基于机器学习的血常规异常筛查方法及系统与流程

摘要: 本发明涉及数据分析,具体为基于机器学习的血常规异常筛查方法及系统。背景技术:1、血常规异常筛查技术是临床辅助诊断和健康风险管理领域的重要技术方向,旨在通过对血液...
基于机器学习的血常规异常筛查方法及系统与流程

本发明涉及数据分析,具体为基于机器学习的血常规异常筛查方法及系统。

背景技术:

1、血常规异常筛查技术是临床辅助诊断和健康风险管理领域的重要技术方向,旨在通过对血液指标变化情况进行分析,及时发现潜在异常状态,为疾病预警和健康管理提供数据支持。近年来,随着血液检测设备和数据处理技术的发展,基于机器学习的血常规异常筛查方法逐渐应用于多周期检测数据分析,通过对血液指标变化趋势、历史检测记录以及相关特征数据进行处理,实现对异常状态的自动识别。

2、现有技术通常通过采集患者多个检测周期对应的血常规检测数据,并利用特征提取算法或机器学习模型分析血液指标变化规律,从而判断是否存在异常情况,这类方法能够在连续检测数据较完整的情况下实现一定程度的异常筛查效果,并提高血常规数据处理效率。然而,在实际医疗检测过程中,由于患者复查周期受就诊时间、健康状态以及检测安排等因素影响,血常规检测往往存在检测间隔不固定甚至阶段性缺失的情况,使得异常状态由一个检测周期向下一检测周期演化过程中可能缺少关键中间变化状态,导致原本连续的异常发展过程在数据层面出现断裂,而现有技术通常基于当前检测值或有限时间窗口内的特征进行分析,难以利用历史异常演化规律对缺失状态进行恢复,使得部分具有渐进性变化特征的血液异常状态无法被完整表征,容易造成异常演化趋势识别不充分,影响血常规异常筛查结果的准确性和可靠性。

技术实现思路

1、针对现有技术存在的不足,本发明提供基于机器学习的血常规异常筛查方法及系统。

2、为了实现上述目的,本发明的技术方案如下:

3、第一方面,本发明公开了基于机器学习的血常规异常筛查方法,包括以下步骤:

4、获取同一目标对象多个检测周期对应的血常规检测数据,所述血常规检测数据包括血液指标检测值和检测时间信息;

5、根据所述血液指标检测值与预设参考范围之间的偏离关系,对所述血常规检测数据进行状态转换处理,生成异常状态编码数据;

6、根据多个检测周期对应的所述异常状态编码数据的检测时间顺序关系,生成目标异常状态序列数据;获取预存的历史检测数据库对应的历史异常状态序列数据,对所述历史异常状态序列数据中的异常状态编码数据之间的时间转移关系进行统计,生成状态转移关系数据,并将所述历史异常状态序列数据作为历史异常路径数据;

7、根据所述目标异常状态序列数据构建异常演化关联图数据,并根据所述状态转移关系数据和所述历史异常路径数据生成异常演化模式数据;

8、判断所述目标异常状态序列数据中相邻异常状态编码数据之间的检测时间间隔值是否超过预设时间阈值:若超过,则根据所述状态转移关系数据生成表征基于历史状态转移概率推断的中间演化状态的虚拟补偿节点数据,并将所述虚拟补偿节点数据插入所述异常演化关联图数据,生成补偿异常演化路径数据;若未超过,则将所述异常演化关联图数据确定为所述补偿异常演化路径数据;

9、根据所述补偿异常演化路径数据、所述历史异常路径数据以及所述异常演化模式数据进行路径匹配,生成异常路径特征数据;

10、将所述异常路径特征数据输入预设的机器学习分类模型进行异常类别分类处理,输出异常筛查数据。

11、第二方面,本发明公开了基于机器学习的血常规异常筛查系统,使用上述的基于机器学习的血常规异常筛查方法,包括:

12、数据获取模块,用于获取同一目标对象多个检测周期对应的血常规检测数据,所述血常规检测数据包括血液指标检测值和检测时间信息;

13、状态编码模块,用于根据所述血液指标检测值与预设参考范围之间的偏离关系,对所述血常规检测数据进行状态转换处理,生成异常状态编码数据;

14、模式生成模块,用于根据多个检测周期对应的所述异常状态编码数据的检测时间顺序关系,生成目标异常状态序列数据;获取预存的历史检测数据库对应的历史异常状态序列数据,对所述历史异常状态序列数据中的异常状态编码数据之间的时间转移关系进行统计,生成状态转移关系数据,并将所述历史异常状态序列数据作为历史异常路径数据;

15、图构建模块,用于根据所述目标异常状态序列数据构建异常演化关联图数据,并根据所述状态转移关系数据和所述历史异常路径数据生成异常演化模式数据;

16、虚拟补偿模块,用于判断所述目标异常状态序列数据中相邻异常状态编码数据之间的检测时间间隔值是否超过预设时间阈值:若超过,则根据所述状态转移关系数据生成表征基于历史状态转移概率推断的中间演化状态的虚拟补偿节点数据,并将所述虚拟补偿节点数据插入所述异常演化关联图数据,生成补偿异常演化路径数据;若未超过,则将所述异常演化关联图数据确定为所述补偿异常演化路径数据;

17、路径匹配模块,用于根据所述补偿异常演化路径数据、所述历史异常路径数据以及所述异常演化模式数据进行路径匹配,生成异常路径特征数据;

18、异常识别模块,用于将所述异常路径特征数据输入预设的机器学习分类模型进行异常类别分类处理,输出异常筛查数据。

19、与现有技术相比,本发明的有益效果为:

20、1、本发明通过将多个检测周期对应的血常规检测数据转换为包含指标类型、异常方向、异常等级以及时间信息的异常状态编码数据,使血液指标由单次数值判断转换为具有时间关联关系的状态变化描述,从而能够利用不同检测周期之间异常状态的演化关系进行分析,避免仅依据单次检测结果进行异常判断时无法反映状态变化趋势的问题。

21、2、本发明通过基于历史检测数据中的异常状态转移关系建立异常演化模式,并根据历史状态转移规律对检测间隔较大的异常状态序列进行虚拟补偿,使原本存在时间断层的异常演化过程能够形成连续的路径表达,从而减少由于检测周期不连续导致的状态关联缺失,提高异常演化特征提取的完整性。

22、3、本发明通过将补偿后的异常演化路径与历史异常路径进行匹配,提取能够反映状态变化规律的异常路径特征,并利用机器学习分类模型进行异常类别识别,使筛查过程不仅依赖当前检测指标,还结合异常状态随时间变化形成的路径信息,从而提高复杂异常演化情况下的识别能力,为血常规异常筛查提供更加符合实际变化过程的数据分析依据。

1.基于机器学习的血常规异常筛查方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:对所述血常规检测数据进行状态转换处理,生成异常状态编码数据,包括:

3.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:根据多个检测周期对应的所述异常状态编码数据的检测时间顺序关系,生成目标异常状态序列数据,包括:

4.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:生成状态转移关系数据,包括:

5.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:根据所述状态转移关系数据和所述历史异常路径数据生成异常演化模式数据,包括:

6.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:根据所述目标异常状态序列数据构建异常演化关联图数据,包括:

7.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:根据所述状态转移关系数据生成虚拟补偿节点数据,包括:

8.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:将所述虚拟补偿节点数据插入所述异常演化关联图数据,生成补偿异常演化路径数据,包括:

9.根据权利要求1所述的基于机器学习的血常规异常筛查方法,其特征在于:生成异常路径特征数据,包括:

10.基于机器学习的血常规异常筛查系统,其特征在于:使用如权利要求1~9中任意一项所述的基于机器学习的血常规异常筛查方法,包括: