[发明专利]用于临床数据的同时分类和回归的方法和系统

说明书

本发明公开了一种用于分析临床数据的方法和系统。所述方法包括：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；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；基于所提取的第一特征信息和疾病状况相关参数，来生成第二特征信息；以及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。该方法能够提高医生的预测准确度和诊断效率。

相关申请的交叉引用

本申请基于2021年4月23日提交的美国临时申请第63/178,923号并要求其优先权，该申请通过引用整体结合于此。

技术领域

本发明涉及利用人工智能的临床数据分析领域，特别涉及一种用于临床数据的同时分类和回归的方法和系统。

背景技术

利用机器学习方法来对临床数据进行检测、分析、分类等，能够辅助医生就癌症的风险分级、血管狭窄程度等进行诊断。现有技术中，一般是使用两个单独的模型来分别用于分类和回归，例如，单独利用回归模型来预测疾病状况的相关参数，单独利用分类模型来预测疾病状况的分类结果，两个模型独立执行，没有关联。

基于FFR的血液动力学特性是用以确定、评估动脉疾病患者的最佳治疗方式的重要指标。这些准确的血流特征诸如血流特征、血管狭窄度相关的结构特征比如血管半径、血流压力降、血流量等，可以提供给医生，由其据此对血管状况进行评估。例如大量的临床试验证明，FFR可以很好地指导冠状动脉狭窄及其他血管疾病的治疗。

现有的利用机器学习方法来评估血管狭窄状况是单独利用分类模型来预测FFR的评估得分，并分别单独利用回归模型来预测血管的狭窄级别等，没有考虑这两种预测之间的相关性，使得预测结果的准确度较低，预测性能较差。

发明内容

本发明实施例的目的在于提供一种用于临床数据的同时分类和回归的方法和系统，其利用回归模型和分类模型进行联合训练来预测疾病状况，使得预测的准确率更高。

为了解决上述技术问题，本发明实施例采用了如下技术方案。

根据本发明的第一方案，提供了一种用于分析临床数据的计算机实现的方法，所述方法包括：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。

根据本发明的第二方案，提供了一种用于分析临床数据的计算机实现的方法，所述方法包括：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。

根据本发明的第三方案，提供了一种用于分析临床数据的系统，所述系统包括：接口，其配置为执行根据本发明的各个实施例的用于分析临床数据的计算机实现的方法。

本发明实施例的有益效果在于：该方法能够充分考虑疾病状况相关参数与疾病状况分类结果的高相关性，使得预测出的疾病状况分类结果或疾病状况相关参数的准确度更高，能够提高预测性能，使得预测结果更准确，以帮助提升医生的诊断效率。

附图说明

图1(a)示出根据本发明实施例的对临床数据同时进行分类和回归的方法的流程图；

图1(b)示出根据本发明一个实施例的图1(a)中对临床数据同时进行分类和回归的方法的示意图；

图2示出根据本发明实施例的用于对回归模型和分类模型进行联合训练的损失函数的示例1的惩罚项的曲线图；