一种基于多模态信息的血液透析智慧辅助诊疗方法与系统与流程

1.本发明涉及诊疗系统领域，尤其涉及一种基于多模态信息的血液透析智慧辅助诊疗方法与系统。


背景技术：

2.终末期肾病的治疗是重大的医学难题和挑战。以尿毒症为代表的终末期肾病是慢性肾病的终末阶段，因其患病率高、死亡率高、临床危害严重，并且慢性肾损伤病程长，长期的疾病损伤肾脏组织造成大量的肾小球肾小管坏死硬化，导致慢性肾病病患肾功能呈不可逆性持续衰竭趋势，因此终末期肾病已经成为世界范围内继癌症和心血管疾病之后又一大威胁人类生命健康的疾病。血液透析是终末期肾病的主要治疗方式，通过将体内血液引流至体外，经由无血液透析器，血液与含机体浓度相似的电解质溶液(透析液)通过弥散、超滤、吸附和对流原理进行物质交换，达到清除体内的代谢废物、维持电解质和酸碱平衡的效果，同时清除体内过多的水分。随着我国血液透析患者数量呈现增长趋势，且增长速度远超过了肾脏替代治疗容量的增长，导致医院透析床位的供不应求以及医疗成本的快速增加。为实现病患治疗不受地域、工作时间等因素限制，将人工智能技术与透析治疗过程相结合，利用深度学习等算法改善透析治疗流程的同时保证透析的安全性，是提高病患生活质量的关键，其中最为重要的是个性化智能辅助诊疗系统的设计。
3.目前的透析治疗流程中存在诸多不足，主要包括以下几个方面：
①
传统的透析处方存在滞后性，影响透析治疗的充分性，易引发透析并发症；
②
透析患者在疾病表现、进展、治疗反应等方面个体差异性较大，并且透析医生经验与水平各异，容易导致部分透析患者临床和预后难以达到预期水平；
③
随着全国血液透析人数的高速增长，多数透析中心面临着床位饱和、患者流动性大等问题，给医疗机构带来严峻的考验的同时，透析医生也面临着巨大的临床决策压力。因此，构建一种基于多模态信息的个性化智慧辅助诊疗系统，对保证透析治疗效果及改善病患生活质量，起到关键推动作用，也有助于进一步探索人工智能与医疗系统的深度结合，为实现智慧医疗提供有效工具。
4.在现有技术中，也缺少全面的透析处方辅助决策的系统方案。王冠等人在中国发明专利申请“血液透析治疗方案辅助决策方法”(申请号为cn201911197143.5)中提供了一种血液透析中的辅助决策方案，但仅仅只是针对透析患者处方中透析液方案这一部分，并未针对其余的处方内容提出决策方案。李劲松等人在中国发明专利申请“一种基于深度强化学习的血透患者干体重辅助调节系统”(申请号为cn202210404618.9)中采用了深度强化学习的方案预测透析患者的干体重，同样只提出了处方内容一部分的决策方案。
5.因此，本领域的技术人员致力于开发一种新的血液透析智慧辅助诊疗方法与系统，解决现有技术中存在的上述诸多不足。


技术实现要素：

6.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何解决透析液处方
滞后性以及重复性带来的无法保证血液透析的充分进行和满足特殊患者的个性化需求问题。
7.为实现上述目的，本发明提供了一种基于多模态信息的血液透析智慧辅助诊疗方法与系统，是基于过程挖掘和深度卷积神经网络(convolutional neural network，cnn)的辅助决策系统，能够模拟血液透析专家进行处方开具并提高辅助决策系统的适应能力和计算效率，给予病患个性化和可靠的诊断处方与治疗方案，最终实现对透析病患治疗过程的个性化定制。
8.本发明提供的一种基于多模态信息的血液透析智慧辅助诊疗方法，包括以下步骤：
9.步骤1、收集处方数据和体征数据，存入血液透析知识库，并对所述处方数据和所述体征数据进行etl预处理，分别生成透析日志和体征日志；
10.步骤2、借助lda主题模型训练所述处方数据，得到功效主题对应的参数和药物分布、每次透析的功效主题分布；
11.步骤3、使用k-means++算法对所述每次透析的功效主题分布进行聚类分析，聚类所产生的每个簇都对应一个功效组合标签，将所述每次透析的功效主题分布转变为一个功效组合标签序列；
