本發(fā)明涉及關(guān)節(jié)炎智能診療領(lǐng)域,特別是基于機器學(xué)習(xí)技術(shù)的膝骨關(guān)節(jié)炎智能診療方法及系統(tǒng)。
背景技術(shù):
1、膝骨關(guān)節(jié)炎(knee?osteoarthritis,koa)是一種高致殘疾病。隨著全球人口老齡化的加劇,koa?的患病率呈顯著上升趨勢。?首先,由于患者數(shù)量龐大,而康復(fù)服務(wù)能力不足,傳統(tǒng)的線下治療方案無法一對一的滿足患者的康復(fù)治療需求;其次,koa?需要長期治療,長期治療花費的時間成本、往返醫(yī)院的交通費用及康復(fù)治療費用給家庭社會帶來沉重的負擔(dān),koa?患者的復(fù)診及隨訪成了更大的難題,往往難以達到理想的治療效果;
2、雖然人工智能技術(shù),特別是深度學(xué)習(xí)、機器視覺和自然語言處理等已在koa?的診斷、治療和病程管理方面進行了部分應(yīng)用。但遺憾的是,這些研究主要集中在靜態(tài)數(shù)據(jù)分析和初步預(yù)測方面,這兩方面取得的進展難以遮蓋在智能、個體化的治療推薦上的明顯不足。
3、針對現(xiàn)有技術(shù)的不足,本發(fā)明提出了基于機器學(xué)習(xí)技術(shù)的膝骨關(guān)節(jié)炎智能診療方法及系統(tǒng)。
技術(shù)實現(xiàn)思路
1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點,可基于患者的時序數(shù)據(jù)提供最優(yōu)的治療方案,本發(fā)明提出一種基于機器學(xué)習(xí)技術(shù)的膝骨關(guān)節(jié)炎智能診療方法及系統(tǒng),實現(xiàn)了對多種可能的治療方案的相應(yīng)治療結(jié)果的模擬,優(yōu)化治療方案,解決了在koa患者醫(yī)療數(shù)據(jù)分析和個性化治療推薦中的問題。
2、本發(fā)明的目的通過以下技術(shù)方案來實現(xiàn):
3、基于機器學(xué)習(xí)技術(shù)的膝骨關(guān)節(jié)炎智能診療系統(tǒng),包括:
4、數(shù)據(jù)預(yù)處理模塊,用于根據(jù)koa病患的多維度的量表數(shù)據(jù),獲得koa數(shù)據(jù)庫;
5、特征提取模塊,用于獲取koa數(shù)據(jù)庫中的多個特征量;
6、koa特征篩選模塊,用于采用迭代特征消除策略從多個特征量中提取關(guān)鍵特征集;
7、koa康復(fù)治療效果模擬模塊,用于根據(jù)關(guān)鍵特征集模擬采用初始治療方案后患者的下一個時間點的狀態(tài);將下一個時間點的狀態(tài)記錄到對應(yīng)患者的對應(yīng)的治療方案下,獲取更新后的koa數(shù)據(jù)庫;
8、koa康復(fù)治療決策模塊,用于根據(jù)更新后的koa數(shù)據(jù)庫,通過預(yù)設(shè)決策規(guī)則推薦該患者在預(yù)設(shè)時間內(nèi)應(yīng)當(dāng)選擇的治療方案。
9、進一步地,所述膝骨關(guān)節(jié)炎智能診療系統(tǒng)還包括:koa智能治療輔助決策模塊,用于通過學(xué)習(xí)最優(yōu)策略函數(shù)優(yōu)化koa康復(fù)治療決策模塊,得到最優(yōu)治療方案;
10、所述koa智能治療輔助決策模塊包括獎勵子模塊、深度強化子模塊和決策評價子模塊;
11、所述獎勵子模塊,用于通過獎勵函數(shù)評估治療方案的有效性得到即時反饋值;
12、所述深度強化子模塊,用于根據(jù)即時反饋值學(xué)習(xí)最優(yōu)策略函數(shù)得到每個治療方案的累計獎勵值;
