一种基于认知状态的慢性疾病智能筛查系统的制作方法

专利检索2022-05-11  7



1.本发明属于人工智能领域,具体涉及一种基于认知状态的慢性疾病智能筛查系统。


背景技术:

2.慢性病全称是慢性非传染性疾病,不是特指某种疾病,而是对一类起病隐匿,病程长且病情迁延不愈,缺乏确切的传染性生物病因证据,病因复杂,且有些尚未完全被确认的疾病的概括性总称。常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸系统疾病等,其中心脑血管疾病包含高血压、脑卒中和冠心病。医学是一门科学,现代医学各科都在对慢性疾病进行探索,但是很多尚未探明病因,对于慢性疾病的认知不足或认知缺陷会导致不能及时确诊慢性疾病。


技术实现要素:

3.有鉴于此,本发明提出了一种基于认知状态的慢性疾病智能筛查系统,用于解决对慢性疾病认知不足导致确诊困难的问题。
4.本发明第一方面,公开一种基于认知状态的慢性疾病智能筛查系统,所述系统包括:
5.数据获取模块:获取慢性疾病临床诊断指南数据集合以及专家在慢性疾病诊疗过程中形成的专家共识数据集合;
6.数据处理模块:对专家共识数据集合和临床诊断指南数据集合中的同一类慢性疾病参数进行模糊聚类分析,得到慢性疾病认知诊断参数子集;
7.模型生成模块:基于慢性疾病认知诊断参数子集训练最大熵模型,生成慢性疾病的预分类模型;
8.智能筛查模块:依据所述慢性疾病认知诊断模型,进行慢性疾病的智能筛查。
9.优选的,所述数据处理模块包括:
10.特征提取单元:设同一类慢性疾病对应有n条征兆和体征,分别对n条征兆和体征进行特征提取,构成n个特征向量xj,j=1,2,

,n;
11.模糊计算单元:用值在0,1间的随机数初始化隶属矩阵u,使其中元素u
ij
满足式中的约束条件;
12.计算c个聚类中心ci:
[0013][0014]
其中,i=1,

,c;m代表模糊度;,dj是xj的k邻域内的特征向量集合;gj为单个特征
向量与疾病的关联程度,当gj>0.5时λj=1,反之λj=0;
[0015]
隶属度更新单元:计算新的隶属度矩阵u
ij

