基于循环神经网络的严重失血伤情预测方法和系统与流程
发明公开基于循环神经网络的严重失血伤情预测方法和系统，属于计算机辅助手术决策。
背景技术：
1、在复杂外科手术过程中，患者因手术创伤、血管损伤或凝血功能障碍等因素可能发生不同程度的失血，严重失血若未能被及时识别和评估，将显著增加术后并发症风险及围术期死亡率。目前，临床上对失血伤情的判断主要依赖术者经验观察、实时生命体征监测以及间断性的实验室检查结果，这些方式虽能提供即时反馈，但往往局限于当前时刻的孤立指标，难以系统性地利用手术全程中累积的失血事件序列信息来预测伤情发展趋势。
2、随着手术室信息化水平的提升，术中吸引量、纱布血染程度、灌注泵流量等与失血相关的事件已能够被自动记录并形成时间序列数据，这为基于时序建模的智能化伤情预测提供了数据基础，但现有医院信息系统通常仅对失血总量进行统计或对单一时间点的异常值触发报警，尚未充分挖掘时序维度上失血事件之间的动态关联模式。
3、在计算机辅助医学决策领域，已有部分研究尝试采用传统机器学习方法对术中失血量进行回归拟合或对输血需求进行分类判别，这些方法大多基于手工构造的统计特征，如累计失血量、平均失血速率、最大单次失血量等，其预测性能受限于特征工程的质量且难以捕捉失血事件发生顺序、间隔及不同手术阶段下的变化规律。循环神经网络因其对可变长度序列数据的天然适应性和对时间依赖关系的建模能力，在生理信号分析、疾病进展预测等任务中展现出优势，但现有应用主要集中于固定的单一疾病或既定手术路径下的场景，对于同时涵盖多种手术类型且各手术失血模式差异显著的工作流环境，缺乏有效的序列建模框架。
4、此外，多数已有方案将模型输出设定为单点失血量数值或二分类风险指示，未能提供多等级的伤情分级预测，且预测过程中常忽略手术类型本身对失血容忍度的基线差异，导致泛化能力受限。
技术实现思路
1、针对上述问题，本发明提出一种基于循环神经网络的严重失血伤情预测方法和系统，通过构建手术工作流中的失血事务序列表示，将每个失血事件与所属手术类型标识关联编码，利用循环神经网络沿时间步递推生成反映序列动态的隐状态表达，并在此基础上设计近期与全局双轨特征提取机制，融合多尺度时序信息以形成综合伤情表示，最终经预测网络输出多等级伤情类别。该方法无需依赖额外的生命体征多源数据或术者主观评分，仅以手术自身记录的失血事务为输入，且通过引入手术类型条件偏置和辅助门控信号，使预测过程适应不同外科手术的失血风险基线，能够在手术进行中持续输出伤情等级预测，为临床团队提供及时、结构化的风险态势参考，填补了现有技术中针对多类手术工作流的序列化失血伤情预测方案的空白。
2、根据本发明第一方面，本技术提供一种基于循环神经网络的严重失血伤情预测方法，包括：
3、s1，获取手术工作流中的失血事务序列，所述失血事务序列由多个失血事务组成，包含发生时刻、失血度量值以及所属手术类型标识；
4、s2，将所述失血事务序列中的各个失血事务依次输入循环神经网络，在每个时间步接收当前失血事务，并依据当前失血事务和上一时间步的隐状态计算当前时间步的隐状态，生成与每个失血事务对应的隐状态向量构成隐状态序列；
5、s3，从所述隐状态序列中提取近期隐状态子序列和全局隐状态子序列，分别由当前时间步之前的预定时间窗口内各时间步的隐状态向量和所述隐状态序列中所有隐状态向量组成；
6、s4，对所述近期隐状态子序列进行时序池化得到近期聚合向量，对所述全局隐状态子序列进行时序池化得到全局聚合向量；
7、s5，将所述近期聚合向量和所述全局聚合向量进行向量融合，得到综合伤情表示向量；
8、s6，将所述综合伤情表示向量输入到预测网络，所述预测网络输出包含伤情等级类别的严重失血伤情预测结果。
9、进一步地，所述循环神经网络采用长短期记忆网络结构，每个时间步的长短期记忆网络单元包括输入门、遗忘门、输出门和细胞状态，所述细胞状态在时间步之间传递，所述隐状态由所述输出门和所述细胞状态共同决定；
10、或者，所述循环神经网络采用门控循环单元结构，每个时间步的门控循环单元包括更新门和重置门，所述隐状态由所述更新门和所述重置门控制当前输入与前一隐状态的混合比例。
11、进一步地，每个失血事务包含的所述手术类型标识为编码向量，在将失血事务输入循环神经网络之前，将该失血事务的失血度量值与所述手术类型标识的编码向量进行拼接，形成组合输入向量，所述循环神经网络在每个时间步接收所述组合输入向量作为当前输入。
12、进一步地，所述s4包括：
13、确定多个不同的预定时间窗口，包括短时窗口、中时窗口和长时窗口；
