[發明專利]一種構建無效再通FR預測模型的方法和裝置

在審

• 申請號: 202110706528.0
• 申請日: 2021-06-24
• 公開（公告）號: CN113380413A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 劉麗萍;聶曦明
• 申請（專利權）人: 首都醫科大學附屬北京天壇醫院
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/20;G06N3/00
• 代理公司: 北京預立生科知識產權代理有限公司 11736
• 代理人: 李紅偉;孟祥斌

1.一種構建無效再通FR預測模型的方法，其特征在于，所述方法包括：

獲取訓練樣本集，其中，每個樣本包括接受血管再通治療的患者的臨床數據集和影像數據、表征是否發生無效再通的標簽；

基于已訓練的臨床信息特征提取模型，從每個樣本的臨床數據集中提取臨床信息特征；

基于已訓練的影像特征提取模型，從每個樣本的影像數據中提取影像特征；

基于每個樣本的臨床信息特征、影像特征和標簽進行模型訓練，獲得FR預測模型，所述FR預測模型用于預測患者發生無效再通的概率；

其中，在模型訓練過程中，對每個樣本的臨床信息特征和影像特征進行前端融合或后端融合，所述前端融合為臨床信息特征和影像特征進行特征融合后送入到所述FR預測模型的分類器中；所述后端融合為分別將臨床信息特征送入到所述FR預測模型的第一分類器中和將影像特征送入到所述FR預測模型的第二分類器中，對第一分類器的結果和第二分類器的結果進行結果融合。

2.根據權利要求1所述的方法，其特征在于，

所述結果融合為基于集成學習的多模態結果融合，所述第一分類器包括多個弱分類器，所述第二分類器包括多個弱分類器；

所述基于集成學習的多模態結果融合為分別將臨床信息特征送入到多個弱分類器中得到第一結果，將影像特征送入到多個弱分類器中得到第二結果，對第一結果和第二結果進行結果融合；

優選的，所述基于集成學習的多模態結果融合是將為基于集成學習的圖像與文本的多模態結果融合，其中，所述圖像為影像特征，所述文本為臨床信息特征。

3.根據權利要求2所述的方法，其特征在于，所述方法還包括：

采用基于進化或群體智能的算法對基于集成學習的多模態結果融合中的參數進行調節；可選的，采用GA、PSO、ABC或HS算法對集成學習的多模態結果融合中的參數進行調節；優選的，采用改進后的粒子群優化算法PSO對集成學習的多模態結果融合中的參數進行調節，其中改進后的PSO在更新粒子速度時為歷史粒子速度附加了慣性因子，所述慣性因子用于調節歷史粒子速度對更新后的粒子速度的影響程度；可選地，所述慣性因子是根據模型訓練的迭代次數確定的。

4.根據權利要求1所述的方法，其特征在于，

所述獲取訓練樣本集，包括：獲取接受血管再通治療的患者的各項臨床指標的數據；基于隨機森林算法確定各項臨床指標的重要度；按照各項臨床指標的重要度從高到低的順序，選取滿足預設條件的候選臨床指標；

將各患者的候選臨床指標的數據添加到各患者的臨床數據集中。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：

基于所述訓練樣本集中樣本的影像數據和標簽，對深度卷積神經網絡進行訓練，其中，所述深度卷積神經網絡包括特征提取層、全連接層和輸出層，所述特征提取層包含卷積層和池化層；

將訓練完的深度卷積神經網絡中的特征提取層作為所述影像特征提取模型。

6.一種構建FR預測模型的裝置，其特征在于，包括：

獲取模塊，用于獲取訓練樣本集，其中，每個樣本包括接受血管再通治療的患者的臨床數據集和影像數據、表征是否發生無效再通的標簽；

臨床信息特征提取模塊，用于基于已訓練的臨床信息特征提取模型，從每個樣本的臨床數據集中提取臨床信息特征；

影像特征提取模塊，用于基于已訓練的影像特征提取模型，從每個樣本的影像數據中提取影像特征；

訓練模塊，用于基于每個樣本的臨床信息特征、影像特征和標簽進行模型訓練，獲得FR預測模型，所述FR預測模型用于預測患者存在無效再通的概率，其中，在模型訓練過程中，對每個樣本的臨床信息特征和影像特征進行前端融合或結果融合，所述前端融合為臨床信息特征和影像特征進行特征融合后送入到分類器中；所述后端融合為分別將臨床信息特征送入到第一分類器中和將影像特征送入到第二分類器中，對第一分類器的結果和第二分類器的結果進行結果融合。