一种脑卒中预测复发方法及系统

本发明涉及医学预测领域，尤其涉及一种脑卒中预测复发方法及系统。背景技术：1、脑卒中是一种极易复发的脑血管疾病，具有发病率、致残及致死率高的特点，大部分患者经规范化治疗后病情能够缓解，但部分患者因复发再次入院治疗或导致不良预后。早期识别脑卒中病灶并提前预测复发风险概率，可为临床早期诊疗及预防提供决策信息支持。2、近年来，深度学习算法正广泛应用于脑卒中病灶分割研究，但依旧存在分割准确性不高、对微小病灶及模糊边界的识别能力较弱的问题。3、在医学预测领域，传统机器学习算法（logistic、svm、random forest等）广泛应用于预测复发模型的研究，通过使用大量医学数据训练模型，可以学会识别和预测患者可能存在的疾病，这些方法在预测领域有一定的成效，但依旧存在下面的问题。4、首先，现有技术均对缺失数据填补的还原度不高，缺乏真实性，导致预测模型的准确度降低；其次，由于缺乏对高维度数据特征的筛选，加上传统lasso回归以及logistic回归无法解决非线性问题，导致难以避免特征之间强关联性带来的模型过拟合问题；第三，由于影像组学特征筛选依赖人工手动标注图像，耗时且低效，并且传统机器学习算法属于浅层学习，所用数据量少特征维度低，学习能力不足，难以对多模态高维度数据进行深度挖掘，导致模型效能不高，泛化能力不强等。因此，亟需提供一种方案改善上述问题。技术实现思路1、本发明的目的在于提供一种脑卒中预测复发方法及系统，用以改善缺失数据集填补不完善、病灶分割准确性不高、难以避免特征之间强关联带来的模型过拟合问题和难以对多模态高维度的数据进行深度挖掘的问题。2、本发明提供的一种脑卒中预测复发方法及系统，采用如下的技术方案：3、第一方面，本发明提供的一种脑卒中预测复发方法，包括以下步骤：4、采集n年内复发与未复发患者的诊疗数据并填补所述诊疗数据；采集并变种mri影像数据；5、构建脑卒中病灶分割模型对mri影像数据进行分割，特征提取所述变种后和分割后的图像得到影像组学特征，融合影像组学特征和填补后的诊疗数据得到融合特征集；6、基于lasso回归和logistic回归对所述融合特征集进行初筛，分别得到两个特征矩阵并融合为特征集合a；对所述特征集合a内的每个融合特征进行重要性分析后，筛选获得重要特征集；所述重要特征集为所述特征集合a的子集；7、构建预测复发模型，并基于所述重要特征集训练所述预测复发模型获得训练后的预测模型；8、获取待预测患者的诊疗数据和mri影像数据并特征融合后获得待测特征，基于所述待测特征和所述训练后的预测模型获得复发概率。9、本发明提供的预测方法的有益效果在于，运用改进深度森林算法实现多模态高维度数据的深度挖掘，实现对脑卒中复发风险的早期预测。能够挖掘梗死病灶内部异质性信息，分析影像组学特征结合临床诊疗特征与患者出院后n年复发的关联性，实现脑卒中患者复发的早期预警，为临床辅助决策提供依据。10、可选地，所述n年内复发与未复发患者的诊疗数据包括：人口统计学数据、体格检查、个人史、病史、用药、nihss评分量表、cyp2c19基因检测数据、检验数据、出院诊断、出院n年内的随访数据；11、可选地，采集n年内复发与未复发患者的诊疗数据并填补所述诊疗数据时包括：12、将所述诊疗数据划分为缺失集和完整集；谱聚类分析完整集进行分类；比较缺失集和各类的数据相似度并归类，基于回归预测方法来分别填补各类中的缺失集的空缺值。13、针对脑卒中患者特点，按照不同簇群建立机器学习模型填充，实现对缺失数据集的个性化填补，充分考虑缺失变量之间的相关性以及分类填补，减少了传统填补方法（均值、众数）的偏倚，还原了数据的真实性，使得预测复发结果更加准确。