基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法

本发明涉及医疗数据处理，具体为基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法。

背景技术：

1、在成年新发糖尿病中，继发于胰腺外分泌功能障碍的胰源性糖尿病（dep）是仅次于2型糖尿病的第二大类型，其中急性胰腺炎后糖尿病（ppdm-a）是占比最高的亚型，约四分之一的急性胰腺炎（ap）患者最终会发生ppdm-a。

2、对于ppdm-a的发病机制传统认识主要聚焦于炎症打击及其继发性损伤，然而该观点无法解释未发生胰腺坏死的轻症ap患者其ppdm-a发病率依然高达百分之十四的现象，表明ap的严重程度与ppdm-a发病风险并非完全相关。

3、近年临床研究提示脂质代谢异常在其中扮演核心角色，超重和肥胖患者发生ppdm-a的风险显著升高，且ppdm-a患者的内脏脂肪（vat）及非酒精性脂肪肝（nafld）发生率显著升高，而皮下脂肪无显著差异。

4、以内脏脂肪扩张和异位脂肪沉积为特征的系统性脂质代谢紊乱是ppdm-a发生的关键驱动因素，然而目前临床缺乏将复杂脂质代谢特征进行定量评估的工具。

5、此外，不同层级医疗机构面临的技术条件存在差异，高级别医疗场景下可利用高精度腹部ct影像构建精准影像学脂质蓄积评分（las），而基层或长程随访等场景仅能获取常规人体测量与血液生化指标来推导估算型脂质蓄积评分（e-las），目前缺乏一种能够同时兼容这两种临床场景进行ppdm-a精准预测的综合解决方案。

技术实现思路

1、本发明的目的在于提供一种分级、双轨制的脂质蓄积评分构建架构用于早期识别ppdm-a高风险患者。

2、本发明的具体技术方案在于：

3、基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，包括以下步骤：

4、s1：数据获取与判定，获取急性胰腺炎患者的基线数据，判定当前数据类型；若包含腹部平扫ct影像数据，则进入路径a，路径a为精准影像及生化特征提取；若仅包含常规人体测量学数据及血液生化数据，则进入路径b，路径b为常规估算替代指标提取；两种路径均需采集空腹血液样本指标；

5、s2：双路径特征提取，根据判定的路径提取相应的多模态特征数据；

6、s3：数据标准化，将s2提取的各维度特征变量分别进行标准化处理，转化为z得分；

7、s4：脂质蓄积综合评分计算，根据路径调用预设的经大样本主成分分析推导的加权公式，计算相应的脂质蓄积评分；

8、s5：联合评估与风险输出，将s4所得的脂质蓄积评分作为核心输入特征，结合患者的临床基础风险因子，输入至预先训练的回归预测模型中，计算患者发生急性胰腺炎后糖尿病的最终概率，并生成相应的风险预警分层报告。

9、优选地，路径a中，s2具体包括：使用预训练的深度学习ai模型自动分割腹部ct图像，提取第二腰椎至第三腰椎平面的内脏脂肪组织面积，并进行三维肝脏分割计算平均肝脏衰减值，同时获取血液中的甘油三酯和低密度脂蛋白数值。

10、优选地，路径b中，s2具体包括：获取患者体重指数、腰围、谷氨酰基转移酶、甘油三酯和总胆固醇，利用既定临床公式根据体重指数、腰围、谷氨酰基转移酶和甘油三酯分别计算脂肪肝指数和脂质蓄积乘积。

11、优选地，s4具体包括：按以下公式计算影像学脂质蓄积评分：

12、影像学脂质蓄积评分=0.541×内脏脂肪组织面积的z得分−0.630×肝脏衰减值的z得分+0.452×甘油三酯的z得分+0.324×低密度脂蛋白的z得分。

13、优选地，s4具体包括：按以下公式计算估算型脂质蓄积评分：

14、估算型脂质蓄积评分=0.203×总胆固醇的z得分+0.686×脂肪肝指数的z得分+0.699×脂质蓄积乘积的z得分。

15、优选地，所述预训练的深度学习ai模型基于nnu-net框架；所述三维肝脏分割包括对肝脏区域计算平均肝脏衰减值。

16、优选地，s5中所述临床基础风险因子包括复发性胰腺炎病史和基线糖化血红蛋白值。

17、本发明的有益效果在于：

18、首先，本发明打破了单一数据源的局限，提供了一套包含“精准影像标准版（las）”和“简易估算普适版（e-las）”的解决方案，无论是拥有高级放射设备的三甲医院还是进行无创初筛的社区门诊，均可根据现有数据匹配最佳预测路径，实现全场景覆盖。

19、其次，本发明通过主成分分析降维技术提取核心主成分，消除了各脂质与体格指标间存在的多重共线性问题，特别是在e-las模型中，算法自动赋予脂肪肝指数（fli）和脂质蓄积乘积（lap）极高权重而弱化总胆固醇（tc）权重，成功克服了他汀类药物造成的低总胆固醇伴随高发病率的预测悖论干扰，保证了真实世界用药环境下的预测鲁棒性。

20、同时，本发明将不可见的代谢紊乱状态成功转化为客观的、一维风险数字评分（las或e-las），大幅提升了早期识别ppdm-a高风险患者的临床效用。

21、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，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

1.基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，路径a中，s2具体包括：使用预训练的深度学习ai模型自动分割腹部ct图像，提取第二腰椎至第三腰椎平面的内脏脂肪组织面积，并进行三维肝脏分割计算平均肝脏衰减值，同时获取血液中的甘油三酯和低密度脂蛋白数值。

3.根据权利要求1所述的基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，路径b中，s2具体包括：获取患者体重指数、腰围、谷氨酰基转移酶、甘油三酯和总胆固醇，利用既定临床公式根据体重指数、腰围、谷氨酰基转移酶和甘油三酯分别计算脂肪肝指数和脂质蓄积乘积。

4.根据权利要求2所述的基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，s4具体包括：按以下公式计算影像学脂质蓄积评分：

5.根据权利要求3所述的基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，s4具体包括：按以下公式计算估算型脂质蓄积评分：

6.根据权利要求4所述的基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，所述预训练的深度学习ai模型基于nnu-net框架；所述三维肝脏分割包括对肝脏区域计算平均肝脏衰减值。

7.根据权利要求1所述的基于多模态脂质蓄积评分预测急性胰腺炎后糖尿病的方法，其特征在于，s5中所述临床基础风险因子包括复发性胰腺炎病史和基线糖化血红蛋白值。