人工智能驱动的医学检验多指标联合分析方法与流程

摘要: 本发明涉及医学检验领域,具体是涉及人工智能驱动的医学检验多指标联合分析方法。背景技术:1、医学检验多指标数据是临床疾病早期筛查、病情动态评估、个体化诊疗方案制定...
人工智能驱动的医学检验多指标联合分析方法与流程

本发明涉及医学检验领域,具体是涉及人工智能驱动的医学检验多指标联合分析方法。

背景技术:

1、医学检验多指标数据是临床疾病早期筛查、病情动态评估、个体化诊疗方案制定的核心基础依据,精准挖掘多检验指标的时序变化规律与关联特征,对提升疑难疾病判别准确率、实现精准医疗具有重要意义。

2、目前临床常规检验分析模式多基于单一时点、单一指标的静态阈值对比研判疾病风险,普遍忽视患者长期多批次检验数据的时序演变特征,无法有效捕捉指标短期波动、中期变化趋势与长期稳态异常规律,分析维度单一且片面。

3、传统分析手段缺乏针对性的异常滤除与跨批次漂移校正机制,原始检验数据一致性、可靠性不足,直接导致后续特征分析与疾病判别精度大幅下降。与此同时,现有技术大多对各类检验指标进行独立分析研判,忽略人体生理指标之间固有的动态关联、相互制衡的拓扑关系,多采用固定静态相关系数分析指标关联性,无法适配生理指标动态波动特性,难以挖掘指标间隐性协同异常特征。

技术实现思路

1、为解决上述技术问题,提供人工智能驱动的医学检验多指标联合分析方法,本技术方案解决了上述背景技术中提出的问题。

2、为达到以上目的,本发明采用的技术方案为:

3、人工智能驱动的医学检验多指标联合分析方法,包括:

4、获取待分析个体的多批次医学检验原始数据,对所述多批次医学检验原始数据进行跨批次时变漂移校正与异常值滤除,得到标准化时序检验数据集;

5、对标准化时序检验数据集进行多指标间动态关联拓扑构建,生成指标关联拓扑特征矩阵;

6、基于指标关联拓扑特征矩阵,利用注意力机制加权的时序演化网络提取各检验指标的动态演变轨迹特征,得到时序演变特征向量;

7、将时序演变特征向量输入多粒度注意力融合网络进行跨尺度特征聚合,得到联合判别特征表示;

8、根据联合判别特征表示进行疾病风险层级分类,输出个体化医学检验多指标联合分析结果。

9、优选的,所述获取待分析个体的多批次医学检验原始数据,对所述多批次医学检验原始数据进行跨批次时变漂移校正与异常值滤除,得到标准化时序检验数据集,具体包括:

10、从同一待分析个体的历次就诊记录中提取包含血液生化、免疫学、血液学及尿液分析在内的多类检验项目的原始数值,形成涵盖n类检验指标、跨度为t个时间点的原始检验矩阵;

11、针对原始检验矩阵中每一类检验指标,计算相邻两个时间点之间该指标的局部变化率,将局部变化率与预设的该类指标生理波动阈值区间进行比较,若局部变化率超出生理波动阈值区间,则将该时间点的指标值标记为候选异常点,其中局部变化率的计算公式为:

12、;

13、其中,表示第类指标在第个时间点相对于第个时间点的局部变化率,表示第类指标在第个时间点的原始数值,;

14、候选异常点的判定条件为:

15、;

16、;

17、其中,和分别为第类指标预设的生理波动阈值区间的下界与上界;

18、对原始检验矩阵中每一类检验指标分别建立以时间点为自变量、以该指标数值为因变量的局部加权回归曲线,提取局部加权回归曲线在每个时间点处的拟合残差值,将拟合残差值超过该类指标残差分位数上限的数据点标记为统计异常点,其中局部加权回归曲线的拟合残差计算公式为:

19、;

20、其中,为第类指标在第个时间点的拟合残差,为该点原始数值,为局部加权回归曲线在该点的拟合值,为以第个时间点为中心、对第个时间点数据点分配的核权重;

21、统计异常点的判定条件为:

22、;

23、其中,为第类指标拟合残差值的第75百分位数,为该指标残差值的四分位距;

24、合并候选异常点与统计异常点,得到全部异常数据点集合,将全部异常数据点集合对应的指标值替换为该指标在其前后有效时间点的加权插值结果,加权插值替换公式为:

25、;

26、其中,为第类指标在异常时间点的替换值,和分别为该异常点前后最近的有效时间点,和为对应的有效指标值;

27、针对不同批次检验之间因仪器型号更换或试剂批次差异导致的系统性偏移,以同一待分析个体在重叠时间窗口内的两批次数据为基准,计算两批次之间各指标的中位数偏差量与四分位距缩放因子,利用中位数偏差量对后一批次数据进行平移校正,利用四分位距缩放因子对后一批次数据进行缩放校正,逐批次迭代完成全部批次的漂移校正,最终得到标准化时序检验数据集,其中中位数偏差量的计算公式为:

28、;

29、其中,为第批次到第批次第类指标的中位数偏差量,和分别为第批次和第批次在重叠时间窗口内第类指标的数值序列;

30、四分位距缩放因子的计算公式为:

31、;

32、其中,为第批次到第批次第类指标的四分位距缩放因子,为第批次该指标数值的四分位距。

33、优选的,所述对标准化时序检验数据集进行多指标间动态关联拓扑构建,生成指标关联拓扑特征矩阵,具体包括:

34、以标准化时序检验数据集中的n类检验指标为节点,计算任意两类指标在全部t个时间点上的逐时间点皮尔逊动态相关系数序列,皮尔逊动态相关系数序列由t个时间点的局部相关系数值构成,皮尔逊动态相关系数的计算公式为:

35、;

36、其中,为第类指标与第类指标在第个时间点的局部皮尔逊相关系数,和分别为第类和第类指标在第个时间点的标准化数值,和分别为以第个时间点为中心、窗口长度内的局部均值;

37、对皮尔逊动态相关系数序列进行滑动窗口分段,每段长度为l个连续时间点,计算每段内相关系数值的均值与方差,若某段的方差低于预设的动态关联稳定阈值,则将该段的均值作为该两类指标在该时间段内的稳定关联强度值,否则将该段标记为关联突变段,每段内相关系数值的均值与方差计算公式为:

38、;

39、;

40、其中,为第段内第类与第类指标相关系数的均值,为该段的方差,为滑动窗口分段长度,为段索引;

41、统计全部时间段内两类指标的稳定关联强度值的分布,以稳定关联强度值的中位数作为基础边权重,以关联突变段的数量占比作为边权重的不稳定惩罚因子,计算两类指标之间的综合拓扑边权重,稳定关联强度值的判定与计算公式为:

42、;

43、其中,为第类与第类指标在第段的稳定关联强度值,为预设的动态关联稳定阈值;

44、以所有两两指标对的综合拓扑边权重为元素,构建n×n的对称权重矩阵,对对称权重矩阵进行阈值过滤,保留权重值高于预设拓扑稀疏化阈值的边,得到稀疏化指标关联拓扑邻接矩阵,综合拓扑边权重的计算公式为:

45、;

46、其中,为第类与第类指标之间的综合拓扑边权重,为全部稳定关联强度值的中位数,为关联突变段的数量,为总段数,为不稳定惩罚因子系数;

47、对稀疏化指标关联拓扑邻接矩阵进行谱分解,提取前k个最大特征值对应的特征向量,将特征向量按列拼接形成指标关联拓扑特征矩阵。

48、优选的,所述基于指标关联拓扑特征矩阵,利用注意力机制加权的时序演化网络提取各检验指标的动态演变轨迹特征,得到时序演变特征向量,具体包括:

49、将标准化时序检验数据集中每一类检验指标在t个时间点上的数值序列作为该指标的时序输入,以指标关联拓扑特征矩阵中对应于该类指标的行向量作为该指标的拓扑上下文嵌入,将时序输入与拓扑上下文嵌入进行拼接,形成带拓扑感知的指标时序表示,带拓扑感知的指标时序表示的拼接公式为:

50、;

51、其中,为第类指标在第个时间点的带拓扑感知表示,为该指标的时序输入向量,为指标关联拓扑特征矩阵中第行的拓扑上下文嵌入向量,,表示向量拼接操作;

52、将全部n类检验指标的带拓扑感知的指标时序表示按时间点维度排列,构成形状为t×n×d的三维张量,其中d为拼接后的特征维度;

