用于诊断功能性消化不良的方法、系统、装置及存储介质与流程

本发明属于医疗设备领域，具体涉及一种用于诊断功能性消化不良的方法、系统、装置及存储介质。

背景技术：

功能性消化不良(functionaldyspepsia，fd)是起源于胃和十二指肠区域的功能紊乱，按fgids新分类罗马vi可分为餐后不适综合症和上腹痛综合症，是一组以反复发作的餐后饱胀、早饱、厌食、嗳气、恶心、呕吐、上腹痛、上腹烧灼感或反酸为主要表现而经各项检查排除器质性、系统性或代谢性疾病的一组常见临床症候群。

当前在诊断病人是否为功能性消化不良患者时，诊断过程繁琐；为了排除患者器质性消化不良的可能，患者需要进行胃镜检查，由于胃镜检查时病人绝大多数有恶心、呕吐等痛苦感，且心理上常伴紧张、焦虑、恐惧情绪，因此许多病人往往拒绝检查，以致延误了诊断和治疗；此外，由于功能性消化不良的不确定性使得临床医师在诊断时难以取得较为准确的诊断结果。综上所述，现有的功能性消化不良的诊断方法需要患者承受一定程度的痛苦、诊断准确度低。

技术实现要素：

为了解决现有技术中存在的上述问题，本发明提供了一种用于诊断功能性消化不良的方法、系统、装置及存储介质。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种用于诊断功能性消化不良的方法，步骤如下，

获取待测体的待测脑影像信息与对照组的对照脑影像信息；

分别对所述待测脑影像信息和所述对照脑影像信息进行特征提取，得到待测特征和待训练特征；

根据所述待训练特征构建随机森林分类模型；

根据所述待测特征和所述随机森林分类模型得到诊断结果。

在本发明的一个实施例中，待测脑影像与所述对照脑影像均为功能性核磁共振脑影像。

在本发明的一个实施例中，根据所述待训练特征构建随机森林分类模型，包括，

根据训练特征构建多个初级随机森林分类模型；

对多个初级随机森林分类模型进行性能评估获得随机森林分类模型。

在本发明的一个实施例中，对多个初级随机森林分类模型进行性能评估获得随机森林分类模型，包括，

根据内外嵌套的交叉验证框架对多个初级随机森林分类模型进行评估获得随机森林分类模型。

本发明还提供了一种用于诊断功能性消化不良的系统，包括影像采集模块、特征提取模块和疾病诊断识别模块；

影像采集及预处理模块，用于获取待测体的待测脑影像信息和待测特征参数；

特征提取模块，用于分别对所述待测脑影像信息和所述对照脑影像信息进行特征提取，得到待测特征和待训练特征；

疾病诊断识别模块，用于根据所述待训练特征构建随机森林分类模型，并根据所述待测特征和所述随机森林分类模型得到诊断结果。

在本发明的一个实施例中，所述疾病诊断识别模块包括模型建立单元和诊断单元；

模型建立单元，用于根据待训练特征构建随机森林分类模型；

诊断单元，用于根据待测特征与随机森林分类模型得到诊断结果。

在本发明的一个实施例中，所述模型建立单元包括初级模型建立单元和初级模型评估单元；

初级模型建立单元，用于根据训练特征构建多个初级随机森林分类模型；

初级模型评估单元，用于对多个初级随机森林分类模型进行性能评估获得随机森林分类模型。

本发明的另一个实施例提供了一种用于诊断功能性消化不良的设备，包括脑影像采集装置、处理器、存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序的步骤为：

获取待测体的待测脑影像信息与对照组的对照脑影像信息；

分别对所述待测脑影像信息和所述对照脑影像信息进行特征提取，得到待测特征和待训练特征；

根据所述待训练特征构建随机森林分类模型；

根据所述待测特征和所述随机森林分类模型得到诊断结果。

本发明还提供了一种存储介质，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。

与现有技术相比，本发明的有益效果：

本发明根据对照脑影像提取特征获得待训练特征建立随机森林分类模型，再将待测体的待测特征输入随机森林分类模型得到诊断结果。这样的诊断方式准确率高，并且患病个体在诊断的过程中无痛苦。

