一种基于人工智能的心血管急危重症临床决策支持系统及设备技术方案

本发明专利技术涉及智能医疗技术领域，更具体地，涉及一种基于人工智能的心血管急危重症临床决策支持系统及设备。包括：获取心血管患者样本的临床数据；将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持，所述分类模型为优化后的极限学习机分类器，采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量，采用小生境算法优化极限学习机分类器的输出层权重。本申请针分类器性能优化等多个方面进行优化，对心血管急危重症的临床医生具有很好的辅助决策作用。危重症的临床医生具有很好的辅助决策作用。危重症的临床医生具有很好的辅助决策作用。

【技术实现步骤摘要】
一种基于人工智能的心血管急危重症临床决策支持系统及设备


[0001]本专利技术涉及智能医疗
，更具体地，涉及一种基于人工智能的心血管急危重症临床决策支持方法、系统、设备及可读存储介质。

技术介绍

[0002]心血管急危重症患者发病急、进展快、诊断或处理不及时常危及生命，特别是继发于危重病基础上的心血管疾病患者，病情复杂，临床表现容易重叠，极易导致漏诊或误诊，造成医生临床决策困难，如不及时进行正确的临床决策，甚至会加速患者的死亡。
[0003]对于临床医生而言，心血管急危重症临床决策是一项极具挑战的任务，需要考虑多维临床数据，例如文本、影像等。另外，医疗知识的迅速增长和新的医疗技术的出现也给医生带来了决策上的压力，处理和分析这些数据以做出精确决策往往超出了人类的能力。因此，人工智能（AI）被广泛视为可以提供有效帮助的工具，尤其是在辅助临床医学决策方面。传统的机器学习方法通常需要人工选择和提取特征，这不仅需要大量时间和专业知识，而且可能无法全面捕捉到数据的复杂性和微妙的关联性，另一方面，现有常见的深度学习方法能够一定程度进行自动学习和提取特征，但是它们通常对多维数据特征抽提不够全面，算法本身性能有一定局限性。

