脑梗死风险等级量化分析方法及系统、介质及程序产品与流程

本发明涉及医疗数据处理与疾病风险预测，特别涉及脑梗死风险等级量化分析方法及系统、介质及程序产品。

背景技术：

1、短暂性脑缺血发作（tia）是一种临床综合征，其特点是脑部神经功能出现短暂性、可逆性障碍，症状一般在24小时内完全缓解，虽然tia不会造成永久性神经损伤，但作为脑卒中的关键前驱事件，其临床意义不容小觑，流行病学研究显示，tia患者在之后30天内发生缺血性脑卒中的风险显著高于普通人群，降低患者生命质量，同时给社会医疗资源造成沉重负担，在老龄化和慢性病高发的背景下，针对tia观测样本开展短期脑梗死发生概率精准量化测算，是脑血管风险数据分析领域亟待完善的技术方向。

2、现阶段针对tia相关样本的风险分层测算，主要依托躯体表征记录、影像扫描数据及实验室检验数据完成，行业通用风险量化参考工具如abcd2评分能够实现基础样本分层参考，但该类工具仅依托躯体表征与基础影像指标搭建测算逻辑，未纳入脑血管解剖结构差异、颅内血流动力学相关数据维度，无法完整表征脑组织血流重建潜力与局部组织缺血耐受特征，容易出现高风险样本漏识别，难以完成精细化分层测算。

3、磁共振成像技术的发展促进了脑血管解剖及功能状态的深入研究，flair血管高信号征（fvh）作为颈内动脉或脑大动脉血流异常的影像征象，已被证实与脑血流动力学紊乱密切相关，反映颅内大血管严重狭窄或闭塞后软脑膜侧支内缓慢流动的血液在flair序列上的高信号表现；willis环（circle of willis，cow）作为大脑底部最重要的初级侧支循环通路，其解剖完整性直接影响脑血流的侧支代偿能力；不完整的willis环结构被认为是脑缺血事件发生和复发的重要危险因素之一，但临床中对willis环变异的关注及应用尚有限，现有技术指出fvh征与willis环不完整性均与卒中风险存在显著关联，但将两类影像结构指标联合用于tia样本短期脑梗死风险量化测算的技术方案仍处于空白。

4、传统的logistic回归由于模型结构简单、参数易解释、具有明确的临床意义，长期以来是建立疾病预测模型的主要手段，然而，传统logistic回归假定自变量与因变量之间呈线性关系，且不能自动识别变量间的交互作用，在处理高维、非线性临床数据时预测性能存在瓶颈；极端梯度提升（xgboost）作为一种高效灵活的集成学习算法，通过串行构建多棵决策树拟合前序残差逐步提升性能，自带l1/l2正则化机制可抑制过拟合，在处理复杂医学数据方面展现出优于传统模型的潜力，但xgboost模型存在黑箱特性，可解释性不足，限制了其在临床中的实际应用。

5、例如，申请号为202610097272.0的中国专利公开了一种脑卒中复发风险评估模型的构建方法，但其目标人群为心房颤动合并脑梗死患者（已发生卒中人群），预测时间窗口为3年长期复发风险，未涉及fvh征和willis环不完整性；申请号为202210757252.3的中国专利公开了脑梗死机械取栓开通后血管再闭塞检测方法，申请号为202111251651.4的中国专利公开了自杀风险预测模型生成方法，两者虽分别使用了xgboost或logistic和xgboost，但均未涉及fvh征和willis环不完整性这两个影像学标志物的联合应用。因此，现有技术中尚缺乏针对tia患者（尚未发生不可逆脑梗死的预警人群），联合fvh征与willis环不完整性两个影像学征象，并采用多层次变量筛选策略构建双模型（lasso-logistic与xgboost）进行30天短期脑梗死发生概率等级量化分析的技术方案。

技术实现思路

1、本发明实施例提供了一种脑梗死风险等级量化分析方法及系统、介质及程序产品，以解决现有技术中的上述技术问题。

2、根据本发明实施例的第一方面，提供了脑梗死风险等级量化分析方法。

3、在一个实施例中，所述脑梗死风险等级量化分析方法，包括：利用影像征象判读技术对磁共振影像数据进行血管高信号征与初级侧支循环通路完整性评估处理，以获取目标人群的基线特征数据，构建脑梗死概率预测模型；从初始变量池内筛选目标特征，利用目标特征与留一法网格搜索技术训练极端梯度提升模型，并通过模型可解释技术对训练后的极端梯度提升模型实施优化处理，基于优化结果得到极端梯度提升预测模型；将脑梗死概率预测模型与优化后的极端梯度提升模型结合作为脑梗死概率预测双模型，并以约登指数确定的最佳截断值为基准建立风险等级分层量化分析规则，将脑梗死概率预测双模型的输出结果与风险等级分层量化分析规则匹配，实现脑梗死预测风险等级量化分析。