附图说明

图1为本发明实施例提供的用于诊断功能性消化不良的方法流程示意图；

图2为本发明实施例提供的用于诊断功能性消化不良的方法的五折交叉验证原理示意图；

图3为本发明实施例提供的用于诊断功能性消化不良的方法的内外嵌套交叉验证框架结构图；

图4为本发明实施例提供的用于诊断功能性消化不良的方法的平均auc结果图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，本发明实施例提供了一种用于诊断功能性消化不良的方法，步骤如下，

获取待测体的待测脑影像信息与对照组的对照脑影像信息；

分别对所述待测脑影像信息和所述对照脑影像信息进行特征提取，得到待测特征和待训练特征；

根据所述待训练特征构建随机森林分类模型；

根据所述待测特征和所述随机森林分类模型得到诊断结果。

在本发明的一个实施例中，待测脑影像与所述对照脑影像均为功能性核磁共振脑影像。

在本发明的一个实施例中，根据所述待训练特征构建随机森林分类模型，包括，

根据训练特征构建多个初级随机森林分类模型；

对多个初级随机森林分类模型进行性能评估获得随机森林分类模型。

在本发明的一个实施例中，对多个初级随机森林分类模型进行性能评估获得随机森林分类模型，包括，

根据内外嵌套的交叉验证框架对多个初级随机森林分类模型进行评估获得随机森林分类模型。

具体的，获取待测体的待测脑影像信息和对照体的对照脑影像信息时，首先需要获得待测体脑影像和对照脑影像，再对待测体脑影像和对照脑影像进行分析计算获得全脑体素的中心度(degreecentrality，dc)值。

具体的，还需要对待测体脑影像和对照脑影像进行预处理，这样可以提高诊断的准确率。

具体的，通过功能性核磁工程成像获得待测体和对照体的脑影像。

具体的，在预处理时，要先将功能性核磁共振脑影像的前5个时间序列去除以避免信号不稳定并使受试者适应扫描噪声，再对脑影像进行事件曾校正以及头部运动校正，在基于记录的运动校正时，将被测试个体在每个方向上的最大平移设置为2mm，并且对被测个体在作功能性核磁共振成像期间的最大角运动设置为2°；将功能图像标准化到mni152模板，并用各向同性高斯核(半高全宽[fwhm]＝6mm)平滑以去除功能性核磁共振脑影像的线性趋势；使用时间滤波器降低功能性核磁共振脑影像的低频漂移和高频生理噪声；使用白质和脑脊液作为协变量进行滋扰回归。

具体的，对照组分为患病样本组和健康对照组。

具体的，计算待测体和对照组的每个个体的全脑体素的dc值，步骤如下：

(1)每个体素的时间序列与全脑中其他体素的时间序列之间计算pearson相关系数，得到描述全脑功能连接模式的pearson相关系数矩阵。

(2)对每个体素求r>k的相关系数总和，获得每个体素的加权dc值。使用k＝0.2作为阈值来消除具有低相关性的体素，并且已经证明不同的阈值选择没有定性地改变结果。设全脑体素个数为n，aij为第i个体素与第j个体素的功能连接度，则第i个体素的dc值计算公式如下：dc＝∑aij，其中j＝1...n，i≠j，k＝0.2，

(3)将每个入组对象的dc图转换为z分数图(zscoremap)。则第i个体素的z分数值计算公式如下：

其中，mean为全脑所有体素dc值的平均值，std为全脑所有体素的dc值的标准差。

具体的，根据全脑体素的dc值进行提取特征，步骤如下，

对患病样本组和健康对照组的z分数图(zscoremap)进行组差异分析，记录显著差异的脑区，及显著差异峰值区域的中心点坐标；

将峰值显著区域的峰值点定义为感兴趣区域(regionofinterest，roi)，并输出所有入组对象的每个roi的dc值。

具体的，根据所述待训练特征构建随机森林分类模型，包括，

1.根据训练特征构建多个初级随机森林分类模型；

将roi的dc值作为输入特征，患病样本组和健康对照组的类别属性为标签，在r软件中使用随机森林软件包，构建初级随机森林分类模型。

2.对多个初级随机森林分类模型进行性能评估获得随机森林分类模型。

使用内外嵌套的交叉验证框架评估初级随机森林分类模型性能，如图3和图4所示：使用外部重采样循环来优化特征的数量，并且使用内部重采样循环来调整模型参数(ntree和mtry)。