12.步骤4、将所述透析日志、所述体征日志，以及所述功效组合标签序列都作为数据输入卷积神经网络中进行训练，确定所述卷积神经网络的参数和权重，并将待预测患者当前各类数据输入到所述卷积神经网络中进行预测，得到特征功效主题组合；
13.步骤5、将所述特征功效主题组合输入到xg boost多分类模型中，得到后续治疗方案对应的所述功效组合标签的出现概率，再结合所述功效主题对应的参数和药物分布的出现概率，输出患者透析处方推荐。
14.进一步地，在所述步骤2中，所述lda主题模型的假设为：
15.存在一个超参数为α的dirichlet分布是文档-主题分布的先验分布，从所述超参数为α的dirichlet分布中取样生成一个多项式分布θm，以θm作为文档m中主题的分布；每次从所述多项式分布θm中取样生成所述文档m中的第n个词的主题z
m,n
；
16.同时，存在一个超参数为β的dirichlet分布是主题-词分布的先验分布，从所述超参数为β的dirichlet分布中取样生成所述主题z
m,n
的词分布再由所述词分布生成词语w
m,n
；
17.在上述假设下，当给定文档集合后，文档主题词的联合概率分布p如下式：
[0018][0019]
其中，m和m表示文档以及文档总数，θm表示第m篇文档中的主题分布；k和k表示主题以及主题总数，表示第k个主题中的词分布；
[0020]
采用gibbs抽样可反推出所述文档m中出现主题k的期望概率θ
m,k
，以及主题k下出现词语t的期望概率分别为：
[0021][0022][0023]
其中，表示第m篇文档中第k个主题的个数，αk是主题k的超参数，是一种dirichlet分布，k和k表示主题以及主题总数；表示第k个主题中第t个词的个数，βk是主题k的超参数，是一种dirichlet分布，t与v表示第t个词和词的总数。
[0024]
进一步地，在所述步骤4中，所述卷积神经网络包括输入层、若干层的卷积层、若干层的池化层、全连接层和输出层；
[0025]
其中，
[0026]
所述输入层将所述透析日志、所述体征日志的数据进行拼接；
[0027]
若干层的所述卷积层和若干层的所述池化层将对特征执行若干个大小不同的卷积运算与池化，而且所述池化层全部使用最大池化。
[0028]
本发明还提供一种基于多模态信息的血液透析智慧辅助诊疗系统，所述系统包括知识获取模块、推理模块、解释模块和人机交互模块，其中，所述知识获取模块和所述推理模块中包括权利要求1～3中任意一项所述的基于多模态信息的血液透析智慧辅助诊疗方法。
[0029]
进一步地，所述知识获取模块负责收集所述处方数据、所述体征数据、透析领域相关文献以及专家在实践中所获的经验知识，并存入所述血液透析知识库；
[0030]
其中，
[0031]
所述处方数据包括人口统计学指标、诊断信息和透析治疗数据；所述人口统计学指标包括患者性别、出生日期、死亡日期、入院时间、出院时间；所述诊断信息包括透析处方中所设置的干体重、透析膜的材料以及膜的面积、透析日程的安排、一次透析的脱水量、单位时间脱水速度、透析液的种类；所述透析治疗数据包括患者透析过程中的收缩压、舒张压、心率。
[0032]
进一步地，所述体征数据包括血红蛋白、血钠、血钾、尿素、血肌酐、透前体重、透前舒张压、透前收缩压；
[0033]
将每次的所述诊断信息与所述体征数据按时间顺序进行标注，构成数据对于当前处方预测的影响力与距离当前时间间隔的关系；
[0034]
将专家在实践中所获的所述经验知识与医学理论结合后进行规则化处理，形成相应的判定规则后，再存储于所述血液透析知识库中。
[0035]
进一步地，所述etl预处理利用多重插补的方式对缺失的所述处方数据和所述体征数据进行插值处理。
[0036]
进一步地，所述etl预处理利用使用min-max归一化方法对所述处方数据和所述体征数据进行归一化处理。
[0037]
