【技术实现步骤摘要】
本专利技术属于脓毒症多器官功能障碍预测模型领域，更具体地，涉及一种脓毒症多器官功能障碍预测模型及其训练方法。
技术介绍
1、脓毒症是感染导致宿主全身反应失调的器官功能障碍症候群。脓毒症主要引起的器官功能障碍包括：休克、呼吸功能障碍、肾功能障碍、肝功能障碍、凝血功能障碍等，严重的会导致死亡。及时的诊断和治疗对于脓毒症至关重要，早期发现和治疗不但可以减少患者住院时间和重症监护的需求，降低医疗成本，还能显著降低患者的死亡风险。
2、患者进入icu的最初5天内，病情的快速变化尤为关键。在这个时间窗口内基于临床数据进行早期预测诊断，对于医疗研究具有重要价值。利用深度学习技术，通过分析患者的临床数据，构建脓毒症多器官功能障碍预测模型，可以为医生在评估病情和制定治疗策略时提供有力的决策辅助。
3、然而，现有的脓毒症多器官功能障碍预测模型均存在一些不可忽略的缺陷：
4、第一、由于医疗信息的隐私性问题，脓毒症相关的数据集往往有限，且数据质量参差不齐(例如数据可能存在缺失值和异常值，或者存在数据稀缺)，这会导致样本量不足以支持复杂模型的训练，进而导致训练得到的脓毒症多器官功能障碍预测模型在源域数据上表现良好，但在目标域上泛化能力较差；
5、第二、由于脓毒症的发展是一个复杂的动态变化过程，需要对时间序列数据进行有效处理，但现有的脓毒症多器官功能障碍预测模型无法充分捕捉这种动态性，因此会导致模型在脓毒症早期预测方面性能不佳；
6、第三、由于现有的脓毒症多器官功能障碍预测模型往往在特定的数据集上
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种脓毒症多器官功能障碍预测模型及其训练方法，其目的在于，解决现有脓毒症多器官功能障碍预测模型由于医疗信息的隐私性问题，脓毒症相关的数据集有限、且数据质量参差不齐，导致样本量不足以支持复杂模型的训练，进而导致训练得到的脓毒症多器官功能障碍预测模型在源域数据上表现良好、但在目标域上泛化能力较差的技术问题；以及无法充分捕捉脓毒症发展的复杂动态变化过程，导致模型在脓毒症早期预测方面性能不佳的技术问题；以及在不同的医疗环境或人群中难以实现一致的预测精度，导致模型的泛化性能不佳的技术问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种脓毒症多器官功能障碍预测模型，其包括依次连接的双向长短时记忆网络bi-lstm、矩阵拼接模块、两个多层感知器mlp以及softmax函数层，
3、对于bi-lstm而言，其用于处理时序数据，其输入为当前时刻t时的输入xt，输出为当前时刻t时的前向隐藏状态和后向隐藏状态合并后的输出
4、bi-lstm包括前向lstm单元和后向lstm单元；
5、前向lstm单元根据当前时刻t时的输入xt和上一时刻t-1时隐藏层的隐藏状态来获取其t时刻的前向隐藏状态，这可以通过以下公式表示：
6、
7、其中，lstmfw是前向lstm的函数。
8、后向lstm单元根据当前时刻t时的输入xt和下一时刻t+1时隐藏层的隐藏状态来获取其t时刻的反向隐藏状态，这可以通过以下公式表示：
9、
10、其中，lstmbw是后向lstm的函数。
11、当前时刻t时刻的前向隐藏状态和反向隐藏状态合并成为当前时刻t时bi-lstm的输出其中[；]表示将两个隐藏状态连接起来；
12、第一mlp包括一个或多个隐藏层，第一mlp的输入为数据xmlp，输出为第一mlp中最后一个隐藏层输出hmlp，第一mlp的公式可以表示为：
13、hmlp＝activation(wmlp·xmlp+bmlp)
14、其中activation为激活函数，wmlp为第一mlp的权重，bmlp为第一mlp的偏置；
15、对于矩阵拼接模块而言，其输入为当前时刻t时的前向lstm和后向lstm合并后的输出以及第一个mlp中最后一个隐藏层的输出hmlp，输出为当前时刻t时合并后的特征向量
16、对于第二mlp而言，其包括一个或多个隐藏层，第二mlp的输入为当前时刻t时合并后的特征向量输出为第二mlp中最后一个隐藏层输出hfinal。
17、第二mlp的公式可以表示为：
18、
19、其中activation为激活函数，wfinal表示第二mlp的权重，bfinal表示第二mlp的偏置，二者的取值在模型训练过程中不断变化。
