一种风湿免疫疾病特征识别模型训练方法及系统

    技术2024-11-03  10


    本发明涉及医疗,具体为一种风湿免疫疾病特征识别模型训练方法及系统。


    背景技术:

    1、在大数据和人工智能技术快速发展的背景下,医疗领域尤其是在疾病诊断与预测中,越来越多地应用了智能化、自动化的模型训练系统。特别是在风湿免疫疾病这一特定领域,关节肿胀等症状的早期识别对于患者的治疗方案制定至关重要。研究如何通过机器学习技术进行特征识别模型的训练,以提高诊断的准确性和效率,成为了当前的一个研究热点。

    2、风湿免疫疾病作为一种涉及免疫系统紊乱的复杂疾病,其病因多样且病症表现复杂,然而,目前在针对风湿免疫疾病进行特征识别的过程中,传统方法存在一定的局限性。首先,项目检查后的数据往往繁杂且多维度,直接使用这些数据进行模型训练,容易导致模型的复杂度过高,泛化能力不足。


    技术实现思路

    1、针对现有技术的不足,本发明提供了一种风湿免疫疾病特征识别模型训练方法及系统,解决了上述背景技术中的问题。

    2、为实现以上目的,本发明通过以下技术方案予以实现:一种风湿免疫疾病特征识别模型训练系统,包括项目检查模块、数据采集模块、特征筛选分析模块、模型训练模块及反馈模块;

    3、所述项目检查模块用于对患有风湿免疫疾病的患者进行各项医疗检查,并将各项医疗检查进行汇总,以获取初步数据集;

    4、所述数据采集模块用于将初步数据集进行预处理,以获取当前患者的病症数据集,并根据视觉设备获取当前患者的相关肿胀集合,并结合无量纲处理技术,将病症数据集及相关肿胀集合均进行量纲处理;

    5、所述特征筛选分析模块用于从病症数据集中提取出各项参数,并分析各项参数对患者关节肿胀的影响程度,以获取相应的相关系数xgxs,依据相关系数xgxs数值,筛选出特征数据,并生成特征集合;

    6、所述模型训练模块用于利用卷积神经网络技术构建特征区分模型,并结合特征集合及历史数据构建相似系数xsxs,同时通过设定不同数值的超参数值cs,以获取不同超参数值cs数值情况下的交叉验证准确率zq;

    7、所述反馈模块用于根据不同超参数值cs数值情况下的交叉验证准确率zq,选出匹配的超参数值cs数值。

    8、优选的,所述项目检查模块用于预先对患有风湿免疫疾病的患者进行各项医疗检查,其中,所述各项医疗检查包括影像学检查、血液检查及尿液检查,同时对患者进行关节穿刺操作,并将各项医疗检查所获取的检查报告进行汇总,以获取初步数据集。

    9、优选的,所述数据采集模块包括第一数据采集单元和第二数据采集单元;

    10、所述第一数据采集单元用于依据各项医疗检查所获取的初步数据集,采集并记录当前患者的病症数据集,所述病症数据集内的参数包括不同监测时段内的关节液中的白细胞数目、尿酸水平、补体水平、红细胞沉降率、c反应蛋白及类风湿因子;

    11、所述第二数据采集单元用于根据视觉设备获取当前患者的相关肿胀集合,所述相关肿胀集合包括不同监测时段内患者关节肿胀面积y。

    12、优选的,所述特征筛选分析模块包括影响单元和筛选单元;

    13、所述影响单元用于根据病症数据集及相关肿胀集合,分析各项参数对患者关节肿胀的影响程度,以获取相应的相关系数xgxs,具体按照以下方式获取:;式中,x表示为病症数据集内的随机参数;表示为参数x与患者关节肿胀面积y的联合概率分布;是参数x的边际概率分布;是患者关节肿胀面积y的边际概率分布。

    14、优选的,所述筛选单元用于依据影响单元中获取相关系数xgxs的方式,获取若干组相关系数xgxs,并将若干组相关系数xgxs按照数值大小进行排序,具体排序方式为:按照数值从小到大进行排序,并生成数据列;依据数据列,设置阈值,并将数据列中的若干组相关系数xgxs与阈值进行比对分析,以筛选出特征数据,并生成特征集合。

    15、优选的,所述模型训练模块包括病情测试单元和性能优化单元;

    16、所述病情测试单元用于根据当前患者特征集合及历史数据,生成病态数据集合,并将病态数据集合分为70%的训练集和30%的测试集,利用卷积神经网络技术预先建立基础模型,以病态数据集合对基础模型进行训练和测试,并将训练后的基础模型作为状态识别模型,分别获取状态识别模型内的特征信息,并将获取的特征信息对状态识别模型进行训练和测试,将训练后的状态识别模型作为特征区分模型。

    17、优选的,所述历史数据包括历史时段内医院收集出若干位患有风湿免疫疾病的患者的病症数据集及相关肿胀集合;

    18、所述性能优化单元基于训练集中的当前患者特征集合及历史数据,构建相似系数xsxs,具体通过以下公式获取:;式中,表示为当前患者特征集合中的参数;表示为历史时段内患有风湿免疫疾病的患者与当前患者特征集合中相同的参数;表示为超参数值;exp是指数函数的符号,表示的是以自然常数e为底的指数运算;表示为和之间的欧几里得距离。

    19、优选的,预先设置不同数值的超参数值cs,使用特征区分模型对测试集进行预测,对每个数值的超参数值cs,使用k折交叉验证方法训练,每个数值的超参数值cs将得到k次准确率结果,并对每个数值的超参数值cs,计算其在所有k折中的平均准确率。

    20、优选的,所述反馈模块用于比较每个数值的超参数值cs的平均准确率,以从中选择最高平均准确率的超参数值cs作为适配超参数。

    21、一种风湿免疫疾病特征识别模型训练方法,包括:

    22、对患有风湿免疫疾病的患者进行各项医疗检查,并将各项医疗检查进行汇总,以获取初步数据集;

    23、将初步数据集进行预处理,以获取患者的病症数据集,并根据视觉设备获取患者的相关肿胀集合,并结合无量纲处理技术,将病症数据集及相关肿胀集合均进行量纲处理;

    24、从病症数据集中提取出各项参数,并分析各项参数对患者关节肿胀的影响程度,以获取相应的相关系数xgxs,依据相关系数xgxs数值,筛选出特征数据,并生成特征集合;

    25、利用卷积神经网络技术构建特征区分模型,并结合特征集合及历史数据构建相似系数xsxs,同时通过设定不同数值的超参数值cs,以获取不同超参数值cs数值情况下的交叉验证准确率zq;

    26、根据不同超参数值cs数值情况下的交叉验证准确率zq,选出匹配的超参数值cs数值。

    27、本发明提供了一种风湿免疫疾病特征识别模型训练方法及系统,具备以下有益效果:

    28、该系统通过项目检查模块、数据采集模块、特征筛选分析模块、模型训练模块及反馈模块的有机结合,进一步实现了对风湿免疫疾病的精准特征识别和预测,通过项目检查模块,能够多方面地获取患者的各项医疗检查数据,确保初步数据集的完整性和准确性。特征筛选分析模块通过对病症数据的多维度参数分析,准确提取出与关节肿胀等病症相关的关键特征,并通过计算相关系数xgxs进行精确筛选,有效减少了冗余特征,提升了特征集合的代表性。模型训练模块利用先进的卷积神经网络技术,结合特征集合及历史数据构建相似系数xsxs,通过交叉验证进一步优化超参数值cs,从而获得更高的准确率,反馈模块则依据不同超参数值cs下的交叉验证准确率zq,智能选出适配的超参数值,进一步优化了模型的性能。

    29、该系统通过特征筛选分析模块的应用,进一步提高了对关节肿胀影响因素的识别精度和特征提取的效率。具体而言,影响单元根据病症数据集及相关肿胀集合,采用精确的联合概率分布与边际概率分布计算方法,分析各项参数对关节肿胀的影响程度,从而获得相关系数xgxs,这种方式有效地量化了各参数与关节肿胀之间的相关性,使得病症数据分析更具科学性和准确性。筛选单元通过将获得的相关系数xgxs进行系统化排序,最终实现对特征数据的有效筛选和提取,该过程确保了特征数据的精确性,进一步避免了无关或低相关参数的干扰,生成的特征集合具有高度的代表性,并提高了后续模型训练的效果,使得模型能够更加准确地识别出风湿免疫疾病的特征,有助于为患者提供更个性化和精准的治疗方案。

    30、通过基于训练集中的当前患者特征集合及历史数据,构建了相似系数,考虑了当前患者特征与历史数据中的相似性,并结合超参数值和欧几里得距离,量化了患者特征的相似性,这种方法有效地将患者的当前特征与历史数据进行对比,为后续模型训练提供了精准的相似度评估。通过预先设置不同数值的超参数值,并利用特征区分模型对测试集进行预测,系统能够进一步实现对模型性能的优化。


    技术特征:

    1.一种风湿免疫疾病特征识别模型训练系统,其特征在于,包括项目检查模块、数据采集模块、特征筛选分析模块、模型训练模块及反馈模块;

    2.根据权利要求1所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述项目检查模块用于预先对患有风湿免疫疾病的患者进行各项医疗检查,其中,所述各项医疗检查包括影像学检查、血液检查及尿液检查,同时对患者进行关节穿刺操作,并将各项医疗检查所获取的检查报告进行汇总,以获取初步数据集。

    3.根据权利要求1所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述数据采集模块包括第一数据采集单元和第二数据采集单元;

    4.根据权利要求3所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述特征筛选分析模块包括影响单元和筛选单元;

    5.根据权利要求4所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述筛选单元用于依据影响单元中获取相关系数xgxs的方式,获取若干组相关系数xgxs,并将若干组相关系数xgxs按照数值大小进行排序,具体排序方式为:按照数值从小到大进行排序,并生成数据列;依据数据列,设置阈值,并将数据列中的若干组相关系数xgxs与阈值进行比对分析,以筛选出特征数据,并生成特征集合。

    6.根据权利要求5所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述模型训练模块包括病情测试单元和性能优化单元;

    7.根据权利要求6所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述历史数据包括历史时段内医院收集出若干位患有风湿免疫疾病的患者的病症数据集及相关肿胀集合;

    8.根据权利要求1所述的风湿免疫疾病特征识别模型训练系统,其特征在于,预先设置不同数值的超参数值cs,使用特征区分模型对测试集进行预测,对每个数值的超参数值cs,使用k折交叉验证方法训练,每个数值的超参数值cs将得到k次准确率结果,并对每个数值的超参数值cs,计算其在所有k折中的平均准确率。

    9.根据权利要求8所述的风湿免疫疾病特征识别模型训练系统,其特征在于,所述反馈模块用于比较每个数值的超参数值cs的平均准确率,以从中选择最高平均准确率的超参数值cs作为适配超参数。

    10.一种风湿免疫疾病特征识别模型训练方法,用于实现上述权利要求1~9任一项所述的风湿免疫疾病特征识别模型训练系统,其特征在于,包括:


    技术总结
    本发明公开了一种风湿免疫疾病特征识别模型训练方法及系统,涉及医疗技术领域,通过项目检查模块,能够多方面地获取患者的各项医疗检查数据,确保初步数据集的完整性和准确性。特征筛选分析模块通过对病症数据的多维度参数分析,准确提取出与关节肿胀等病症相关的关键特征,并通过计算相关系数Xgxs进行精确筛选,有效减少了冗余特征,提升了特征集合的代表性。模型训练模块利用先进的卷积神经网络技术,结合特征集合及历史数据构建相似系数Xsxs,通过交叉验证进一步优化超参数值Cs,从而获得更高的准确率,反馈模块则依据不同超参数值Cs下的交叉验证准确率Zq,智能选出适配的超参数值,进一步优化了模型的性能。

    技术研发人员:孙立雪
    受保护的技术使用者:吉林大学
    技术研发日:
    技术公布日:2024/10/24
    转载请注明原文地址:https://symbian.8miu.com/read-21518.html

    最新回复(0)