出血性脑卒中患者病情发展与疗效评估的智能分析方法

本发明涉及脑卒中治疗，尤其涉及基于出血性脑卒中患者病情发展与疗效评估的智能分析方法。

背景技术：

1、出血性脑卒中有被称为脑淤血，是指非外伤性脑实质内血管破裂引起的脑出血。出血性脑卒中病因复杂，会导致血液从破裂的血管快速涌入脑组织，造成脑部机械性损伤，虽然相比于缺血性脑卒中，出血性脑卒中的发病率较低，但其死亡率和病残率均较高。由于ct影像可以明显的表示出血性脑卒中的病灶特征，因此医生主要通过ct影像数据进行诊断。目前医学影像技术飞速进步，已经能够无创动态监测出血性脑卒中后脑组织损伤和演变，这为准确及时的了解患者的病情提供了有力的技术支撑。虽然通过监测得到海量的影像数据能够实时准确的反映患者的病情发展，但这些数据无疑会为医生的诊疗带来负担。

2、随着计算机技术的快速发展，计算机辅助医生快速诊断患者病情，对患者进行个性化分层治疗成为当前的研究热点。目前，有关出血性脑卒中的分析研究多数是关于脑卒中患者的ct影像分析或患者的辅助诊断。比如张龙的“基于医学影像的急性脑卒中辅助诊断关键技术研究”便使用多种预测模型和智能算法提升亚型分类精度和图像识别精度，辅助医生对出血性脑卒中患者进行快速诊断，没有关于出血性脑卒中的疗效分析。除此之外，万丽雯在“一种脑卒中数据分布规律智能分析方法及系统”中，主要研究了缺血性脑卒中的快速成像和相关的智能分析，并提出了新的脑卒中风险评估方法，但并没有关于出血性脑卒中的相关智能分析。因此，发明了基于出血性脑卒中患者病情发展与疗效评估的智能分析来解决上述问题迫在眉睫。

技术实现思路

1、本发明的目是为了解决了医生无法根据出血性脑卒中患者的ct影像进行快速诊断并提出治疗方案的技术问题，而提出的一种出血性脑卒中患者病情发展与疗效评估的智能分析方法，本发明主要通过收集不同医疗中心的影像数据，选择适当的方法采集必要的影像数据并进行预处理，使用合适的智能算法对存在较大异质性的患者群体进行划分。分析患者血肿体积和水肿体积的变化关系，并针对不同的治疗方法的治疗效果，筛选出相对有效的治疗方法，帮助医生对患者病情进行快速诊断，避免患者的病情发生进一步恶化，对患者进行精准的个性化治疗，减少出血性脑卒中的死亡率和病残率。

2、为了实现上述发明目的，本发明采用的技术方案具体为：一种基于出血性脑卒中患者病情发展与疗效评估的智能分析方法，包括如下步骤：

3、s1、筛选患者的检查时间、血肿体积和水肿体积的相关数据，对数据进行初步处理；

4、s1.1、提取m例患者发病到首次影像检查的时间数据t0和住院期间所有随访的影像检查时间数据tr；

5、s1.2、提取m例患者每次影像检查的血肿体积数据hv和水肿体积数据ev；

6、s1.3、计算患者s第j次和第i次随访影像检查间的血肿体积变化率具体表示如下：

7、

8、其中，hvsj和hvsi分别是患者s第j次和第i次随访影像检查时的血肿体积，δtsij为患者s第j次和第i次随访影像检查的时间间隔；

9、s1.4、计算患者s第j次和第i次随访影像检查间的水肿体积变化率具体表示如下：

10、

11、其中，evsj和evsi分别是患者s第j次和第i次随访影像检查时的血肿体积，δtsij为患者s第j次和第i次随访影像检查的时间间隔；

12、进一步地，s2、利用初步处理后的数据，使用k-means聚类方法划分患者亚组；

13、s2.1、选取患者s首次影像检查血肿体积hvs0，患者s首次影像检查水肿体积evs0，第1次随访与首次影像检查间的血肿体积变化率水肿体积变化率第2次随访与首次影像检查间的血肿体积变化率水肿体积变化率六个特征变量作为聚类指标；