进一步地，所述解释模块连接所述血液透析知识库和所述推理模块，通过显示与推理过程有关的功效组合匹配情况，以及描述推理中所用的知识和推理结论，实现对所述
辅助诊疗系统模拟开具处方过程的解释。
[0038]
进一步地，所述人机交互模块连接所述知识获取模块和所述解释模块，实现医疗工作者和患者与所述辅助诊疗系统之间的交流；所述患者透析处方推荐通过所述人机交互模块进行反馈，同时，所述人机交互模块通过接收最新病例数据，实现对所述血液透析知识库的完善和丰富。
[0039]
本发明提供的一种基于多模态信息的血液透析智慧辅助诊疗方法与系统至少具有以下技术效果：
[0040]
1、将lda主题提取技术应用到血液透析仪辅助决策方法与系统中，实现了从无规则的电子病历等信息中提取出处方参数和药物的功效主题，并且对提取出的主题以及对应参数进行分析，建立了辅助系统的专业知识库；
[0041]
2、使用k-means++算法，对每次透析功效主题分布进行聚类，每一个组合对应一个标签，实现将患者的透析治疗过程转换为功效组合标签序列，即实现患者透析处方的提取与转换；
[0042]
3、利用深度cnn模型的参数自适应功能、大规模并行分布式处理功能、连续时间非线性动力学和全局集体作用实现知识获取自动化、并行联想和自适应推理，提高辅助决策系统的智能水平、实时处理能力及鲁棒性。
[0043]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0044]
图1为本发明的一个较佳实施例的系统结构框架图；
[0045]
图2为图1所示实施例中的推理模块的处方推荐过程示意图；
[0046]
图3为图1所示实施例中的推理模块所使用的卷积神经网络示意图。
具体实施方式
[0047]
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
[0048]
本发明实施例中所提供的技术方案解决了由于传统透析处方滞后性强、透析患者个体差异性大以及医疗资源紧张导致的临床透析处方决策压力大的问题，利用人工智能技术为医疗提供了决策上的支持，同时，研发智慧辅助诊疗系统，对保证透析治疗效果及改善病患生活质量，也起到关键推动作用，有助于进一步探索人工智能与医疗系统的深度结合，为实现智慧医疗提供有效工具。
[0049]
实施例1
[0050]
如图2所示，本发明提供的一种基于多模态信息的血液透析智慧辅助诊疗方法包括以下步骤：
[0051]
步骤1、收集处方数据和体征数据，存入血液透析知识库，并对处方数据和体征数据进行etl预处理，分别生成透析日志和体征日志；
[0052]
步骤2、借助lda主题模型训练处方数据，得到功效主题对应的参数和药物分布、每
次透析的功效主题分布；
[0053]
步骤3、使用k-means++算法对每次透析的功效主题分布进行聚类分析，聚类所产生的每个簇都对应一个功效组合标签，将每次透析的功效主题分布转变为一个功效组合标签序列；
[0054]
步骤4、将透析日志、体征日志，以及功效组合标签序列都作为数据输入卷积神经网络(convolutional neural network，cnn)中进行训练，确定卷积神经网络的参数和权重，并将待预测患者当前各类数据输入到卷积神经网络中进行预测，得到特征功效主题组合；
[0055]
步骤5、将特征功效主题组合输入到xg boost多分类模型中，得到后续治疗方案对应的功效组合标签的出现概率，再结合功效主题对应的参数和药物分布的出现概率，对处方参数和药物分别排序得到推荐结果，并输出患者透析处方推荐。
[0056]
实施例2
[0057]
在实施例1所提供方法的步骤2中，lda主题模型的假设为：
[0058]
存在一个超参数为α的dirichlet分布是文档-主题分布的先验分布，从超参数为α的dirichlet分布中取样生成一个多项式分布θm，以θm作为文档m中主题的分布；每次从多项式分布θm中取样生成文档m中的第n个词的主题z
m,n
；
[0059]