具体如下：

(1)外部重采样循环使用leave-group-out交叉验证，对照组分为患病样本组和健康对照组，对照组中共有109例样本(患病样本组中有68例患病个体，健康对照组中有41个健康个体)以3：1的比例随机划分成主训练集(75％：51例患病个体，31例健康个体)和验证集(25％：17例患病个体，10例健康个体)。该过程重复100次，共形成100组。各组独立完成训练和验证过程，具体如下：

1)使用每组划分的主训练集获得特征重要性等级排序；

2)将特征从最重要的前两个特征到最不重要的特征逐个添加，创建多个特征子集；

3)使用每个特征子集，调整模型参数(内部重采样循环)，构建随机森林分类模型；

4)使用最优参数训练模型并评估该模型用于同组的验证集时的性能；

5)对每个特征子集中平均100个组的结果(auc值，取值范围在0.5-1之间，auc越大的分类器效果越好)进行评估，以降低随机划分交叉验证结果带来的偏差；

6)统计具有最优平均性能的模型(使用全部特征时，auc具有最大值)对应的特征子集中各个特征的平均排序，以获得稳定的特征重要性等级排序。

(2)内部重采样循环使用五折交叉验证。如图2所示，随机森林模型中参数的选定将影响模型的准确性，本发明使用内部重采样循环(内部五折交叉验证)来网格搜索最优模型参数(ntree，mtry)，获得使交叉验证性能最优组合。

具体如下：

1)主训练集(51例患病个体，31例健康个体)随机划分成五折(d1、d2、d3、d4、d5)；

2)轮流将四折样本作为训练集构建模型，一折样本作为验证集评估模型性能，模型具体设置为：importance表示输出分裂属性的重要性，设置为true；proximity表示是否生成邻近矩阵，设置为true；ntree(n)表示生成决策树的数目，从250、500、750、1000中搜索；mtry(m)表示选择时分裂特征的个数，从两个到最多个特征中搜索；

3)重复第二步五次，即每一折都作为一次验证集，平均五次的模型性能作为最终性能；

4)使交叉验证性能最优的参数组合被选定为最优参数。

具体的,对待测体进行诊断时，首先对待测体进行功能性核磁共振成像；再对获得的功能性核磁共振影像分析计算，获得待测体的全脑体素的dc值；然后提取所有感兴趣区域(roi)的平均dc值，再将平均dc值输入到本发明发的随机森林分类模型中，随机森林分类模型输出待测体患功能性消化不良的概率，医生根据待测体患病概率，结合临床特征，进行最终诊断。

本发明还提供了一种用于诊断功能性消化不良的系统，包括影像采集模块、特征提取模块和疾病诊断识别模块；

影像采集及预处理模块，用于获取待测体的待测脑影像信息和待测特征参数；

特征提取模块，用于分别对所述待测脑影像信息和所述对照脑影像信息进行特征提取，得到待测特征和待训练特征；

疾病诊断识别模块，用于根据所述待训练特征构建随机森林分类模型，并根据所述待测特征和所述随机森林分类模型得到诊断结果。

在本发明的一个实施例中，所述疾病诊断识别模块包括模型建立单元和诊断单元；

模型建立单元，用于根据待训练特征构建随机森林分类模型；

诊断单元，用于根据待测特征与随机森林分类模型得到诊断结果。

在本发明的一个实施例中，所述模型建立单元包括初级模型建立单元和初级模型评估单元；

初级模型建立单元，用于根据训练特征构建多个初级随机森林分类模型；

初级模型评估单元，用于对多个初级随机森林分类模型进行性能评估获得随机森林分类模型。

本发明还提供了一种用于诊断功能性消化不良的设备，包括脑影像采集装置、处理器、存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序的步骤为：

获取待测体的待测脑影像信息与对照组的对照脑影像信息；

分别对所述待测脑影像信息和所述对照脑影像信息进行特征提取，得到待测特征和待训练特征；

根据所述待训练特征构建随机森林分类模型；

根据所述待测特征和所述随机森林分类模型得到诊断结果。

本发明还提供了一种存储介质，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。

具体的，存储介质可被计算机读取。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。