CN112183572A - 一种生成预测肺炎严重程度的预测模型的方法及装置 - Google Patents
一种生成预测肺炎严重程度的预测模型的方法及装置 Download PDFInfo
- Publication number
- CN112183572A CN112183572A CN202010804399.4A CN202010804399A CN112183572A CN 112183572 A CN112183572 A CN 112183572A CN 202010804399 A CN202010804399 A CN 202010804399A CN 112183572 A CN112183572 A CN 112183572A
- Authority
- CN
- China
- Prior art keywords
- model
- pneumonia
- severity
- image information
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明主要公开了一种生成预测肺炎严重程度的预测模型的方法及装置。所述方法包括:获取受检者的临床信息。获取受检者的影像信息。从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数。以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型。以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。采用本发明所提供的方案,生成了模型复杂度低且预测准确度高的预测模型。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种生成预测肺炎严重程度的预测模型的方法及装置、计算机设备及计算机可读存储介质。
背景技术
新型冠状病毒肺炎(COVID-19,Corona Virus Disease 2019,COVID-19),简称“新冠肺炎”。新冠肺炎的临床范围包括轻度,中度,重度和危重度。目前,对于感染了新型冠状病毒肺炎的患者而言,轻度和中度患者约各占40%,重度约占15%,危重度约占5%。在轻度和中度患者中部分患者会发展为重度和危重度。根据中国疾病预防控制中心的最新报告,新冠肺炎的总体病死率为2.3%,而重度和危重度的病死率为49.0%。因此,尽早的发现易从轻度或中度转为重度或危重度的高危患者尤为重要。另外,当新冠肺炎大规模爆发时,医疗资源往往匮乏,若能及时预测哪些患者不易转为重度或危重度,哪些患者易转为重度或危重度,也利于更加合理的分配医疗资源。
目前,医生通常通过判读患者的胸片来判断患者肺炎不易或者易转为重度或危重度,但是人工方式判读效率较低且存在较大的主观性,容易导致误判。
因此,如何能够提供一种高效且准确度较高的预测肺炎严重程度的预测模型,以预测患者肺炎是否会转为重度或者危重度,进而基于该预测结果对患者采取不同的治疗方案,避免由于误判或者未判患者肺炎是否会转为重度或者危重度而导致的患者死亡,成为目前亟待解决的问题之一。
发明内容
本发明提供一种生成预测肺炎严重程度的预测模型的方法,基于受验者的全量信息进行筛选,确定了与预测模型输出具有相关性且使得预测模型最优的参数变量,生成了模型复杂度低且预测准确度高的预测模型。进而可以高效且准确的预测肺炎患者是否会由轻度或者中度转为重度或者危重度,避免由于误判和未判患者肺炎发展趋势导致的不良后果,且在一定程度上利于医生对受检者进行针对性的治疗。
本发明提供一种生成预测肺炎严重程度的预测模型的方法,包括,
获取受检者的临床信息;
获取受检者的影像信息;
从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数;
以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型;
以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。
可选的,所述受检者的临床信息包括:性别、年龄、首发症状、病发症、入院体温、入院脉搏、入院呼吸频率、入院收缩压、入院舒张压、入院时的血常规、血凝、血气分析、尿常规、肝肾功能电解质、血液免疫指标。
可选的,所述受检者的影像信息包括与肺炎关联的影像特征。
可选的,从所述临床信息和影像信息中筛选出N个特征包括:以Boruta方法确定的临床信息和影像信息中具有重要性的特征作为N个特征。
可选的,所述分类模型包括:逻辑回归模型和线性回归模型。
可选的,以多个受检者的N个参数为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为预测模型,包括:基于构建的分类模型的输入选取与输入对应的多个受检者的M个特征为训练样本,并基于AIC或BIC准则确定预测模型,其中,M为自然数,1≤M≤N。
可选的,所述预测模型的输入包括:尿素、白蛋白和右下肺叶内基底段病灶体积和病灶类型,或者包括:尿素、白蛋白和左肺中预定CT值范围的体积。
本发明还提供一种生成预测肺炎严重程度的预测模型的装置,包括:
第一获取单元,用于获取受检者的临床信息;
第二获取单元,用于获取受检者的影像信息;
筛选单元,用于从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数;
