【技術實現步驟摘要】
本專利技術專利涉及一種基于深度學習的膿毒癥早期預測方法。在預測患者早期感染膿毒癥方面具有重要的應用和推廣價值。
技術介紹
1、膿毒癥診斷是世界醫學領域的一大難題，每年奪去超過600萬人生命，死亡率高達20～40％，世界衛生組織(who)向各國政府發出“優先加強膿毒癥的預防、診斷和治療”的特別呼吁，準確地預測患者感染膿毒癥的風險概率是降低患者死亡率的主要手段?，F有膿毒癥早期預測技術主要包括基于傳統機器學習的預測方法和臨床上簡單評分預測方法。傳統機器學習預測方法需要手動提取和選擇患者特征，重要特征需要反復實驗才能獲得，導致特征選擇的過程非常耗時又無法準確預測膿毒癥患者的病發概率。臨床上簡單評分預測方法需要來自項目內部和外部的具備專業知識的專家小組進行打分，專家小組成員憑借其專業知識和經驗對獲得的信息進行分析和判斷，但因膿毒癥癥狀與其它多種疾病癥狀具有相似性，通過簡單評分方法預測患者膿毒癥的發病概率，將導致預測結果存在較大分歧，可能使患者錯過最佳的治療時間。
2、深度學習是人工智能領域一種較為先進的技術，已被應用于自然語言處理、計算機視覺等領域，取得了較好的預測效果。通過深度學習技術建立膿毒癥早期預測方法，可以更好地關注患者的生理狀態指標，可降低患者感染膿毒癥的死亡率。
技術實現思路
1、本專利技術方法中設重癥監護病房icu的患者集合為h＝{h1,h2,…,hn}，ht＝{zt|tempk,heartratek,spo2k,…}，特征向量zt表示icu患者h在時間點t的“體溫
2、本專利技術主要包括四個部分：(1)對多變量時間序列特征向量z，使用多任務高斯過程來預處理數據，此方法能夠處理不規則采樣頻率，獲得潛在時間序列zi。(2)將潛在時間序列zi輸入到時間卷積神經網絡(tcn)中，學習患者在t時刻的特征向量zt。(3)將學習到的患者特征進行注意力機制加權處理，給特征分配不同的權重，從而能夠選擇重要的特征信息，同時還具備良好的可解釋性。(4)構建訓練集和測試集，將加權后的特征進行融合，輸送到前饋神經網絡并做softmax函數預測輸出，使得預測患者感染膿毒癥成為二分類問題。
3、下面詳細說明四個部分的具體實現過程：
4、(1)對多變量時間序列特征向量z，使用多任務高斯過程來預處理數據，能夠處理不規則采樣頻率；可形式化描述為：給定不規則的采樣i的觀測值{yi,ti}(值和時間)，對于均勻間隔的查詢時間xi，多任務高斯過程根據后驗分布p(zi|yi,ti,xi；θ)繪制了一個潛在時間序列zi；
5、(2)將潛在時間序列zi輸入到時間卷積神經網絡(tcn)中，學習患者在t時刻的特征向量zt，時間卷積神經網絡(tcn)在一維卷積的基礎上，增加了因果擴張卷積，因果擴張卷積保證模型在t時刻的輸出只依賴于t及t以前時刻的信息,不依賴t時刻以后的信息，防止未來的信息泄露；
6、(3)將學習到的患者特征做注意力機制加權處理，包括特征通道注意力和時間通道注意力，給特征分配不同的權重，從而能夠選擇重要的特征數據信息，同時還具備良好的可解釋性；
7、(4)將患者生理時間序列數據經過預處理和特征提取后，按照8:2的比例構建訓練集和測試集，將加權后的特征進行融合，輸送到前饋神經網絡并通過softmax函數預測輸出，使得預測患者早期感染膿毒癥問題轉化為二分類問題。
8、基于時間卷積注意力的膿毒癥早期預測方法詳細步驟如下：
9、步驟1：通過下面的步驟1.1、1.2、1.3分別提取和預處理數據，得到處理后的多變量時間序列數據zi。
