基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统的制作方法

本发明属于计算机辅助诊断技术领域，涉及一种基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统。

背景技术：

脑(膜)炎是指由细菌、病毒、真菌、螺旋体、原虫、立克次体、肿瘤，自身免疫等多种因素侵犯中枢神经系统引起的炎性改变，是神经内科的急危重症。具有极高的致死致残率，每年约导致135000人死亡。但由于其病因复杂，病情进展快，患者早期临床表现不典型，实验室检查阳性率低，等特点，临床早期诊断困难重重，因此难以及时给予针对性治疗，往往会给患者造成不可逆的神经系统损伤，甚至危及生命。研究表明，早期诊断和及时治疗是降低脑膜炎病死率，减少患者神经系统后遗症最重要的手段。

目前临床医生区分不同类型的脑(膜)炎主要依据脑脊液病原学证据，但许多脑(膜)炎患者缺乏病原学依据。如果在发病早期能够综合利用病人有限的临床资料得出可靠的辅助决策方案，并提供诊疗建议，帮助临床医生尽快形成最终诊疗决策，就可以在疾病早期给予针对性的治疗，降低病死率，改善患者的预后。随着计算机科学和人工智能技术的飞速发展，其在医疗领域的应用也日趋成熟。“人工智能+医疗”模式被越来越多的应用于临床疾病的预防、早期诊断、治疗、判断和评估预后等各个方面，为建立高效、快速、便捷的方法解决脑(膜)炎的诊断问题提供了新的方向。但目前尚无脑(膜)炎智能诊断系统或软件应用于临床。

技术实现要素：

针对上述存在的诊疗困境，本发明旨在提供一种基于随机森林算法的脑膜炎智能辅助诊断系统，解决脑膜炎早期病因诊断准确率低的问题。

为解决上述技术问题，本发明采用如下技术方案：

本发明提供基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统，包括基于阿里云的服务器及与其通信连接的客户端；

所述服务器内设有脑炎、脑膜炎智能辅助诊断软件包，所述软件包包含：

基于医学知识的专家系统，包括脑炎、脑膜炎疾病权重评分模型和脑炎、脑膜炎诊断的“规则知识库”；

基于机器学习算法的智能系统，基于随机森林算法；

所述客户端设有人机交互界面，用于输入患者临床数据；

所述服务器包括：

解释器，用于将患者临床数据转换为上述两个模型可以识别的参数；

综合处理器，用于在两个模型中进行计算匹配脑炎、脑膜炎的各个病因诊断，然后将“规则知识库”和基于随机森林算法的结果进行统一，得出每种病因的概率，并展示给用户最可能的病因诊断。

优选地，所述的“规则知识库”由以下方法构建：通过回顾脑炎、脑膜炎近几十年的相关文献、临床指南、专家共识，结合从事中枢神经系统感染相关方面的专家们的临床经验知识和临床诊断及鉴别诊断的逻辑思维过程，形成脑炎、脑膜炎疾病权重评分模型，据此构建脑炎、脑膜炎诊断的“规则知识库”；然后用疾病权重评分模型模拟专家对脑炎、脑膜炎的诊断过程，根据各病因评分的高低选择相应的病因诊断，再对临床确诊的多例脑膜炎病例资料采用多元回归分析方法探讨各参数对脑炎、脑膜炎病因诊断的影响大小，进一步对“规则知识库”进行优化、完善，得到最终的“规则知识库”。

优选地，所述的基于随机森林算法由以下方法构建：将临床确诊的多例脑炎、脑膜炎患者的临床数据作为训练数据库，通过比较多种机器学习算法，如多层感知器、支持向量机、随机森林算法，选择出识别率最高的算法——随机森林算法来识别不同类型的脑炎、脑膜炎，通过随机森林机器学习算法，从脑炎、脑膜炎患者基本的临床资料中选出15个特征性参数，包括：年龄、发病时长、血沉、血糖、腰穿压力、脑脊液白细胞总数、脑脊液淋巴细胞比例、脑脊液单核细胞比例、脑脊液中性粒细胞比例、脑脊液蛋白、脑脊液糖、免疫球蛋白脑脊液糖/血糖、免疫球蛋白a、免疫球蛋白m、免疫球蛋白g，再通过十次十折交叉验证，最终得到了诊断效果稳定的基于随机森林算法的模型。

