甲状腺眼病的预后预测方法、装置、设备及存储介质

本发明涉及信息预测，尤其涉及一种甲状腺眼病的预后预测方法、装置、设备及存储介质。

背景技术：

1、甲状腺眼病(thyroid eye disease，ted)是一种与甲状腺功异常密切相关的致盲、致畸、致残的器官特异自身免疫性疾病，主要临床特征包括眼位异常、眼睑充血等，且大多数患者伴有甲状腺功能异常。相关研究显示，约20％的ted患者眼病发生于甲状腺功能异常之前，约40％的患者眼病与甲状腺功能异常同时出现，约40％的患者眼病出现于甲状腺功能异常之后，且甲状腺功能异常可能是ted病情发展的危险因素之一。因此，对ted患者进行甲状腺功能相关检测意义重大。

2、传统的甲状腺功能检测即进行抽血化验，主要检测tt3(总三碘甲腺原氨酸)、tt4(总甲状腺素)、ft3(游离三碘甲腺原氨酸)、ft4(游离甲状腺素)、tsh(促甲状腺激素)、甲状腺球蛋白抗体、甲状腺过氧化物酶抗体。虽然方便，但此类方法仍属于有创性方法。多次检测易造成对患者时间成本和经济成本的浪费，对医疗机构资源的浪费，且同时对目前还未有无创性的检测方法，本发明提出一种甲状腺眼病的预后预测方法。

技术实现思路

1、本发明的目的是提供一种甲状腺眼病的预后预测方法、装置、设备及存储介质，采集大量ted患者面部图像及甲状腺功能检测数据，无创性预测甲状腺功能的异常情况，借助人工智能神经网络训练来达到预测其关键功能指标的目的，进而协助医生和患者对预后眼部健康情况进行评估和监测，实现甲状腺相关眼病筛查的目的，节省了大量人力物力资源。

2、本发明提供了一种甲状腺眼病的预后预测方法，包括：

3、获取历史医疗数据和面部图像数据，生成待预测对象的检测数据，所述历史医疗数据包括甲状腺功能检测指标数据和所述待预测对象的基本信息；

4、对所述检测数据进行预处理，根据数据类型分类并处理若干所述检测数据，并将所述待预测对象同一检测时间点的不同数据类型的所述检测数据进行特征嵌入生成嵌入特征向量，对所述嵌入特征向量进行编码得到编码后的嵌入特征向量，所述嵌入特征向量包括与所述待预测对象相关的图像特征向量、类别特征向量和数值特征向量；

5、将同一待预测对象多个检测时间点获得的多个编码后的所述嵌入特征向量集合生成待预测时间序列数据；

6、基于transformer构建预后预测模型，将所述待预测时间序列数据输入训练后的所述预后预测模型，对未来检测时的甲状腺功能检测指标进行预测，输出预测结果。

7、作为优选地，所述历史医疗数据包括基本信息和甲状腺功能检测指标数据，其中，所述甲状腺功能检测指标数据包括游离三碘甲状腺原氨酸、游离四碘甲状腺原氨酸、总三碘甲状腺原氨酸、总四碘甲状腺原氨酸、促甲状腺激素、甲状腺球蛋白抗体和甲状腺过氧化物酶抗体及各指标对应的历史检验结果。

8、作为优选地，所述对所述检测数据进行预处理，根据数据类型分类并处理若干所述检测数据包括：

9、提取所述检测数据中不同检测时间点的具有甲状腺眼病体征的面部图像数据；

10、基于双线性插值算法以所述面部图像中的像素值确定目标面部图像的像素值从而缩放所述目标面部图像得到调整尺寸后的所述目标面部图像；

11、将调整尺寸后的所述目标面部图像输入vgg-19预训练模型，得到调整尺寸后的所述目标面部图像对应的图像特征向量。

12、作为优选地，所述对所述检测数据进行预处理，根据数据类型分类并处理若干所述检测数据包括：

13、提取所述检测数据中不同类型的类别特征，所述类别特征至少包括性别、甲状腺病史和眼部症状；

14、将性别特征、甲状腺病史特征和眼部症状特征分别进行独热编码转换为第一独热编码特征、第二独热编码特征和第三独热编码特征；

15、将所述第一独热编码特征、所述第二独热编码特征和所述第三独热编码特征进行融合处理，得到融合特征向量作为当前网络输入层的输入；

16、将所述融合特征向量通过预设的权重矩阵进行乘法运算，降维得到当前网络embedding层输出的对应的类别特征向量。

17、作为优选地，所述对所述检测数据进行预处理，根据数据类型分类并处理若干所述检测数据包括：

18、提取所述检测数据中的数值特征，所述数值特征包括甲状腺功能检测指标、年龄、吸烟指数；

19、对所述数值特征进行归一化处理，将所述数值特征通过线性化转换至预设范围内，输出对应的数值特征向量。

20、作为优选地，所述基于transformer构建预后预测模型包括：

21、配置主架构为包含有编码器和解码器的transformer神经网络；

22、将所述待预测时间序列数据输入编码器，编码后输出所述嵌入特征向量，并将编码后的所述嵌入特征向量作为传多层感知机的输入向量，将当前输入向量映射到输出向量，并采用softmax函数计算以预测未来检查时各甲状腺功能检测指标结果；