构建单元,用于以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型;
训练单元,用于以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。
本发明还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的生成预测肺炎严重程度的预测模型的方法。
本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的生成预测肺炎严重程度的预测模型的方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
获取受检者的临床信息和影像信息,从所述临床信息和影像信息中筛选出N个特征,以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型。以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。在生成预测肺炎严重程度的预测模型时,采用了受验者的全量信息(临床信息和影像信息),并先对全量信息中的特征进行筛选,以筛选出与预测模型输出具有相关性的N个特征,因此最终训练获得的预测模型具有较好的解释性和适用性。进一步地,由于基于预设准则从N个特征的任意组合中挑选出可以使得分类模型的拟合精度和参数个数最优的分类模型,因此最终获得的预测模型的复杂度低,预测的准确度较高,进而以该预测模型来预测受检者肺炎的严重程度时,提高了预测受检者肺炎严重程度的准确度且预测速度快。另外,基于所述预测模型来预测受检者肺炎的严重程度,一方面避免了由于未判或者误判受检者肺炎发展趋势导致的不良后果,另一方面在提高对肺炎严重程度预测准确度的同时也提高了对肺炎严重程度预测的效率,也利于医生根据当前预测的结果进行针对性的治疗。此外,由于采用预测模型可以对受检者肺炎的进展进行快速且准确的预测,因此,在医疗资源匮乏的情况下,也有利于根据不同受检者肺炎的进展趋势合理有效的安排医疗资源,利于医生对受检者后期的治疗。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例的生成预测肺炎严重程度的预测模型的方法的流程示意图;
图2为本发明实施例的生成预测肺炎严重程度的预测模型的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
在世界卫生组织发布的COVID-19的临床管理中,COVID-19肺炎的临床范围包括轻度,中度,重度和危重度。正如背景技术中提到的,对于部分轻度和中度的新冠肺炎患者而言,其中有一部分会发展为重度和危重度,而重度和危重度新冠肺炎患者的致死率相当高,因此,有必要提供一种生成预测肺炎严重程度的预测模型的方法,进而可以利用生成的预测模型,以较高的预测效率和预测准确度来预测患者肺炎的严重程度。本实施例中,以预测模型用于预测患者新冠肺炎的严重程度为例进行说明,但是本发明技术方案生成的预测肺炎严重程度的预测模型可以适用于对不同类型肺炎的严重程度的预测,因此,生成的预测模型对新冠肺炎严重程度进行预测不能作为对本发明技术方案的限定。
图1为本发明实施例的生成预测肺炎严重程度的预测模型的方法的流程示意图,如图1所示,本发明实施例的生成预测肺炎严重程度的预测模型的方法包括:
S101:获取受检者的临床信息。
S102:获取受检者的影像信息。
S103:从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数。
S104:以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型。
S105:以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。
执行S101,本实施例中受检验者的临床信息包括了受检者的临床指标和病历信息,具体地,受检者的临床指标可以通过受检者入院时进行的检查获得,所述临床指标可以包括:血常规、血凝、血气分析、尿常规、肝肾功能电解质、血液免疫指标。所述病历信息可以从受检者的病历中获取,具体地可以包括:受检者的性别、年龄、首发症状(感染新冠肺炎后的第一个症状)、并发症、入院体温、入院脉搏、入院呼吸频率、入院收缩压、入院舒张压。
执行S102,获取受检者的影像信息。本实施例中,受检者的影像通常为CT影像,在其他实施例中,受检者的影像也可以为DR影像等。受检者的影像信息可以为与肺炎关联的影像特征。本实施例中,影像特征可以通过人工方式来确定,也可以通过人工智能的方式来确定。
对于通过人工方式确定影像特征而言,即医生根据其实际的临床经验来确定哪些影像特征是与肺炎关联的影像特征,进而可以通过人工判读或者AI判读的方式来获得已经确定要获得的影像特征。一般来说,采用人工方式确定的影像特征是由医生根据其实际的临床经验得到的,因此,基于临床信息和人工方式确定的影像信息来建模,最终获得的预测模型更加具有可解释性(模型的输入和模型的输出之间的相关性符合医学常识和医学经验)。
而采用人工智能的方式确定的影像特征则要比人工方式确定的影像特征多,因为AI可以提取更多的医生无法判读的影像特征,如在预定CT值范围内左肺的体积等。因此,采用不同的方式确定要获得的影像信息时,提取到的影像信息中的影像特征有可能不同,进而导致最终获得的预测模型的输入参数也有所不同。对于采用人工或者AI的方式确定影像特征而言,确定要提取的影像特征,可以根据实际的临床需求而定。
