一种基于人工智能的儿童健康管理方法及系统与流程
本发明涉及人工智能医疗信息,尤其公开了一种基于人工智能的儿童健康管理方法及系统。
背景技术:
1、儿童神经发育障碍(如自闭症谱系障碍、注意缺陷多动障碍、发育迟缓等)起病隐匿,传统诊断高度依赖医师经验及量表评估,存在主观性强、滞后性明显的问题。近年来,多模态脑成像技术(结构磁共振smri、静息态功能磁共振rs-fmri)与高密度脑电图(eeg)为客观评估儿童脑发育提供了丰富数据源。
2、现有公开文献中,cn111883252a公开了一种婴儿自闭症辅助诊断方法、装置、设备和存储介质,采用卷积神经网络分别提取单模态特征后拼接分类,但未引入跨时间点的纵向时序建模,无法捕捉发育轨迹的动态变化。cn115553778b提出了一种基于楔前叶亚区相位同步的儿童注意力评测方法,但仅使用单一fmri模态,信息维度受限。cn122599059a构建了一种基于多源数据融合的神经发育障碍风险评估系统,但其规则为静态阈值,未结合同龄段群体统计分布进行动态调整。
3、上述现有技术普遍存在以下缺陷:(1)多模态融合方式简单,未对不同模态特征进行归一化对齐,量纲差异导致模型训练不稳定;(2)缺乏同龄段动态参考阈值,异常判定标准“一刀切”,未考虑不同年龄段的正常发育变异范围;(3)异常分析仅依赖全特征分类,未针对异常样本进行特征降维以突出关键偏离维度,可解释性差;(4)当患者随访次数较少(如仅1–2次)时,现有监督降维方法因样本不足而数学上无解,系统直接崩溃。
4、因此,亟需一种能够融合多源异构医学数据、建立同龄段动态阈值、并在小样本条件下依然鲁棒运行的儿童神经发育监测方案。
技术实现思路
1、本发明提供了一种基于人工智能的儿童健康管理方法及系统,旨在克服上述现有技术中存在的量纲不匹配、阈值静态化、小样本降维失效以及风险分级逻辑不完备等缺陷,通过z-score标准化消除模态间量纲差异,利用双向lstm提取跨时间点发育轨迹特征,构建同龄段动态阈值矩阵实现个性化偏离检测,并在正常样本数时自动切换至pca无监督降维以保证算法鲁棒性,最终通过规则库匹配输出分级预警报告。
2、本发明的一方面涉及一种基于人工智能的儿童健康管理方法,包括以下步骤:
3、s100、多源数据获取与预处理:获取目标儿童在同一采集时段内的多源医学影像数据与脑电信号数据,对多源医学影像数据与脑电信号数据进行去噪预处理,并对预处理后的数据进行标准化处理,以消除不同模态间的量纲差异;
4、s200、多模态特征提取与融合:分别通过各自适配的深度学习特征提取模型,从标准化后的多源医学影像数据中提取至少一种空间特征向量,从脑电信号数据中提取生理特征向量,并对空间特征向量与生理特征向量进行归一化处理后,在特征通道维度进行拼接融合,得到该采集时段对应的初始多模态特征向量;
5、s300、跨时间点时序建模:获取目标儿童在至少两个不同采集时段所对应的初始多模态特征向量,构成特征时间序列,将特征时间序列输入时序特征提取模型,提取各采集时段特征在时间维度上的动态变化规律,获得反映目标对象脑部神经发育轨迹的时序特征序列;
6、s400、同龄段动态阈值比对:获取预先建立的动态阈值矩阵,动态阈值矩阵由同年龄段正常发育儿童群体在各采集时段对应的时序特征统计值构成,每一矩阵元素记录该年龄段下对应特征的均值与标准差;获取目标儿童的当前年龄以确定其所属年龄段,提取时序特征序列中最新一个时间步对应的特征向量作为当前采集时段的特征向量;将当前采集时段特征向量中的每个特征值,与该目标儿童当前年龄段在动态阈值矩阵中对应的统计阈值范围进行比对;若任一特征值超出统计阈值范围,则确定存在神经发育偏离信号,并记录该偏离信号对应的采集时段时间戳及异常特征维度集合;
7、s500、异常特征定位与降维:根据记录的采集时段时间戳,提取该时间戳对应的初始多模态特征向量作为异常样本,同时提取该儿童在该时间戳之前所有正常时段的初始多模态特征向量构成正常样本集,当正常样本数k≥2时以类别标签作为监督信号执行lda,当k<2时执行pca无监督降维,采用降维算法对异常样本与正常样本集进行降维处理,得到目标异常特征子集;
8、s600、隐匿性病变倾向分类:将目标异常特征子集输入预先训练的多分类模型,计算目标异常特征子集属于不同神经发育偏离类别的概率分布,获得隐匿性病变倾向分类结果;
9、s700、风险分级与报告生成:获取预设的临床风险评估规则库,临床风险评估规则库以条件规则形式存储,规则条件包含分类概率阈值与年龄区段,规则结论为风险等级;通过临床风险评估规则库对步骤s600的分类结果进行匹配,确定神经发育偏离风险等级;若风险等级高于预设的预警阈值,则提取分类结果与风险等级,按预设的医疗文本模板生成结构化神经发育监测报告。
10、进一步地,步骤s100中,多源医学影像数据包括结构磁共振影像与静息态功能磁共振影像;脑电信号数据为多导联脑电时序信号;
11、去噪预处理包括对结构磁共振影像进行颅骨剥离与空间标准化,对静息态功能磁共振影像进行头动校正与时间层校正,对脑电信号进行0.5–50hz带通滤波与独立成分分析去噪。
12、进一步地,步骤s100中,标准化采用z-score标准化,设置防零常数;设结构磁共振影像体素灰度集合,静息态功能磁共振影像bold信号集合,脑电频域功率集合;
13、对结构磁共振影像体素灰度集合执行:
14、;
15、对静息态功能磁共振影像bold信号集合执行:
16、;
17、对脑电频域功率集合执行:
18、;
19、其中,为第个体素原始灰度值,无单位,来源于结构磁共振影像,取值范围0~4095;为结构磁共振影像体素总数量,单位是个,来源于影像解析输出,取值范围;为结构影像全部体素灰度均值,无单位,由结构磁共振影像体素灰度集合统计计算得到;为结构影像全部体素灰度标准差,无单位,由结构磁共振影像体素灰度集合统计计算得到;为防除零极小常数,无单位,人为预设固定取值,避免分母为0;为标准化后第个体素灰度值,无量纲,输出均值近似0、标准差近似1;为第个像素位置bold原始信号强度,无单位,来源于静息态功能磁共振影像,取值范围0~2000;为fmri影像像素点总数量,单位是个,来源于fmri解析输出,取值范围;为fmri信号强度全局均值,无单位,由静息态功能磁共振影像bold信号集合统计得到;为fmri信号强度全局标准差,无单位,由静息态功能磁共振影像bold信号集合统计得到;为标准化后bold信号强度,无量纲,输出均值近似0、标准差近似1;为脑电第个频点功率值,单位是,来源于脑电fft频域变换;为脑电频域采样点总数量,单位是个,来源于频域变换输出,取值;为脑电功率全局均值,单位是,由脑电频域功率集合统计得到;为脑电功率全局标准差,单位是,由脑电频域功率集合统计得到;是标准化后脑电频域功率,无量纲,输出均值近似0、标准差近似1。
20、进一步地,步骤s200中,各自适配的深度学习特征提取模型包括:
21、用于从结构磁共振影像中提取第一空间特征向量的三维残差卷积网络;
22、用于从静息态功能磁共振影像中提取第二空间特征向量的三维卷积网络;
23、用于从脑电信号频域变换结果中提取生理特征向量的循环神经网络;
24、三维残差卷积网络为3d resnet-50,输出512维第一空间特征向量;三维卷积网络输出256维第二空间特征向量;循环神经网络为双层lstm,输出128维生理特征向量。
25、进一步地,步骤s200中,将空间特征向量与生理特征向量进行归一化后拼接融合,具体包括:
26、对第一空间特征向量、第二空间特征向量、生理特征向量分别进行层归一化:
27、;
28、其中,为结构磁共振输出第一空间特征向量,无单位,来源于3d resnet-50,维度,表征脑部解剖结构高维特征;为fmri输出第二空间特征向量,无单位,来源于3dcnn,维度,表征脑功能激活空间特征;为脑电输出生理特征向量,无单位,来源于双层lstm,维度,表征脑电频域生理状态;为层归一化算子,模型内置算子;为归一化后第一空间特征向量,无单位,维度;为归一化后第二空间特征向量,无单位,维度;为归一化后生理特征向量,无单位,维度;
29、将归一化后的向量在特征通道维度拼接,得到896维初始多模态特征向量:
30、;
31、其中,为特征通道维度拼接算子;为初始多模态特征向量,无单位,维度,融合解剖、脑功能、脑电生理全部信息,为单采集时段输出特征。
32、进一步地,步骤s300中,时序特征提取模型为双向长短期记忆网络,隐藏层维度为256;
33、设目标儿童在个采集时段对应的初始多模态特征向量集合为;
34、前向传播:
35、;
36、其中,为采集时刻索引,无量纲,;为第个采集时段初始多模态特征向量,无单位,维度;为前一时刻前向lstm隐状态,无单位,维度;为双向lstm网络全部可训练权重参数集合,来源于模型离线训练;为时刻前向传播隐状态,无单位,维度,沿时间从前向后记忆发育演变信息;
37、后向传播:
38、;
39、其中,为后一时刻后向lstm隐状态,无单位,维度;为时刻后向传播隐状态,无单位,维度,沿时间反向记忆发育演变信息;
40、双向拼接得到时序隐状态:
41、;
42、其中,为第采集时段时序特征向量,无单位,维度;
43、构成时序特征序列:
44、;
45、其中,为时序特征序列。
46、进一步地,步骤s400中,动态阈值矩阵的构建方法为:
47、收集m名正常发育儿童的多时段多模态数据,按年龄划分为三个区段:1-3岁、3-6岁、6-12岁;对每个年龄段、每个采集时段、每个特征维度,计算群体内特征值的均值和标准差:
48、;
49、其中,为年龄段索引,无量纲,取值对应;为该年龄段下正常发育儿童样本总数量,单位是人,来源于临床建库数据集;为群体样本序号,无量纲;为时序特征维度索引,无量纲,;为群体中第个儿童在第采集时刻第维时序特征值,无单位;为年龄段、时刻、维度群体特征均值,无单位;为年龄段、时刻、维度群体特征样本标准差,无单位;分母采用为无偏样本标准差;
50、矩阵元素定义为:
51、;
52、其中,为动态阈值矩阵元素,存储该年龄段、该时刻、该维度正常统计区间;区间下限、上限均无量纲;
53、比对时,若,则记录该维度为异常维度,其中,为目标儿童最新时刻第维时序特征;为目标儿童当前所属年龄段。
54、进一步地,步骤s500中,降维算法按以下方式执行:
55、根据记录的时间戳,从步骤s200的特征集合中提取该时间戳对应的初始多模态特征向量作为异常样本;
56、提取该目标儿童在之前所有正常时段的初始多模态特征向量构成正常样本集对应标签向量,其中1表示异常,0表示正常;
57、若,采用线性判别分析进行有监督降维:
58、类内散度矩阵:
59、;
