[发明专利]基于人工智能的多维度脑卒中预防筛查方法

权利要求书

1.一种基于人工智能的多维度脑卒中预防筛查方法，其特征在于，包括如下步骤：

S1：将收集到的脑卒中三大维度的数据，通过网络传输到云计算服务平台，建立脑卒中病例数据库；

S2：根据步骤S1中建立的脑卒中病例数据库，建立脑卒中预防筛查人工智能算法模型，根据脑卒中病例实际发病情况，验证脑卒中预防筛查人工智能算法模型；

S3：将脑卒中三大维度的数据输入脑卒中相关数据输入报告输出设备中，并根据预防筛查人工智能算法模型，输出脑卒中预防筛查报告；

步骤S1中建立脑卒中病例数据库的具体方法，包括如下步骤：

S11：收集脑卒中三大维度的数据；所述脑卒中三大维度包括医生临床问诊数据、血液生化生物标志物、日常监测指标；

S12：将收集到的脑卒中三大维度的数据信息依据唯一ID存储到云服务平台的病例库，记录生命周期内的检测指标、医生诊断与用户日常状态跟踪数据，形成脑卒中病例数据库；

S13：对步骤S12中形成的脑卒中病例数据库的数据进行预处理；

S14：对脑卒中病例数据库的数据进行划分，70%的数据用作训练数据集，30%的数据用作验证数据集；

步骤S12中的预处理包括：

特征聚合，对脑卒中风险因素中具有相关性的多个潜在因素特征进行聚合，使其对脑卒中风险评估占相同的比重；

数据筛选，去除数据缺失比例超过阈值的训练样本和特征；

特征选择，选取特征子集，特征子集分别为医生临床问诊数据、血液生化生物标志物和日常监测指标；

数据推演，对不完整的特征子集进行缺失特征子集推演；

步骤S2中的建立脑卒中预防筛查人工智能算法模型具体方法，包括如下步骤：

S21：建立模型：根据步骤S1中建立的脑卒中病例数据库，运用人工智能的深度神经网络算法，结合Adanet AutoML技术，得出脑卒中病例数据库的检测数据与脑卒中风险之间的对应关系，建立脑卒中预防筛查人工智能算法模型；

S22：模型优化：对步骤S21中得到的脑卒中预防筛查人工智能算法模型进行优化：在模型训练过程中同时优化线性模型和深度神经网络模型的参数，将线性模型的浅层线性划分与深度神经网络模型的深层语义学习结合，从而达到整体脑卒中预防筛查人工智能算法模型的预测能力最优；

S23：参数调整：模型训练采用自动调优，采用Adanet AutoML技术，自动调整网络结构，提高模型对脑卒中风险的识别精度；

S24：模型训练：脑卒中预防筛查人工智能算法模型训练包括风险预测模型、早期诊断模型和预后评估模型；

S25：模型评估：模型有效性评估将采用“双盲法”进行，以评价模型预测结果是否与医学指南预测结果有统计学差异，通过自动调优，直至模型预测结果的准确度优于医学指南；

所述风险预测模型的有效性评估阳性数据将筛选自数据集中1年内发病的患者历史数据以及2年内发病的患者历史数据；阴性数据选自数据集中3年均未发病的样本历史数据；有效性评估阳性数据由统计人员筛选并消除患病与否相关信息后交予医疗从业人员及模型预测人员对发病概率进行预测，预测结果交由统计人员进行检验；

早期诊断模型数据集的构成为已发病患者历史数据及发病早期数据，以脑卒中的最终诊断结果为标记采用监督学习模式进行模型训练；

预后评估模型数据集的构成为已发病患者的历史数据、发病期数据及恢复期数据，以患者的愈后情况为标记采用监督学习模式进行模型训练。

2.如权利要求1所述的一种基于人工智能的多维度脑卒中预防筛查方法，其特征在于，所述医生临床问诊数据包括：脑卒中病史、脑卒中家族史、房颤或瓣膜性心脏病、年龄、糖尿病、血脂、血压、体育锻炼、BMI和吸烟酗酒情况；所述血液生化生物标志物包括：D二聚体、纤维原蛋白降解产物、脂蛋白a、载脂蛋白E、同型半胱氨酸、超敏C反应蛋白、脂蛋白相关磷脂酶A2、胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、血管紧张素转换酶、缺血修饰白蛋白、糖化白蛋白、糖化血清蛋白和游离脂肪酸；所述日常监测指标包括：血糖、血压、体重、饮食、心率、睡眠、体温和运动情况，所述饮食的判断标准是每日摄入的总热量。