一种基于无创指标体系的育龄期女性多囊卵巢综合征风险识别方法及系统
本发明属于疾病早筛及智能医疗。具体涉及一种基于无创指标体系的育龄期女性多囊卵巢综合征风险识别方法及系统。
背景技术:
1、多囊卵巢综合征(pcos)是一种育龄期女性常见的生殖内分泌及代谢紊乱性疾病,可表现为月经周期异常、高雄激素相关表现、排卵功能障碍及代谢异常等,并对女性生殖健康及生活质量产生不良影响。由于部分患者早期症状较为隐匿且缺乏特异性,仅依赖单一症状或经验性判断,难以及时发现高风险人群,进而可能延误规范化专科评估。因此,建立适用于育龄期女性的多囊卵巢综合征风险评估技术,对于专科评估前的初步筛查和健康管理具有应用价值。
2、现有多囊卵巢综合征的临床诊断通常依据相关诊断标准,结合月经及排卵情况、高雄激素相关临床或生化证据,以及卵巢形态学等检查结果进行综合判断。临床诊断能够为专科评估和后续管理提供依据,但在实际应用中通常依赖相应检查条件和专业人员判断,检查流程相对复杂,结果反馈不够及时。在基层筛查、线上健康管理及就诊前评估等场景中,仍难以满足便捷、低负担和快速反馈的应用需求。
3、相较于实验室检测和超声检查,无创信息具有获取便捷、使用负担较低的特点,适合用于初步筛查。然而,现有基于无创信息的筛查工具多以症状询问或简单评分为主,对多维无创指标的综合评估和结果解释仍不充分。
4、多囊卵巢综合征辅助筛查和预测模型多以实验室检测结果、超声检查信息、电子病历数据或多源临床数据作为输入,虽可在一定程度上提高辅助判断效率,但对医疗检测条件和较完整的临床资料仍具有依赖性,难以满足仅基于易采集无创信息的初步筛查需求。同时,部分模型仍主要关注诊断分类或预测性能,对风险结果解释和实际应用需求的支持仍显不足。
5、因此,有必要提供一种基于无创指标体系的育龄期女性多囊卵巢综合征风险识别方法及系统,以实现个体化风险识别、风险分层提示及解释性结果输出。
技术实现思路
1、本发明提供一种基于无创指标体系的育龄期女性多囊卵巢综合征风险识别方法及系统,用以解决现有技术中对医疗检测条件及完整临床数据的依赖性问题。
2、本发明第一个方面,提供一种基于无创指标体系的育龄期女性多囊卵巢综合征风险识别方法,包括以下步骤:
3、s1、数据采集:获取育龄期女性无创指标,所述无创指标至少包括人体测量学指标、血压指标及临床表征指标;
4、s2、候选风险识别模型构建:对无创指标数据进行预处理形成模型可识别模型开发数据集,并基于训练集构建多个异构的候选风险识别模型;
5、s3、集成学习模型构建:基于候选风险识别模型的训练结果和性能表现,绘制每个模型的受试者工作特征曲线、决策曲线及校准曲线,通过五折分层交叉验证和贝叶斯优化方法筛选综合表现较优的候选风险识别模型作为基学习器,并以各基学习器的输出作为输入特征训练元学习器,构建集成学习模型;
6、s4、模型评估与特征重要性分析:基于测试集对候选风险识别模型及集成学习模型进行性能评价,并利用shap值计算各无创指标数据的特征重要性,确定核心无创指标;
7、s5、风险识别与输出:将待测样本的核心无创指标输入集成学习模型,对多囊卵巢综合征风险进行风险识别并输出风险概率。
8、进一步的,所述人体测量学指标包括年龄、颈围、腰围、臀围、骨骼肌量、体脂率、体重指数,所述血压指标包括收缩压、舒张压,所述临床标准指标包括月经初潮年龄、月经周期情况、多毛评分、脱发情况和痤疮累计评分。
9、进一步的,所述无创指标数据具体包括:年龄、颈围、腰围、臀围、收缩压、舒张压、骨骼肌量、体脂率、体重指数、月经初潮年龄、月经周期情况、多毛评分、脱发情况和痤疮累计评分。
10、进一步的,对无创指标数据进行预处理包括缺失值处理、变量编码、格式转换、指标计算及评分处理,使无创指标数据变量编码后形成模型可识别的模型开发数据集。
11、进一步的,模型开发数据集分为训练集和测试集。所述训练集用于多囊卵巢综合征风险识别模型的训练,测试集用于对训练得到的风险识别模型进行内部测试和性能比较。
12、进一步的,训练前,对所述训练集进行类别不平衡处理,得到平衡训练集,利用所述平衡训练集进行训练。
13、进一步的,所述候选风险识别模型包括逻辑回归模型、支持向量机模型、随机森林模型、xgboost 模型、lightgbm 模型和多层感知机模型。
14、进一步的,训练完成后,对候选风险识别模型的概率输出进行校准,获得校准后的多囊卵巢综合征风险概率。优选的,概率校准采用五折分层交叉验证结合 sigmoid 校准方法。
15、进一步的,所述集成学习模型的构建步骤为:以两个或三个基学习器组成的加权投票模型和stacking模型,作为候选集成学习模型。
16、进一步的,加权投票模型用于对多个基学习器输出的多囊卵巢综合征风险概率进行加权融合,获得融合后的风险概率;stacking模型包括第一层基学习器和第二层学习器,第一层基学习器用于输出风险预测结果,第二层学习器用于对不同基学习器的预测输出进行融合,并输出最终风险概率。
17、进一步的,基于测试集对候选风险识别模型及集成学习模型进行性能评价时,评价指标包括模型区分度、分类识别能力和校准度。
18、进一步的,步骤s4中采用shap方法计算各核心无创指标对模型输出结果的贡献值,获得全局解释结果和个体解释结果,所述个体解释结果用于量化单个无创指标对模型输出风险的贡献;所述全局解释结果用于评估不同核心无创指标对模型整体风险识别结果的贡献。
19、本发明第二个方面,在于提供一种基于无创指标体系的育龄期女性多囊卵巢综合征风险识别系统,包括:
20、数据获取模块,用于获取无创指标;
21、数据处理模块,用于对无创指标进行处理形成符合多囊软巢综合征风险识别模型输入要求的无创指标数据;
22、模型识别模块,用于调用经训练和验证的多囊卵巢综合征风险识别模型,对待评估育龄期女性的多囊卵巢综合征风险进行分层,并生成相应的风险分层结果;
23、特征解释模块,用于生成关键无创指标贡献信息,显示影响待评估育龄期女性风险预测的主要无创指标及其贡献情况;
24、结果输出模块,用于输出并展示待评估育龄期女性的多囊卵巢综合征风险概率值、风险分层结果和关键无创指标贡献信息。
25、进一步的,所述模型识别模块包括风险识别模型调用模块和风险分层模块,所述风险识别模型调用模块用于调用经训练和验证的多囊卵巢综合征风险识别模型,并基于所述核心无创指标数据输出待评估育龄期女性的个体化多囊卵巢综合征风险概率值;所述风险分层模块用于根据所述个体化多囊卵巢综合征风险概率值和预设风险阈值,对待评估育龄期女性的多囊卵巢综合征风险进行分层,并生成相应的风险分层结果。
26、所述数据处理模块包括数据接收模块、无创指标处理模块和核心无创指标生成模块。
27、进一步的,所述风险识别系统还包括数据存储模块、模型存储模块、反馈更新模块,所述数据存储模块用于数据的录入,无创指标及风险识别结果存储;所述模型存储模块用于模型参数的存储;所述反馈更新模块用于数据、模型的重新录入,风险识别结果的重新输出。
28、与现有技术相比,本发明具有以下有益技术效果:
29、本发明基于问卷数据、体格测量数据和身体成分测量数据构建多囊卵巢综合征风险识别模型,所采用指标均为较易获取的无创指标,可减少对性激素等实验室检查及超声检查的依赖,提高风险初筛的便捷性和可及性。
30、本发明综合年龄、体格测量指标、身体成分指标、月经周期情况以及高雄激素相关临床表现等多维无创指标,能够从不同维度反映目标对象的多囊卵巢综合征风险特征,有助于提高风险识别结果的全面性。
31、本发明通过经训练和验证的多囊卵巢综合征风险识别模型,输出目标对象的个体化风险概率值,并可根据预设风险阈值生成风险分层结果,有助于辅助识别高风险人群。
32、本发明采用 stacking 集成学习模型,并以随机森林模型和 lightgbm 模型作为基学习器,通过融合不同基学习器的预测结果输出风险概率值,有助于提高风险识别的稳定性和准确性。
33、本发明结合 shap 特征贡献分析方法,能够输出影响风险预测的主要无创指标及其贡献情况,提高风险识别结果的可解释性;同时,可通过网页端、移动端、现场筛查终端或其他结果展示终端进行应用,适用于风险初筛、健康管理及专科评估前的人群初步识别场景。
34、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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