【技术实现步骤摘要】
本专利技术属于医疗诊断，尤其涉及用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法及系统。
技术介绍
1、自身免疫性脑炎是近十几年来新明确的一类由自身免疫机制介导的中枢神经系统疾病，ae患者占脑炎患者总数的10％-20％，针对自身抗原类型的不同，ae可分为多种类型，其中以抗n-甲基-d-天冬氨酸受体(nmdar)脑炎最为常见，约占80％，大多数ae患者预后良好，部分患者出现癫痫持续发作，严重的精神障碍，甚至死亡，抗nmdar脑炎的死亡率约在8-10％。
2、随着抗体检测的广泛应用以及抗体鉴定的发展，临床上，越来越多的ae患者被识别，越来越多的新的自身免疫性脑炎相关抗体被发现，ae这一疾病正逐渐受到关注，为避免患者的不良预后，有必要探究影响ae患者预后的因素，并早期干预。
3、机器学习是实现人工智能的主要途径，也是人工智能的核心，包含多种算法，机器学习与医学的结合越发紧密，已经应用于风险预测，疗效预测等多个医学领域，机器学习算法往往考虑更复杂的决策边界，已经被证明比传统的评分系统具有更高水平的预测性能。
4、xgboost(extreme gradient boosting)是机器学习较为常用的一种算法。
5、xgboost在训练过程中通过输入含有特征集和目标值y的样本，生成一个集成树模型，该模型会对每个样本进行打分作为y的预测值，xgboost在一棵基树建好之后建下一棵，后面的树建立会依赖前面树，一个模型可能有成百上千棵基树构成，每个样本在每棵基树上都会得到一个分数，
6、通过xgboost的目标函数对单个样本进行打分并输出预测值，xgboost的目标函数由训练损失和正则化项两部分组成，损失函数，即表示模型预测值和真实值的差异程度，正则化项衡量模型复杂度，用于控制模型的复杂度，抑制过拟合，公式如下：
7、
8、l项代表损失函数，即表示模型预测值和真实值的差异程度，ω项是将k个基模型的复杂度进行求和，将其添加到目标函数中。
9、xgboost具有精度更高，灵活性更强，拟合性能好，速度快，减少计算量等优点。
10、shapley additive explanations(shap)属于模型事后解释的方法，核心思想是计算特征对模型输出的边际贡献，从而对“黑盒模型”进行解释。采用shap值解释模型是一种可靠的解释性能经过验证的一种新方法，广泛应用于机器学习结果解释中，shap利用博弈论的思想体现为：某个特征的边际贡献＝使用某个特征时模型的输出值-不使用某个特征时模型的输出值，具体的，假设黑盒模型为f(x)，事后解释模型为g(x)，φi表示第i个特征的shap值(shapley value)，φ0是关于所有样本预测值的平均值，那么有:
11、
12、
13、机器学习算法用于神经系统疾病的研究多集中于脑梗死和多发性硬化，尚未有研究应用xgboost机器学习的算法预测ae的预后。
技术实现思路
1、鉴于以上现有技术的不足，专利技术的目的在于提供用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法及系统，用以解决上述
技术介绍
中所提出的尚无xgboost机器学习的方法用于预测自身免疫性脑炎患者预后好坏的问题，采用xgboost机器学习的方法对早期获得的临床指标进行分析，以预测自身免疫性脑炎患者的预后好坏。有利于临床医生及时干预。
2、本专利技术的第一方面，提出了用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法，包括如下步骤：
3、s1.依据预设筛选标准将患者筛选，提取符合预设筛选标准的临床指标数据，将提取的临床指标数据存储；
4、s2.将储存的临床指标数据进行预处理；
5、s3.通过xgboost机器学习算法对处理后的临床指标数据进行xgboost机器学习模型构建，并通过放回抽样1000次的方法进行抽样，通过每次抽样的样本对xgboost机器学习模型进行训练，构建出预测自身免疫性脑炎患者预后好坏的xgboost机器学习模型；
6、s4.通过xgboost机器学习模型性能评估部分对临床指标数据进行重要性排序、绘制受试者工作特征曲线、计算xgboost机器学习模型的性能指标，并通过shap分析对模型进行分析；
7、s5.基于已构建的xgboost机器学习模型，输入某个患者的临床指标，输出此患者的预后好坏。
8、进一步地，所述的通过xgboost机器学习模型性能评估部分对临床指标数据进行重要性排序、绘制受试者工作特征曲线、计算xgboost机器学习模型的性能指标，并通过shap分析对模型进行分析具体包括以下步骤：
9、s41.将临床指标根据xgboost机器学习算法进行变量重要性排序；
10、s42.计算特异度和敏感度，绘制受试者工作特征曲线；
11、s43.计算xgboost机器学习模型的准确率、敏感度、特异度、阳性预测值ppv、阴性预测值npv和f1指数，采用条图可视化；