优选地，所述客户端为基于安卓或ios系统的智能手机。

本发明的有益效果在于：在发病早期没有脑脊液病原学证据的情况下，该系统能够综合利用病人有限的临床资料，以较高的准确率(显著高于临床医生)快速分析脑炎、脑膜炎患者的病因，及时为临床医生提供辅助决策方案；这样临床医生就可以针对脑炎、脑膜炎的病因给予患者准确合理的治疗方案，降低病死率，改善患者的预后。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统的结构示意图；

图2为实施例的脑炎、脑膜炎诊断符合率统计图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统，包括基于阿里云的服务器及与其通信连接的客户端；

所述服务器内设有脑炎、脑膜炎智能辅助诊断软件包，所述软件包包含：

基于医学知识的专家系统，包括脑炎、脑膜炎疾病权重评分模型和脑炎、脑膜炎诊断的“规则知识库”；

基于机器学习算法的智能系统，基于随机森林算法；

所述客户端设有人机交互界面，用于输入患者临床数据；

所述服务器包括：

解释器，用于将患者临床数据转换为上述两个模型可以识别的参数；

综合处理器，用于在两个模型中进行计算匹配脑膜炎的各个病因诊断，然后将“规则知识库”和基于随机森林算法的结果进行统一，得出每种病因的概率，并展示给用户最可能的病因诊断。

进一步的，所述的“规则知识库”由以下方法构建：通过回顾脑炎、脑膜炎近几十年的相关文献、临床指南、专家共识，结合从事中枢神经系统感染相关方面的专家们的临床经验知识和临床诊断及鉴别诊断的逻辑思维过程，形成脑炎、脑膜炎疾病权重评分模型，据此构建脑炎、脑膜炎诊断的“规则知识库”；然后用疾病权重评分模型模拟专家对脑炎、脑膜炎的诊断过程，根据各病因评分的高低选择相应的病因诊断，再对临床确诊的多例脑炎、脑膜炎病例资料采用多元回归分析方法探讨各参数对脑炎、脑膜炎病因诊断的影响大小，进一步对“规则知识库”进行优化、完善，得到最终的“规则知识库”。

进一步的，所述的基于随机森林算法由以下方法构建：将临床确诊的478例脑炎、脑膜炎患者(其中包括135例结核性脑膜炎、156例细菌性脑膜炎、64例隐球菌性脑膜炎以及132例病毒性脑膜炎)中的449例的临床数据作为训练数据库，通过比较多种机器学习算法，如多层感知器、支持向量机、随机森林算法，选择出识别率最好最稳定的算法——随机森林算法来识别不同类型的脑炎、脑膜炎，通过随机森林机器学习算法，从患者基本的临床资料中选出来的诊断脑炎、脑膜炎的特征性参数，包括：血沉、发病时长、脑脊液白细胞总数、脑脊液淋巴细胞比例、年龄、脑脊液中性粒细胞比例、免疫球蛋白a、脑脊液糖/血糖、免疫球蛋白m、免疫球蛋白g、脑脊液糖、腰穿压力、脑脊液蛋白、血糖、脑脊液单核细胞比例，再通过十次十折交叉验证，最终得到了诊断效果稳定的基于随机森林算法。

进一步的，所述客户端为基于安卓或ios系统的智能手机。

利用上述临床确诊的449脑炎、脑膜炎病例，将临床医生初步诊断(根据病例记载)、专家系统和随机森林算法的诊断均与病例的最终确诊诊断比较，分别计算相应的符合率。图2中，通过对比各型脑炎、脑膜炎的准确率，以及总体准确率可得出临床医生初步诊断准确率较低，随机森林算法的准确率最高，总体准确率达到了81％，远远高于临床实际环境中医生的脑炎、脑膜炎初步诊断准确率。然后，我们再次通过前瞻性实验，收集另外几十例具有明确病原学诊断的病例进行验证，(专家系统和随机森林算法准确率分别为：64.1％，81％),说明该脑炎、脑膜炎辅助诊断系统可以显著改善脑炎、脑膜炎早期诊断准确率，及时为临床医生下一步诊疗提供指导。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。