[发明专利]用于临床数据的同时分类和回归的方法和系统

权利要求书

1.一种用于分析临床数据的计算机实现的方法，其特征在于，包括：

由处理器通过将神经网络应用于所述临床数据来提取第一特征信息；

由所述处理器通过将回归模型应用于所提取的第一特征信息来预测疾病状况相关参数；

由所述处理器基于所提取的第一特征信息和所述疾病状况相关参数来生成第二特征信息；以及

由所述处理器通过将分类模型应用于所述第二特征信息来预测疾病状况分类结果。

2.根据权利要求1所述的计算机实现的方法，其特征在于，所述临床数据包括含有血管的医学图像，所述疾病状况相关参数包括所述血管的血流储备分数(FFR)的评估得分或所述血管的斑块易损风险得分，所述疾病状况分类结果包括所述血管的狭窄级别或斑块易损级别。

3.根据权利要求2所述的计算机实现的方法，其特征在于，

所述血管的狭窄级别包括指示无狭窄的第一级，指示狭窄不显著的第二级，指示狭窄显著的第三级；或

所述血管的斑块易损级别包括指示不易损的第一级，指示易损低风险的第二级，指示易损高风险的第三级。

4.根据权利要求1-3中任何一项所述的计算机实现的方法，其特征在于，所述回归模型和所述分类模型利用联合损失函数进行联合训练，所述联合损失函数包括回归损失项和惩罚项，所述惩罚项被设计为惩罚用于预测与回归地面真值属于不同的疾病状况分类结果的值的所述回归模型。

5.根据权利要求4所述的计算机实现的方法，其特征在于，

在通过所述回归模型预测的值与所述回归地面真值分布在用于疾病状况分类的预设阈值的同侧的情况下，所述惩罚项设定为零，并且

在通过所述回归模型预测的所述值与所述回归地面真值分布在所述预设阈值的异侧的情况下，所述惩罚项被设计为随着回归预测值与所述回归地面真值的偏离度的增加而增大。

6.根据权利要求5所述的计算机实现的方法，其特征在于，所述惩罚项为阈值正则化损失，且表示为：

其中，P表示所述回归预测值，t表示所述预设阈值，GT_R表示所述回归地面真值，L表示所述惩罚项。

7.根据权利要求1所述的计算机实现的方法，其特征在于，基于所提取的第一特征信息和所述疾病状况相关参数，来生成第二特征信息具体包括：通过将所提取的第一特征信息展开为一维向量并将所述一维向量与所述疾病状况相关参数连接，来得到所述第二特征信息。

8.一种用于分析临床数据的计算机实现的方法，其特征在于，包括：

由处理器通过将神经网络应用于所述临床数据来提取第一特征信息；

由所述处理器通过将分类模型应用于所提取的第一特征信息来预测疾病状况分类结果；

由所述处理器将预测的疾病状况分类结果转换为独热表示，并将所述独热表示与所述第一特征信息融合，来生成第二特征信息；以及

由所述处理器通过将回归模型应用于所述第二特征信息来预测疾病状况相关参数。

9.根据权利要求8所述的计算机实现的方法，其特征在于，所述临床数据包括含有血管的医学图像，所述疾病状况相关参数包括所述血管的FFR的评估得分或所述血管的斑块易损风险得分，所述疾病状况分类结果包括所述血管的狭窄级别或斑块易损级别。

10.根据权利要求9所述的计算机实现的方法，其特征在于，

所述血管的狭窄级别包括指示无狭窄的第一级，指示狭窄不显著的第二级，指示狭窄显著的第三级；或

所述血管的斑块易损级别包括指示不易损的第一级，指示易损低风险的第二级，指示易损高风险的第三级。