第一注意力,表示第二注意力,c表示编码器的输入。
26、优选地,所述编码器为transformer网络模型的编码器,所述编码器包括n个相同结构的层;
27、其中,在第n层中第一个ln层的输入为;
28、其中表示第n层的输入,sublayber()表示第n层中多头注意力机制的输出,n是位于[6,12]之间的整数,n=1、2、…、n。
29、优选地,所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:
30、对每个子集分别设置多个<查询权重矩阵q、键权重矩阵k、值权重矩阵v>三元组,每个子集通过一个<查询权重矩阵q、键权重矩阵k、值权重矩阵v>按照公式得到特征向量;其中,表示缩放因子;
31、将每个子集对应的多个特征向量拼接得到特征向量,然后将拼接得到特征向量z,将特征向量z和权重矩阵相乘,得到第一注意力;
32、其中,j表示子集的序号,j=1或2或3,k表示三元组的序号,k为正整数。
33、优选地,所述关键词至少包括:性别、体重、年龄、血糖、血肌酐、胱抑素、遗传史。
34、优选地,血肌酐、胱抑素、血糖、性别、年龄、体重、遗传史对应的重要度依次降低,且重要度位于(0,1]。
35、最后,本专利技术还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,实现如上述所述的方法。
36、尽早发现慢性肾脏病,以在1或者2期尽早的进行干预是防止慢性肾脏病向透析、肾移植发展的重要方式,本专利技术根据电子病例中对慢性肾脏病不同影响的指标,将指标分为三类,对于重要的指标赋予较高的重要度,然后对每个子集分别计算注意力得到第一注意力,为了防止神经网络退化,将第一注意力的结果以残差连接的方式输入到每层的残差层中,具有很高的拟合性,结合样本的增强,通过对本专利技术提出的神经网络的训练,能够很好的得出慢性肾脏病的风险情况。
本文档来自技高网...【技术保护点】
1.一种慢性肾脏病风险预警方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:
3.如权利要求1所述的方法,其特征在于,所述编码器为Transformer网络模型的编码器,所述编码器包括N个相同结构的层;
4.如权利要求1所述的方法,其特征在于,所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:
5.如权利要求1所述的方法,其特征在于,所述关键词至少包括:性别、体重、年龄、血糖、血肌酐、胱抑素、遗传史。
6.如权利要求5所述的方法,其特征在于,血肌酐、胱抑素、血糖、性别、年龄、体重、遗传史对应的重要度依次降低,且重要度位于(0,1]。
7.一种慢性肾脏病风险预警系统,其特征在于,所述系统包括以下单元:
8.如权利要求7所述的系统,其特征在于,所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:
9.如权利要求7所述的系统,其特征在于,
10.如权利要求7所述的系统,其特征在于,所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:
...【技术特征摘要】
1.一种慢性肾脏病风险预警方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:
3.如权利要求1所述的方法,其特征在于,所述编码器为transformer网络模型的编码器,所述编码器包括n个相同结构的层;
4.如权利要求1所述的方法,其特征在于,所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:
5.如权利要求1所述的方法,其特征在于,所述关键词至少包括:性别、体重、年龄、血糖、血肌酐、胱抑素、遗传史。
6.如...
【专利技术属性】
技术研发人员:周思捷,刘章锁,冯其,刘东伟,潘少康,
申请(专利权)人:郑州大学,
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。