同时，存在一个超参数为β的dirichlet分布是主题-词分布的先验分布，从超参数为β的dirichlet分布中取样生成主题z
m,n
的词分布再由词分布生成词语w
m,n
；
[0060]
在上述假设下，当给定文档集合后，文档主题词的联合概率分布p如下式：
[0061][0062]
其中，m和m表示文档以及文档总数，θm表示第m篇文档中的主题分布；k和k表示主题以及主题总数，表示第k个主题中的词分布。
[0063]
其中，表示主题的概率分布。
[0064]
根据dirichlet分布：
[0065][0066]
表示归一化因子，表示第m个主题对应的先验分布概率。
[0067]
因此，
[0068]
[0069]
其中，δ(θm+α)为dirichlet分布归一化因子。
[0070]
同理，
[0071][0072]
其中，δβ为dirichlet分布归一化因子。
[0073]
采用gibbs抽样可反推出文档m中出现主题k的期望概率θ
m,k
，以及主题k下出现词语t的期望概率分别为：
[0074][0075][0076]
其中，表示第m篇文档中第k个主题的个数，αk是主题k的超参数，是一种dirichlet分布，k和k表示主题以及主题总数；表示第k个主题中第t个词的个数，βk是主题k的超参数，是一种dirichlet分布，t与v表示第t个词和词的总数。
[0077]
在本实施例中，将患者的单次透析医疗日志类比为一个文档，将医疗日志中的处方参数以及药物类比为词，将同一疾病所有患者的所有透析记录的医疗日志类比为文档集合，借助上述lda主题模型得到的“主题”实际对应参数与药物的功效主题，“主题-词分布”对应各个功效下参数与药物出现的概率，“文档-主题分布”实际就是某个患者某次透析所开具处方对应的功效分布。
[0078]
实施例3
[0079]
如图3所示，在实施例1所提供方法的步骤4中，卷积神经网络包括输入层、若干层的卷积层、若干层的池化层、全连接层和输出层；
[0080]
其中，
[0081]
输入层将透析日志、体征日志的数据进行拼接；
[0082]
若干层的卷积层和若干层的池化层将对特征执行若干个大小不同的卷积运算与池化，而且池化层全部使用最大池化。
[0083]
实施例4
[0084]
如图1所示，本发明还提供一种基于多模态信息的血液透析智慧辅助诊疗系统，包括知识获取模块、推理模块、解释模块和人机交互模块，其中，知识获取模块和推理模块中包括实施例1～3中的基于多模态信息的血液透析智慧辅助诊疗方法。
[0085]
知识获取模块负责收集处方数据、体征数据、透析领域相关文献以及专家在实践中所获的经验知识，并存入血液透析知识库；
[0086]
其中，
[0087]
处方数据包括人口统计学指标、诊断信息和透析治疗数据；人口统计学指标包括患者性别、出生日期、死亡日期、入院时间、出院时间；诊断信息包括透析处方中所设置的干体重、透析膜的材料以及膜的面积、透析日程的安排、一次透析的脱水量、单位时间脱水速
度、透析液的种类；透析治疗数据包括患者透析过程中的收缩压、舒张压、心率。
[0088]
体征数据包括血红蛋白、血钠、血钾、尿素、血肌酐、透前体重、透前舒张压、透前收缩压。
[0089]
将每次的诊断信息与体征数据按时间顺序进行标注，构成数据对于当前处方预测的影响力与距离当前时间间隔的关系；将专家在实践中所获的经验知识与医学理论结合后进行规则化处理，形成相应的判定规则后，再存储于血液透析知识库中。
[0090]
知识获取模块中的etl预处理利用多重插补的方式对缺失的处方数据和体征数据进行插值处理，并利用使用min-max归一化方法对处方数据和体征数据进行归一化处理。
[0091]
推理模块是基于血液透析知识库对输入样本数据进行使用逻辑推理和神经网络推理，获得网络输出值，将其转化成血透病例诊断逻辑概念。推理模块包括实施例1～3中的基于多模态信息的血液透析智慧辅助诊疗方法中的步骤2～步骤5。
[0092]
实施例5
[0093]
