[發明專利]療效預測模型訓練方法以及療效預測方法及電子設備

在審

• 申請號: 202211306475.4
• 申請日: 2022-10-24
• 公開（公告）號: CN115631850A
• 公開（公告）日: 2023-01-20
• 發明（設計）人: 鄭冬陽;胡迎炳;王志燕;郝紅偉;李路明
• 申請（專利權）人: 清華大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H10/60;G06F18/24;G06F18/214;G06F18/211;A61B5/00;A61B5/321;A61B5/33;A61B5/369;A61B5/386;A61B5/024
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 陳丕光

1.一種療效預測模型訓練方法，其特征在于，包括：

獲取目標患者對應的臨床信息、腦電數據、心電數據，以及所述目標患者對應的樣本類型，所述樣本類型根據所述目標患者對應的長期療效確定，包括正樣本和負樣本；

基于所述目標患者對應的所述臨床信息、所述腦電數據、所述心電數據，生成所述目標患者對應的初始特征；

基于所述目標患者對應的樣本類型，對所述初始特征進行優化處理，生成所述目標患者對應的目標特征；

基于所述目標患者對應的所述目標特征與所述樣本類型之間的對應關系，生成所述目標患者對應的訓練數據集；

利用所述訓練數據集訓練初始療效預測網絡，生成目標療效預測模型。

2.根據權利要求1所述的方法，其特征在于，基于所述目標患者對應的所述臨床信息、所述腦電數據、所述心電數據，生成所述目標患者對應的初始特征，包括：

根據所述臨床信息，生成初始臨床特征；所述初始臨床特征中包括多個初始子臨床特征；

對所述腦電數據進行分析，計算所述目標患者對應的初始功能連接特征、初始網絡拓撲特征以及初始熵特征；所述初始功能連接特征中包括多個初始子功能連接特征；所述初始網絡拓撲特征中包括多個初始子網絡拓撲特征；所述初始熵特征中包括多個初始子熵特征；

對所述心電數據進行分析，計算所述目標患者對應的初始心率變異性特征；所述初始心率變異性特征中包括多個初始子心率變異性特征；

基于所述初始臨床特征、所述初始功能連接特征、所述初始網絡拓撲特征、所述初始熵特征以及所述初始心率變異性特征，構成所述初始特征。

3.根據權利要求2所述的方法，其特征在于，所述基于所述目標患者對應的樣本類型，對所述初始特征進行優化處理，生成所述目標患者對應的目標特征，包括：

利用預設的檢驗方法對所述目標患者中的正樣本對應的所述初始特征和所述負樣本對應的所述初始特征進行組間顯著性差異分析，從所述初始特征中確定候選特征；所述候選特征中包括候選臨床特征、候選功能連接特征、候選網絡拓撲特征、候選熵特征以及候選心率變異性特征；

基于預設二分類算法的遞歸特征消除法對所述候選特征進行特征選擇，生成所述目標患者對應的目標特征。

4.根據權利要求3所述的方法，其特征在于，所述基于預設二分類算法的遞歸特征消除法對所述候選特征進行特征選擇，生成所述目標患者對應的目標特征，包括：

根據所述候選特征，生成包括全部所述候選特征的第一候選特征集；

將所述第一候選特征集輸入至預設二分類算法，訓練所述預設二分類算法，得到第一候選二分類模型，并確定所述第一候選特征集中各個所述候選特征對應的權重系數；

根據所述第一候選特征集中各個所述候選特征對應的權重系數，分別從所述候選臨床特征、所述候選功能連接特征、所述候選網絡拓撲特征、所述候選熵特征以及所述候選心率變異性特征，刪除第一預設數量權重系數最小的候選特征，得到第二候選特征集；

如此循環，直至候選特征集中的數量為達到預設要求；

獲取各個候選二分類模型對應的模型精度，確定模型精度最高的所述候選二分類模型對應的候選特征集中所述候選特征為備用特征；

根據所述備用特征，確定所述目標特征。

5.根據權利要求4所述的方法，其特征在于，所述根據所述備用特征，確定所述目標特征，包括：

利用所述目標患者對應的所述備用特征與所述目標患者對應的樣本類型之間的關系，再次對所述預設二分類算法進行訓練，并確定各個所述備用特征的權重系數；

刪除權重系數小于預設權重閾值的所述備用特征，得到所述目標特征。

6.根據權利要求1所述的方法，其特征在于，所述利用所述訓練數據集訓練初始療效預測網絡，生成目標療效預測模型，包括：

利用所述訓練數據集對所述初始療效預測網絡進行驗證；

在所述初始療效預測網絡滿足預設要求時，利用所述訓練數據集訓練所述初始療效預測網絡，生成所述目標療效預測模型。