本发明属于早期运动神经元病诊断，具体而言，涉及一种早期运动神经元病诊断方法、介质及系统。
背景技术：
1、运动神经元病是国家有关部门发表的《罕见病名录》中的一种，是一组选择性侵犯脊髓前角细胞、脑干运动神经元、皮层锥体细胞及锥体束的慢性进行性神经变性疾病，是一种严重的神经退行性疾病,目前病因尚不清楚，一般认为是随着年龄增长，由遗传易感个体暴露于不利环境所造成的，即遗传因素和环境因素共同导致了运动元神经元病的发生，它主要影响运动神经元并导致呼吸肌肉功能逐渐丧失,最终导致患者死亡。根据发病部位的不同,运动神经元病主要包括脊髓性肌萎缩症、进行性核上性麻痹、原发性侧索硬化症和肌萎缩性侧索硬化症等类型。这些疾病的病理机制虽有所不同,但最终均会导致运动神经元功能的衰竭和肌肉萎缩。
2、早期准确诊断运动神经元病对患者后续的治疗和预后至关重要。但由于这些疾病表现复杂,早期症状往往不太明显,很容易被误诊或漏诊。目前临床诊断运动神经元病主要依赖于神经电生理检查和肌电图等技术,通过分析肌肉和神经纤维的电生理特性,根据医生经验来判断疾病的部位和程度。
技术实现思路
1、有鉴于此，本发明提供一种早期运动神经元病诊断方法、介质及系统，能够解决现有的早期运动神经元病诊断方法依靠医生个人经验的技术问题。
2、本发明是这样实现的：
3、本发明的第一方面提供一种早期运动神经元病诊断方法，其中，包括以下步骤：
4、s10、通过收集多组健康人和已明确诊断结果的不同类型运动神经元病患者的神经电生理检查数据；
5、s20、对所述运动诱发电位数据、肌电图数据、单元动作电位数据、神经传导数据以及脑电图数据预处理后分别进行特征提取，得到诱发电位特征、肌电图特征、单元动作电位特征、神经传导特征以及脑电图特征；
6、s30、对得到的多组诱发电位特征、肌电图特征、单元动作电位特征、神经传导特征以及脑电图特征分别进行聚类，得到每一种特征的多个聚类簇；
7、s40、获取每个聚类簇的聚类中心最接近的点作为代表点，建立包括所有代表点的矩阵，记为代表点矩阵；
8、s50、将所述代表点矩阵生成稀疏矩阵并采用相似度分析和向量插值的方式，将全部的神经电生理检查数据对所述稀疏矩阵进行填充，得到填充矩阵；
9、s60、利用所述填充矩阵，训练一个神经网络，得到运动神经元病症诊断模型，用于描述神经电生理检查数据与运动神经元病症的关系；
10、s70、获取当前患者的神经电生理检查数据，记为患者数据，并在所述收集的多组神经电生理检查数据中，筛选与所述患者数据匹配度最高的m个神经电生理检查数据，作为患者的检查相似数据组；
11、s80、利用所述检查相似数据组对所述运动神经元病症诊断模型进行微调，得到适用于当前患者的运动神经元病症诊断模型，记为适应性诊断模型；
12、s90、在所述适应性诊断模型中，输入所述患者数据，得到当前患者的神经元病诊断结果，输出给医生作为诊断辅助参考。
13、其中，所述神经电生理检查数据至少包括运动诱发电位数据、肌电图数据、单元动作电位数据、神经传导数据以及脑电图数据。
14、所述步骤s10，具体包括:收集多组健康人和已明确诊断结果的不同类型运动神经元病患者的神经电生理检查数据,至少包括运动诱发电位数据、肌电图数据、单元动作电位数据、神经传导数据以及脑电图数据。这些数据可以从相关医院或研究机构获得。运动诱发电位数据反映了大脑皮层与脊髓运动神经元之间电信号传递的情况,可以用于了解运动神经元的兴奋性及传导功能。肌电图数据反映了肌肉在运动过程中的电活动情况,可以评估肌肉功能。单元动作电位数据反映了单个运动神经元的放电特征,可以了解单个运动神经元的兴奋性及传导功能。神经传导数据反映了运动神经纤维的传导速度和传导阻力,可以评估运动神经纤维的功能。脑电图数据反映了大脑皮层的整体电活动情况,可以提取与运动相关的特征。
15、其中，所述预处理的方式包括去噪、滤波、归一化。
16、所述步骤s20的具体步骤包括:对收集到的各类神经电生理检查数据进行预处理,包括去噪、滤波、归一化等操作,以提高数据质量,减少干扰因素的影响；然后从预处理后的数据中提取出能够代表各类神经电生理信号特点的指标,如运动诱发电位的振幅、潜伏期、面积等特征,肌电图的均方根值、频谱功率等特征,单元动作电位的放电频率、幅度等特征,神经传导的传导速度、传导潜伏期等特征,脑电图的事件相关电位、频谱功率等特征。通过这些特征提取操作,将原始的神经电生理检查数据转换为一系列数值特征,为后续的模式识别和聚类分析奠定基础。
