[發明專利]一種基于特征重排一維卷積神經網絡的病人心衰死亡風險預測系統

有效

• 申請號: 202010079912.8
• 申請日: 2020-02-04
• 公開（公告）號: CN111387938B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 李冬冬;王喆;朱逸文;楊海;杜文莉;張靜
• 申請（專利權）人: 華東理工大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于特征重排一維卷積神經網絡的病人心衰死亡風險預測系統，其特征在于，包括以下步驟：

S1,從醫院電子病歷系統獲取心衰病人原始數據集，對獲取的心衰病人原始數據集進行特征工程預處理，其中包括對取得的原始數據集按照四個類別即常規，診斷，疾病，實驗檢驗，分別進行數值化映射，將映射后的四大類特征子集與原始數據集中表示病人是否因心力衰竭死亡的標簽組合，得到疾病相關信息特征集X_D；

S2，提出重排滑窗卷積方法，對獲取的疾病相關信息特征集X_D計算標簽相關性，根據標簽相關性進行約減特征重排操作，生成新的重排特征子集X_d，其中d∈D，具體包括以下步驟：

S21，在疾病相關信息特征集X_D上進行D維特征與表示病人是否因心力衰竭死亡標簽的相關性的迭代計算，首先確定需要計算某一特征X_t，t∈[1,2,3,...,D]，設表示病人是否因心力衰竭死亡標簽為Y，假設特征X_t的值域為{X_t1,X_t2,…},而標簽Y的值域為{0,1}，可列出X_t的樣本頻數矩陣

總計為r+1行c+1列的矩陣，其中每行為特征X_t取值，每列為標簽Y的取值，最后一行、一列為每行每列的總和，利用以下的計算公式：

其中O_i,j第i行、第j列為樣本頻數矩陣p中單元格的實際取值，E_i,j為通過極大似然估計得到的期望，計算方法為:

S22，迭代計算所有的特征X_t，可構成特征X的分數集X_score，根據X_score降序排列所有特征X_t，選擇其中排名靠前的前d維特征，從而構造重排特征子集X_d，而后進行輸入到網絡中進行滑窗卷積，獲取抽象特征集；

S3，搭建神經網絡模型，將得到的重排特征子集X_d輸入該模型，訓練出相應的參數，利用訓練好的模型上線到病人心衰死亡風險預測系統，輔助疾病診療，具體包括以下步驟：

S31，對得到的重排特征子集X_d作最大最小歸一化；

S32，搭建卷積神經網絡模型，其結構為，輸入層-一維重排卷積層-批歸一化層-激活函數-一維最大池化-平壓層-神經元層-批歸一化層-激活函數-神經元層-批歸一化層-激活函數sigmoid-輸出神經元層-激活函數sigmoid；其中一維重排卷積層由步驟S22得到；

S33，將歸一化后的重排特征子集X_d按照樣本，隨機劃分為訓練，驗證及測試這三個數據子集，其中包含的樣本數分別為60％，20％及20％；

S34，將從歸一化后的重排特征子集X_d中劃分出來的訓練子集及驗證子集輸入到所搭建的特征重排一維卷積神經網絡模型中，并調整損失函數為焦點損失，該損失可表示為

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中α_t和γ為可認為調整的超參數，而類別Y的預測概率p_t的計算方法為：

其中p∈[0,1]表示由網絡輸出的類別為1的概率，在本病人心衰死亡風險預測系統，網絡輸出類別為1表示病人存在因為心力衰竭而死亡的風險；y∈Y，表示數據中某一樣本真實的類別，類別為1表示病人存在因為心力衰竭而死亡的風險，類別為0則相反；

S35,預設迭代輪數，對特征重排一維卷積神經網絡模型進行迭代訓練，直至迭代次數達到預設迭代輪數，根據驗證子集的結果反復調整網絡的參數，直至得到該網絡的最優參數，完成網絡訓練；

S36，將測試子集輸入到訓練好的網絡中，得到測試集上病人是否會因心力衰竭死亡的預測標簽，評估所得網絡對病人心衰死亡風險預測的精準程度；

S37，上線模型到病人心衰死亡風險預測系統，輔助疾病診療。

2.根據權利要求1所述的一種基于特征重排一維卷積神經網絡的病人心衰死亡風險預測系統，其特征在于，步驟S1包括以下步驟：

S11，對獲取的心衰病人原始數據集特征進行歸類，將其分為常規，診斷，疾病，實驗測試四大特征；

S12，對于常規，診斷，疾病，實驗測試這四大特征，統計每一種特征包含的類別數量K，將該類別特征進行獨熱編碼映射，得到1×K的獨熱編碼，將每一類別特征都用其獨熱編碼進行重新表示，其中診斷特征和疾病特征被映射為{0,1}，用0表示陰性，1表示陽性，檢驗映射為{(1,0,0),(0,1,0),(0,0,1)}的獨熱集，其中(1，0，0)表示檢驗水平低，(0，1，0)檢驗水平正常，(0，0，1)表示檢驗水平超標；

S13，將映射后的四大類特征子集與原始數據集中表示病人是否因心力衰竭死亡的標簽構成疾病相關信息特征集X_D，其特征維度為D。