在实施例4的基础上，解释模块连接血液透析知识库和推理模块，通过显示与推理过程有关的功效组合匹配情况，以及描述推理中所用的知识和推理结论，实现对辅助诊疗系统模拟开具处方过程的解释。具体步骤包括选取解释的层次以及将解释层次的结果进行文字或符号表示。首先，解释层次的选择不宜太抽象以至于不能给出问题实质性的解释，同时解释的层次也不应过于具体以至于使用户无法理解解释的内容，因此本系统选择推理过程中的功效组合标签作为解释的基本层次是较为合适的，因为每一个标签都是一个独立的数据结构单元，具有明确的意义。其次，在结果的文字或符号表示步骤当中，将待预测患者参数匹配的目标功效组合标签以及系统生成的处方数据进行文字转化，并在人机交互模块中反馈给医疗工作者或者病患。
[0094]
实施例6
[0095]
在实施例4的基础上，人机交互模块连接知识获取模块和解释模块，实现医疗工作者和患者与辅助诊疗系统之间的交流。具体功能包括录入患者病例信息、专家诊断经验后，在知识库中进行检索，匹配相应功效组合后生成处方建议，并将处方建议经由人机交互系统进行反馈；同时人机交互模块可以通过接收最新病例数据，实现对知识库的完善和丰富。
[0096]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种基于多模态信息的血液透析智慧辅助诊疗方法，其特征在于，所述方法包括以下步骤：步骤1、收集处方数据和体征数据，存入血液透析知识库，并对所述处方数据和所述体征数据进行etl预处理，分别生成透析日志和体征日志；步骤2、借助lda主题模型训练所述处方数据，得到功效主题对应的参数和药物分布、每次透析的功效主题分布；步骤3、使用k-means++算法对所述每次透析的功效主题分布进行聚类分析，聚类所产生的每个簇都对应一个功效组合标签，将所述每次透析的功效主题分布转变为一个功效组合标签序列；步骤4、将所述透析日志、所述体征日志，以及所述功效组合标签序列都作为数据输入卷积神经网络中进行训练，确定所述卷积神经网络的参数和权重，并将待预测患者当前各类数据输入到所述卷积神经网络中进行预测，得到特征功效主题组合；步骤5、将所述特征功效主题组合输入到xg boost多分类模型中，得到后续治疗方案对应的所述功效组合标签的出现概率，再结合所述功效主题对应的参数和药物分布的出现概率，输出患者透析处方推荐。2.如权利要求1所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，在所述步骤2中，所述lda主题模型的假设为：存在一个超参数为α的dirichlet分布是文档-主题分布的先验分布，从所述超参数为α的dirichlet分布中取样生成一个多项式分布θ
m
，以θ
m
作为文档m中主题的分布；每次从所述多项式分布θ
m
中取样生成所述文档m中的第n个词的主题z
m，n
；同时，存在一个超参数为β的dirichlet分布是主题-词分布的先验分布，从所述超参数为β的dirichlet分布中取样生成所述主题z
m，n
的词分布再由所述词分布生成词语w
m，n
；在上述假设下，当给定文档集合后，文档主题词的联合概率分布p如下式：其中，m和m表示文档以及文档总数，θ
m
表示第m篇文档中的主题分布；k和k表示主题以及主题总数，表示第k个主题中的词分布；采用gibbs抽样可反推出所述文档m中出现主题k的期望概率θ
m，k
，以及主题k下出现词语t的期望概率分别为：分别为：其中，表示第m篇文档中第k个主题的个数，α
k
是主题k的超参数，是一种dirichlet分布，k和k表示主题以及主题总数；表示第k个主题中第t个词的个数，β
k
是主题k的超参
