本发明涉及医疗数据处理,特别涉及一种基于时序性数据在gd患者中预测go患病风险的方法、电子设备及计算机可读存储介质。
背景技术:
1、graves眼病(graves ophthalmopathy,go)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。在众多的甲状腺疾病如甲亢(甲状腺功能亢进)、甲减(甲状腺功能减退)中,graves病(gd,毒性弥漫性甲状腺肿)与go高度相关,且是一种重要的危险因素。未出现眼征的gd患者,有25%会进展为go,而已经出现眼征的患者这一比例会上升至40%。因此,通过早期的干预与长期可持续的管理,能够使gd患者避免发展为go患者来收获相对良好的预后。
2、传统的go评估方法一般比较复杂,且高度依赖临床医生的经验,需借助眼眶ct、mri、实验室检查、甲状腺超声影像、临床症状等多方面的数据综合决策,过程复杂、准确率低,难以对其风险等级进行快速判断,可能易受单项结果的干扰,国际国内也缺乏相关指南或量表参考。一般情况下,我们认为在整体人群中,抽烟、饮酒、性别女、年龄>60、高水平的甲状腺抗体、高水平的甲状腺激素、缺硒是go的独立风险因素。但是,由于go的发病率和在人群中的患病率相对较低,发病率约每年19/100000。以上指标在人群的应用价值有限,而针对gd患者这一高风险人群,准确评估其进展为go的风险等级,能够更好的指导临床工作,才能采取早期干预手段、去除危险因素、开展预防性治疗、避免进展为go,是一项亟待解决的技术问题。
技术实现思路
1、本发明的目的是提供一种基于时序性数据在gd患者中预测go患病风险的方法、电子设备及计算机可读存储介质,采用多模态时序性数据,借助人工神经网络和深度学习预测gd患者未来进展为go的风险,不必依赖医生的经验和眼眶ct、mri等过多检查,也能准确预测gd患者未来进展为go的风险。
2、为了实现以上目的,本发明提供了一种基于时序性数据在gd患者中预测go患病风险的方法,包括如下步骤:
3、获取目标gd患者在当前时间点的基线数据、治疗处方、临床检验数据和面部图像;其中,所述基线数据包含性别、年龄、吸烟指数、有/无相应眼部症状,所述眼部症状包含眼球突出、眼睛变大、视力下降、眼痛、眼球运动障碍、斜视、复视/视物重影、流泪、眼睑肿胀、畏光、其他,所述临床检验数据包含甲状腺功能检测七项指标、血常规、生化检验、血脂检查;
4、将所述基线数据、治疗处方、临床检验数据和人脸图像按照数值型数据、类别型数据以及图片数据三种类型进行分类,并对三种类型的数据分别进行预处理,得到三组特征数据;
5、将所述三组特征数据进行特征融合,得到所述目标gd患者在当前时间点的特征向量;
6、将所述目标gd患者在当前时间点的特征向量与之前所有时间点的特征向量按时间先后顺序组成一个序列数据;
7、将所述序列数据输入预先训练好的go患病风险预测模型,以根据所述go患病风险预测模型的预测结果确定所述目标gd患者未来进展为go病的风险等级。
8、可选的,所述方法还包括:
9、在所述go患病风险预测模型进行预测之后,采用神经网络归因方法反向追溯所述序列数据中各特征的重要性,提取出对所述目标gd患者go患病风险预测影响大的特征。
10、可选的,所述神经网络归因方法采用基于梯度法的grad-cam方法。
11、可选的,对于数值型数据,采用如下方式进行预处理:
12、对每一数值型数据进行归一化处理,将数值映射到0至1范围内;
13、将归一化后的各个数值型数据依次排列成为一个向量,得到第一组特征数据。
14、可选的,对于类别型数据,采用如下方式进行预处理:
15、将各个类别型数据分别进行独热编码,将所有的独热编码特征首尾相连,构成第一输入向量;
16、将所述第一输入向量和一权重矩阵做乘法运算,得到第二组特征数据。
17、可选的,对于图片数据,采用如下方式进行预处理:
18、将所述面部图像通过双线性插值法调整为三通道彩色图片;
19、将所述三通道彩色图片输入预先训练好的卷积神经网络模型,得到所述卷积神经网络模型输出的第三组特征数据。
20、可选的,所述卷积神经网络模型采用efficientnet模型。
21、可选的,所述将所述三组特征数据进行特征融合,得到所述目标gd患者在当前时间点的特征向量,包括:
22、将所述三组特征数据依次排列成为第二输入向量,输入到多层感知机进行融合,融合后的特征向量即为所述目标gd患者在当前时间点的特征向量,所述特征向量的维数低于所述第二输入向量的维数。
23、为实现上述目的,本发明还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线;其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
24、所述存储器,用于存放计算机程序;
25、所述处理器,用于执行所述存储器上所存放的程序时,实现上述基于时序性数据在gd患者中预测go患病风险的方法的步骤。
26、为实现上述目的,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述基于时序性数据在gd患者中预测go患病风险的方法的步骤。
27、与现有技术相比,本发明具有如下优点:
28、本发明基于目标gd患者的多模态时序性的序列数据,实现无创性的筛查与风险预测,可以提高所述目标gd患者未来进展为go病的风险等级预测的准确性和全面性;本发明基于go患病风险预测模型,可以实现对go患病风险等级的自动确定,提高go患病风险等级预测的效率;对于gd患者,内分泌医生能够更好掌握其进展情况,便于与眼科医生合作,根据风险评级和危险因素,采取针对性的干预手段,制定相应治疗方案,防止其进一步发展为go。本发明为gd病这一go的高危人群提供便捷可持续的随访方法,管控疾病进展,有效节省医疗资源,实现定向精确筛查与分类治疗,让更多患者能从长期的疾病管理中获益。
1.一种基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,所述方法还包括:
3.如权利要求2所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,所述神经网络归因方法采用基于梯度法的grad-cam方法。
4.如权利要求1所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,对于数值型数据,采用如下方式进行预处理:
5.如权利要求1所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,对于类别型数据,采用如下方式进行预处理:
6.如权利要求1所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,对于图片数据,采用如下方式进行预处理:
7.如权利要求6所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,所述卷积神经网络模型采用efficientnet模型。
8.如权利要求1所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,所述将所述三组特征数据进行特征融合,得到所述目标gd患者在当前时间点的特征向量,包括:
9.如权利要求1所述的基于时序性数据在gd患者中预测go患病风险的方法,其特征在于,所述go患病风险预测模型采用sru++网络模型。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;