基于机器学习与可解释模型的脑梗死风险预测方法
本发明涉及医疗数据处理与人工智能交叉,具体而言,涉及基于机器学习与可解释模型的脑梗死风险预测方法。
背景技术:
1、脑梗死具有高发病率、高致残率和高死亡率的特点,早期精准预测对于疾病的预防与个体化干预至关重要。最新流行病学数据显示,我国脑梗死患者中合并代谢综合征的比例高达63.2%,这凸显了该预测领域严峻的公共卫生挑战与极高的临床应用价值。临床研究表明,胰岛素抵抗作为代谢综合征的核心病理环节,可通过激活机体慢性炎症反应、促进动脉粥样硬化等底层途径,显著增加脑梗死的发病风险。然而,目前临床上的脑梗死风险评估多依赖于单一的传统危险因素(如基础血糖指标),并主要采用传统的logistic回归或基础的单一机器学习算法进行辅助分类预测。
2、在面对高维、高噪声且高度复杂的真实临床数据时,上述现有技术主要存在三大缺陷:(1)特征表征单一:未有效融合如tyg指数等新型代谢指标与nlr、siri等致病网络指标,难以全面刻画“代谢紊乱”与“慢性炎症”的协同致病效应。(2)高偏态数据处理弱:传统标准化方法易受极端离群值干扰,导致模型泛化能力差、对高危人群的漏诊率高。(3)“黑盒”特性制约应用:现有高级算法无法直观、定量地向临床医生溯源解释具体的风险判定因子,缺乏循证医学支撑,难以在临床实际推广。
3、综上所述,亟需提出一种能够有效融合代谢与炎症致病指标,并克服高偏态数据干扰,同时引入定量归因机制,以打破黑盒局限的脑梗死风险预测方法。
技术实现思路
1、针对现有脑梗死预测模型未集成多维关联指标、难以处理非线性关系且缺乏临床可解释性的问题,本发明提出了一套基于lightgbm算法、stacking集成模型与shap解释器的快速、精准且具备高可解释性的脑梗死风险预测方法,以提升对高维、高噪声医学数据的解析能力与泛化性能。
2、为实现上述目的,本发明提出以下技术方案:
3、基于机器学习与可解释模型的脑梗死风险预测方法,其特征在于,包括:
4、获取待评估患者的临床电子病历数据集,对所述数据集依次执行抗偏态联合预处理,得到标准化数据;
5、基于所述标准化数据计算并提取衍生临床特征,将所述衍生临床特征拼接生成多维输入特征矩阵;
6、将所述多维输入特征矩阵划分为训练集与测试集,基于所述训练集构建并训练lightgbm基线预测模型,输出基础脑梗死风险预测概率;
7、构建双层stacking集成网络,输出标定的脑梗死预测概率;
8、将待测样本输入训练完成的双层stacking集成网络,并在输出端嵌入shap模型解释架构,基于合作博弈论机制生成个体化脑梗死风险预警报告。
9、进一步地,所述临床电子病历数据集至少包含患者性别、年龄的人口学特征,以及空腹葡萄糖fbg、甘油三酯tg和多项血细胞计数的实验室检验指标。
10、进一步地,所述抗偏态联合预处理包括:采用随机森林填补机制利用集成决策树空间内的数据相似性对缺失值进行插补;采用合成少数类过采样技术,基于少数类样本的局部空间分布,通过近邻线性插值生成合成新样本以平衡类别样本;以及针对呈现偏态分布且包含极端离群值的特征序列,采用robust scaling方法提取各特征的中位数和四分位距进行归一化平滑处理,得到标准化数据。
11、进一步地,所述衍生临床特征包括反映胰岛素抵抗的甘油三酯-空腹葡萄糖复合指数tyg,以及基于血细胞计数提取的表征免疫及炎症状态的多维炎症指标序列;
12、所述甘油三酯-空腹葡萄糖复合指数tyg的计算方法如下所示:
13、
14、其中,tg表示甘油三酯,fbg表示空腹葡萄糖。
15、进一步地,所述多维炎症指标序列至少包括中性粒细胞与淋巴细胞比值nlr、衍生中性粒细胞与淋巴细胞比值dnlr、单核细胞与淋巴细胞比值mlr、血小板与淋巴细胞比值plr、全身免疫炎症指数siri以及系统免疫炎症指数sii。
16、进一步地,所述lightgbm基线预测模型的训练包括:采用直方图分箱算法将连续型特征离散化为固定数量的bin桶,预计算每个bin内的梯度统计量,通过遍历离散bin加速最优分裂点的搜索;采用基于梯度的单侧采样策略保留梯度绝对值大的关键样本,并结合leaf-wise树生长策略,在迭代中选取当前所有叶子节点中分裂增益最大的节点实施分裂。
17、进一步地,所述lightgbm基线预测模型的训练还包括:
18、对所述lightgbm基线预测模型进行超参数迭代寻优,设置目标函数为二分类交叉熵,引入5折嵌套交叉验证与提前终止机制防止过拟合。