14、s2.2、提取特征变量作为特征样本x＝{x1,x2,…,xo}，每个样本的都具有l个维度的属性，对特征样本进行归一化处理，即：

15、

16、其中，xmax是特征样本中的最大值，xmin是特征样本中的最小值，xnorm是经过归一化处理后的特征样本，从归一化处理后的特征样本中选取k个样本作为初始聚类中心；

17、s2.3、计算剩余样本与选定的k个初始聚类中心的距离，具体表述如下：

18、

19、其中，xn为第n个样本对象，n∈n*，且n*是自然数集，cm为第m个聚类中心m＝1,2,...,k，xnt是第n个样本对象的第t个属性，t＝1,2,...,l，cmt是第m个聚类中心的第t个属性，根据求出的距离将这些样本划分到距离最近的那个初始聚类中心那一类中，共得到k个类簇{s1,s2,…,sk}；

20、s2.4、计算每个聚类的均值，即：

21、

22、其中，ch是第h个聚类的中心，1≤h≤k，|sh|是第h个类簇中对象的个数，xe表示第h个类簇中第e个对象，1≤e≤|sh|；

23、s2.5、用新的均值替换原来的聚类中心，若聚类中心发生变化，将这些样本重新返回s2.3，直至所有样本都不再发生改变，最终m例患者被划分为k个亚组，即亚组1、亚组2、…、亚组k；

24、进一步地，s3、针对不同亚组的患者，利用箱线图分析不同治疗方法对患者血肿体积的治疗效果；

25、s3.1、计算每个亚组中的第f位患者的第i次随访影像检查到首次影像检查的血肿体积变化率

26、

27、若则该患者在第i次随访影像检查到首次影像检查的时间段内血肿体积减小，故将此类血肿情况有好转的患者划分在该亚组的血肿轻度组，若则该患者在第i次随访影像检查到首次影像检查的时间段内血肿体积增大，这表明患者的病情恶化，将此类患者划分在该亚组的血肿重度组；

28、s3.2、针对任意一个亚组，根据患者的血肿体积变化率绘制相应的箱线图，其中“1”表示患者接受了某种治疗方法，“0”表示患者未接受该治疗方法，找出该组内接受该治疗方法的患者血肿体积变化率中值medianh1和未接受某种治疗方法的患者血肿体积变化率中值medianh0；

29、s3.3、若medianh0＞medianh1，表示当前影像检查时间点内，接受该种治疗方法能有效缓解血肿扩张或减少血肿体积，这表明该患者的血肿得到了一定的控制，该种治疗方法是有效果的；

30、s3.4、若medianh0＜medianh1，则该种治疗方法对患者血肿的治疗效果甚微，因此该治种疗方法不能有效缓解血肿扩张或减少血肿体积，而medianh0＝medianh1的情况基本不会出现，因为不同的治疗方法基本都会影响到血肿体积；

31、s3.5、若箱线图中仅在1处有箱线表示，即说明此时仅有medianh1的相关数据，表明同一亚组内的患者全部接受了某种治疗方法，因此无法直接判断该方法的治疗效果，但所有血肿变化相似的患者都接受了此种治疗方法，说明此种方法能够有效控制血肿的扩张趋势，但效果是否显著无法判断，

32、s3.6、若箱线图中仅在0处有箱线表示，即说明此时无medianh1的相关数据，表明同一亚组内所有患者都未接受某种治疗方法，这便无法判断该治疗方法是否有治疗效果；

33、进一步地，s4、针对不同亚组的患者，利用箱线图分析不同治疗方法对患者水肿体积的治疗效果；

34、s4.1、计算每个亚组中的第f位患者的第i次随访影像检查到首次影像检查的水肿体积变化率

35、

36、若则该患者在第i次随访影像检查到首次影像检查的时间段内水肿体积减小，故将此类水肿情况有好转的患者划分在该亚组的水肿轻度组，若则该患者在第i次随访影像检查到首次影像检查的时间段内水肿体积增大，这表明患者的病情恶化，将此类患者划分在该亚组的水肿重度组；