14、可选地，构建脑卒中病灶分割模型时，包括：15、将mri影像数据随机划分为训练集和验证集；16、引入多尺度残差注意力机制构建脑卒中病灶分割模型，基于所述训练集和验证集训练和验证所述脑卒中病灶分割模型并优化后，得到训练后的脑卒中病灶分割模型。17、通过加入多尺度残差机制以及注意力机制改进unet算法进行图像分割，提高分割模型对脑卒中病灶分割的准确性，实现病灶的精准定位，提高最终预测模型的准确度。18、可选地，对所述特征集合a内的每个融合特征进行重要性分析的过程中，包括：基于重要性分析模型对所述特征集合a内的每个融合特征进行重要性分析，并获得每个融合特征的重要性评分。19、可选地，基于重要性分析模型对所述特征集合a内的每个融合特征进行重要性分析时，所述重要性分析模型设置有多个，多个所述重要性分析模型分别对特征集合a内的每个融合特征进行重要性分析后，获得每个融合特征的子评分，对每个融合特征的子评分进行加权平均后获得重要性评分。20、可选地，筛选获得重要特征集的过程中，基于重要性评分获取重要性评分大于或等于预设评分的融合特征并组成重要特征集。21、实现高维度数据特征的个性化筛选，改善了传统lasso回归以及logistic回归难以解决非线性问题有效地避免特征之间强关联性带来的模型过拟合问题，使得模型能对多模态高维度数据之间的关系进行深度挖掘。22、可选地，构建预测复发模型时，所述预测复发模型基于级联森林，包括：23、若干级别，每级包含四个算法，级联每个级别；每个算法均独立生成一个类向量，两两取均值后获得两个二维向量融合后输入到下一级并与原始特征向量相融合；其中，所述四个算法为随机森林、极端森林和两个xgboost算法。24、改良后的模型通过使用两个xgboost模型来替换随机森林和极端随机森林，xgboost采用梯度提升的思想，每次迭代都在拟合一个新的弱学习器，以尽量减少上一轮迭代的残差，从而不断提升整体模型的性能，使得模型更具有鲁棒性，预测效果更加优秀。25、可选地，基于所述重要特征集对所述预测复发模型进行训练获得训练后的预测模型时，包括：26、基于所述重要特征集随机划分为训练集和验证集；27、基于所述训练集和验证集训练和验证所述预测复发模型，并优化所述预测复发模型的超参数，计算所述预测复发模型的预测准确率和auc值，训练完成得到预测准确率最高、auc值最大的预测模型。28、运用改进深度森林算法实现多模态高维度数据的深度挖掘，分析影像组学特征结合临床诊疗特征与患者出院后n年复发的关联性，对脑卒中患者复发概率精准预测，为临床辅助决策提供客观的依据。29、第二方面，本发明提供的一种脑卒中预测复发系统，包括：30、数据采集模块，采集n年内复发与未复发患者的诊疗数据并填补所述诊疗数据；采集并变种mri影像数据；31、数据融合模块，构建脑卒中病灶分割模型对mri影像数据进行分割，特征提取所述变种后和分割后的图像得到影像组学特征，融合影像组学特征和填补后的诊疗数据得到融合特征集；32、数据筛选模块，基于lasso回归和logistic回归对所述融合特征集进行初筛，分别得到两个特征矩阵并融合为特征集合a；对所述特征集合a内的每个融合特征进行重要性分析后，筛选获得重要特征集；所述重要特征集为所述特征集合a的子集；33、模型搭建应用模块，构建预测复发模型，并基于所述重要特征集训练所述预测复发模型获得训练后的预测模型；获取待预测患者的诊疗数据和mri影像数据并特征融合后获得待测特征，基于所述待测特征和所述训练后的预测模型获得复发概率。34、关于上述第二方面的有益效果可以参见上述第一方面的描述。