10、步驟1.1：數據提取，每隔一段時間患者在醫院的監測記錄生理指標會存入到電子病歷數據庫中，結合建模需求使用結構化查詢語言sql方法將數據提取出來，對于因設備故障等其他原因未能記錄到的缺失值，采用多任務高斯過程處理缺失值，然后轉入步驟1.2。
11、步驟1.2：數據填補，對于多變量時間序列數據z，多任務高斯過程在均勻間隔的網格時間(一般為每小時)從給定監測數據中通過后驗分布提取數據zi。更準確地說，給定不規則的采樣i的監測值{yi,ti}(值和時間)，對于均勻間隔的查詢時間xi，多任務高斯過程方法根據后驗分布p(zi|yi,ti,xi；θ)繪制了一個潛在時間序列zi，zi服從zi～n(μ(zi),σ(zi)；θ)分布，其中，μ(zi)表示均值，σ(zi)表示協方差，i是指均勻間隔查詢次數xi與觀測次數ti之間的相關矩陣，表示xi與自身之間的相關性，kd是任務相似性核矩陣，表示在位置(d,d')處的相似度，表示張量積，kti表示患者i遭遇的所有觀測時間之間的特定ti×ti相關矩陣，d是滿足噪聲方差的對角矩陣，i是單位矩陣。后驗均值μ(zi)取決于觀測值yi。在中收集多任務高斯過程的參數，其中l表示核函數的長度尺度，完成缺失數據填補后，得到處理后的數據zi，后轉入步驟1.3。
12、步驟1.3：數據歸一化：原始數據經過歸一化處理后，各指標處于同一數量級，適合進行綜合對比評價。經過步驟1.1和步驟1.2處理后的數據zi，通過得到歸一化后的數據，其中x原始表示某指標的原始數據，min表示該指標中最小的數值，max表示該指標中最大的數值。最終將歸一化后的數據序列x＝x0,x1,…,xt輸入到模型中進行特征學習，后轉入步驟2。
13、步驟2：將步驟1得到的患者生理時間序列數據x＝x0,x1,…,xt輸入到時間卷積神經網絡(tcn)模型中進行特征學習。
14、步驟2.1：對于一維的輸入序列x、卷積核f:{0,1,…,k-1}，膨脹卷積操作可表示為其中d為膨脹因子；k為卷積核大小；xs-d·i表示輸入的序列數據，將需要學習的序列數據x＝x0,x1,…,xt輸入到因果擴張卷積學習特征ftr，后轉入步驟2.2。
15、步驟2.2：為了保證時間卷積神經網絡(tcn)能夠具有較深的網絡結構，將殘差塊引入到時間卷積神經網絡(tcn)中。一個標準的殘差塊包含產生一系列轉換的分支，轉換f的輸出結果和該模塊的輸入x進行加和操作，殘差塊的輸出結果為ftr＝activation(x+f(x))，經過殘差塊將學習到的特征ftr進行修正，后轉入步驟3。
16、步驟3：將步驟2學習到的患者特征ftr中重要的生命特征和時間特征，進行雙通道注意力機制加權處理。具體步驟如3.1和3.2所述。
17、步驟3.1：采用特征通道注意力對重要預測特征進行加權分配。首先，在原始卷積結果u上使用1×1的卷積，得到特征通道注意力m,m＝v1×1*u，其本文檔來自技高網...
【技術保護點】
1.一種基于時間卷積注意力的膿毒癥早期預測方法，其特征在于：采用深度學習方法對膿毒癥早期發病概率進行預測；使用多任務高斯過程預處理數據；將預測患者早期感染膿毒癥問題轉化為二分類問題；主要通過以下步驟實現膿毒癥的早期預測：
【技術特征摘要】
1.一種基于時間卷積注意力的膿毒癥早期預測方法，其特征在于：采用深度學習方法對膿毒癥早期發病概率進行預測；使用...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。