[发明专利]一种运用卷积神经网络对疾病风险预测的模型

说明书

本发明公开了一种运用卷积神经网络对疾病风险预测的模型，所述模型为四层卷积神经网络模型，包括第一层、第二层、第三层、第四层；第一层由EHRS建立的事件矩阵组成，第二层为对第一层中的EHR矩阵进行提取表型的单侧卷积层，第三层为在第二层提取到的表型中保留重要表型的最大池化层，第四层是一个softmax预测的全连接层。第一层中的事件矩阵中，水平维度对应于时间戳，垂直维度对应于事件值；本发明为了结合患者EHR的时间平滑性，在模型中还研究了三种不同的时间融合机制：早期融合、晚期融合和缓慢融合，建立了先进的具有时间融合的CNN架构。

技术领域

本发明涉及预测模型领域，尤其涉及一种运用卷积神经网络对疾病风险预测的模型。

背景技术

全球医疗保健系统正在迅速采用电子病历(EHR)，它是在任何护理交付环境中由一个或多个相遇产生的纵向患者健康信息的系统集合(例如，诊断、药物、实验室测试、程序等)。这将极大地增加有效的电子临床数据。

近年来，人们对患者的电子病历做数据分析的兴趣激增。数据驱动的医疗旨在有效的利用表示在治疗数以亿计的病人的收集学习的大的数据，以提供最好的和最个性化的护理，被认为是最具前景的转型医疗。电子病历是推动这一数据驱动的医疗革命成功的主要载体之一。有许多关于HER数据分析的工作。例如，基于患者的EHRs提出了一种多线性稀疏logistic回归模型用于风险预测、一种基于相似性的个性化推荐推荐方法等，医学应用成功的一个关键方面是从病人EHR中提取有效的特征，这通常被称为医学信息学中的电子表型分类。虽然最近已经提出了一些基于EHR的电子表型分类的计算模型(例如，基于矩阵的方法和基于张量的算法，但是仍然存在许多挑战，如时间性、稀疏性、噪音性、偏置等，因此，如何在进一步应用之前从患者的EHRs中进行有效的特征提取和表型分型是一个关键步骤。

发明内容

本发明目的是解决上述问题，提供一种基于电子病历运用卷积神经网络对疾病风险预测的模型。

为了实现上述目的，本发明的技术方案是：

本发明提出了一种基于电子病历运用卷积神经网络对疾病风险预测的模型，包括：

步骤1，建立四层卷积神经网络模型，用于提取表型并进行预测。

步骤2，结合患者EHR的时间平滑性，研究三种不同的时间融合机制：早期融合、晚期融合和缓慢融合，建立先进的具有时间融合的CNN架构，对疾病风险更好的预测。

所述步骤1包括：第一层由EHR矩阵组成。

第二层是单侧卷积层，可以从第一层中提取表型。

第三层是在检测到的表型上引入稀疏性的最大池化层，因此只有那些重要的表型才能保留。

第四层是一个全连接的softmax预测层。

所述EHR矩阵包括将每个病人的EHRS作为一个时间矩阵具有在水平维度上的时间和垂直维度上的疾病事件。

所述EHR矩阵还包括将病人的EHR记录建模为事件矩阵，其中水平维度对应于时间戳，垂直维度对应于事件值。如果患者对应的第i种疾病事件被观察在第j个时间戳，则一个EHR矩阵的(i，j)实例是1。

在第二层中将每个长度为t的事件矩阵用X表示，且X∈R^d×t。设X_i是对应于第i个事件的d维事件向量。通常X_i:i+j一系列相关联的项x_i,x_i+1,…,x_i+j。单侧卷积操作的滤波器ω∈R^d×h，应用到一个h种事件特征的窗口来产生一种新的特征。

通过以下公式产生新的特征：

c_i＝f(w·x_i:i+h-1+b)