【技术实现步骤摘要】
本专利技术涉及智能医疗，尤其是涉及一种可解释的胰腺炎预测系统、设备及存储介质。
技术介绍
1、急性胰腺炎(acute pancreatitis，ap)是临床上常见的消化道疾病，人群中发病率约为4.9～73.4/10万，而急性胰腺炎发病患者中约20-30％会加重为重症急性胰腺炎(severe acute pancreatitis，sap)，重症急性胰腺炎患者死亡率可达15.6％，造成巨大的医疗和经济负担。及早从急性胰腺炎病人中，识别具有重症转化倾向的重症急性胰腺炎病人，是制定合理医疗策略，施行预防性治疗的基础，可以有效降低病人死亡率。
2、因而，现有存在一些危险分层评分工具诸如急性生理与慢性健康评分(acutephysiology and chronic health evaluationⅱ，apachⅱ)工具、急性胰腺炎严重程度床边指数(bedside index for severity in acute pancreatitis，bisap)工具、ranson评分工具、改良marshall评分工具和sirs评分工具等，其均可用于对ap疾病进展进行分层评分，在一定程度上可以识别具有重症转化倾向的重症急性胰腺炎病人。但是，各评分工具预测auroc维持在中等水平(0.6-0.8)，且在具体应用中还存在诸如ranson评分需时过长、apachⅱ评分项目过多，难以完成等实际操作问题。各评分工具在不同研究中的最佳截值亦各不相同，且可解释性不足，多数模型只提供针对单个特征的风险比(or值)而不同or值之间无法按权重叠加，这使得
技术实现思路
1、本专利技术旨在提供一种可解释的胰腺炎预测系统、设备及存储介质，以解决上述技术问题，采用胰腺炎预测模型简化预测流程，同时为胰腺炎预测模型提供可解释性，令病例特征权重得以分析，进而有效提高系统的预测准确率。
2、为了解决上述技术问题，本专利技术提供了一种可解释的胰腺炎预测系统，包括：
3、数据特征获取模块，用于获取病例样本数据并基于病例样本数据提取病例特征，根据病例样本数据和病例特征获取模型构建数据集；
4、粗建模模块，用于基于机器学习技术及模型构建数据集构建初始预测模型；
5、特征降维模块，用于对初始预测模型进行可解释特征分析，获取有效特征；
6、预测模型训练模块，用于基于有效特征及模型构建数据集对初始预测模型进行训练，获取胰腺炎预测模型；
7、预测模块，用于存储胰腺炎预测模型并将待预测病例样本数据输入胰腺炎预测模型中进行预测，以获取可解释预测结果。
8、上述方案中，采用胰腺炎预测模型简化预测流程，同时为胰腺炎预测模型提供可解释性，令病例特征权重得以分析，进而有效提高系统的预测准确率。
9、进一步地，所述数据特征获取模块包括样本获取子模块、特征提取子模块和数据工程子模块；其中：
10、所述样本获取子模块用于获取病例样本数据；
11、所述特征提取子模块用于基于病例样本数据提取病例特征；
12、所述数据工程子模块用于根据病例样本数据和病例特征获取模型构建数据集。
13、进一步地，所述数据工程子模块包括病例标记单元、离群值剔除单元、语义转化编码单元、缺失值填充单元和归一化单元；其中：
14、所述病例标记单元用于对病例样本数据进行标记处理，以确定每个病例样本数据最终是否进展为重症急性胰腺炎；
15、所述离群值剔除单元用于对具备连续数值数据的病例特征进行离群值剔除处理；
16、所述语义转化编码单元用于对具备二分类数据的病例特征进行语义转化编码处理；
17、所述缺失值填充单元用于对离群值剔除处理后的数据及语义转化编码处理后的数据进行数据填充；
18、所述归一化单元用于将标记处理后的数据及数据填充后的数据进行归一化处理，以令病例样本数据和病例特征转化为符合初始预测模型的数据类型，从而获取模型构建数据集。
19、进一步地，所述数据工程子模块还包括过采样单元；所述过采样单元用于基于对称性小众样本过采样方法对标记处理后的数据进行处理，以得到平衡性数据；
20、所述归一化单元用于将平衡性数据及数据填充后的数据进行归一化处理，以令病例样本数据和病例特征转化为符合初始预测模型的数据类型，从而获取模型构建数据集。
21、进一步地，所述粗建模模块包括构建子模块、训练子模块和性能评估子模块；其中：
22、所述构建子模块用于基于机器学习技术构建若干个初始模型；
23、所述训练子模块用于基于模型构建数据集对若干个初始模型进行训练；
24、所述性能评估子模块用于对训练完成的若干个初始模型进行性能评估，以筛选最优的初始模型作为初始预测模型。