[0016][0017]
将新的隶属度矩阵输入模糊计算单元;
[0018]
价值计算单元:根据式计算价值函数值,其中j表示价值函数,d
ij
=||c
i-xj||为第i个聚类中心ci与第j个数据特征向量xj间的欧几里德距离;如果价值函数值小于预设阈值,则算法停止。
[0019]
优选的,所述数据处理模块还用于对模糊聚类分析结果中的各个聚类类别中的数据进行修正,合并相同或相似度高的特征,得到不同数据集合对应的某一类慢性疾病的共同参数子集,将所述共同参数子集作为慢性疾病认知参数子集集合,并生成与慢性疾病种类间的映射关系。
[0020]
优选的,所述基于最大熵模型对慢性疾病认知诊断参数子集进行训练具体包括:通过特征函数fi(x,y)表示慢性疾病认知诊断参数子集中样本输入x与输出y之间的对应关系,fi(x,y)为二值函数,在x与y满足条件下取值为1,否则取值为0;
[0021]
最大熵模型的形式化结构表示为:
[0022][0023][0024]
p(y|x)为所求的条件概率分布,fi(x,y)为特征函数;wi为特征函数fi(x,y)的权重;zw(x)为归一化因子。
[0025]
优选的,通过iis算法对特征函数fi(x,y)的权重wi进行迭代更新。
[0026]
优选的,所述智能筛查模块具体包括:
[0027]
依据所述慢性疾病认知诊断模型,确定与所述各个对应的慢性疾病目标认知状态参数子集,然后将所述预设的慢性疾病参数子集和所述慢性疾病认知诊断模型进行相似性匹配计算,实现慢性疾病的认知和诊断。
[0028]
优选的,所述系统还包括匹配输出模块:用于将慢性疾病患者的性别、年龄等外部因素作为识别模型的一种特征因子或变量进行加权,考虑患者本身身体因素对疾病判断的影响,建立患者性别、年龄等与匹配输出疾病的关联关系,保障识别结果的准确可靠。
[0029]
本发明第二方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
[0030]
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
[0031]
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的系统。
[0032]
本发明第三方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明第一方面所述的系统。
[0033]
本发明相对于现有技术具有以下有益效果:
[0034]
1)通过获取不同领域专家在慢性疾病诊疗过程中形成的共识参数子集和临床诊断指南相关数据参数子集集合,对数据进行模糊聚类分析并通过最大熵模型进行融合的认知诊断,依据所述慢性疾病认知诊断模型,进行慢性疾病的智能筛查;可丰富疾病数据集,扩大疾病认知范围,实现在没有临床经验或有临床经验有限的情况下的慢性疾病认知,该方法可以提高慢性疾病筛查以及确诊的效率,补充医护工作者对于慢性疾病的认知不足和认知缺陷;
[0035]
2)对专家共识数据集合和临床诊断指南数据集合中的同一类慢性疾病参数进行模糊聚类分析,模糊计算中引入关联程度因子和邻域计算,提高模糊聚类的准确度,最终得到慢性疾病认知诊断参数子集,并在此基础上进一步对模糊聚类分析结果中的各个聚类类别中的数据进行修正,可有效去除噪声干扰,提高训练样本准确度,进而提升疾病筛查分类精度。
附图说明
[0036]
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。
[0037]
图1为本发明基于认知状态的慢性疾病智能筛查系统的结构图。
具体实施方式
[0038]
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
[0039]
请参阅图1,本发明公开一种基于认知状态的慢性疾病智能筛查系统,所述系统包括数据获取模块100、数据处理模块200、模型生成模块300、智能筛查模块400、匹配输出模块500。
[0040]
所述数据获取模100,用于获取慢性疾病临床诊断指南数据集合以及专家在慢性疾病诊疗过程中形成的专家共识数据集合;
[0041]
本实施例以慢性疾病中的常见疾病帕金森病为例,来说明本发明的具体实施方式。
[0042]
首先获取帕金森病临床诊断指南数据集合。临床诊断指南数据帕金森病(pd)主要表现为:1)、运动症状:运动过缓、肌强直、静止性震颤、姿势步态异常等;2)、非运动症状:认知/精神异常、睡眠障碍、自主神经功能障碍、感觉障碍等;
[0043]
然后获取帕金森病康复专家共识数据集合。专家共识数据中帕金森病(pd)主要表现为:1)运动症状:运动迟缓、静止性震颤、肌肉僵硬、姿势步态障碍等;2)、非运动症状:认知情绪障碍、睡眠障碍、二便异常、疼痛和疲劳等。
[0044]
所述数据处理模块200,用于对专家共识数据集合和临床诊断指南数据集合中的同一类慢性疾病参数进行模糊聚类分析,得到慢性疾病认知诊断参数子集;
[0045]
所述数据处理模块具体包括特征提取单元201、模糊计算单元202、隶属度更新单元203、价值计算单元204、数据修正单元205。
[0046]
所述特征提取单元201,用于分别对同一类慢性疾病对应的n条征兆和体征进行特征提取,构成n个特征向量xj,j=1,2,

,n;
[0047]
所述模糊计算单元202,用于用值在0,1间的随机数初始化隶属矩阵u,使其中元素u
ij
满足式中的约束条件;计算c个聚类中心ci:
[0048][0049]
其中,i=1,

,c;m代表模糊度;,dj是xj的k邻域内的特征向量集合;gj为单个特征向量与疾病的关联程度因子,当gj>0.5时λj=1,反之λj=0;
[0050]
所述隶属度更新单元203:用于计算新的隶属度矩阵u
ij