14、分别从所述隐状态序列中提取与每个预定时间窗口对应的窗口隐状态子序列，每个窗口隐状态子序列由位于当前时间步之前的对应时间跨度内的各隐状态向量组成，得到短时窗口子序列、中时窗口子序列和长时窗口子序列；
15、将所述短时窗口子序列、中时窗口子序列和长时窗口子序列分别进行时序池化，对应得到短时聚合向量、中时聚合向量和长时聚合向量；
16、将所述短时聚合向量、中时聚合向量和长时聚合向量进行级联拼接，得到多尺度近期聚合向量，将所述全局隐状态子序列进行时序池化得到所述全局聚合向量。
17、进一步地，所述预测网络输出的严重失血伤情预测结果包括伤情等级类别集合中的类别，所述伤情等级类别集合包含轻度失血等级、中度失血等级和重度失血等级，所述预测网络输出与所述伤情等级类别对应的手术干预动作标签，所述手术干预动作标签选自输血准备标签、止血措施标签和手术暂停标签。
18、进一步地，所述s5将所述近期聚合向量和所述全局聚合向量进行向量融合中，采用门控融合机制，具体为：
19、计算所述近期聚合向量与所述全局聚合向量之间的差值向量，并将所述差值向量输入到门控网络输出融合门控系数；
20、利用所述融合门控系数对所述近期聚合向量和所述全局聚合向量进行线性插值，计算得到所述综合伤情表示向量。
21、进一步地，所述s6包括：
22、所述预测网络为多层前馈神经网络，所述多层前馈神经网络包含输入层、至少两个隐藏层和输出层，所述输入层接收所述综合伤情表示向量，所述至少两个隐藏层中的每个隐藏层均采用非线性激活函数，所述输出层采用软最大化函数将隐藏层的输出映射为多个伤情等级类别上的预测得分分布；
23、在所述预测网络的输入层和第一隐藏层之间，增设手术类型条件偏置层，在所述预测网络加载时确定所述手术类型条件偏置层存储有与不同手术类型标识对应的偏置向量；
24、在将所述综合伤情表示向量输入输入层之后，所述输入层的输出经过所述手术类型条件偏置层，所述手术类型条件偏置层根据当前失血事务所属的手术类型标识查找对应的偏置向量，并将所述输入层的输出与查找到的偏置向量逐元素相加，相加结果作为所述第一隐藏层的输入；
25、所述输出层输出的预测得分分布中，每个伤情等级类别对应得分值，将得分值最高的伤情等级类别作为所述严重失血伤情预测结果中的主要预测类别，将所有伤情等级类别的得分值作为辅助预测信息输出；
26、在输出所述严重失血伤情预测结果之后，根据所述预测得分分布中的最大得分值与次大得分值之间的差值，确定该预测结果的置信度等级，并将所述置信度等级与所述主要预测类别输出。
27、进一步地，所述s2将所述失血事务序列中的各个失血事务依次输入循环神经网络的过程中，根据当前失血事务的发生时刻与上一失血事务的发生时刻之间的时间间隔，动态调整所述循环神经网络在当前时间步的输入更新频率，当所述时间间隔小于预定间隔阈值时，保持当前时间步的隐状态不变而仅更新输入门，当所述时间间隔大于等于所述预定间隔阈值时，按照标准时间步更新方式计算新的隐状态。
28、进一步地，在所述s3从所述隐状态序列中提取近期隐状态子序列和全局隐状态子序列之后，对所述全局隐状态子序列进行时间注意力加权，为所述全局隐状态子序列中的每个隐状态向量计算注意力权重，所述注意力权重基于该隐状态向量与当前时间步的隐状态向量之间的相似度确定，将所有隐状态向量按照各自的注意力权重进行加权求和，得到加权全局聚合向量，将所述加权全局聚合向量作为所述全局聚合向量参与后续融合。
29、根据本发明第二方面，本发明请求保护一种基于循环神经网络的严重失血伤情预测系统，包括：
30、一个或多个处理器；
31、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种基于循环神经网络的严重失血伤情预测方法。
32、本发明公开基于循环神经网络的严重失血伤情预测方法和系统，属于计算机辅助手术决策技术领域。获取手术工作流中按时序记录的失血事务序列，依次输入循环神经网络生成对应的隐状态序列；提取近期和全局隐状态子序列，分别进行时序池化得到近期和全局聚合向量并融合为综合伤情表示向量，输入预测网络以输出伤情等级类别；采用多尺度时间窗口池化、时间间隔动态调整以及基于手术类型基准阈值的辅助门控等方式优化预测过程。本发明充分利用失血事件的时间依赖性和手术类型差异性，无需依赖多源生命体征数据或人工特征工程，能持续输出多等级伤情预测，有效提升多种外科手术工作流中严重失血风险的识别能力，为临床提供及时结构化的风险态势参考。