临床数据建模处理方法、电子设备及存储介质

摘要: 本发明涉及数据处理,具体涉及临床数据建模处理方法、电子设备及存储介质。背景技术:1、在临床研究中,数据来源日趋多样化,常涉及结构化静态指标、时序指标、影响特征及...
临床数据建模处理方法、电子设备及存储介质

本发明涉及数据处理,具体涉及临床数据建模处理方法、电子设备及存储介质。

背景技术:

1、在临床研究中,数据来源日趋多样化,常涉及结构化静态指标、时序指标、影响特征及上下文信息等多模态异构数据,其分布形态和稀疏程度存在显著差异,同时,临床数据在字段、组、模态及样本层面普遍存在不同程度的缺失与质量问题,而现有常规处理手段难以在统一框架下同时实现临床数据的融合建模。

技术实现思路

1、本发明提供了一种临床数据建模处理方法、电子设备及存储介质,以解决常规处理手段难以在统一框架下同时实现临床数据的融合建模的问题。

2、第一方面,本发明提供了一种临床数据建模处理方法,方法包括:

3、获取多模态异构临床数据,其中多模态异构临床数据包括患者每次就诊时的不同临床数据;

4、基于变量字典对多模态异构临床数据进行字段分类、模态映射及数据处理,得到临床数据的模态内表示、临床分组级共享表示、模态全局共享表示和模态差异表示;

5、基于多模态异构临床数据和变量字典构建分层缺失表示和分层质量表示,基于分层缺失表示和分层质量表示对模态内表示进行门控降权处理,并基于采集上下文和任务条件信息对模态内全局共享表示和/或临床分组级共享表示进行条件缩放与条件平移处理,得到条件化共享表示;

6、基于多种约束条件和分阶段联合优化规则,对模态内表示、临床分组级共享表示、模态全局共享表示、模态差异表示和条件化共享表示进行条件约束与优化处理,得到基于多模态异构临床数据的高获益亚群识别结果、单指标贡献差异评估结果、高效指标组合提取结果以及临床分组间内部依赖结构差异结果。

7、本发明先以变量字典为锚点对多模态异构临床数据进行字段归类、模态映射和数据清洗,从而抽取出模态内表示、临床分组级共享表示、模态全局共享表示和模态差异表示,再依据数据缺失程度和质量评估构建分层缺失表示与分层质量表示,用它们对模态内表示实施门控降权以削弱低质信息影响,并借助采集上下文和任务条件信息对模态内全局共享表示或临床分组级共享表示进行条件缩放与条件平移,生成条件化共享表示,最后在多种约束条件和分阶段联合优化框架下对这些表示施加条件约束与优化,最终输出高获益亚群识别结果、单指标贡献差异评估结果、高效指标组合提取结果以及临床分组间内部依赖结构差异结果。该方法的有益效果是能够充分利用真实世界临床数据中混杂缺失和异质性信息,通过动态门控与条件化调整显著增强模型对噪声和场景变化的容忍度,同时约束优化保证了各表示间的可解释性和互补性,从而使所得四类结果在临床辅助决策、生物标志物筛选和亚群分层中兼具稳健性与精准性,为个体化治疗和试验设计提供客观量化依据。

8、在一种可选的实施方式中,基于变量字典对多模态异构临床数据进行字段分类、模态映射及数据处理,得到临床数据的模态内表示、临床分组级共享表示、模态全局共享表示和模态差异表示,包括:

9、基于变量字典中的模态映射规则,确定多模态异构临床数据中的静态结构化指标数据、时序指标数据、影像模态特征数据;

10、基于预设拟合参数对多模态异构临床数据进行参数拟合处理;其中,预设拟合参数至少包括中位数与四分位距、对数平移常数、缺失补齐参数、分类变量参数、质量规则参数、分组映射参数与模态映射参数;

11、基于训练数据确定预处理拟合参数,其中,预处理拟合参数包括中位数、四分位距、对数平移常数、缺失补齐参数及分类变量编码参数中的至少一种;

12、基于变量字典中的质量规则参数、分组映射参数和模态映射参数,确定各字段对应的质量评价子项及其权重、所属临床分组和所属数据模态,建立字段与临床分组及数据模态之间的映射关系,得到临床分组内字段列表、模态内字段列表以及字段级质量评价规则;

13、基于预处理拟合参数对多模态异构临床数据执行标准化、数值变换、分类编码和缺失补齐处理;

14、对静态结构化指标数据、时序指标数据、影像模态特征数据,施加字段到模态之间的第一映射,得到模态内字段列表;

15、对静态结构化指标数据、时序指标数据、影像模态特征数据,施加字段到临床分组之间的第二映射,得到临床分组内字段列表;

16、基于模态内字段列表和临床分组内字段列表,对静态结构化指标数据、时序指标数据、影像模态特征数据进行缺失补齐处理和临床功能组定义处理,得到处理后的模态输入和临床分组内字段列表。

17、本发明先以变量字典为总控,定义模态映射、分组映射、质量规则及各类拟合参数,对多模态数据进行标准化、数值变换、分类编码和缺失补齐等预处理,同时建立字段与模态、临床分组的映射关系,得到模态内和分组内的字段列表,并完成数据补齐与功能组定义,最终生成处理后的模态输入和分组内字段列表,这些输出正是后续提取模态内表示、临床分组级共享表示、模态全局共享表示和模态差异表示的数据基础。该方法的有益效果在于通过变量字典统一规范了异构数据的分类、映射与质量控制,降低了融合复杂度,同时借助标准化和基于规则的质量评价提升了数据一致性,为后续多级表示学习提供了可解释且高质量的特征基底,从而增强亚群识别和指标评估的准确性与稳健性。

18、在一种可选的实施方式中,对静态结构化指标数据、时序指标数据、影像模态特征数据进行缺失补齐处理和临床功能组定义处理,得到模态内表示、临床分组级共享表示、全局共享表示和差异表示,包括:

19、基于静态结构化指标数据、时序指标数据、影像模态特征数据,确定多模态数据组,基于变量字典中的临床分组映射规则,将不同模态中的字段映射至每个患者的多模态数据组,其中多模态数据组至少包括每个患者的基线组、血流动力学组、右心功能组、运动状态组、时序生理组、影像结构组;

20、基于各模态对应的预设模态内编码器分别对处理后的模态输入进行编码,得到模态内表示;

21、基于字段与临床分组之间的映射关系,将模态内表示映射至对应的临床分组共享空间,并施加组一致性约束以使同一临床分组内不同模态对应的表示相互靠近,得到临床分组级共享表示;

22、基于各临床分组级共享表示,提取模态级的全局共享表示;

23、基于模态内表示与模态级的全局共享表示,提取模态差异表示;

24、基于正交约束或低相关约束,降低模态全局共享表示与模态差异表示之间的信息冗余;其中,正交约束用于使二者之间的内积趋近于零,低相关约束用于使二者之间的相关系数绝对值趋近于零或不高于预设相关性阈值。

25、基于模态全局共享表示和模态差异表示重构对应的模态内表示,并根据重构结果与模态内表示之间的差异施加重构约束,以降低表示分解过程中的有效信息损失。

26、本发明先按临床分组映射规则将静态、时序、影像数据归入基线组、血流动力学组、右心功能组等若干多模态数据组,再对各模态数据分别经过编码器提取模态内表示,随后基于字段与分组的映射关系将模态内表示投影至对应分组空间并施加组一致性约束,使同组内跨模态表示相互靠近,得到临床分组级共享表示,并进一步聚合出模态级的全局共享表示,同时以模态内表示减去全局共享表示得到模态差异表示,并对全局共享与差异表示施以正交或低相关约束以降低信息冗余,最后利用二者重构原始模态内表示并施加重构约束以保留有效信息。该方法的有益效果是借助临床分组映射强化了表示与医学知识对齐,通过组一致性约束提升了同组不同模态间的协同性,而正交重构机制则保证了全局共性信息与个体差异信息的解耦与完整保留,从而为后续高获益亚群识别、单指标贡献评估和分组结构差异分析提供更具判别力且可解释的特征基础。

27、在一种可选的实施方式中,基于多模态异构临床数据和变量字典构建分层缺失表示和分层质量表示,包括:

28、基于变量字典中的缺失规则,分别确定目标样本中各字段的观测状态,在缺失补齐处理前生成字段级缺失标记,并根据字段与临床分组及模态之间的映射关系,对字段级缺失标记进行逐层聚合,得到临床分组级缺失比例、模态级缺失比例和样本级缺失比例;将字段级缺失标记、临床分组级缺失比例、模态级缺失比例和样本级缺失比例确定为分层缺失表示;

29、基于变量字典中的质量规则,分别根据静态结构化指标数据、时序指标数据和影像模态特征数据对应的质量评价子项确定字段级质量分数,并根据字段与临床分组及模态之间的映射关系,对字段级质量分数进行逐层加权聚合,得到临床分组级质量分数、模态级质量分数和样本级质量分数;将字段级质量分数、临床分组级质量分数、模态级质量分数和样本级质量分数确定为分层质量表示。

30、本发明先依照变量字典中的缺失规则为每个字段生成观测状态标记,再按字段所属分组和模态逐层汇总为临床分组级、模态级和样本级的缺失比例,从而形成从字段到样本的多层级缺失表示;同时依据质量规则对各字段计算质量分数,并按同一映射关系加权聚合,得到同样分层级的质量表示。这一分层缺失与质量表示的有益效果在于,能够从微观字段到宏观样本全面量化数据可信度,为后续门控降权提供精细且可解释的调节依据,使模型在面对不同缺失模式和质量波动时能动态调整模态贡献度,从而显著提升临床数据建模的稳健性和真实场景下的泛化能力。

31、在一种可选的实施方式中,基于模态相关的缺失表示和模态相关的质量表示进行质量降权、条件缩放和条件平移处理,得到条件化共享表示,包括:

32、基于字段级缺失标记、临床分组级缺失比例、模态级缺失比例和样本级缺失比例,确定不同层级的缺失程度;

33、基于字段级质量分数、临床分组级质量分数、模态级质量分数和样本级质量分数,确定不同层级的数据质量;

34、基于不同层级的缺失程度和数据质量,对模态内表示进行质量降权,并基于采集上下文和任务条件信息对模态全局共享表示和/或临床分组级共享表示进行条件缩放和条件平移,得到条件化共享表示;

35、基于质量分数和缺失比例,对模态内表示进行质量降权、对全局共享表示进行条件缩放和条件平移处理,得到条件化共享表示。

36、本发明先利用字段级、临床分组级、模态级和样本级的缺失比例与质量分数逐层评估数据缺失程度和质量水平,然后依此对模态内表示实施质量降权以压制低质或高缺失信息的贡献,同时结合采集上下文和任务条件信息对模态全局共享表示或临床分组级共享表示进行条件缩放与条件平移,使共享表征随具体场景自适应调整,最终得到条件化共享表示。该方法的有益效果在于通过多层级质量感知和动态条件调节,有效抑制噪声干扰并提升共享特征对临床上下文变化的响应能力,使后续约束优化和亚群识别更加稳健且贴合真实诊疗条件。

37、在一种可选的实施方式中,基于质量分数和缺失比例,对模态内表示进行质量降权、对全局共享表示进行条件缩放和条件平移处理,包括:

38、基于模态级缺失标记和模态级质量分数共同生成门控向量,并基于门控向量和模态内表示做逐元素相乘,完成对模态内表示的质量降权;

39、基于采集上下文与任务条件信息生成条件嵌入,并由条件嵌入生成缩放参数和平移参数;

40、基于缩放参数和平移参数对模态全局共享表示和/或临床分组级共享表示施加条件调制约束,完成对模态全局共享表示和/或临床分组级共享表示的条件缩放与条件平移,得到条件化共享表示。

41、本发明先以模态级缺失标记和质量分数共同生成门控向量,通过逐元素相乘对模态内表示施以质量降权,以剔除低质干扰;再根据采集上下文和任务条件信息生成条件嵌入,并由此导出缩放与平移参数,对模态全局共享表示或临床分组级共享表示施加条件调制约束,完成条件缩放与条件平移,最终得到条件化共享表示。该方法的有益效果在于通过门控机制精准抑制不可靠模态的影响,同时借助上下文和任务驱动的条件调制,使共享表征能够灵活适配不同临床场景,从而在保持核心特征稳定的前提下提升模型对异质临床环境的适应能力和决策精准度。

42、在一种可选的实施方式中,基于多种约束条件和分阶段联合优化规则,对模态内表示、临床分组级共享表示、全局共享表示、差异表示、条件化共享表示进行条件约束与优化处理,得到基于多模态异构临床数据的高获益亚群识别结果、单指标贡献差异评估结果、高效指标组合提取结果以及临床分组间内部依赖结构差异结果,包括:

43、多种约束条件包括干预获益分层约束、分组稀疏约束、主效应与干预交互项约束、低维组合表示约束和结构联合建模约束;

44、基于条件化共享表示构建获益预测头,并结合干预对照指示变量施加干预获益分层约束,生成获益预测结果,并基于获益预测结果确定高获益亚群识别结果;

45、基于临床分组级共享表示,将对应的模型参数按照预设临床分组进行划分,并施加分组稀疏约束,以筛选重要临床分组和组内关键字段;

46、基于关键字段对应的主效应参数和干预交互项参数,施加主效应与干预交互项约束,以区分字段主效应与干预交互效应,得到单指标贡献差异评估结果;

47、基于关键字段施加低维组合表示约束,得到高效指标组合提取结果;

48、基于第一样本组和第二样本组分别构建第一内部依赖结构矩阵和第二内部依赖结构矩阵,施加结构联合建模约束,将第一内部依赖结构矩阵和第二内部依赖结构矩阵分解为共享结构矩阵和差异结构矩阵,并基于共享结构矩阵和差异结构矩阵得到第一样本组与第二样本组之间的临床功能组依赖结构差异结果。

49、本发明在条件化共享表示基础上,先构建获益预测头并引入干预对照指示变量,施加干预获益分层约束来生成获益预测并据此识别高获益亚群;再对临床分组级共享表示施加分组稀疏约束,筛选出重要临床分组及其内部关键字段;接着对这些关键字段的主效应参数与干预交互项参数施加主效应与干预交互项约束,以区分各自贡献,完成单指标贡献差异评估;同时对这些关键字段施加低维组合表示约束,提取出高效指标组合;最后对两组样本分别构建内部依赖结构矩阵,通过结构联合建模约束将其分解为共享结构和差异结构,从而得到两组间临床功能组依赖结构差异。该方法的有益效果是通过分阶段施加多种约束,在保障模型可解释性的前提下,同步实现获益人群定位、变量独立效应量化、最优指标筛选及组间结构对比,为临床精准分层、治疗方案优化和机制差异分析提供系统性的定量决策支持。

50、在一种可选的实施方式中,分阶段联合优化规则包括:

51、第一阶段,基于组一致性约束和重构约束,对模态内表示与临床分组级共享表示进行预对齐;

52、第二阶段,基于共享—差异分离约束和重构约束,对模态全局共享表示和模态差异表示进行分解优化;

53、第三阶段,基于任务损失、干预获益分层约束、临床分组稀疏约束、层级交互约束和低维组合表示约束进行任务导向优化;

54、第四阶段,基于结构联合建模约束对第一内部依赖结构矩阵和第二内部依赖结构矩阵进行结构优化;

55、在完成第一阶段至第四阶段后,基于各阶段目标函数的加权组合进行联合微调。

56、本发明先在第一阶段用组一致性约束和重构约束对模态内表示与临床分组级共享表示进行预对齐,确保同组跨模态信息初步协调;第二阶段在共享—差异分离约束和重构约束下,将全局共享表示与差异表示分解优化,实现共性与个性信息的解耦;第三阶段以任务损失为主,结合干预获益分层约束、分组稀疏约束、层级交互约束和低维组合表示约束开展任务导向优化,使表示贴合临床预测与变量筛选需求;第四阶段用结构联合建模约束对两组样本内部依赖结构矩阵进行结构优化,最后将各阶段目标函数加权组合进行联合微调,实现全局协调。该方法的有益效果是通过阶段性递进与终末联合微调,避免各约束间的优化冲突,同时保证表示对齐、信息分离、任务适配和结构对比逐层完善,最终使四类输出结果在可解释性和临床一致性上达到综合最优。

57、第二方面,本发明提供了一种电子设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的方法。

58、第三方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的方法。