【技术实现步骤摘要】
本专利技术涉及一种自适应年龄的肺癌发病干预效果预测系统，具体涉及一种基于自适应年龄智能计算模型的肺癌发病干预效果预测系统，属于生物医学信息处理。
技术介绍
1、近年来，肺癌发病人数日趋增加。如果能够采取有效的肺癌发病干预措施，将有利于降低肺癌的发病率，提升发病风险人群的生活质量，同时有利于减轻国家和家庭医疗经济负担。国内外大量研究表明，减少吸烟数量、戒烟、低剂量螺旋ct筛查等干预手段，能够有助于降低肺癌发病率和死亡率。如果能够在干预措施实施之前就预测出干预的效果，无疑将辅助医生更有效地制定个性化的肺癌干预策略，提高干预效率。
2、因此，利用计算机信息处理技术、计算机辅助诊断系统等，并借助大数据、人工智能等技术手段，来自适应年龄智能化地分析预测肺癌发病风险人群在不同干预策略下的效果，十分有必要。
技术实现思路
1、本专利技术的目的是为了解决肺癌发病干预效果预测准确度和效率提升等关键技术问题，旨在通过借助大数据、人工智能等手段，利用计算机辅助诊断系统，更好地帮助医生进行干预效果预判，创造性地提出一种基于自适应年龄的肺癌发病干预效果预测系统。
2、本专利技术采用以下技术方案实现。
3、一种自适应年龄的肺癌发病干预效果预测系统，包括数据处理模块和模型构建模块。
4、其中，数据处理模块包括数据资源整合单元、自适应年龄智能计算单元、最优测试集求解单元。
5、数据资源整合单元用于整合多源数据资源，其中，数字包括健康调查、环境气象、随访数
6、自适应年龄智能计算单元用于计算整合后数据集的年龄划分，是一个自适应年龄智能计算模型。
7、最优测试集求解单元用于将数据集生成训练集和测试集，求解确定测试集大小。
8、模型构建模块包括深度强化学习模型构建单元、干预效果预测单元和干预效果评估单元。
9、其中，深度强化学习模型构建单元用于将处理后的数据训练生成肺癌发病效果预测模型。
10、干预效果预测单元用于将深度强化学习模型输出的预测结果转换为可定量比较分析的肺癌发病率预测值。
11、干预效果评估单元用于将肺癌发病率预测值与未采取干预人群的肺癌发病率进行对比，以验证评估干预效果的有效性。
12、本系统各组成部分的连接关系如下：
13、数据资源整合单元的输出端与自适应年龄智能计算单元的输入端相连，生成预测系统的输入数据源；
14、自适应年龄智能计算单元的输出端与最优测试集求解单元的输入端相连，生成整合后数据集的年龄划分；
15、最优测试集求解单元的输出端与深度强化学习模型构建单元的输入端相连，生成最优的测试集大小；
16、深度强化学习模型构建单元的输出端与干预效果预测单元的输入端相连，生成肺癌发病干预效果预测结果；
17、干预效果预测单元的输出端与干预效果评估单元的输入端相连，生成可定量计算的肺癌发病率预测值；
18、干预效果评估单元的输出端输出评估有效的干预效果。
19、更进一步地，本专利技术系统的工作方法如下，包括以下步骤：
20、步骤1：采集人体健康调查数据、环境气象数据、随访数据等多源数据资源，并对这些数据资源进行整合，得到预测系统的输入数据源。
21、步骤2：在步骤1得到整合数据的基础上，开展自适应年龄的智能计算模型构建，计算整合后数据集的自适应年龄划分。
22、具体地，可以包括以下步骤：
23、步骤2.1：对整合后数据集进行预处理。包括空缺值弥补、白噪声去除、数据离群值和异常值处理、标准化。
24、步骤2.2：利用自适应模型智能计算整合后数据集的自适应年龄，以优化年龄划分提升肺癌发病干预效果预测系统预测精度。
25、步骤2.3：结合智能计算得到的年龄划分n岁，以及性别对数据源进行分组，生成大于等于n岁男性、小于n岁男性、大于等于n岁女性、小于n岁女性、全体男性、全体女性和全体人群，共m组人群。将分组划分后的数据称为处理后数据。
26、步骤3：使用步骤2处理后的数据，通过梯度下降法寻求最优解以求解测试集大小，进而确定训练集大小，以提高干预效果预测系统预测精度。
27、具体地，步骤3可以采用以下方法实现：
28、步骤3.1：利用梯度下降法分别对m组人群数据寻求最优解，求解每组数据中测试集的大小p％。
29、步骤3.2：通过m组人群中测试集的大小计算各自的训练集，每组训练集的大小为1-p％。
30、步骤4：基于深度强化学习算法构建肺癌发病干预效果预测模型，使用训练集数据训练每组肺癌发病人群的干预效果预测模型，采用测试集数据计算预测各组人群的干预效果。
31、优选地，本方法给出一种步骤4的具体实现方法，本领域技术人员也可以使用其他方法实现。
32、具体地，步骤4可以采用以下方法实现：
33、步骤4.1：利用m组人群的训练集，分别构建生成m个基于深度强化学习的肺癌发病干预效果预测模型。
34、步骤4.2：将m组人群的测试集分别输入各自肺癌发病干预效果模型，计算预测得到各组人群的干预效果。
35、具体地，将各个分组测试集中的数据分别对应作为m个深度强化学习算法的输入，利用肺癌发病干预效果预测模型来计算预测输出干预模拟后的干预效果。
36、步骤5：系统将深度强化学习模型输出的预测结果转换为可定量比较分析的肺癌发病率预测值。
37、步骤6：系统将采取干预人群与未采取干预人群的肺癌发病率进行对比分析，通过肺癌发病率变化评估干预效果的有效性，进而实现肺癌发病干预效果预测系统构建。
38、有益效果
39、本专利技术系统，与现有的采用多元回归、随机森林、深度学习等预测分析技术相比，具有以下优点：
40、1.本方法首次采用自适应年龄智能计算模型构建肺癌发病干预效果预测系统，具有计算准确率高和计算速度快的优势，可作为大规模数据的高速计算使用；
41、2.本方法具有定量化计算、定性和定量相结合、预测精度率高的优点，并且操作简单。
本文档来自技高网...【技术保护点】
1.一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，包括数据处理模块和模型构建模块；
2.如权利要求1所述的一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，系统工作过程，包括以下步骤：
3.如权利要求1所述的一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，步骤2包括：
4.如权利要求1所述的一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，步骤3包括：
5.如权利要求1所述的一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，步骤4包括：
【技术特征摘要】
1.一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，包括数据处理模块和模型构建模块；
2.如权利要求1所述的一种自适应年龄的肺癌发病干预效果预测系统，其特征在于，系统工作过程，包括以下步骤：
3.如权利要求1所述的一种自适应年龄...
【专利技术属性】
技术研发人员：陈松景，吴思竹，
申请(专利权)人：中国医学科学院医学信息研究所，
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。