53、对三维张量沿时间点维度进行多头自注意力计算,多头自注意力计算针对每个时间点,以该时间点全部n类指标的特征向量为查询向量,以全部时间点的指标特征向量为键向量和值向量,计算注意力权重,注意力权重反映不同指标在不同时间点之间的相互影响程度,多头自注意力的计算公式为:

54、;

55、;

56、其中,为第个时间点全部类指标特征构成的查询矩阵,和分别为全部个时间点的键矩阵和值矩阵,为第个注意力头的可学习投影矩阵,为注意力头数,为输出投影矩阵;

57、利用注意力权重对值向量进行加权求和,得到每个时间点的注意力融合表示,将全部t个时间点的注意力融合表示按时间顺序串联,得到初步时序演变特征序列,初步时序演变特征序列的构建公式为:

58、;

59、其中,为第个时间点的注意力融合表示;

60、对初步时序演变特征序列进行双向递归编码,分别从时间正向和时间逆向两个方向提取依赖关系,将正向编码结果与逆向编码结果在每个时间点处进行拼接,得到最终的时序演变特征向量,双向递归编码的拼接公式为:

61、;

62、其中,为第个时间点的最终时序演变特征向量,为正向递归编码结果,为逆向递归编码结果,为隐藏状态维度。

63、优选的,所述将时序演变特征向量输入多粒度注意力融合网络进行跨尺度特征聚合,得到联合判别特征表示,具体包括:

64、将时序演变特征向量按照不同的时间跨度进行多尺度分割,分别分割为短程片段、中程片段和长程片段,短程片段覆盖连续的w1个时间点,中程片段覆盖连续的w2个时间点,长程片段覆盖连续的w3个时间点,且w1小于w2小于w3;

65、对每一种粒度的片段分别进行片段内均值池化与片段内最大值池化,得到每种粒度下的均值池化向量和最大值池化向量,将同一粒度下的均值池化向量与最大值池化向量拼接,形成该粒度的双通道片段表示,片段内均值池化与最大值池化公式为:

66、;

67、;

68、其中,和分别为第种粒度,第个片段的均值池化向量与最大值池化向量,对应短程、中程、长程,为该粒度的片段长度,为第个片段覆盖的时间点集合,为第个时间点的时序演变特征向量;

69、对全部三种粒度的双通道片段表示分别施加可学习的粒度注意力权重,粒度注意力权重通过将各粒度的双通道片段表示输入轻量级全连接网络并经softmax归一化得到,轻量级全连接网络以各粒度片段表示的范数作为辅助输入,双通道片段表示的拼接公式为:

70、;

71、其中,为第种粒度第个片段的双通道片段表示;

72、粒度注意力权重的计算公式为:

73、;

74、其中,为第种粒度的注意力权重,为该粒度所有片段的平均双通道表示,为其l2范数,和为轻量级全连接网络的权重矩阵和偏置向量;

75、利用粒度注意力权重对三种粒度的双通道片段表示进行加权求和,得到粒度融合表示,粒度融合表示的加权求和公式为:

76、;

77、其中,为粒度融合表示;

78、将粒度融合表示与时序演变特征向量进行残差连接拼接,对拼接后的向量进行层归一化与非线性激活变换,得到联合判别特征表示,联合判别特征表示的计算公式为:

79、;

80、其中,为联合判别特征表示,为时序演变特征向量的全局均值,表示拼接操作,为层归一化,为非线性激活函数。

81、优选的,所述根据联合判别特征表示进行疾病风险层级分类,输出个体化医学检验多指标联合分析结果,具体包括:

82、将联合判别特征表示输入层级分类器,层级分类器由第一层级分类头和第二层级分类头串联构成,第一层级分类头将联合判别特征表示映射到疾病大类概率分布,第二层级分类头在第一层级分类头确定的疾病大类条件下将联合判别特征表示映射到该大类下的具体疾病亚类概率分布;

83、第一层级分类头计算联合判别特征表示与预设的m个疾病大类原型向量之间的余弦相似度,将余弦相似度经温度缩放后输入softmax函数,得到疾病大类概率分布,选取概率值最大的疾病大类作为目标大类,第一层级分类头的余弦相似度与概率分布计算公式为:

84、;

85、;

86、其中,为联合判别特征表示与第个疾病大类原型向量的余弦相似度,为第一层级的温度缩放参数,为预测为第个疾病大类的概率;