13、所述決策評價子模塊,用于根據(jù)累計獎勵值輸出最優(yōu)治療方案;所述最優(yōu)治療方案為治療方案組合后累加獎勵值組合得分最高的治療方案組合。
14、進一步地,所述獎勵函數(shù)的表達式如下:
15、
16、式中:
17、表示即時反饋值;
18、:第t周的koa疼痛評分;
19、:第t+1周的koa疼痛評分;
20、:koa疼痛評分的第一閾值;
21、:koa疼痛評分的第二閾值;
22、為常數(shù)。
23、進一步地,所述獎勵函數(shù)包括三種情況;
24、當(dāng)<時,為改善情況,則獎勵函數(shù)的計算公式為:
25、;
26、當(dāng)koa疼痛評分降低,表示選用的治療方案表現(xiàn)為對患者狀態(tài)是改善,此時需要提供對即時反饋值的任意程度下降的獎勵,獎勵koa疼痛評分從較高得分降低,以此獲得更大的koa疼痛評分的下降;
27、當(dāng)=時,為穩(wěn)定情況,則比較與疼痛評分的閾值;
28、若>,則;需要對koa疼痛評分高但穩(wěn)定的得分通過即時反饋值進行懲罰;
29、若≦,則;需要對koa疼痛評分非常低但穩(wěn)定的得分通過即時反饋值進行獎勵;
30、若<≦,則;對koa疼痛評分在中等但穩(wěn)定的得分通過即時反饋值既不獎勵也不懲罰;
31、當(dāng)>時,為惡化情況,則獎勵函數(shù)的計算公式為;
32、,
33、當(dāng)koa疼痛評分升高,則表明現(xiàn)在為惡化情況,需要對koa疼痛評分的得分增加施加懲罰,對相對較高的評分上升施加更嚴(yán)厲的懲罰。
34、進一步地,所述數(shù)據(jù)預(yù)處理模塊包括:數(shù)據(jù)清洗子模塊、缺失值處理子模塊、類別不平衡處理子模塊和歸一化子模塊;
35、所述數(shù)據(jù)清洗子模塊,用于去除量表數(shù)據(jù)中的異常值得到正常值量表數(shù)據(jù);
36、所述缺失值處理子模塊,用于填補正常值量表數(shù)據(jù)中獨立的缺失值得到整量表數(shù)據(jù);
37、所述類別不平衡處理子模塊,用于采用重采樣和代價敏感性分析整量表數(shù)據(jù)得到平衡量表數(shù)據(jù);
38、所述歸一化子模塊,用于采用數(shù)據(jù)歸一化處理平衡量表數(shù)據(jù)得到koa數(shù)據(jù)庫。
39、進一步地,所述koa特征篩選模塊包括:初始隨機森林子模塊和隨機森林子模塊;
40、所述初始隨機森林子模塊,用于通過koa數(shù)據(jù)庫訓(xùn)練得到隨機森林子模塊;
41、所述隨機森林子模塊,用于采用迭代特征消除策略篩選koa數(shù)據(jù)庫中的多個特征量得到關(guān)鍵特征集。
42、進一步地,所述koa康復(fù)治療效果模擬模塊包括:序列子模塊、歷史信息編碼子模塊、多層感知子模塊和更新子模塊
43、所述序列子模塊,用于獲取關(guān)鍵特征集中的時間序列疾病數(shù)據(jù);所述時間序列疾病數(shù)據(jù)包括患者歷史狀態(tài)和治療方案;
44、所述歷史信息編碼子模塊,用于對歷史狀態(tài)和治療方案進行編碼獲得歷史信息編碼;
45、所述多層感知子模塊,用于根據(jù)歷史信息編碼預(yù)測下一個時間點的患者狀態(tài);
46、所述更新子模塊,用于將下一個時間點的狀態(tài)記錄到對應(yīng)患者的對應(yīng)的治療方案下,以更新koa數(shù)據(jù)庫。
47、進一步地,所述koa康復(fù)治療決策模塊包括:四元組數(shù)據(jù)子模塊和動態(tài)推薦子模塊,
48、所述四元組數(shù)據(jù)子模塊,用于從更新后的koa數(shù)據(jù)庫中獲取每個患者的歷史狀態(tài)、治療方案、累計獎勵值和下一個時間點的狀態(tài),形成四元組數(shù)據(jù);