19、进一步地,所述双层stacking集成网络中,第一层选取随机森林、支持向量机和xgboost构成异构基学习器组,将训练集划分为k折互斥子集,各基学习器在k-1个子集上训练并在剩余子集上验证,输出拼接融合的袋外预测概率矩阵作为元特征空间;第二层选取随机森林作为元学习器,将所述元特征空间输入元学习器进行二次特征映射与重组训练,修正单一模型的预测偏差,输出所述脑梗死预测概率。
20、进一步地,基于合作博弈论机制生成个体化脑梗死风险预警报告的过程包括:
21、基于合作博弈论机制计算各输入特征对最终风险预测结果的shapley边际贡献值,根据所述shapley边际贡献值输出全局特征重要性排序及个体局部依赖图谱,向临床端直观反馈tyg指数(脂糖代谢紊乱)与siri/nlr(慢性炎症)等关键参量对特定患者发病风险的权重配比及正负向作用方向,进而自动生成具有循证医学逻辑的个体化脑梗死风险预警报告
22、进一步地,所述shapley边际贡献值的计算公式为:
23、
24、其中,n为全局特征全集,s为剔除目标特征i后的子集。
25、与现有技术相比,本发明的有益效果在于:
26、本发明通过构建抗偏态联合预处理管线,采用随机森林插补、smote过采样与robust scaling归一化相配合的方式,有效解决了真实临床数据缺失、类别严重不平衡及极端离群值干扰的问题,降低了病理信息损失与模型过拟合风险,增强了模型鲁棒性;通过融合tyg指数与nlr、siri等多项炎症网络指标构建代谢-炎症联合特征空间,突破了单一传统危险因素的表征局限,全面量化了代谢紊乱与慢性炎症的协同致病效应;通过lightgbm框架与双层stacking集成架构,充分发挥随机森林、svm与xgboost多种算法的优势互补,并经元学习器二次校准修正预测偏差,提升了对高维、高噪声医学数据的解析能力与泛化性能,平均auc达到0.79,f1分数达到0.72,有效降低了高危人群漏诊率;通过shap解释器将黑盒预测概率转化为可量化的特征边际贡献度,直观揭示关键致病因子的权重配比及作用方向,为个体化风险评估与干预靶点定位提供了循证医学依据,利于临床推广应用。
1.基于机器学习与可解释模型的脑梗死风险预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述临床电子病历数据集至少包含患者性别、年龄的人口学特征,以及空腹葡萄糖fbg、甘油三酯tg和多项血细胞计数的实验室检验指标。
3.根据权利要求1所述的方法,其特征在于,所述抗偏态联合预处理包括:采用随机森林填补机制利用集成决策树空间内的数据相似性对缺失值进行插补;采用合成少数类过采样技术,基于少数类样本的局部空间分布,通过近邻线性插值生成合成新样本以平衡类别样本;以及针对呈现偏态分布且包含极端离群值的特征序列,采用robust scaling方法提取各特征的中位数和四分位距进行归一化平滑处理,得到标准化数据。
4.根据权利要求1所述的方法,其特征在于,所述衍生临床特征包括反映胰岛素抵抗的甘油三酯-空腹葡萄糖复合指数tyg,以及基于血细胞计数提取的表征免疫及炎症状态的多维炎症指标序列;
5.根据权利要求1所述的方法,其特征在于,所述多维炎症指标序列至少包括中性粒细胞与淋巴细胞比值nlr、衍生中性粒细胞与淋巴细胞比值dnlr、单核细胞与淋巴细胞比值mlr、血小板与淋巴细胞比值plr、全身免疫炎症指数siri以及系统免疫炎症指数sii。
6.根据权利要求1所述的方法,其特征在于,所述lightgbm基线预测模型的训练包括:采用直方图分箱算法将连续型特征离散化为固定数量的bin桶,预计算每个bin内的梯度统计量,通过遍历离散bin加速最优分裂点的搜索;采用基于梯度的单侧采样策略保留梯度绝对值大的关键样本,并结合leaf-wise树生长策略,在迭代中选取当前所有叶子节点中分裂增益最大的节点实施分裂。
7.根据权利要求1所述的方法,其特征在于,所述lightgbm基线预测模型的训练还包括:
8.根据权利要求1所述的方法,其特征在于,所述双层stacking集成网络中,第一层选取随机森林、支持向量机和xgboost构成异构基学习器组,将训练集划分为k折互斥子集,各基学习器在k-1个子集上训练并在剩余子集上验证,输出拼接融合的袋外预测概率矩阵作为元特征空间;第二层选取随机森林作为元学习器,将所述元特征空间输入元学习器进行二次特征映射与重组训练,修正单一模型的预测偏差,输出所述脑梗死预测概率。
9.根据权利要求1所述的方法,其特征在于,基于合作博弈论机制生成个体化脑梗死风险预警报告的过程包括:
10.根据权利要求1所述的方法,其特征在于,所述shapley边际贡献值的计算公式为:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com