87、目标大类的选取公式为:

88、;

89、其中,为目标大类索引;

90、第二层级分类头以目标大类对应的原型向量对联合判别特征表示进行条件调制,将调制后的特征与该大类下预设的s个疾病亚类原型向量分别计算余弦相似度,经温度缩放与softmax处理后得到疾病亚类概率分布,选取概率值最大的疾病亚类作为目标亚类,第二层级分类头的概率分布计算公式为:

91、;

92、;

93、其中为调制后特征与第大类下第个疾病亚类原型向量的余弦相似度,为第二层级的温度缩放参数,为在目标大类条件下预测为第个亚类的概率;

94、将目标大类与目标亚类组合,并附带各自的概率值与联合判别特征表示在各粒度注意力权重中的贡献分布,作为个体化医学检验多指标联合分析结果输出。

95、优选的,在所述输出个体化医学检验多指标联合分析结果之后,还包括对所述联合判别特征表示进行可解释性反向溯源分析,具体包括:

96、以层级分类器输出的目标大类与目标亚类对应的分类决策边界为基准,计算联合判别特征表示在决策边界法向量方向上的投影分量,将投影分量的绝对值大于预设显著性阈值的特征维度标记为关键决策维度,决策边界法向量方向的投影分量计算公式为:

97、;

98、其中,为联合判别特征表示在第个特征维度上沿决策边界法向量的投影分量绝对值,为目标大类与目标亚类对应的分类决策边界法向量;

99、关键决策维度的判定条件为:

100、;

101、其中,为全部关键决策维度的索引集合,为预设的显著性阈值;

102、针对每一个关键决策维度,回溯至多粒度注意力融合网络中对应的粒度片段表示,确定该关键决策维度主要由哪一种时间粒度的片段贡献,贡献粒度的确定公式为:

103、;

104、其中,为对关键决策维度贡献最大的粒度索引,为第种粒度片段表示中第个维度的权重贡献;

105、对确定的贡献粒度片段,进一步回溯至时序演变特征向量中对应的时间点范围,提取该时间点范围内的注意力权重分布,将注意力权重值最高的前p个指标作为该关键决策维度的核心驱动指标,核心驱动指标的选取基于注意力权重排序:

106、;

107、其中,为第个关键决策维度对应的核心驱动指标集合,为第类指标在第个时间点的注意力权重值;

108、将全部关键决策维度及其对应的核心驱动指标、贡献时间点范围与贡献粒度类型进行汇总,生成以指标名称为索引、以贡献强度排序的关键指标贡献清单。

109、从关键指标贡献清单中提取贡献强度排名前q的核心驱动指标,检查标准化时序检验数据集中是否已包含核心驱动指标的历史检测数据;

110、对于已包含历史检测数据的核心驱动指标,计算该指标在其历史检测时间点上的值域分布与当前时间点值的偏离程度,若偏离程度超过该指标的个体历史波动范围,则将该指标标记为需要重点追踪的波动指标,偏离程度的计算公式为:

111、;

112、其中,为第类核心驱动指标的偏离程度,为该指标在当前时间点的标准化数值,和分别为该指标在历史检测时间点上的均值和标准差;

113、波动指标的判定条件为:

114、

115、其中,为波动指标集合,为第类指标的个体历史波动范围阈值。

116、对于未包含历史检测数据的核心驱动指标,将该指标标记为建议新增检测的候选指标;

117、将波动指标与候选指标分别按照其在关键指标贡献清单中的贡献强度降序排列,生成个体化检验补充推荐列表,个体化检验补充推荐列表中每个条目包含指标名称、推荐检测理由类型、以及基于偏离程度或贡献强度给出的优先级等级,优先级等级的计算公式为:

118、;

119、其中,为第类指标的优先级等级,为该指标在关键指标贡献清单中的贡献强度值,为候选新增指标集合。

120、优选的,在所述生成个体化检验补充推荐列表之后,还包括对所述标准化时序检验数据集中未被纳入所述关键指标贡献清单的剩余指标进行潜在协同异常筛查,具体包括:

121、从指标关联拓扑特征矩阵中提取与关键指标贡献清单中任一核心驱动指标直接相连且边权重高于预设协同阈值的关联指标,构成关联指标候选集,关联指标候选集的提取条件为:

122、;