49、所述動態(tài)推薦子模塊,用于基于四元組數(shù)據(jù)預(yù)測預(yù)設(shè)時間的治療方案,通過預(yù)設(shè)決策規(guī)則推薦該患者在預(yù)設(shè)時間內(nèi)應(yīng)當(dāng)選擇的治療方案。
50、本發(fā)明還提供一種基于機器學(xué)習(xí)技術(shù)的膝骨關(guān)節(jié)炎智能診療方法,包括:
51、s001、根據(jù)koa病患的多維度量表數(shù)據(jù)獲取koa數(shù)據(jù)庫;
52、s002、從獲取koa數(shù)據(jù)庫中的多個特征量;
53、s003、通過采用迭代特征消除策略從多個特征量中提取關(guān)鍵特征集;
54、s004、據(jù)關(guān)鍵特征集模擬采用初始治療方案后患者的下一個時間點的狀態(tài);將下一個時間點的狀態(tài)記錄到對應(yīng)患者的對應(yīng)的治療方案下,以更新koa數(shù)據(jù)庫;
55、s005、根據(jù)更新后的koa數(shù)據(jù)庫,通過預(yù)設(shè)決策規(guī)則推薦該患者在預(yù)設(shè)時間內(nèi)應(yīng)當(dāng)選擇的治療方案;
56、s006、通過學(xué)習(xí)最優(yōu)策略函數(shù)優(yōu)化治療方案得到最優(yōu)治療方案。
57、進一步地,所述通過采用迭代特征消除策略從多個特征量中提取關(guān)鍵特征集包括:構(gòu)建并訓(xùn)練得到隨機森林模型,基于隨機森林模型,采用迭代特征消除策略篩選koa數(shù)據(jù)庫中的多個特征量得到關(guān)鍵特征集;
58、所述構(gòu)建并訓(xùn)練得到隨機森林模型,包括:
59、s301、構(gòu)建初始隨機森林模型;
60、s302、采用自助采樣,從koa數(shù)據(jù)庫的多個特征中隨機選取m個特征構(gòu)成第一訓(xùn)練集;
61、s303、采用袋外誤差估計計算第一訓(xùn)練集中每個特征的重要性得分;
62、s304、根據(jù)重要性得分,對所有特征進行降序排序;
63、s305、采用逐步回退搜索,迭代移除第一訓(xùn)練集中重要性得分最低的特征;
64、s306、在每次移除一個特征后,計算隨機森林模型的分類準(zhǔn)確率;
65、s307、當(dāng)分類準(zhǔn)確率穩(wěn)定在預(yù)設(shè)值時,停止移除特征,從而得到關(guān)鍵特征集;所述關(guān)鍵特征集為根據(jù)s305至s307后移除第一訓(xùn)練集中部分特征后剩余特征的集合。
66、本發(fā)明具有以下優(yōu)點:
67、本發(fā)明構(gòu)建了koa康復(fù)治療效果模擬模塊,可基于患者的狀態(tài)模擬采用上百種可能的治療方案下患者的下一個時間點的狀態(tài)變換,從而不必真的實施治療方案就可得到不同種方案在患者上實施后的結(jié)果,從而優(yōu)化治療策略;這減少了不必要的資源和時間的浪費,極大提高了醫(yī)生的治療效率;
68、本發(fā)明在?koa?患者智能治療輔助決策模塊中設(shè)立獎勵函數(shù),對獎勵函數(shù)進行針對不同情況的適應(yīng)性變化計算,并在此基礎(chǔ)上構(gòu)建深度強化子模塊,通過對最優(yōu)策略函數(shù)的學(xué)習(xí),對?koa康復(fù)治療效果模擬模塊輸出的治療方案進行組合優(yōu)化得到最優(yōu)治療方案;
69、本發(fā)明通過采用迭代特征消除策略從多個特征量中提取關(guān)鍵特征集,僅對關(guān)鍵特征集進行處理有利于提高模擬采用治療方案后患者的下一時間點的狀態(tài)的準(zhǔn)確性,并且減少不必要的計算從而達到輕量化系統(tǒng)的效果。