技术实现思路

[0004]为解决上述问题，提出一种基于人工智能的心血管急危重症临床决策支持方法、系统、设备及可读存储介质，针对医学数据的多维度特征提取、高维特征降维、分类器性能优化等多个方面进行优化，以适应临床实际需求。
[0005]本申请公开了一种基于人工智能的心血管急危重症临床决策支持方法，所述方法步骤包括：S101：获取心血管患者样本的临床数据；S102：将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持；所述训练好的分类模型的构建方法包括：获取训练集心血管患者样本的临床数据及样本对应的分类标签；对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示；将所述特征向量输入极限学习机分类器得到预测分类结果，将所述预测分类结果与分类标签进行比对，优化极限学习机分类器，得到训练好的分类模型；所述极限学习机分类器包括输入层、隐藏层和输出层，采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量，采用小生境算法优化极限学习机分类器的输出层权重。
[0006]进一步，采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新
隐藏层输出，具体包括：将输入极限学习机分类器的特征向量进行矩阵表示，得到特征矩阵X；基于特征矩阵、隐藏层的权重矩阵、偏置向量和激活函数计算所述极限学习机分类器的隐藏层输出；基于注意力分数得到注意力权重，所述注意力分数是基于初始注意力权重、偏置向量和激活函数计算得到；基于所述注意力权重和哈达玛积调整隐藏层输出，更新隐藏层输出。
[0007]进一步，所述步骤还包括：对隐藏层输出进行批归一化得到归一化后的隐藏层输出，基于于所述注意力权重和哈达玛积调整归一化后的隐藏层输出，更新隐藏层输出。
[0008]进一步对所述极限学习机分类器的隐藏层神经元数量自适应调整，具体为：设置所述极限学习机分类器的隐藏层神经元数量的初始值和更新步长，在模型构建过程中根据验证组的性能决定增加还是减少神经元的数量。
[0009]进一步，所述极限学习机分类器包括输入层、隐藏层和输出层，初始极限学习机优化时依次采用采用蚁群优化算法选择所述极限学习机分类器的隐藏层神经元数量、采用余弦退火算法自适应调整极限学习机分类器的学习率、采用小生境算法优化极限学习机分类器的输出层权重、隐藏层神经元数量自适应调整、采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出，重复运行上述步骤直至满足预设的最大迭代次数或极限学习机分类器的分类性能超过预设的数值，则停止迭代，得到训练好的分类模型。
[0010]进一步，所述采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量具体包括：蚁群优化算法中，蚁群在解空间中搜索，每只蚂蚁的路径对应一个隐藏层神经元数量，蚁群中每个蚂蚁根据信息素强度和启发信息在解空间中选择路径，信息素强度将根据极限学习机分类器的分类性能的反馈进行更新，更新的信息素强度引导蚁群搜索，优化所述极限学习机分类器的隐藏层神经元数量。
[0011]进一步，所述采用小生境算法优化极限学习机分类器的输出层权重具体包括：小生境算法中，种群中每个个体对应一组输出层权重，每个个体根据其适应度在解空间中搜索，所述适应度为所述极限学习分类器的分类性能，每次迭代，适应度根据所述极限学习分类器的分类性能的反馈进行更新，每个个体根据其更新的适应度在解空间中搜索，优化所述极限学习机分类器的输出层权重。
[0012]进一步，所述临床数据包括文本数据、数值型数据、图像数据，对所述临床数据进行预处理得到临床数据的特征向量表示，所述预处理包括：使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据；将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据；和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据。
[0013]进一步，所述使用词向量的技术对所述文本数据进行向量化转换具体包括：临床数据中的文本数据中任一个句子aS包含了单词，对每个单词进行向量表示，得到a，通过取平均值的方式，得到整个句子的
向量表示，具体的公式如下：
[0014]其中，为句子aS的向量表示，为句子aS中单词的数量，为单词的向量表示。
[0015]进一步，所述采用多粒度扫描对所述图像数据进行向量化处理具体包括：采用扫描窗口对所述图像数据中的图像进行滑动扫描，得到不同粒度的特征，将所述特征分别输入随机森林和完全随机森林中，得到所述图像数据的各个类别的类概率向量，将所述类概率向量连接，得到图像数据的向量化表示。
[0016]进一步，将所述向量化表示的文本数据、归一化后的数值型数据、向量化表示的图像数据进行连接得到临床数据的特征向量表示。
[0017]进一步，对所述临床数据的特征向量进行数据降维，所述数据降维为基于主成分分析法的数据降维。
[0018]进一步，所述数据降维为基于鲸鱼优化算法改进主成分分析法的数据降维，具体包括：将所述临床数据的特征向量数据集进行主成分分析法变换，使用鲸鱼优化算法选择主成分数量，对所述临床数据进行降维。
[0019]本申请的目的在于提供一种基于人工智能的心血管急危重症临床决策支持系统，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于人工智能的心血管急危重症临床决策支持方法步骤。
[0020]本申请的目的在于提供一种基于人工智能的心血管急危重症临床决策支持系统，包括：获取单元，用于获取心血管患者样本的临床数据；决策单元，用于将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持；所述训练好的分类模型的构建方法包括：获取训练集心血管患者样本的临床数据及样本对应的分类标签；对所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的心血管急危重症临床决策支持方法，其特征在于，所述方法步骤包括：S101：获取心血管患者样本的临床数据；S102：将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持；所述训练好的分类模型的构建方法包括：获取训练集心血管患者样本的临床数据及样本对应的分类标签；对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示；将所述特征向量输入极限学习机分类器得到预测分类结果，将所述预测分类结果与分类标签进行比对，优化极限学习机分类器，得到训练好的分类模型；所述极限学习机分类器包括输入层、隐藏层和输出层，采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量，采用小生境算法优化极限学习机分类器的输出层权重。2.根据权利要求1所述的基于人工智能的心血管急危重症临床决策支持方法，其特征在于，所述采用蚁群优化算法选择所述极限学习机分类器的隐藏层神经元数量具体包括：蚁群优化算法中，蚁群在解空间中搜索，每只蚂蚁的路径对应一个隐藏层神经元数量，蚁群中每个蚂蚁根据信息素浓度和启发信息在解空间中选择路径，信息素浓度将根据极限学习机分类器的分类性能的反馈进行更新，更新的信息素的浓度引导蚁群搜索，优化所述极限学习机分类器的隐藏层神经元数量；所述采用小生境算法优化极限学习机分类器的输出层权重具体包括：小生境算法中，种群中每个个体对应一组输出层权重，每个个体根据其适应度在解空间中搜索，所述适应度为所述极限学习分类器的分类性能，每次迭代，适应度根据所述极限学习分类器的分类性能的反馈进行更新，每个个体根据其更新的适应度在解空间中搜索，优化所述极限学习机分类器的输出层权重。3.根据权利要求1
‑
2任意一项所述的基于人工智能的心血管急危重症临床决策支持方法，其特征在于，采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出，具体包括：将输入极限学习机分类器的特征向量进行矩阵表示，得到特征矩阵；基于特征矩阵、隐藏层的权重矩阵、偏置向量和激活函数计算所述极限学习机分类器的隐藏层输出；基于注意力分数得到注意力权重，所述注意力分数是基于初始注意力权重、偏置向量和激活函数计算得到；基于所述注意力权重和哈达玛积调整隐藏层输出，更新隐藏层输出。4.根据权利要求3所述的基于人工智能的心血管急危重症临床决策支持方法，其特征在于，对所述极限学习机分类器的隐藏层神经元数量自适应调整，具体为：设置所述极限学习机分类器的隐藏层神经元数量的初始值和更新步长，在模型构建过程中根据验证组的性能决定增加还是减少神经元的数量。5.根据权利要求3所述的基于人工智能的心血管急危重症临床决策支持方法，其特征在于，采用余弦退火算法自适应调整所述极限学习机分类器的学习率。
6.根据权利要求1所述的基于人工智能的心血管急危重症临床决策支持方法，其特征在于，所述极限学习机分类器包括输入层、隐藏层和输出层，初始极限学习机优化时依次采用采用蚁群优化算法选择所述极限学习机分类器的隐藏层神经元数量、采用余弦退火算法自适应调整极限学习机分类器的学习率、采用小生境算法优化极限学习机分类器的输出层权重、隐藏层神经元数量...

【专利技术属性】
技术研发人员：孙宇慧，何昆仑，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：