本实施例中,具体地,与肺炎关联的影像特征可以包括:病灶大小、病灶类型(实性、半实性、磨玻璃)、病灶中不同类型的体积占比(如病灶的实性部分占整个病灶的体积)、病变的大小、病变类型(实性、半实性、磨玻璃)、病变中不同类型的体积占比(如病变的实性部分占整个病变部分的体积)、右肺中某一位置病灶的体积和类型、左肺中预定CT值范围的体积。此外,关于呼吸综合症冠状病毒的各类文献、急性呼吸***综合症的各类文献中提及的影像特征也可以作为与肺炎关联的影像特征。
执行S103,从临床指标、病历信息以及和肺炎关联的影像特征中筛选出与预测新冠肺炎的严重程度具有相关性的N个特征。本实施例中,采用Boruta方法来确定临床信息和影像信息中具有重要性的特征,并将确定的具有重要性的N个特征做为筛选出的与新冠肺炎的严重程度具有相关性的特征。
本实施例中,在采用Boruta方法筛选特征前,可以先对包括了临床信息和影像信息的特征矩阵进行预处理,如可以采用最小值最大值归一化法、Z-Score标准化方法、L2标准化法等对特征矩阵进行归一化。当然在其他实施例中,也可以不对包括了临床信息和影像信息的特征矩阵进行预处理,直接采用Boruta方法筛选特征。
本实施例中,采用Boruta方法筛选包括临床信息和影像信息的特征中的特征可以包括如下步骤:
1.以临床信息和影像信息的特征的特征值生成特征矩阵,对特征矩阵中的各个特征取值进行随机排序(shuffle),将shuffle后的特征(shadow features)值与原特征值(real features)拼接构成新的特征矩阵。
2.将新的特征矩阵作为特征重要度模型的输入以输出每个特征的重要性和重要度。特征重要度模型可以为RandomForest,LightGBM,XGBoost等。
3.计算real features和shadow features的Z_score,其中,Z_score通过如下公式获得:
Z_score=average_feature/feature_importance的标准差
其中,单个特征在单棵数上的feature_importance=oob_acc-oob_acc_after_perputation。
其中,oob_acc_after_perputation是指将该维特征进行shuffle之后再用out_of_bag的样本在单棵树上的accuracy。
4.在shadow features中找出最大的Z_score记为Z_max。
5.将Z_score大于Z_max的real features标记为“重要”,将Z_score显著小于Z_max的real features标记为“不重要”,并且从特征集合中永久删除。
6.删除所有的shadow features。
7.重复1~6(迭代次数可以根据实际需求而定,如迭代次数可以为5),直到所有的real features都被标记为“重要”或“不重要”。
对于标记了“重要”的real features而言,其Z_score可以作为该real features的重要度。
至此,通过Boruta方法可以确定临床信息和影像信息中具有重要性的N个特征,也即从临床信息和影像信息中筛选出了N个特征。在其他实施例中,也可以采用Filter方法、Wrapper方法、Embedded方法等特征筛选方法从临床信息和影像信息中筛选出N个特征。
执行S104,为了能够训练出预测准确度高的预测模型,本实施例中,以筛选出的N个特征中的任意一个或多个特征的组合作为输入,新冠肺炎严重程度(重度或者危重度)作为输出来构建与不同输入对应的分类模型。举例来说,若S103筛选出了5个特征,那么可以以这5个特征中的任意1个特征、任意2个特征、任意3个特征、任意4个特征、5个特征作为输入,肺炎严重程度作为输出构建与之对应的分类模型。该分类模型可以是贝叶斯(Bayesian)模型、决策树、随机森林、支持向量机(SVM,support vector machines)模型、逻辑回归模型、线性回归模型等。本实施例中,采用逻辑回归或者线性回归模型来实现分类。
执行S105,以多个受检者的N个特征为训练样本训练相应的分类模型,具体地,对于以1个特征为输入,新冠肺炎严重程度作为输出的分类模型,就是以多个受检者的这1个特征及该受检者的新冠肺炎严重程度为输出训练分类模型,同样地,对于以2个特征为输入,新冠肺炎严重程度作为输出的分类模型,就是以多个受检者的这2个特征及该受检者的新冠肺炎严重程度为输出训练分类模型,而对于以N个特征为输入,新冠肺炎严重程度作为输出的分类模型,就是以多个受检者的这N个特征及该受检者的新冠肺炎严重程度为输出训练分类模型。对于训练获得的多个分类模型,为了挑选出一个相对最优化的分类模型,来平衡模型大小(输入参数多少或者说输入特征的多少)与模型拟合准确度(拟合精度)的关系,可以通过不同的预设准则来选择模型的评估量,具体地,可以采用AIC准则或BIC准则来进行衡量。
其中,p为模型参数的数量,θ是模型参数,L是在模型下的最大似然。
对采用AIC或BIC准则进行衡量的模型而言,均是取AIC或者BIC最小的模型作为最优化的模型。本实施例中,即是对以多个受验者的M个特征为训练样本进行训练获得的分类模型中,以该模型的AIC为最小的模型为预测模型或者以该模型的BIC为最小的模型为预测模型。
