[发明专利]一种基于机器学习的个性化超促排卵方案的预测装置

说明书

本发明公开了一种基于机器学习的个性化超促排卵方案的预测装置，包括计算机存储器、计算机处理器，计算机存储器中存有超促排卵方案预测模型，所述的超促排卵方案预测模型包括训练好的初级学习器和次级学习器；其中，初级学习器由SVM模型、ExtraTrees模型、RandomForest模型、LightGBM模型和XGboost模型组成，次级学习器采用Catboost模型；所述计算机处理器执行所述计算机程序时实现以下步骤：将待测的临床特征数据进行特征工程处理，将处理后的特征数据输入初级学习器进行计算，获得五个模型的预测值；采用训练好的次级学习器对5个预测值进行计算，获得最终预测结果。利用本发明，可以提高了超促排卵方案的预测准确性。

技术领域

本发明属于医学人工智能领域，尤其是涉及一种基于机器学习的个性化超促排卵方案的预测装置。

背景技术

生殖医学近30年的迅速发展，采用试管婴儿技术(医学上称为体外受精—胚胎移植技术(IVF—ET))的临床妊娠率和胚胎着床率已趋稳定。超促排卵方案(医学术语为控制性卵巢刺激(controlled ovarian stimulation，COS)方案)的实施是试管婴儿过程中一个非常重要的环节，它决定了后期获得卵子的数量和质量。因此对COS方案更强调个性化应用，即需要根据患者的身体体征和条件制定出适合每个患者的方案。

在COS方案的选择上，目前在国内，基本上是医生通过观察病人体征及用药后每天的反应，针对不同人群制定不同的方案。但是这种方法要求医生必须具备深厚、扎实的生殖内分泌知识和丰富的经验，才能在一定程度上保证后期获得卵子、胚胎的数量和质量。但是，根据国内目前的医疗资源判断，医者和患者数量极度不平衡，有丰富经验的医生更少，如此，针对不同患者在方案的选择上存在不稳定性，最终，会影响到试管婴儿的成功率。

随着机器学习在人工智能领域取得的巨大发展，机器学习方法在医疗数据上也被广泛运用。

在机器学习中，模型从样本中捕获相关信息。对于给定任务，样本给定输入(特征)和输出(标签)。机器学习用算法从观测值中学习，然后计算机决定如何从特征映射到标签，从而创建泛化模型，如此就可以在未曾见过的输入上正确执行新任务(例如，从未接受过治疗的患者)。

分类算法是机器学习算法中一个普遍而又重要的任务，即根据一个样本预测出它所属的类别。自上个世纪30年代线性判别分析算法的提出，各种分类算法喷涌而出，包括Logistic回归模型、COX模型等线性模型，决策树、RandomForest以及基于Boosing的各种分类树模型，还有神经网络(neural network，NN)等。

随着技术的进步，不同算法依据其自身特点在特定领域都取得了各自的发展，然而在具体应用到不同的场景过程中还是会遇到各种问题，需要针对应用场景克服不同的困难。

到目前为止，在超促排卵方案的研究中尚未出现机器学习算法的应用，为了提高超促排卵方案选择的准确性和高效性，亟需设计一种针对超促排卵方案预测的系统。

发明内容

本发明提供了一种基于机器学习的个性化超促排卵方案的预测装置，提高了超促排卵方案的预测准确性，为医生选择超促排卵方案提供了有效的建议。

一种基于机器学习的个性化超促排卵方案的预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述的计算机存储器中存有超促排卵方案预测模型，所述的超促排卵方案预测模型包括训练好的初级学习器和次级学习器；其中，初级学习器由SVM模型、ExtraTrees模型、RandomForest模型、LightGBM模型和XGboost模型组成，所述的次级学习器采用Catboost模型；

所述计算机处理器执行所述计算机程序时实现以下步骤：

将待测的临床特征数据进行特征工程处理，包括异常值处理、缺失值处理，以及特征组合计算；