论文部分内容阅读
随着医疗信息化的快速发展,如何充分利用长期积累的大量临床医疗数据,开掘和剖析医疗临床数据中的潜藏价值,从而指导医生临床判决,提高医疗服务的智能水平和医院的就诊效率,成为广泛关注的热点问题。甲状腺疾病中甲亢抱病率偏高且病情演变十分迟缓,发病时间长且会影响患者全身引起各种不适症状,现代医学领域中内分泌科对其非常关注。在临床治疗过程中,患者往往不清楚自身病情状况的严重程度,当问诊治疗时病情已经演化到了十分紧要的阶段。因此,甲亢疾病的早期干预至关重要。若能在早期阶段结合其临床检查数据对疾病未来发展状况进行预测,不仅可以方便患者了解自身病情,同时还可辅助医生评估和制定当前诊疗方案,如用药策略的选择、是否进行一些特殊和非常规的检查,从而对病情进行有指导的提前干预。因此,对甲亢病情预测的研究十分必要且具有重要的临床意义。目前,使用人工智能技术对甲状腺疾病进行疾病预测和风险评估等方面已存在相关研究成果,然而上述研究大都基于病理诊断数据、超声图像数据和用药记录数据等,大都关注于甲状腺疾病并发症分析、基于影像数据的分类诊断等,对于甲亢发展的阶段性特征以及甲亢发展过程中指标检查序列数据蕴含的深层发展规律并未充分发掘,缺乏有效算法建立准确的预测模型。为此,本文针对甲亢疾病发展的阶段性特点,对基于LSTM的深度学习发展预测模型及其应用展开研究。本文主要贡献如下:(1)分析并比较了两个常用于处理序列数据并建模的深度学习算法,RNN算法和LSTM算法,对其模型结构和实现原理进行了介绍。在此基础上,本文建立了基于LSTM的甲亢病情发展类标签预测模型及指标值预测模型,并针对医疗数据特点,提出了改进方法以优化模型。为消除不同患者病情检查过程中的数据偏移和分布偏差,提出逐样本标准化的方法。进一步,在LSTM学习过程提出了非均匀损失函数,对指标值正常、异常边界赋予更高权重,以得到更加准确的指标值判断,从而提升甲亢病情发展阶段预测的准确度。(2)基于真实甲亢数据集,本文对所提方法进行了详细的实验验证和性能分析。首先分析某三甲综合性医院10年间的甲亢患者临床数据,提取了患者前六个月内的血检指标和基本信息作为特征以及两年时间点数据作为预测目标,对基于类标签和指标值的预测方法、基于不同标准化方法、不同损失函数方法均进行了详尽的实验对比。在真实数据集上的实验结果显示,使用本文所提优化指标值预测模型,甲亢预测关键指标的平均正确率均达到90%以上,表明本文学习模型具有较高的预测准确率和一定的实际临床意义。(3)本文设计基于甲亢病情发展预测模型的应用原型系统,并基于Vue.js框架对系统进行开发,实现了指标数据录入、模型调用、预测结果展示等功能,为患者用户和医生用户提供服务。患者可进行指标数据的录入,获得疾病发展预测信息,了解自身的疾病发展状态。预测信息也可为医生当前诊疗方案的制定和检验提供有效帮助。