123、其中,为关联指标候选集,为关键指标贡献清单中的核心驱动指标集合,为指标关联拓扑特征矩阵中第类与第类指标的边权重,为预设协同阈值;

124、对关联指标候选集中的每一个指标,提取其在全部t个时间点上的标准化数值序列,计算该序列与其对应核心驱动指标的标准化数值序列之间的互信息值,互信息值通过对两个序列进行等频离散化后计算联合概率分布与边缘概率分布的比值得到,互信息值的计算公式为:

125、;

126、其中,为第类核心驱动指标序列与第类关联指标序列之间的互信息值,为等频离散化后的联合概率分布,和为对应的边缘概率分布;

127、将互信息值与预设的协同异常判定阈值进行比较,若互信息值高于协同异常判定阈值且该关联指标候选集中的指标在近邻时间点的数值变化方向与其核心驱动指标相反,则将该指标标记为潜在协同异常指标,变化方向相反的判定条件为:

128、;

129、其中,和分别为关联指标与核心驱动指标在第个时间点的变化量;

130、对全部潜在协同异常指标按互信息值降序排列,生成潜在协同异常指标排序列表,潜在协同异常指标的判定条件为:

131、;

132、其中,为潜在协同异常指标集合,为协同异常判定阈值。

133、优选的,在所述生成潜在协同异常指标排序列表之后,还包括对所述层级分类器的输出结果与所述潜在协同异常指标排序列表进行一致性校验与分析结果修正,具体包括:

134、读取层级分类器输出的目标大类与目标亚类,从预设的疾病知识图谱中检索与目标亚类相关联的已知生物标志物集合;

135、将潜在协同异常指标排序列表中的指标与已知生物标志物集合进行交集运算,若交集非空,则计算交集指标在排序列表中的排名权重与在已知生物标志物集合中的先验重要性得分的乘积,得到交集指标的一致性得分,交集运算公式为:

136、;

137、其中,为交集指标集合,为潜在协同异常指标排序列表,为从疾病知识图谱中检索到的已知生物标志物集合;

138、一致性得分的计算公式为:

139、;

140、其中,为交集指标的一致性得分,为该指标在潜在协同异常指标排序列表中的排名权重,为该指标在已知生物标志物集合中的先验重要性得分;

141、若一致性得分高于预设的高一致性阈值,则维持层级分类器的原始输出结果不变;

142、若一致性得分低于预设的低一致性阈值,则以潜在协同异常指标排序列表中排名最高且属于交集的指标作为修正触发指标,修正触发指标的选取公式为:

143、;

144、其中,为修正触发指标索引;

145、利用修正触发指标在标准化时序检验数据集中的时序模式对联合判别特征表示进行特征偏移补偿,具体方式为计算修正触发指标的时序模式向量与联合判别特征表示之间的方向差,将方向差按比例叠加至联合判别特征表示上,得到修正后的联合判别特征表示,修正触发指标的时序模式向量为:

146、;

147、其中,为第类指标的时序模式向量,为该指标在第个时间点的带拓扑感知表示;

148、方向差与特征偏移补偿公式为:

149、;

150、;

151、其中,为修正触发指标时序模式向量与联合判别特征表示之间的正交方向差分量,为补偿比例系数,为修正后的联合判别特征表示;

152、将修正后的联合判别特征表示重新输入层级分类器,得到修正后的疾病风险层级分类结果,将修正后的疾病风险层级分类结果替代原始输出结果作为最终的个体化医学检验多指标联合分析结果。

153、与现有技术相比,本发明提供了人工智能驱动的医学检验多指标联合分析方法,具备以下有益效果:

154、本发明通过双层异常筛选与批次漂移校正,实现多批次时序检验数据的标准化净化,大幅提升原始数据的可靠性与一致性;

155、通过构建动态指标关联拓扑结构,精准捕捉多指标随时间变化的协同关联特征,突破传统静态相关性分析的局限性;

156、结合拓扑感知时序网络与多粒度注意力融合机制,充分挖掘指标短时突变与长期演变的深度特征;

157、同时构建层级递进疾病分类体系,实现疾病粗细粒度精准判别,并通过反向溯源、个体化检验推荐、协同异常筛查与知识图谱一致性校正,实现结果可解释、可追溯、可自优化;

158、本发明兼顾数据规律与医学先验知识,显著提升疾病风险判别精准度与临床适配性,具备极强的临床落地价值。