子痫前期辅助诊断的特征选择方法、系统、设备与介质与流程

摘要: 本发明涉及医学人工智能与优化算法交叉,特别涉及子痫前期辅助诊断的特征选择方法、系统、设备与介质。背景技术:1、子痫前期(pe)是一种复杂的妊娠期疑难病症,被归类...
子痫前期辅助诊断的特征选择方法、系统、设备与介质与流程

本发明涉及医学人工智能与优化算法交叉,特别涉及子痫前期辅助诊断的特征选择方法、系统、设备与介质。

背景技术:

1、子痫前期(pe)是一种复杂的妊娠期疑难病症,被归类为"重大产科综合征"之一。pe的病因相当复杂,其临床数据通常包含大量生理生化指标、超声参数及人口统计学特征,呈现出高维度、非线性强、类别不平衡等特点。在构建pe早期筛查或风险评估模型时,从海量候选指标中筛选出具有强判别能力的特征子集,是提升模型泛化性能并降低过拟合风险的关键环节。

2、近年来机器学习方法在辅助解决医疗问题中的应用日益广泛,现有技术中,一种典型做法是采用标准海狸行为优化器(beaver behavior optimizer, bbo)进行特征子集搜索:算法将每个海狸个体编码为一个连续数值向量,向量的每一维对应一个候选特征,并通过阈值映射将该连续值转换为二元变量,从而生成候选特征子集,依据分类器在训练集上的交叉验证准确率作为个体适应度,通过模拟海狸筑坝、迁移和变异等行为更新种群位置,迭代寻找使准确率最大化的特征组合。

3、然而,传统机器学习方法在处理高维、非线性且不平衡的临床医学数据时,由于pe数据集的样本量通常有限(数百例),而候选特征数量可达百维以上,导致最终输出的特征组合往往包含大量与疾病关联微弱或彼此高度共线的冗余指标,高维冗余特征加剧了模型对训练样本噪声的过度学习,使得筛选出的特征组合的泛化性能大幅下降,过拟合风险显著升高,无法很好的进行医疗辅助。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足,提供子痫前期辅助诊断的特征选择方法、系统、设备与介质,以解决现有技术中的问题。

2、本发明具体提供如下技术方案:

3、一种子痫前期辅助诊断的特征选择方法,包括步骤:

4、获取子痫前期pe临床数据集;

5、将海狸行为优化器中每个海狸个体对应的连续数值向量映射为二元变量,以生成候选特征子集;其中,每个海狸个体为一个候选解,候选解的每一个维度对应一个候选特征,候选特征子集包括各类临床指标;二元变量的取值决定连续数值向量是否选取子痫前期pe临床数据集的维度;

6、对子痫前期pe临床数据集进行划分,得到分类器的交叉验证准确率,基于交叉验证准确率和候选特征子集构建用于特征选择的目标函数;执行改进后海狸行为优化器的迭代过程,获得最小化所述目标函数的最佳特征组合;其中,所述迭代过程采用两阶段协同增强策略:在迭代前期,利用增强解质量策略对海狸个体代表的候选解进行更新;在迭代后期,基于协方差矩阵自适应进化策略,围绕候选解更新后当前已知最优解的邻域进行局部搜索,获取并更新全局最优解,将最优解解码得到最佳特征组合。

7、优选的,所述迭代前期为当前迭代次数t≤floor(2t/3)的海狸行为优化器bbo和增强解质量esq阶段,其中t为预设的最大迭代次数;所述迭代后期为当前迭代次数t>floor(2t/3)的协方差矩阵自适应进化策略cma-es阶段;其中,floor为向下取整。

8、优选的,所述迭代前期的过程具体为:

9、基于预设的最大迭代次数获取筑坝阶段因子d(t),并生成随机数r1;

10、若r1≥ d(t),则进入材料收集探索阶段:

11、将种群按适应度划分为建筑师子群与勘探者子群;所述建筑师子群中的个体通过随机选择的同伴进行位置更新;所述勘探者子群中的个体以预设概率向所述建筑师子群中的对应个体学习,并叠加余弦加权的随机扰动进行位置更新,在完成位置更新后计算候选位置的适应度,并通过第一阶段贪心选择机制比较候选位置与更新前个体的适应度,当候选位置的适应度优于更新前个体适应度时保留该候选位置;以预设概率触发增强解质量esq策略,对当前保留个体生成增强候选解,并通过第二阶段贪心选择机制比较增强候选解与当前个体适应度,保留适应度更优的个体;

12、若r1

13、优选的,所述迭代后期的过程具体包括:以候选解更新后当前已找到的最优解为起点,初始化协方差矩阵自适应进化策略,并依次执行采样操作、选择与重组操作以及更新操作,以在所述最优解的邻域内执行局部搜索;其中:

14、所述采样操作为从一个由当前平均向量、步长标量和协方差矩阵共同参数化的多元正态分布中抽取一组新的候选解;

15、所述选择与重组操作为从新生成的种群中提取精英个体子集,并将精英个体子集加权质心更新为下一代的平均向量;

16、所述更新操作为采用rank-1与rank-μ相结合的机制更新协方差矩阵,并更新进化路径和全局步长。

17、优选的,所述基于交叉验证准确率和候选特征子集构建用于特征选择的目标函数,具体为:

18、以候选特征子集中当前个体所选特征数量占子痫前期pe临床数据集总特征维度的比例,以及交叉验证准确率间的权重关系,得到用于特征选择的目标函数。

19、优选的,所述最佳特征组合包括:丙氨酸氨基转移酶、天冬氨酸氨基转移酶、尿酸及血尿素氮。

20、优选的,所述分类器为k近邻分类器,并且采用十折交叉验证来评估所述分类器的准确率。

21、本发明提供一种子痫前期辅助诊断的特征选择系统,包括:

22、数据采集模块,用于获取子痫前期pe临床数据集;

23、映射模块,用于将海狸行为优化器中每个海狸个体对应的连续数值向量映射为二元变量,以生成候选特征子集;其中,每个海狸个体为一个候选解,候选解的每一个维度对应一个候选特征,候选特征子集包括各类临床指标;二元变量的取值决定连续数值向量是否选取子痫前期pe临床数据集的维度;

24、特征选择模块,用于对子痫前期pe临床数据集进行划分,得到分类器的交叉验证准确率,基于交叉验证准确率和候选特征子集构建用于特征选择的目标函数;执行改进后海狸行为优化器的迭代过程,获得最小化所述目标函数的最佳特征组合;其中,所述迭代过程采用两阶段协同增强策略:在迭代前期,利用增强解质量策略对海狸个体代表的候选解进行更新;在迭代后期,基于协方差矩阵自适应进化策略,围绕候选解更新后当前已知最优解的邻域进行局部搜索,获取并更新全局最优解,将最优解解码得到最佳特征组合。

25、与现有技术相比,本发明具有如下显著优点:

26、本发明针对原始海狸行为优化器bbo收敛精度不足、易早熟收敛的问题,本发明通过构建融合交叉验证准确率与候选特征数量的多目标适应度函数,并结合两阶段协同增强的改进海狸行为优化器进行全局与局部精细搜索,在迭代前期引入增强解质量esq策略生成高质量扰动解,有效防止种群陷入局部最优,在迭代后期激活协方差矩阵自适应进化策略cma-es,围绕当前全局最优解执行自适应局部精细搜索,显著提升了算法的开采精度,在保持甚至提高pe风险识别精度的前提下,大幅压缩了特征子集的维度,从而有效降低了模型过拟合风险,使得筛选出的临床指标组合更稳定、可重复性更强,为子痫前期精准风险评估提供了可靠且经济的辅助决策依据。