[發明專利]一種基于集成學習的腦卒中溶栓后出血概率預測方法

有效

• 申請號: 202110525660.1
• 申請日: 2021-05-14
• 公開（公告）號: CN113345581B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 梁浩然;倪文田;李峰;施超;孫陽;梁榮華
• 申請（專利權）人: 浙江工業大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H50/70;G06N20/20
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于集成學習的腦卒中溶栓后出血概率預測方法，首先對原始數據進行預處理，使得用于模型訓練的數據足夠精簡，同時又能完整地表征原始數據；然后將預處理后的數據輸入四個子學習器，分別訓練后生成初步結果，并將結果匯總；最后將上一步中得到的匯總結果輸入一個CatBoost模型中，經過訓練得到最終的概率預測模型。本發明對涉及到腦卒中溶栓后出血概率的諸多因素進行了理論和實踐的分析，提取出關鍵因素，并借助集成學習的性能優勢，訓練了一個具備較高準確率的預測模型。憑借對各個特征之間相關性的深入探究及對集成學習的合理利用，本發明最終呈現的模型可以在臨床上給予醫生可靠的理論指導。

技術領域

本發明涉及一種基于集成學習的腦卒中溶栓后出血概率預測方法。

背景技術

腦卒中即腦部血管被血栓堵塞，一旦發生，將對患者的生命健康造成極大傷害。臨床上常見的治療方法是用溶栓藥劑進行溶栓，但溶栓藥劑使用后，有一定概率造成嚴重的出血并發癥，而發生出血的患者嚴重殘疾或死亡的概率超過90％。現在一般情況下，醫生告知患者家屬的溶栓出血概率大多根據醫生自己的經驗得出，缺少實質的針對患者個體的判斷依據，且每個醫生都有自己的判斷標準，隨機性較大。針對這種情況，臨床上急需一種行之有效的預測方法。

近年來，隨著AlphaGo等產物的出現，機器學習的熱度越來越高，涉及到的領域也越來越多，如自然語言處理、圖像風格遷移等，并且在這些領域也都發揮出了相當重要的作用。集成學習是機器學習中的一個大類，它通過構建多個學習器來完成學習任務，主要特點有：1)子學習器的種類不限，集成的總學習器可以是同質(子學習器種類相同)的，也可以是異質(自學習器種類不同)的，提高了集成學習的性能和兼容性；2)通常情況下可以通過集成獲得比單個學習器顯著優越的泛化性能，若子學習器較弱，這種優越性將更加明顯。

發明內容

為了克服現有技術的不足，為了給醫生提供足夠可靠的依據來判斷腦卒中患者溶栓后的出血概率，本發明提出了一個基于集成學習的腦卒中溶栓后出血概率預測方法，集成學習模型，綜合患者多個方面的因素進行考量，輸出最后的判斷。

為了解決上述技術問題本發明提供如下的技術方案：

一種基于集成學習的腦卒中溶栓后出血概率預測方法，所述方法包括以下步驟：

(1)輸入特征處理：得到原始數據后，需要進行剔除無關特征等處理，提高最終模型的性能；

(2)單模型訓練：分別用四個子學習器在預處理過的數據集上訓練，得到各自的預測結果，等待下一步處理；過程如下：

首先將數據集分成若干個fold，設fold總數為(N+1)，這(N+1)個fold中，前N個fold包含的樣本數是相同的，第(N+1)個fold則無此要求，但所包含的樣本數應盡量接近前F個fold；

對于每一個子學習器而言，總共需要訓練N次；在第T次訓練中，訓練集為前N個fold中除去fold_T的余下(N-1)個fold，訓練得到的模型將被用來預測fold_T及fold_N+1，設fold_T和fold_N+1所包含的樣本數分別為M和m，則經過一輪訓練后，將得到兩個向量，分別是模型關于fold_T的預測結果及關于fold_N+1的預測結果經過N輪訓練后，將所有的進行拼接就得到了該子學習器關于前N個fold的預測結果對所有的取平均值，則可得到該子學習器關于fold_N+1的最終預測結果

由于采用了四種子學習器，因此經過單模型訓練這一步后，得到兩個預測矩陣，即關于前N個fold的預測結果矩陣以及關于fold_N+1的預測結果矩陣

(3)多模型融合：將上一步輸出的結果按照特定方法進行融合，之后即可輸出最終的概率預測；所述多模型融合的操作如下：