数，是一种dirichlet分布，t与v表示第t个词和词的总数。3.如权利要求1所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，在所述步骤4中，所述卷积神经网络包括输入层、若干层的卷积层、若干层的池化层、全连接层和输出层；其中，所述输入层将所述透析日志、所述体征日志的数据进行拼接；若干层的所述卷积层和若干层的所述池化层将对特征执行若干个大小不同的卷积运算与池化，而且所述池化层全部使用最大池化。4.一种基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述系统包括知识获取模块、推理模块、解释模块和人机交互模块，其中，所述知识获取模块和所述推理模块中包括权利要求1～3中任意一项所述的基于多模态信息的血液透析智慧辅助诊疗方法。5.如权利要求4所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述知识获取模块负责收集所述处方数据、所述体征数据、透析领域相关文献以及专家在实践中所获的经验知识，并存入所述血液透析知识库；其中，所述处方数据包括人口统计学指标、诊断信息和透析治疗数据；所述人口统计学指标包括患者性别、出生日期、死亡日期、入院时间、出院时间；所述诊断信息包括透析处方中所设置的干体重、透析膜的材料以及膜的面积、透析日程的安排、一次透析的脱水量、单位时间脱水速度、透析液的种类；所述透析治疗数据包括患者透析过程中的收缩压、舒张压、心率。6.如权利要求5所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述体征数据包括血红蛋白、血钠、血钾、尿素、血肌酐、透前体重、透前舒张压、透前收缩压；将每次的所述诊断信息与所述体征数据按时间顺序进行标注，构成数据对于当前处方预测的影响力与距离当前时间间隔的关系；将专家在实践中所获的所述经验知识与医学理论结合后进行规则化处理，形成相应的判定规则后，再存储于所述血液透析知识库中。7.如权利要求4所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述etl预处理利用多重插补的方式对缺失的所述处方数据和所述体征数据进行插值处理。8.如权利要求7所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述etl预处理利用使用min-max归一化方法对所述处方数据和所述体征数据进行归一化处理。9.如权利要求4所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述解释模块连接所述血液透析知识库和所述推理模块，通过显示与推理过程有关的功效组合匹配情况，以及描述推理中所用的知识和推理结论，实现对所述辅助诊疗系统模拟开具处方过程的解释。10.如权利要求4所述的基于多模态信息的血液透析智慧辅助诊疗系统，其特征在于，所述人机交互模块连接所述知识获取模块和所述解释模块，实现医疗工作者和患者与所述辅助诊疗系统之间的交流；所述患者透析处方推荐通过所述人机交互模块进行反馈，同时，所述人机交互模块通过接收最新病例数据，实现对所述血液透析知识库的完善和丰富。

技术总结
本发明公开了一种基于多模态信息的血液透析智慧辅助诊疗方法与系统，涉及诊疗系统领域，所述方法包括以下步骤：步骤1、收集处方数据和体征数据，存入血液透析知识库，并对处方数据和体征数据进行ETL预处理，分别生成透析日志和体征日志；步骤2、借助LDA主题模型训练处方数据，得到功效主题对应的参数和药物分布、每次透析的功效主题分布；步骤3、使用K-means++算法对每次透析的功效主题分布进行聚类分析，将每次透析的功效主题分布转变为一个功效组合标签序列；步骤4、确定卷积神经网络的参数和权重；步骤5、输出患者透析处方推荐。所述系统包括知识获取模块、推理模块、解释模块和人机交互模块，也包含基于多模态信息的血液透析智慧辅助诊疗方法。透析智慧辅助诊疗方法。透析智慧辅助诊疗方法。


技术研发人员：向佳栋 何胜煌 张克勤 袁静 谷蕾 褚健 杨根科
受保护的技术使用者：宁波工业互联网研究院有限公司
技术研发日：2023.03.06
技术公布日：2023/7/20