[发明专利]一种基于随机子空间集成学习的主动脉夹层筛查系统

说明书

本发明公开了一种基于随机子空间集成学习的主动脉夹层筛查模型及其建立方法、系统和模型。本发明针对现有传统诊断方法对于主动脉夹层诊断的效率低、误诊率高、漏诊率低、成本高、过程复杂的缺点，提供一种基于随机子空间集成学习的主动脉夹层筛查方法。该方法利用机器学习的RS‑Ensemble算法建立RS模型，利用RS模型进行主动脉夹层的筛查和诊断，大大提高了诊断准确率，同时大大降低了误诊率和漏诊率，实现高效低成本的诊断。

技术领域

本发明涉及医学及人工智能领域，特别是一种基于随机子空间集成学习的主动脉夹层筛查模型及其建立方法、系统和模型。

背景技术

主动脉夹层是临床上一种比较少见的急症，它的发病过程是主动脉腔内血液从在主动脉压力下从主动脉内膜破口进入主动脉壁内，然后在主动脉壁中形成夹层血肿，并延主动脉纵轴扩展形成”双腔主动脉”。这是一种非常凶险的心血管疾病，该疾病在发病的最初24小时内每小时的死亡率为1％～2％，一周内死亡率高达60％～70％，大多数没有经过治疗的患者都会在一年内死亡。

目前主动脉夹层的诊断方法主要是影像学方法和超声波方法。包括CT扫描、CT血管造影、超声心电图、磁共振血流成像数字、减影血管造影术等。这些方法都各有其优点和缺点。CT扫描速度相对较快，无创，但是如果患者血流动力学不稳定，这种技术就不适用。CT血管造影的准确率很高，欧洲心脏病学会推荐多层螺旋CT血管造影作为对疑似急性病人的第一道检查，但是CT血管造影需要使用潜在的肾毒性造影剂，并且会使检查者暴露在电离辐射下。超声心电图具有简单、操作方便的优点，即使在病床上也能够完成，但它的缺点是明显的，也就是准确率不太高。磁共振血流成像具有仅比CT血管造影低少许的准确率，并且它的造影剂相对于CT血管造影的造影剂对肾脏的毒性较弱，并且没有电离辐射，但是缺点包括它在幽闭恐惧症患者或身体中有金属设备患者群体中的应用有限。既往认为减影血管造影术(DSA)是主动脉夹层诊断的黄金标准，但是该检查会造成创伤并且一般都在手术中进行，另外存在操作步骤复杂、价格高昂、而且很可能会引起并发症。

随着电子病历的普及，我们拥有了越来多的关于患者的有价值的数字信息。如今，从数据中获取有用知识的知识收集和数据挖掘过程被认为是必要的。如果在病人诊断的过程中利用机器学习技术，则可以自动地计算出多种疾病的患病概率并及时给医生提供指导，这样将有效地降低病人的误诊率和漏诊率，并且极大地减轻了患者的经济负担。将机器学习应用到医疗诊断中已经不算什么新鲜事了，例如，曾经将机器学习算法用到了缺血性心脏病诊断中，也将机器学习应用到肺癌的预测中，等等。但是，目前还没有使用机器学习算法对主动脉夹层进行诊断和预测的研究。

本发明的目的就是利用患者的血常规检查、体格检查等检查项目及生活习惯、家族遗传病史、个人既往病史等数据训练基于随机子空间集成学习的RS模型，用以进行主动脉夹层疾病的诊断、筛查和预测。

名词解释：EasyEnsemble集成模型：即简单集成分类器模型。

发明内容

本发明所要解决的技术问题是，针对现有传统诊断方法对于主动脉夹层诊断的效率低、误诊率高、漏诊率低、成本高、过程复杂的缺点，提供一种基于随机子空间集成学习的主动脉夹层筛查方法。该方法利用机器学习的RS-Ensemble算法建立RS模型，利用RS模型进行主动脉夹层的筛查和诊断，大大提高了诊断准确率，同时大大降低了误诊率和漏诊率，实现高效低成本的诊断。

为了实现上述目的，本发明所采用的技术方案是：

一种基于随机子空间集成学习的主动脉夹层筛查方法，包括以下步骤：

步骤一)、获得患者的基础信息；

步骤二)、提取基础信息的部分项作为样本特征；

步骤三)、根据确诊结果对是否为主动脉夹层患者的基础信息进行正负样本标定，得到样本数据；