25、进一步地，所述特征降维模块包括重要性图解析子模块、摘要图解析子模块、回归分析子模块、主成分分析子模块和有效特征获取子模块；其中：
26、所述重要性图解析子模块用于对初始预测模型进行可解释性解析，以获取所有病例特征对模型预测结果的第一贡献值并绘制特征重要性图；
27、所述摘要图解析子模块用于对初始预测模型进行可解释性解析，以获取所有病例特征对模型预测结果的第二贡献值并绘制摘要图；
28、所述回归分析子模块用于对初始预测模型的模型预测结果进行回归分析，以获取所有病例特征与模型预测结果的相关性指标；
29、所述主成分分析子模块用于对初始预测模型的模型预测结果进行主成分分析，以获取主成分数据进行回归分析，进而在所有病例特征中获取候选特征；
30、所述有效特征获取子模块用于基于特征重要性图、特征摘要图、相关性指标和候选特征，从病例特征中获取有效特征。
31、进一步地，所述有效特征包括肺部渗出、胸腔积液、心率、格拉斯哥评分、血肌酐、乳酸脱氢酶、甘油三酯、ctsi分级、尿素氮、血钙、白细胞计数、血糖、红细胞压积和胆囊炎史。
32、进一步地，所述系统还包括可视化模块，所述可视化模块用于对可解释预测结果进行显示并提供相应的特征重要性图和特征摘要图。
33、本专利技术还提供一种设备，所述设备部署有所述的一种可解释的胰腺炎预测系统并提供对外网络服务接口。
34、本专利技术还提供一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令用于实现所述的一种可解释的胰腺炎预测系统。
本文档来自技高网...【技术保护点】
1.一种可解释的胰腺炎预测系统，其特征在于，包括：
2.根据权利要求1所述的一种可解释的胰腺炎预测系统，其特征在于，所述数据特征获取模块包括样本获取子模块、特征提取子模块和数据工程子模块；其中：
3.根据权利要求2所述的一种可解释的胰腺炎预测系统，其特征在于，所述数据工程子模块包括病例标记单元、离群值剔除单元、语义转化编码单元、缺失值填充单元和归一化单元；其中：
4.根据权利要求3所述的一种可解释的胰腺炎预测系统，其特征在于，所述数据工程子模块还包括过采样单元；所述过采样单元用于基于对称性小众样本过采样方法对标记处理后的数据进行处理，以得到平衡性数据；
5.根据权利要求1所述的一种可解释的胰腺炎预测系统，其特征在于，所述粗建模模块包括构建子模块、训练子模块和性能评估子模块；其中：
6.根据权利要求1～5任一项所述的一种可解释的胰腺炎预测系统，其特征在于，所述特征降维模块包括重要性图解析子模块、摘要图解析子模块、回归分析子模块、主成分分析子模块和有效特征获取子模块；其中：
7.根据权利要求6所述的一种可解释的胰
8.根据权利要求6所述的一种可解释的胰腺炎预测系统，其特征在于，还包括可视化模块，所述可视化模块用于对可解释预测结果进行显示并提供相应的特征重要性图和特征摘要图。
9.一种设备，其特征在于，所述设备部署有如权利要求1～8任一项所述的一种可解释的胰腺炎预测系统并提供对外网络服务接口。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令用于实现上述权利要求1～8任一项所述的一种可解释的胰腺炎预测系统。
...【技术特征摘要】
1.一种可解释的胰腺炎预测系统，其特征在于，包括：
2.根据权利要求1所述的一种可解释的胰腺炎预测系统，其特征在于，所述数据特征获取模块包括样本获取子模块、特征提取子模块和数据工程子模块；其中：
3.根据权利要求2所述的一种可解释的胰腺炎预测系统，其特征在于，所述数据工程子模块包括病例标记单元、离群值剔除单元、语义转化编码单元、缺失值填充单元和归一化单元；其中：
4.根据权利要求3所述的一种可解释的胰腺炎预测系统，其特征在于，所述数据工程子模块还包括过采样单元；所述过采样单元用于基于对称性小众样本过采样方法对标记处理后的数据进行处理，以得到平衡性数据；
5.根据权利要求1所述的一种可解释的胰腺炎预测系统，其特征在于，所述粗建模模块包括构建子模块、训练子模块和性能评估子模块；其中：
6.根据权利要求1～5任一项所述的一种可解释的胰腺炎预测系统，其特征在于，所...
【专利技术属性】
技术研发人员：郑俊，
申请(专利权)人：广州市第一人民医院广州消化疾病中心，广州医科大学附属市一人民医院，华南理工大学附属第二医院，
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。