[发明专利]分类模型的训练方法及装置、冠心病辅助筛查方法及装置

说明书

本申请公开了分类模型的训练方法及装置、冠心病辅助筛查方法及装置，属于医疗技术领域。该分类模型的训练方法包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。通过上述分类模型，本申请提高了筛查结果的可信度，能够在避免受检者进行复杂检查的情况下，为受检者提供较为准确的筛查结果，以使受检者根据该筛查结果决定是否接收进一步的心血管检查，从而避免盲目检查带来的高检查成本，降低受检者的负担，还能够减少医生的负担，节约医院的医疗资源。

技术领域

本申请涉及医疗技术领域，特别是涉及分类模型的训练方法及装置、冠心病辅助筛查方法及装置。

背景技术

心血管疾病是当今世界上公认的几大致命性疾病之一，以冠心病为例，每年死于冠心病的人数远多于其他重大疾病。有许多因素可能导致人们患上心血管疾病，例如不健康的生活习惯以及不健康的心理状态都是潜在的诱发心血管疾病的因素。心血管疾病严重的危害着人们的健康，但是心血管疾病在患病早期，其症状并不明显，因此，对心血管疾病的患病情况进行有效的预警与早期筛查就显得尤为重要，准确高效的筛查方法能够极大程度地降低心血管疾病发展到晚期并引发严重后果的风险。

现有的对冠心病进行筛查的方法，例如，利用常规临床数据进行冠心病患病风险预测，然而，即便是经典的弗拉明翰模型，也会出现假阳性或者漏诊等问题，预测的准确率受限；或者，利用CT技术进行临床诊断，然而，CT检测过程繁琐且费用昂贵，会增加患者的负担；又或者，利用冠状动脉造影技术进行诊断，然而，冠状动脉造影技术往往会对人体造成一定的身体负担。

由于现有的筛查方法可能会导致受检者进行盲目检查，又或者是为了避免增加负担而拒绝接受进一步的诊断。因此，需要一个成本较低、操作较简便且结果较精确的针对冠心病的筛查方法，能够对受检者患有冠心病的风险进行相对较为准确的评价，以使受检者根据筛查结果决定是否接收进一步的心血管检查。

发明内容

本申请主要解决的技术问题是提供一种分类模型的训练方法及装置、冠心病辅助筛查方法及装置，通过将超声心动图数据和电子病历记录结合，以基于输入的数据量化评估受检者患病的风险。

为解决上述技术问题，本申请采用的一个技术方案是提供一种分类模型的训练方法，该训练方法包括：对超声心动图数据与电子病历数据进行预处理，获取到设定数量的相关联的有效影像数据与结构化特征数据，以形成数据集；通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型。

其中，通过数据集中的设定数量的相关联的有效影像数据与结构化特征数据对预设深度学习模型进行训练，以构建分类模型的步骤具体包括：将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征；将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征；通过组合特征进行分类预测，得到预测结果；基于预测结果对预设深度学习模型的模型参数进行调整，以构建分类模型。

其中，预设深度学习模型依次包括特征提取层、特征融合层、分类器层以及输出层；将数据集中的有效影像数据与结构化特征数据输入到预设深度学习模型进行提取，得到第一数量的超声心动图特征与相关联的结构化特征的步骤包括：将数据集中的有效影像数据与结构化特征数据输入到特征提取层进行提取处理，得到第一数量的超声心动图特征与相关联的结构化特征；将第一数量的超声心动图特征与数据集中相关联的结构化特征进行融合，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征的步骤具体包括：将第一数量的超声心动图特征与数据集中相关联的结构化特征输入到特征融合层进行处理，得到第一数量的同时包含超声心动图特征以及结构化特征的组合特征；通过组合特征进行分类预测，得到预测结果的步骤具体包括：将组合特征输入到分类器层进行预测，并通过输出层输出预测结果。