23、将预测到的未来检查时各甲状腺功能检测指标结果反归一化，得到对应量纲化预测结果；

24、训练时将softmax函数计算得到的所述嵌入特征向量与实际甲状腺功能检测指标输入所述预后预测模型，计算交叉熵损失函数并最小化处理，从而训练所述预后预测模型训练；

25、若预测未来多次检测结果，则将当前预测结果作为新的嵌入特征向量导入所述训练后的预后预测模型，输出下一次检测时的预测结果。

26、作为优选地，所述预后预测模型的训练及评估方法包括：

27、将所述待预测时间序列数据按预设比例划分为训练集、验证集和测试集；

28、基于pytorch深度学习框架构建所述预后预测模型，将所述训练集和验证集输入所述预后预测模型中训练，选择当前模型的损失函数为最小化交叉熵损失函数，得到训练后的所述预后预测模型；

29、基于梯度下降法的反向传播对训练后的所述预后预测模型的参数进行优化并更新，得到优化后的所述预后预测模型；

30、采用交叉验证来评估优化后的所述预后预测模型的性能，通过所述测试集验证，以确定优化后的所述预后预测模型在所述待预测时间序列数据形成的数据集中的预测性能。

31、本发明提供了一种甲状腺眼病的预后预测装置，包括：

32、数据获取模块，用于获取历史医疗数据和面部图像数据，生成待预测对象的检测数据，所述历史医疗数据包括甲状腺功能检测指标数据和所述待预测对象的基本信息；

33、数据预处理模块，用于对所述检测数据进行预处理，根据数据类型分类并处理若干所述检测数据，并将所述待预测对象同一检测时间点的不同数据类型的所述检测数据进行特征嵌入生成嵌入特征向量，对所述嵌入特征向量进行编码得到编码后的嵌入特征向量，所述嵌入特征向量包括与所述待预测对象相关的图像特征向量、类别特征向量和数值特征向量；将同一待预测对象多个检测时间点获得的多个编码后的所述嵌入特征向量集合生成待预测时间序列数据；

34、预后预测模块，用于基于transformer构建预后预测模型，将所述待预测时间序列数据输入训练后的所述预后预测模型，对未来检测时的甲状腺功能检测指标进行预测，输出预测结果。

35、本发明提供了一种电子设备，其特征在于，包括：

36、存储器，所述存储器用于存储处理程序；

37、处理器，所述处理器执行所述处理程序时实现如本发明实施例所述的甲状腺眼病的预后预测方法。

38、本发明提供了一种可读存储介质，其特征在于，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现如本发明实施例所述的甲状腺眼病的预后预测方法。

39、针对现有技术，本发明具有如下的有益效果：

40、本发明所提供的一种甲状腺眼病的预后预测方法，基于面部图像和历史医疗数据对甲状腺眼病进展预测，对每一次的数据都进行相关处理和特征嵌入；运用基于transformer的预测模型，预测七项甲状腺功能指标具体数值并输出结果；对模型进行训练和效果评估；通过神经网络深度学习，利用不同时间点采集的面部图像和历史医疗数据，借助时序模型，实现无创性的甲状腺疾病检测，获取相关功能指标数值，预测后续疾病进展情况，能够有效节省医疗资源，减轻患者痛苦，改善预后情况，最终实现甲状腺相关眼病筛查的目的，方便用户对自身眼部健康情况进行评估，节省了大量的经济成本与时间成本，同时可以有效提升医疗机构对甲状腺相关眼病筛查的工作效率，降低工作成本，进而促进高效、便捷、成本低的眼眶病筛查方法在我国的推广和应用。

41、本发明聚焦ted患者与甲状腺功能异常之间的强相关性，采集大量ted患者人脸外眼图像及甲状腺功能检测数据，借助人工智能神经网络训练来达到预测其关键激素指标水平的目的，从而判断甲状腺功能是否异常，进而协助医生进行ted患者病情控制，改善其预后情况。