由上述可知,在获取受检者的影像信息时,可以通过人工的方式确定要获取影像信息中的哪些影像特征,也可以通过AI的方式确定要获取影像信息中的哪些影像特征。采用不同方式确定的影像特征的数量也有所不同。对于采用人工方式确定要获取的影像特征,并基于上述的方法生成预测模型时,最终确定的最优化的预测模型的输入可以是尿素、白蛋白和右下肺叶内基底段病灶体积和病灶类型。需要说明的是,采用人工方式确定影像信息(与肺炎关联的影像特征)时,人工方式确定的影像特征可以通过AI的方式获得,也就是说,将通过人工方式确定的要获得的多个影像特征,通过AI软件来进行获取,即在确定了要判读哪些影像特征的前提下,由AI软件来实现对这些影像特征的获取。举例来说,若医生要判读10个影像特征,此时可以通过AI软件获取这10个特征,如通过AI软件获取右下肺叶内基底段病灶体积和病灶类型等,通过AI的方式获取医生要判读的影像特征,可以提高获得影像特征的效率和准确度,给医生提供了极大的便利。
而对于采用AI的方式确定的影像信息中的影像特征,在基于上述的方法生成预测模型时,最终确定的最优化的预测模型的输入可以是尿素、白蛋白和左肺中预定CT值范围的体积,具体地,预定CT值范围可以为(-200HU,60HU)。
也即,当通过人工的方式确定要获取影像信息中的影像特征时,最终以尿素、白蛋白和右下肺叶内基底段病灶体积和病灶类型作为分类模型的输入,如逻辑回归模型的输入,新冠肺炎的严重程度作为输出时,逻辑回归模型的参数和拟合精度可以为最优。当通过AI的方式确定要获取影像信息中的影像特征时,最终以尿素、白蛋白和CT值在(-200HU,60HU)的左肺体积作为分类模型的输入,如逻辑回归模型的输入,新冠肺炎的严重程度作为输出时,逻辑回归模型的参数和拟合精度可以为最优。
至此通过上述步骤生成了预测肺炎严重程度的预测模型,接下来,可以将轻度或者中度受验者的尿素、白蛋白和右下肺叶内基底段病灶体积和病灶类型输入至预测模型,即可知悉该受检者是否可能发展成重度或者危重度患者。或者将轻度或者中度受检者的尿素、白蛋白和CT值在(-200HU,60HU)的左肺体积作为输入至预测模型,即可知悉该受检者是否可能发展成重度或者危重度患者。
本发明实施例还提供一种生成预测肺炎严重程度的预测模型的装置,包括:
第一获取单元20,用于获取受检者的临床信息。
第二获取单元21,用于获取受检者的影像信息。
筛选单元22,用于从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数。
构建单元23,用于以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型。
训练单元24,用于以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。
本实施例的生成预测肺炎严重程度的预测模型的装置的实施可以参见上述的生成预测肺炎严重程度的预测模型的方法的实施,此处不再赘述。
基于相同的技术构思,本发明实施例提供了一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的生成预测肺炎严重程度的预测模型的方法。
基于相同的技术构思,本发明实施例提供了一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的生成预测肺炎严重程度的预测模型的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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。
Claims (10)
1.一种生成预测肺炎严重程度的预测模型的方法,其特征在于,
获取受检者的临床信息;
获取受检者的影像信息;
从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数;
以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型;
以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。
2.如权利要求1所述的方法,其特征在于,所述受检者的临床信息包括:性别、年龄、首发症状、病发症、入院体温、入院脉搏、入院呼吸频率、入院收缩压、入院舒张压、入院时的血常规、血凝、血气分析、尿常规、肝肾功能电解质、血液免疫指标。
3.如权利要求1所述的方法,其特征在于,所述受检者的影像信息包括与肺炎关联的影像特征。
4.如权利要求1~3任一项所述的方法,其特征在于,从所述临床信息和影像信息中筛选出N个特征包括:以Boruta方法确定的临床信息和影像信息中具有重要性的特征作为N个特征。
5.如权利要求1所述的方法,其特征在于,所述分类模型包括:逻辑回归模型和线性回归模型。
6.如权利要求1所述的方法,其特征在于,以多个受检者的N个参数为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为预测模型,包括:基于构建的分类模型的输入选取与输入对应的多个受检者的M个特征为训练样本,并基于AIC或BIC准则确定预测模型,其中,M为自然数,1≤M≤N。
7.如权利要求1所述的方法,其特征在于,所述预测模型的输入包括:尿素、白蛋白和右下肺叶内基底段病灶体积和病灶类型,或者包括:尿素、白蛋白和左肺中预定CT值范围的体积。
8.一种生成预测肺炎严重程度的预测模型的装置,其特征在于,包括:
第一获取单元,用于获取受检者的临床信息;
第二获取单元,用于获取受检者的影像信息;
筛选单元,用于从所述临床信息和影像信息中筛选出N个特征,其中,N为自然数;
构建单元,用于以所述N个特征中的至少一个为输入,肺炎严重程度为输出构建相应的分类模型;
训练单元,用于以多个受检者的N个特征为训练样本训练相应的分类模型并基于预设准则在多个分类模型中确定拟合精度和参数个数最优的分类模型为所述预测模型。
9.一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行权利要求1~7任一项所述的的方法。
10.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行权利要求1~7任一项所述的的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804399.4A CN112183572A (zh) | 2020-08-12 | 2020-08-12 | 一种生成预测肺炎严重程度的预测模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804399.4A CN112183572A (zh) | 2020-08-12 | 2020-08-12 | 一种生成预测肺炎严重程度的预测模型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183572A true CN112183572A (zh) | 2021-01-05 |
Family
ID=73918980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010804399.4A Pending CN112183572A (zh) | 2020-08-12 | 2020-08-12 | 一种生成预测肺炎严重程度的预测模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183572A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991320A (zh) * | 2021-04-07 | 2021-06-18 | 德州市人民医院 | 脑出血患者血肿扩大风险预测***及方法 |
RU2783852C1 (ru) * | 2022-04-12 | 2022-11-21 | Федеральное государственное бюджетное военное образовательное учреждение высшего образования "Военно-медицинская академия имени С.М. Кирова" Министерства обороны Российской Федерации (ВМедА) | Способ прогнозирования риска перехода нетяжелой формы пневмонии в тяжелую |
CN115578307A (zh) * | 2022-05-25 | 2023-01-06 | 广州市基准医疗有限责任公司 | 一种肺结节良恶性分类方法及相关产品 |
TWI812135B (zh) * | 2022-03-30 | 2023-08-11 | 正修學校財團法人正修科技大學 | 肺炎遠端檢測系統及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111415743A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎分类方法、装置、介质及电子设备 |
-
2020
- 2020-08-12 CN CN202010804399.4A patent/CN112183572A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111415743A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎分类方法、装置、介质及电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991320A (zh) * | 2021-04-07 | 2021-06-18 | 德州市人民医院 | 脑出血患者血肿扩大风险预测***及方法 |
TWI812135B (zh) * | 2022-03-30 | 2023-08-11 | 正修學校財團法人正修科技大學 | 肺炎遠端檢測系統及其方法 |
RU2783852C1 (ru) * | 2022-04-12 | 2022-11-21 | Федеральное государственное бюджетное военное образовательное учреждение высшего образования "Военно-медицинская академия имени С.М. Кирова" Министерства обороны Российской Федерации (ВМедА) | Способ прогнозирования риска перехода нетяжелой формы пневмонии в тяжелую |
