[发明专利]脑出血血肿扩大风险智能化预测系统及方法

权利要求书

1.一种脑出血血肿扩大风险智能化预测系统，其特征在于，包括临床信息知识库模块、解剖模式图模块、影像特征标准化描述模块、神经网络单元和报告生成模块；

所述临床信息知识库模块包括结构化报告使用范围、高血压情况、凝血功能障碍、发病到首次CT扫描时间；

所述解剖模式图模块包括可视化颅内解剖结构断层模式图，能够在平面图展示可点图式解剖结构；

所述影像特征标准化描述模块包括血肿形态、血肿扩大的征象、病灶大小；自动测量血肿体积并将数值填充入标准化报告输入部，公式如下：

；

其中，h是层厚，S_i是第i层的血肿面积，i＝1,…n，l是层间距，V_T是总体积；

所述神经网络单元采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码，生成一个多维编码向量；向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在结果疾病风险表中风险的数量之和；

所述报告生成模块包括典型病灶图及影像模式图、临床信息内容、病灶位置结构名词、影像分级、标准化报告内容。

2.根据权利要求1所述的一种脑出血血肿扩大风险智能化预测系统，其特征在于，还包括影像对比判读模块，判读标准如下：

如患者不符合自发性脑出血诊断，则分级为“A”，建议结合临床及其他检查；

如CT影像表现符合“没有血肿扩大的影像征象、血肿形态为圆形或类圆形、血肿体积小于30ml”且临床知识库信息符合“IOFC大于24小时、无高血压或凝血功能障碍”，则分级为B，建议结合患者临床表现，必要时随访；

若CT影像表现符合“没有血肿扩大的影像征象、血肿形态为圆形或类圆形、血肿体积小于30ml”且临床知识库信息存在以下任意一项：“高血压、凝血功能障碍、IOFC小于24小时”，则分级为C1，建议适时随访；

若CT影像表现符合“没有血肿扩大的影像征象”但符合以下任意一项“血肿形态为不规则形或分隔形、血肿位置位于丘脑区、血肿体积大于30ml”且临床知识库信息存在以下任意一项：“高血压、凝血功能障碍、IOFC小于24小时”，则分级为C2，建议适时随访；

若CT影像表现存在“血肿扩大征象”中任一项且“血肿形态为圆形或类圆形”，临床知识库信息符合“IOFC大于24小时，无高血压或凝血功能障碍”，则分级为D1，建议短期复查；

若CT影像表现存在“血肿扩大征象”中任一项且“血肿形态为不规则形或分隔形、血肿位置位于丘脑区、血肿体积大于30ml、IOFC小于24小时、有高血压或凝血功能障碍”，则分级为D2，建议短期复查；

若CT影像表现存在“血肿扩大征象”中大于等于两项且“血肿形态为圆形或类圆形，血肿体积小于30ml”，临床知识库信息符合“IOFC大于24小时，无高血压或凝血功能障碍”，则分级为D3，建议短期复查；

若CT影像表现存在“血肿扩大征象”中大于等于两项，且影像表现存在“血肿形态为不规则形或分隔形、血肿位置位于丘脑区、血肿体积大于30ml”任一项或临床知识库信息符合“高血压、凝血功能障碍、IOFC小于24小时”任一项，则分级为E，建议积极治疗，每2小时复查。

3.基于权利要求1所述的脑出血血肿扩大风险智能化预测系统的分析方法，其特征在于：

第一步，对临床信息知识题库和医师输入结果进行编码；对于选择知识题库，采用独热码对其选项进行编码；假设题库中的一个选择题有n个固定顺序的选项[s₀,s₁,s₂,…,s_n-1]，当医生选择了第i个选项时，令s_i＝1且s_j＝0,j≠i，生成一个n维向量；对于数值化手动输入单元，采用直接用实际数值编码的形式，将其在标准单位下的实际输入数值作为其编码；对于医师输入结果，采用独热码对其进行编码；假设在固定顺序的潜在结果疾病名称表中有m项疾病名称，可表示为[k₀,k₁,k,…,k_m-1]；当医师判断为第p种结果时，生成一个一一对应的m维向量，其对应方式为k_p＝1且k_q＝0,q≠p；将三种编码向量按临床信息题库中的顺序依次合并，组成一个有序的N维编码向量；其中，前N-m维为临床信息样本编码，后m维为样本标签；

第二步，按第一步中编码方式对历史病例进行编码，生成一个临床病例数据集；

第三步，建立一个由8层神经元组成的前馈神经网络模型，从输入层到输出层的神经元数量分别为：N-m、128、256、512、1024、1024、512、512、m；每层神经元经过仿射计算后分别进行批归一化计算和ReLU6非线性映射；在第4-7层的仿射计算后增加失活概率为0.5的随机失活以防止神经网络过拟合；采用交叉熵损失函数和Softmax输出层；优化器使用随机梯度下降优化器，设置初始学习率为0.01并使用学习率余弦函数衰减策略；每次从训练集中随机采样32个未训练样本数据输入神经网络进行模型训练，训练时只输入样本编码向量的前N-m维数据，得到m维的模型预测输出；将模型预测输出进行独热编码，具体编码方式为：将其最大的项置1，其它项置0；将独热编码后的模型预测输出与相应样本编码向量中的后m维样本标签数据计算交叉熵损失，并用SGD优化器更新模型参数；待将所有训练集的数据训练完一遍后，更新学习率，并将验证集的样本数据输入模型得到预测向量，预测时只输入样本编码向量的前N-m维数据，得到m维独热编码形式的模型预测输出，将模型预测输出与相应样本编码向量的后m维样本标签进行对比，若二者相同，则预测正确；否则，预测错误；反复将训练集数据和测试集数据输入神经网络模型进行迭代训练和测试，保存测试准确率最大时的模型及参数；测试准确率的计算方式为在测试集上预测正确的样本总数除以测试集样本总数；

第四步，医师每次根据病例的临床特征填写完临床信息题库时，按照医师填写情况按第一步对题库信息按顺序生成编码，将编码输入第三步中保存的神经网络模型，模型输出预测结果的编码；按照模型预测编码，假设其中第z项为最大值项，则对照潜在结果风险分级表选择第z个结果的风险分级作为建议风险级别结果。