37、s4.2、针对任意一个亚组，根据患者的水肿体积变化率绘制相应的箱线图，其中“1”表示患者接受了某种治疗方法，“0”表示患者未接受该治疗方法，找出该组内接受某种治疗方法的患者水肿体积变化率中值mediane1和未接受某种治疗方法的患者水肿体积变化率中值mediane0；

38、s4.3、若mediane0＞mediane1，表明当前影像检查时间点内，接受该种治疗方法的患者的水肿体积比未接受该治疗方法的患者得到了更好的控制，因此该种治疗方法能有效缓解水肿的发生发展或减少水肿体积；

39、s4.4、若mediane0＜mediane1，则该治种疗方法无法缓解水肿的发生发展或减小水肿体积，不同的治疗方法会对患者的病情产生一定的影响，故mediane0＝mediane1的情况极其罕见；

40、s4.5、若箱线图中仅在1处有箱线表示，即说明此时仅有mediane1的相关数据，表明同一亚组内的患者可能全部接受了某种治疗方法，故无法直接判断该种方法的治疗效果，但所有水肿变化情况相似的患者都接受了此种治疗方法，说明此种方法是有治疗效果的，但效果是否却显著无法判断；

41、s4.6、若箱线图中仅在0处有箱线表示，即说明此时无mediane1的相关数据，表明同一亚组内所有患者都未接受某种治疗方法，这便无法判断该治疗方法是否有治疗效果；

42、进一步地，s5、针对不同亚组的患者，利用spearman相关系数分析血肿体积变化与水肿体积变化之间的关系；

43、s5.1、选取所有患者第1次随访与首次影像检查间的血肿体积变化率水肿体积变化率第2次随访与首次影像检查间的血肿体积变化率水肿体积变化率四个特征变量作为相关性分析的向量；

44、s5.2、使用spearman相关系数对亚组p中所有患者第1次随访与首次影像检查间的血肿体积变化率水肿体积变化率作为向量进行相关性分析，其中亚组p共有n个人，因此两个向量和都包含n个元素，将两个向量和中对应的元素和转换为在各自向量中的排名，记为和

45、s5.3、计算两个向量和中对应元素的排名和之间的差异d d，具体表达如下：

46、

47、s5.4、根据式(8)计算两个向量和之间的相关性rs13，即：

48、

49、s5.5、将亚组p中有患者第2次随访与首次影像检查间的血肿体积变化率水肿体积变化率分别依照s5.2和s5.3进行相关性分析，得到亚组p中患者的血肿体积变化与水肿体积变化之间的关系；

50、s5.6、类似的，按照s5.2至s5.5分析剩余亚组中患者血肿体积与水肿体积之间的关系，得到每个亚组患者的血肿体积变化和水肿体积变化关系；

51、与现有技术相比，本发明的有益效果为：

52、(1)本发明提供的出血性脑卒中患者病情发展与疗效评估的智能分析方法，充分考虑每位患者的病情发展情况，利用k-means聚类快速进行患者亚型精准分类诊断，有效提高了医生的诊断效率和诊断准确性，缓解了当前我国医疗资源不平衡的问题。

53、(2)本发明提供的出血性脑卒中患者病情发展与疗效评估的智能分析方法，针对病情发展相似的患者，分析不同的治疗方法对血肿和水肿的治疗效果，根据患者的治疗效果分析数据，得到更有针对性、更有效的治疗方法，进而实现对患者的个性化分层治疗，帮助患者早日康复，不受病痛折磨。

54、(3)本发明出血性脑卒中患者病情发展与疗效评估的智能分析方法，利用spearman相关系数，客观准确分析患血肿体积和水肿体积之间的关系，实现对脑卒中患者的量化分层便于医生快速诊断患者病情变化，尽量避免错过患者的最佳治疗时间。