12、s44.通过shap分析对模型进行分析，计算shap值，对临床指标的shap值进行排序，并可视化，采用shap力图输出单个患者的各个临床指标对预后好坏的贡献方向和程度，绘制shap交互图，可视化临床指标两两组合对预后好坏的贡献方向和程度。
13、进一步地，所述预处理包括数据格式整理和清洗。
14、进一步地，所述临床指标包括：
15、是否为抗nmdar脑炎；
16、性别，年龄，感染，认知减退，精神异常，癫痫发作，前白蛋白；
17、是否单一抗癫痫药物(aed)使用、是否≥2种抗癫痫药物(aed)使用、是否ct或mri影像结果显示海马病变、是否ct或mri影像结果显示基底节病变、是否ct或mri影像结果显示丘脑病变、是否ct或mri影像结果显示额叶病变、是否ct或mri影像结果显示颞叶病变、是否ct或mri影像结果显示枕叶病变、是否ct或mri影像结果显示顶叶病变、是否ct或mri影像结果显示顶叶病变、是否ct或mri影像结果显示岛叶病变、是否ct或mri影像结果显示小脑病变、是否ct或mri影像结果显示脑干病变；
18、脑脊液白细胞水平，脑脊液淋巴细胞比例，脑脊液单核细胞比例，脑脊液蛋白质水平，脑脊液葡萄糖水平，脑脊液氯化物水平。
19、进一步地，所述s1中，预设筛选标准包括：
20、患者血液自身免疫性脑炎相关抗体检测阳性；
21、患者脑脊液自身免疫性脑炎相关抗体检测阳性；
22、18岁≤患者年龄≤80岁。
23、进一步地，所述s1本文档来自技高网...
【技术保护点】
1.用于判断自身免疫性脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于判断自身免疫性脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述的通过XGBoost机器学习模型性能评估部分对临床指标数据进行重要性排序、绘制受试者工作特征曲线、计算XGBoost机器学习模型的性能指标，并通过SHAP分析对模型进行分析，具体包括以下步骤：
3.根据权利要求2所述的用于判断自身免疫性脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述预处理包括数据格式整理和清洗。
4.根据权利要求1所述的用于判断自身免疫性脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述临床指标包括：
5.根据权利要求1所述的用于判断自身免疫性脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述S1中，预设筛选标准包括：
6.根据权利要求5所述的用于判断脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述S1中，预设筛选标准还包括：
7.
8.根据权利要求2所述的用于判断自身免疫性脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述准确率Accuracy的计算公式：Accuracy＝(TP+TN)/(TP+TN+FP+FN)；
9.根据权利要求1所述的用于判断脑炎预后的XGBoost机器学习模型的构建方法，其特征在于，所述XGBoost的目标函数公式为：
10.用于判断脑炎预后的XGBoost机器学习模型的构建系统，其特征在于，包括数据采集和存储部分、数据处理部分、XGBoost机器学习模型构建部分、XGBoost机器学习模型性能评估部分、自身免疫性脑炎预后好坏输出显示部分。
...【技术特征摘要】
1.用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法，其特征在于，所述的通过xgboost机器学习模型性能评估部分对临床指标数据进行重要性排序、绘制受试者工作特征曲线、计算xgboost机器学习模型的性能指标，并通过shap分析对模型进行分析，具体包括以下步骤：
3.根据权利要求2所述的用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法，其特征在于，所述预处理包括数据格式整理和清洗。
4.根据权利要求1所述的用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法，其特征在于，所述临床指标包括：
5.根据权利要求1所述的用于判断自身免疫性脑炎预后的xgboost机器学习模型的构建方法，其特征在于，所述s1中，预设筛选标准包括：
6.根据权利要求5所述的用于...
【专利技术属性】
技术研发人员：郭俊爽，苗旺，邹义洲，陆小芳，位磊艳，
申请(专利权)人：中南大学，
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。