CN115578307A (zh) * | 2022-05-25 | 2023-01-06 | 广州市基准医疗有限责任公司 | 一种肺结节良恶性分类方法及相关产品 |
CN115578307B (zh) * | 2022-05-25 | 2023-09-15 | 广州市基准医疗有限责任公司 | 一种肺结节良恶性分类方法及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220079540A1 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantificaton in coronary arteries | |
CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及*** | |
RU2007124523A (ru) | Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров | |
CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN112669960B (zh) | 一种基于机器学习方法的肝脏纤维化预测模型的构建方法、预测***、设备和存储介质 | |
KR102270934B1 (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
CN112652398A (zh) | 一种基于机器学习算法的新冠肺炎重症化预测方法及*** | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及*** | |
CN110874409A (zh) | 病情分级预测***、方法、电子设备及可读存储介质 | |
Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
CN113057587A (zh) | 一种病症预警方法、装置、电子设备及存储介质 | |
KR20230118054A (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템 | |
CN115089112B (zh) | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 | |
CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
CN109009009A (zh) | 血管评估方法、装置及智能终端 | |
CN110911011B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN110910980A (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN110706803A (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 | |
Jun et al. | Efficiently classifying lung sounds through depthwise separable CNN models with fused STFT and MFCC features. Diagnostics 2021; 11: 732 | |
CN113808724B (zh) | 数据分析方法及装置、存储介质及电子终端 | |
CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 | |
US11928817B2 (en) | Method for filtering normal medical image, method for interpreting medical image, and computing device implementing the methods | |
Manju et al. | Decision Tree-Based Explainable AI for Diagnosis of Chronic Kidney Disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220318 Address after: 100089 area a, 21 / F, block a, No. 8, Haidian Street, Haidian District, Beijing Applicant after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant after: Hangzhou Shenrui Bolian Technology Co., Ltd Address before: 200051 units 06 and 07, 23 / F, 523 Loushanguan Road, Changning District, Shanghai Applicant before: SHANGHAI YIZHI MEDICAL TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right |