[0051][0052]
将新的隶属度矩阵输入模糊计算单元;
[0053]
所述价值计算单元204,用于根据式计算价值函数值,其中j表示价值函数,d
ij
=||c
i-xj||为第i个聚类中心ci与第j个数据特征向量xj间的欧几里德距离;如果价值函数值小于预设阈值,则算法停止。
[0054]
通过对专家共识数据集合和临床诊断指南数据集合中的同一类慢性疾病参数进行模糊聚类分析,在模糊聚类计算中引入单个特征向量与疾病的关联程度因子gj,通过该关联程度因子来调节控制参数λj的大小,从而更准确的计算聚类中心ci、隶属度矩阵u
ij
,价值函数j,提高模糊聚类分析的准确性,最终得到慢性疾病认知诊断参数子集,并在此基础上进一步对模糊聚类分析结果中的各个聚类类别中的数据进行修正,可有效去除噪声干扰,提高训练样本准确度,进而提升疾病筛查分类精度。
[0055]
所述数据修正单元205,用于对模糊聚类分析结果中的各个聚类类别中的数据进行修正,合并相同或相似度高的特征,得到不同数据集合对应的某一类慢性疾病的共同参数子集,将所述共同参数子集作为慢性疾病认知参数子集集合,并生成与慢性疾病种类间
的映射关系。
[0056]
比如,针对帕金森病,帕金森病临床诊断指南数据集合与帕金森病康复专家共识数据集合通过数据修正单元修正后上述共同的参数子集为:帕金森病(pd)主要临床表现:1)、运动症状:运动过(迟)缓、肌强直(或者肌肉僵硬)、静止性震颤、姿势步态异常(或者姿势步态障碍)等;2)、非运动症状:认知/精神异常(或认知情绪障碍)、睡眠障碍、自主神经功能障碍、感觉障碍(或疼痛和疲劳)、二便异常等。
[0057]
本发明通过获取不同领域专家在慢性疾病诊疗过程中形成的共识参数子集和临床诊断指南相关数据参数子集集合,可丰富疾病数据集,扩大疾病认知范围,通过对数据进行模糊聚类分析并基于最大熵模型进行融合的认知诊断,依据所述慢性疾病认知诊断模型,进行慢性疾病的智能筛查。本发明在没有临床经验或有临床经验有限的情况下依然可实现准确的慢性疾病认知,并且可以提高慢性疾病筛查以及确诊的效率,补充医护工作者对于慢性疾病的认知不足和认知缺陷。
[0058]
所述模型生成模块300,用于基于慢性疾病认知诊断参数子集训练最大熵模型,生成慢性疾病的预分类模型;
[0059]
所述最大熵模型是基于最大熵原理的分类模型,对于随机变量x,其概率分布为p(x),一般在约束条件下会有无数p(x)存在,最大熵原理即是在符合所有约束条件下的p(x)中,熵最大模型即为最优模型。
[0060]
具体的,通过特征函数fi(x,y)表示慢性疾病认知诊断参数子集中样本输入x与输出y之间的对应关系,i=1,2,

,k,k为样本总数,fi(x,y)为二值函数,在x与y满足条件下取值为1,否则取值为0;
[0061]
最大熵模型的形式化结构表示为:
[0062][0063][0064]fi
(x,y)为特征函数;wi为特征函数fi(x,y)的权重;zw(x)为归一化因子。
[0065]
通过iis(improved iterative scaling,迭代尺度法)算法对最大熵模型中特征函数fi(x,y)的权重wi进行迭代更新。iis算法是一种最大熵模型学习的最优化算法,通过两个不等式变形优化下界,从而迭代到收敛的算法。
[0066]
所述智能筛查模块400,用于依据所述慢性疾病认知诊断模型,进行慢性疾病的智能筛查。
[0067]
用于通过所述慢性疾病认知诊断模型对输入的待识别慢性疾病参数子集进行分类后,得到参数子集集合与慢性疾病的对应关系,通过最大熵模型,匹配输出对应的慢性疾病及解决方案。
[0068]
所述建立慢性疾病参数子集集合所对应的慢性疾病可以包括多种。比如肺栓塞,除了咯血外,患者伴随有精神紧张,胸痛胸闷,咳嗽、心慌、四肢凉、出汗等查体呈呼吸困难、面色苍白、烦躁不安发绀或有发热、脉细弱、心率增快心前区奔马律、肺内有湿性罗音、颈静脉怒张肝肿大等急性右心功能不全的体征;比如慢性支气管炎是气管、支气管黏膜及周围
组织的慢性非特异性炎症,大多缓慢起病,病程长,常反复急性发作而病情加重,其主要临床症状为咳嗽、咳痰,或伴有喘息。每年发病持续三个月,连续两年或两年以上,排出能引起咳嗽、咳痰、喘息或胸闷的其他疾病,既可诊断。
[0069]
所述匹配输出模块500,用于将慢性疾病患者的性别、年龄等外部因素作为识别模型的一种特征因子或变量进行加权,考虑患者本身身体因素对疾病判断的影响,建立患者性别、年龄等与匹配输出疾病的关联关系,保障识别结果的准确可靠。
[0070]
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
[0071]
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:u盘、移动硬盘、只议存储器rom、随机存取存储器ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0072]
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
[0073]
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
转载请注明原文地址:https://win.8miu.com/read-950370.html

最新回复(0)