60、其中,为样本类别标签,代表正常样本,代表异常样本;为类别对应的样本集合;为集合内样本向量,无单位,维度;为类别样本均值向量,无单位,维度;为类内散度矩阵,无单位,维度,表征各类样本内部离散程度;
61、类间散度矩阵:
62、;
63、其中,为类别的样本数量,单位是个;为全部样本全局均值向量,无单位,维度;为类间散度矩阵,无单位,,表征正常样本集合与异常样本集合之间分离程度;
64、求解广义特征值问题:
65、;
66、其中,为广义特征向量,待求解;为广义特征值,标量无单位;
67、取前个最大特征值对应的特征向量构成投影矩阵,将异常样本投影:
68、;
69、其中,为异常时刻对应的初始多模态特征向量,无单位,维度;为lda投影矩阵,无单位,维度;为降维后目标异常特征子集,无单位,维度,用于后续分类;
70、若,则采用主成分分析进行无监督降维:
71、对异常样本减去所有训练样本的全局均值后,投影至预先训练的主成分矩阵上:
72、;
73、其中,为异常时刻对应的初始多模态特征向量,无单位,维度;为预训练pca主成分投影矩阵,无单位,维度;为全局样本均值向量,无单位;为降维后目标异常特征子集,无单位,维度,用于后续分类。
74、进一步地,步骤s600中,多分类模型为随机森林,设置树的数量,每棵树的最大特征数,节点分裂准则为基尼系数:
75、;
76、其中,为随机森林当前节点训练样本集合;为分类类别序号,,代表4类神经发育偏离类别;为随机森林当前节点训练样本集合内属于类别样本占比,无量纲,;为基尼不纯度系数,无单位,取值,数值越大代表节点样本类别混乱程度越高;
77、对于目标异常特征子集,输出概率分布:
78、;
79、其中,为随机森林决策树总棵数,单位是棵,固定取值500;为决策树序号;为第棵决策树的映射函数;为指示函数,条件成立输出1,不成立输出0;为输入异常特征子集条件下,属于第类发育偏离的后验概率,无量纲,取值范围;
80、分类结果:
81、;
82、其中,为模型输出分类类别标签,无量纲,取值,代表隐匿性病变倾向分类结果。
83、进一步地,步骤s700中,临床风险评估规则库的匹配函数为:
84、;
85、其中,,最大分类后验概率,无单位,取值;为目标儿童实际年龄,单位是岁;为风险等级输出,取值;预警阈值为,当时判定风险等级高于预警阈值。
86、进一步地,步骤s700中,结构化神经发育监测报告包含以下字段:目标儿童标识、监测时间、异常特征维度列表、分类类别、最大概率、风险等级、建议复查时间间隔、建议就诊科室;结构化神经发育监测报告以pdf格式输出并存档至电子健康档案系统。
87、本发明的另一方面涉及一种基于人工智能的儿童健康管理系统,用于实施上述的基于人工智能的儿童健康管理方法,包括:
88、数据获取模块,被配置为获取目标儿童在同一采集时段内的多源医学影像数据与脑电信号数据,并对数据进行去噪预处理与标准化;
89、特征提取模块,被配置为通过深度学习特征提取模型提取空间特征向量与生理特征向量,经归一化后拼接融合,输出初始多模态特征向量;
90、时序建模模块,被配置为将多个采集时段的初始多模态特征向量输入时序特征提取模型,输出时序特征序列;
91、阈值比对模块,被配置为将当前采集时段的特征向量与同龄段动态阈值矩阵进行比对,输出神经发育偏离信号及对应时间戳;
92、异常分析模块,被配置为根据时间戳提取异常样本与正常样本集,执行降维处理,输出目标异常特征子集,其中当正常样本数时执行线性判别分析有监督降维,当时执行主成分分析无监督降维;
93、分类评估模块,配置为将目标异常特征子集输入多分类模型,输出隐匿性病变倾向分类结果;