17、其中，所述聚类的方法采用k-means聚类。
18、所述步骤s30的具体步骤包括:对步骤s20中得到的各类神经电生理特征数据分别进行k-means聚类分析,将健康人群和不同类型运动神经元病患者的神经电生理特征数据分成多个聚类簇。通过设定合适的聚类数k,可以较好地区分不同群体的特征分布。经验表明,对于运动诱发电位特征取k＝3,肌电图特征取k＝4,单元动作电位特征取k＝2,神经传导特征取k＝2,脑电图特征取k＝3效果较佳。通过这种聚类分析,将原始数据转化为多个聚类簇的形式,为后续的聚类中心提取和矩阵填充奠定基础。
19、所述步骤s40的具体步骤包括:获取每个聚类簇的聚类中心最接近的点作为代表点,并将这些代表点组成一个矩阵,记为代表点矩阵。聚类中心并不一定是真实存在的样本点,而是各聚类簇内部样本的中心点。但更关注那些最能代表各聚类特征的真实样本点,因此选取聚类中心最接近的点作为代表点。通过这一步骤,将原始的大量神经电生理检查数据压缩为一个代表点矩阵,大大减小了后续处理的计算量,同时这些代表点也较好地反映了健康人群和不同疾病患者群体神经电生理特征的分布特点。
20、其中，将所述代表点矩阵生成稀疏矩阵的方法为使用低秩矩阵补全算法。
21、所述步骤s50的具体步骤包括:利用低秩矩阵补全算法将所述代表点矩阵生成稀疏矩阵,然后采用相似度分析和向量插值的方式,根据填充规则,将全部的神经电生理检查数据对所述稀疏矩阵进行填充,得到填充矩阵。低秩矩阵补全算法可以利用矩阵的低秩结构特点,通过优化求解一个低秩矩阵,使其尽可能逼近原始的带有缺失数据的矩阵。在此基础上,采用相似度分析和向量插值的方法对稀疏矩阵进行填充,即计算每个样本与代表点之间的相似度,根据相似度大小选择最相似的代表点进行插值估计。通过这种方法,可以高效地将原始数据填充到稀疏矩阵中,得到一个完整的填充矩阵。
22、其中，所述神经网络采用深度前馈神经网络模型。
23、所述步骤s60的具体步骤包括:利用步骤s50得到的填充矩阵,训练一个包含多个隐层的深度前馈神经网络模型,作为运动神经元病症诊断模型。这种深度神经网络模型具有强大的非线性表征能力,非常适合于复杂的生物医学数据建模任务。在训练过程中,采用反向传播算法优化网络参数,使得网络能够最大程度地拟合训练数据,学习神经电生理特征与运动神经元病症之间的内在映射关系。为了防止过拟合,还可以采用正则化、dropout等技术。通过这种深度神经网络模型的训练,最终得到一个能够描述神经电生理检查数据与运动神经元病症关系的诊断模型。
24、其中，所述m为10～20。
25、所述步骤s70的具体步骤包括:获取当前待诊断患者的神经电生理检查数据,记为患者数据,并在步骤s10收集的多组神经电生理检查数据中,筛选与所述患者数据匹配度最高的m个样本,作为患者的检查相似数据组。这里可以采用余弦相似度等指标来度量样本间的相似程度,选取前m个最相似的样本。经验表明,当m取值在10-20之间时,能够较好地反映当前患者的神经电生理特点。这一步的目的是为了后续针对当前患者特点对诊断模型进行微调,提高模型的适应性和诊断准确性。
26、其中，所述当前患者的神经元病诊断结果是一个概率分布,用于表示当前患者属于不同类型运动神经元病的概率。
27、所述步骤s80的具体步骤包括:利用步骤s70中得到的检查相似数据组,对步骤s60训练得到的通用运动神经元病症诊断模型进行微调,得到适用于当前患者的运动神经元病症诊断模型,记为适应性诊断模型。具体而言,将通用模型的网络参数作为初始值,然后使用相似检查数据组对模型进行继续训练。这样可以使模型的参数更好地适应当前患者的神经电生理特点,提高对该患者的诊断准确性。在微调过程中,采用较小的学习率,同时适当增加训练的代数,在保持通用模型已学习到的特征的基础上,进一步优化模型参数,使其更好地拟合当前患者的数据分布。通过这种个性化的模型微调,得到了一个适应性诊断模型,能够为当前患者提供更准确的运动神经元病诊断结果。
28、所述步骤s90的具体步骤包括:在步骤s80中得到的适应性诊断模型中,输入步骤s70中获取的当前患者数据,得到对应的运动神经元病诊断结果。具体来说,将当前患者的神经电生理检查数据作为输入,通过适应性诊断模型进行前向计算,即可得到对应的运动神经元病诊断结果。该结果可以是一个概率分布,表示当前患者属于不同类型运动神经元病的概率；也可以是一个确定的类别标签,直接给出诊断结果。在模型设计时,采用了交叉熵损失等损失函数,以期望模型能够更准确地预测当前患者的病情类型。同时,还采用了dropout、早停等技术,以提高模型的泛化能力。通过这一步骤,为临床医生提供了一个客观、可靠的运动神经元病辅助诊断依据。其中，神经元并的类型包括脊髓性肌萎缩症、进行性核上性麻痹、原发性侧索硬化症和肌萎缩性侧索硬化症等类型。