20、对于softmax层而言，其输入为第二mlp中的最后一个隐藏层的输出logits，输出为概率分布
21、优选地，bi-lstm中的前向/后向lstm单元包括以下三个阶段：
22、第一部分特征选择记忆阶段，其输入为当前时刻t时的数据xt，输出为当前时刻t时的遗忘门向量ft；
23、具体而言，首先，遗忘门将lstm在上一时刻t-1时隐藏层的输出ht-1和当前时刻t时的输入xt连接,然后，使用激活函数sigmoid对连接后的结果进行处理，以获取一个在[0,1]之间的、当前时刻t时的遗忘门向量ft，该遗忘门向量决定了让上一时刻t-1时的所学信息ct-1舍弃或者保留；其中，0表示全部舍弃,1表示全部保留，
24、第一部分特征选择记忆阶段具体是采用如下公式：
25、ft＝σ(wf·[ht-1,xt]+bf)
26、其中wf为权重，bf为偏置，二者的取值在模型训练过程中不断变化，ht-1是上一时刻t-1时隐藏层的输出。
27、第二部分特征更新阶段，其输入为当前时刻t时的输入门向量it，输出为当前时刻t时的所学信息ct；
28、具体而言，首先是输入门通过sigmoid函数获取得到输入的当前时刻t时的输入门向量it,然后，利用tanh函数对该当前时刻t时的输入门向量it进行处理，以获取当前时刻t时的新候选信息c′t,最后，根据当前时刻t时的新候选信息c′t、当前时刻t时的遗忘门向量ft、上一时刻t-1时的所学信息ct-1、以及当前时刻t时的输入门向量it获取当前时刻t时的所学信息ct；
29、第二部分特征更新阶段具体是采用如下公式：
30、it＝σ(wg·[ht-1,xt]+bg)
31、c′t＝tanh(wi·[ht-1,xt]+bi)
32、ct＝ft*ct-1+c′t*it
33、其中wg和wi为权重，bg和bi为偏置，它们的取值在模型训练过程中不断变化。
34、第三部分特征输出阶段，其输入为上一时刻t-1时隐藏层的输出ht-1和当前时刻t时的数据xt，输出为当前时刻t时隐藏层的输出ht，即lstm的输出hlstm。
35、具体而言，首本文档来自技高网...
【技术保护点】
1.一种脓毒症多器官功能障碍预测模型，其包括依次连接的双向长短时记忆网络Bi-LSTM、矩阵拼接模块、两个多层感知器MLP以及Softmax函数层，其特征在于，
2.根据权利要求1所述的脓毒症多器官功能障碍预测模型，其特征在于，Bi-LSTM中的前向/后向LSTM单元包括以下三个阶段：
3.根据权利要求1或2所述的脓毒症多器官功能障碍预测模型，其特征在于，
4.根据权利要求1至3中任意一项所述的脓毒症多器官功能障碍预测模型，其特征在于，
5.根据权利要求4所述的脓毒症多器官功能障碍预测模型，其特征在于，第二MLP中的最后一个隐藏层的输出logits输入Softmax层，以得到概率分布具体公式如下：
6.一种根据权利要求1至5所述的脓毒症多器官功能障碍预测模型的训练方法，其特征在于，包括以下步骤：
7.根据权利要求6所述的脓毒症多器官功能障碍预测模型的训练方法，其特征在于，步骤(2)包括以下子步骤：
8.根据权利要求7所述的脓毒症多器官功能障碍预测模型的训练方法，其特征在于，步骤(4)具体为：>
9.根据权利要求8所述的脓毒症多器官功能障碍预测模型的训练方法，其特征在于，步骤(7)具体为：
10.根据权利要求9所述的脓毒症多器官功能障碍预测模型的训练方法，其特征在于，步骤(11)具体包括以下子步骤：
...【技术特征摘要】
1.一种脓毒症多器官功能障碍预测模型，其包括依次连接的双向长短时记忆网络bi-lstm、矩阵拼接模块、两个多层感知器mlp以及softmax函数层，其特征在于，
2.根据权利要求1所述的脓毒症多器官功能障碍预测模型，其特征在于，bi-lstm中的前向/后向lstm单元包括以下三个阶段：
3.根据权利要求1或2所述的脓毒症多器官功能障碍预测模型，其特征在于，
4.根据权利要求1至3中任意一项所述的脓毒症多器官功能障碍预测模型，其特征在于，
5.根据权利要求4所述的脓毒症多器官功能障碍预测模型，其特征在于，第二mlp中的最后一个隐藏层的输出logits输入so...
【专利技术属性】
技术研发人员：全哲，刘梦迪，彭米林，肖桐，乐雨泉，张曦辰，杨皓程，
申请(专利权)人：湖南大学，
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。