94、风险分级与报告模块,被配置为通过临床风险评估规则库匹配确定风险等级,并生成结构化监测报告;
95、存储模块,被配置为存储动态阈值矩阵、临床风险评估规则库及历史监测报告;
96、上述各模块通过总线连接,由中央处理器统一调度。
97、进一步地,数据获取模块包括3.0t磁共振扫描仪接口与128导联高密度脑电图仪接口,两接口通过时间同步触发器实现同一采集时段内的数据对齐,时间偏差约束为:
98、;
99、其中,为磁共振数据采集时刻,单位;为脑电数据采集时刻,单位;为两类设备采集时间偏差,单位;约束最大允许偏差不大于,保障多源数据属于同一采集时段。
100、本发明所取得的有益效果为:
101、本发明提供的基于人工智能的儿童健康管理方法及系统,通过同步采集儿童多源医学影像与脑电信号多模态数据,经去噪、标准化处理消除模态量纲差异;通过适配深度学习模型分别提取空间影像特征与脑电生理特征,经通道拼接融合得到多模态特征向量。基于多时段特征构建时序序列,通过时序建模挖掘儿童脑部神经发育动态演变轨迹。依托同龄段儿童统计数据构建动态阈值矩阵,实现个性化发育偏离精准比对,定位异常时间戳与异常特征维度。通过正负样本降维提纯目标异常特征子集,利用多分类模型实现隐匿性神经病变倾向智能分类。最终结合临床规则库完成风险分级,自动生成结构化神经发育监测报告,实现儿童神经发育状态时序化、精细化、智能化筛查与风险评估,所取得的有益效果具体为:
102、1.本发明同步融合医学影像与脑电信号两类异构医疗数据,通过统一去噪与标准化预处理消除不同模态数据量纲、尺度差异,解决单一影像或单一脑电检测信息维度单一、表征片面的缺陷,规避设备采集噪声干扰,为后续多模态融合分析提供高质量、高一致性的标准化数据基底。
103、2.本发明采用模型适配方式分别提取影像空间结构特征与脑电生理时序特征,通过通道维度归一化拼接融合,实现结构形态信息与神经电生理信息的深度耦合,弥补传统检测方法结构与生理信息相互割裂的问题,能够更全面表征儿童脑部神经发育综合状态。
104、3.本发明基于多时段连续采集数据构建特征时间序列,通过时序特征模型挖掘发育特征的动态演变规律,构建儿童脑部神经发育轨迹,突破传统静态单点检测仅能反映瞬时状态、无法捕捉发育趋势的局限,可有效识别缓慢、渐进式发育异常。
105、4.本发明建立基于同龄段群体统计特征的动态阈值矩阵,以年龄分层均值与标准差作为评判依据,实现个体化、年龄段适配的精细化比对,摒弃传统固定阈值评判方式适配性差、误判率高的缺陷,精准识别神经发育偏离信号并锁定异常时空维度。
106、5.本发明通过时序正常样本与异常样本对照建模,结合监督降维算法提纯异常特征子集,有效剔除冗余干扰特征,精准保留与神经发育偏离高度相关的核心异常特征,实现异常问题的精准定位与特征精简,提升后续分类识别的针对性与准确率。
107、6.本发明通过多分类模型对提纯后的异常特征进行概率化推演,实现隐匿性、早期轻微神经发育病变倾向的精细化分类识别,能够检出传统人工筛查及单一指标检测难以识别的隐性发育偏差,提升儿童早期神经发育异常的筛查灵敏度。
108、7.本发明依托临床专业规则库完成概率结果与年龄工况的智能化风险分级匹配,实现筛查结果的临床化、标准化定级,根据风险等级自动生成结构化医疗监测报告,统一评估标准、降低人工研判差异,实现儿童神经发育从数据筛查、异常定位、风险定级到报告输出的全流程智能化闭环管理,适配儿童早期健康筛查与发育监测的临床应用需求。
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