29、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种早期运动神经元病诊断方法。
30、本发明的第三方面提供一种早期运动神经元病诊断系统，其中，包含上述的计算机可读存储介质。
31、与现有技术相比较，本发明提供的一种早期运动神经元病诊断方法、介质及系统的有益效果是：
32、首先,本发明方法充分利用了多种神经电生理检查数据,包括运动诱发电位、肌电图、单元动作电位、神经传导以及脑电图等。这些数据能够全面反映运动神经元的功能状态,为后续的特征提取和疾病建模奠定坚实的基础。相比于仅依赖单一检查手段的现有方法,本发明方法能够更加全面地评估患者的神经系统病变情况,从而提高诊断的准确性。
33、其次,本发明采用了先进的机器学习技术,如深度神经网络模型,来学习神经电生理特征与运动神经元病症之间的复杂非线性关系。与传统的基于规则的诊断方法相比,这种数据驱动的自动化诊断模型能够更好地捕捉疾病的潜在特征,从而作出更准确的诊断判断。同时,本发明方法还将个性化的模型微调技术引入其中,通过利用当前患者的相似检查数据对通用诊断模型进行微调,使其更好地适应个体差异,进一步提升了诊断的准确性和可靠性。
34、此外,本发明方法采用了低秩矩阵补全和相似度分析等技术,能够高效地利用已有的健康人群和已明确诊断的患者数据,填补缺失数据并选择最相关的样本作为参考,从而缓解了临床数据获取不足的问题。这不仅提高了模型训练的数据利用率,也确保了诊断结果的可靠性。
35、总的来说,本发明提出的运动神经元病早期诊断方法,充分融合了多源神经电生理数据、先进的机器学习算法以及个性化建模等关键技术,相比于现有诊断手段,具有以下显著优势:
36、1.全面性:综合利用多种神经电生理检查数据,能够更加全面地评估运动神经元的功能状态。
37、2.准确性:基于深度学习的自动化诊断模型,能够更好地捕捉疾病的潜在特征,做出更准确的诊断判断。
38、3.个性化:通过针对性的模型微调,能够更好地适应个体差异,提高诊断的可靠性。
39、4.数据利用:巧妙地利用已有健康人群和患者数据,缓解了临床数据获取不足的问题。
40、因此,本发明方法为临床运动神经元病的早期准确诊断提供了一种有效的解决方案,解决了现有的早期运动神经元病诊断方法依靠医生个人经验的技术问题。
1.一种早期运动神经元病诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，所述神经电生理检查数据至少包括运动诱发电位数据、肌电图数据、单元动作电位数据、神经传导数据以及脑电图数据。
3.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，所述预处理的方式包括去噪、滤波、归一化。
4.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，所述聚类的方法采用k-means聚类。
5.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，将所述代表点矩阵生成稀疏矩阵的方法为使用低秩矩阵补全算法。
6.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，所述神经网络采用深度前馈神经网络模型。
7.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，所述m为10～20。
8.根据权利要求1所述的一种早期运动神经元病诊断方法，其特征在于，所述当前患者的神经元病诊断结果是一个概率分布,用于表示当前患者属于不同类型运动神经元病的概率。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种早期运动神经元病诊断方法。
10.一种早期运动神经元病诊断系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