4、根据本发明实施例的第二方面，提供了脑梗死风险等级量化分析系统。

5、在一个实施例中，所述脑梗死风险等级量化分析系统，包括：脑梗死概率预测模型构建单元，用于利用影像征象判读技术对磁共振影像数据进行血管高信号征与初级侧支循环通路完整性评估处理，以获取目标人群的基线特征数据，构建脑梗死概率预测模型；提升预测模型构建单元，用于从初始变量池内筛选目标特征，利用目标特征与留一法网格搜索技术训练极端梯度提升模型，并通过模型可解释技术对训练后的极端梯度提升模型实施优化处理，基于优化结果得到极端梯度提升预测模型；风险等级输出决策单元，用于将脑梗死概率预测模型与优化后的极端梯度提升模型结合作为脑梗死概率预测双模型，并以约登指数确定的最佳截断值为基准建立风险等级分层量化分析规则，将脑梗死概率预测双模型的输出结果与风险等级分层量化分析规则匹配，实现脑梗死预测风险等级量化分析。

6、根据本发明实施例的第三方面，提供了一种计算机可读存储介质。

7、在一个实施例中，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

8、根据本发明实施例的第四方面，提供了一种计算机程序产品。

9、在一个实施例中，所述计算机程序产品上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。

10、本发明实施例提供的技术方案可以包括以下有益效果：

11、1、本发明可解决现有tia风险评估工具未充分考虑脑血管解剖变异和血流动力学状态，无法全面量化分析tia患者30天内继发脑梗死的风险等级，且能够解决传统预测模型构建中变量筛选流程存在的共线性变量互相干扰、标准误膨胀、p值不可靠等问题，避免传统单因素筛选可能误删单独不显著但具有联合贡献价值的变量的缺陷。

12、2、本发明可解决现有单一模型存在各自的局限性，如logistic回归难以捕捉非线性关系和复杂交互效应，xgboost模型存在黑箱特性、可解释性不足的问题，同时能够克服现有预测模型仅输出单点风险概率，无法提供个体化的决策解释和多层次干预建议的技术缺陷。

13、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

1.脑梗死风险等级量化分析方法，其特征在于，包括：

2.根据权利要求1所述的脑梗死风险等级量化分析方法，其特征在于，所述利用影像征象判读技术对磁共振影像数据进行血管高信号征与初级侧支循环通路完整性评估处理，以获取目标人群的基线特征数据，构建脑梗死概率预测模型包括：

3.根据权利要求2所述的脑梗死风险等级量化分析方法，其特征在于，所述将统计特征指标输入变量二次筛选层，通过l1范数惩罚与十折交叉验证确定最优惩罚参数，以利用最优惩罚系数筛选预测因子，基于预测因子构建目标人群脑梗死概率预测模型包括：

4.根据权利要求1所述的脑梗死风险等级量化分析方法，其特征在于，所述从初始变量池内筛选目标特征，利用目标特征与留一法网格搜索技术训练极端梯度提升模型，并通过模型可解释技术对训练后的极端梯度提升模型实施优化处理，基于优化结果得到极端梯度提升预测模型包括：

5.根据权利要求4所述的脑梗死风险等级量化分析方法，其特征在于，所述模型可解释性分析技术用于通过树结构沙普利加和解释算法逐一计算目标人群对应预测因子的模型可解释值，并绘制以模型可解释值为横轴、预测因子为纵轴的概要图，以展示极端梯度提升模型中预测因子的重要性。

6.根据权利要求5所述的脑梗死风险等级量化分析方法，其特征在于，所述模型可解释值的表达式为：

7.根据权利要求1所述的脑梗死风险等级量化分析方法，其特征在于，所述将脑梗死概率预测模型与优化后的极端梯度提升模型结合作为脑梗死概率预测双模型，并以约登指数确定的最佳截断值为基准建立风险等级分层量化分析规则，将脑梗死概率预测双模型的输出结果与风险等级分层量化分析规则匹配，实现脑梗死预测风险等级量化分析包括：

8.根据权利要求7所述的脑梗死风险等级量化分析方法，其特征在于，所述通过delong检验技术评估极端梯度提升预测模型与脑梗死概率预测模型的预测能力，获得极端梯度提升预测模型与脑梗死概率预测模型融合的主次排序包括：

9.一种脑梗死风险等级量化分析系统，其特征在于，包括：

10.根据权利要求9所述的脑梗死风险等级量化分析系统，其特征在于，所述脑梗死概率预测模型构建单元包括：

11.根据权利要求10所述的脑梗死风险等级量化分析系统，其特征在于，所述概率预测模型构建模块在将统计特征指标输入变量二次筛选层，通过l1范数惩罚与十折交叉验证确定最优惩罚参数，以利用最优惩罚系数筛选预测因子，基于预测因子构建目标人群脑梗死概率预测模型时，包括：

12.根据权利要求9所述的脑梗死风险等级量化分析系统，其特征在于，所述提升预测模型构建单元包括：

13.根据权利要求12所述的脑梗死风险等级量化分析系统，其特征在于，所述模型可解释性分析技术用于通过树结构沙普利加和解释算法逐一计算目标人群对应预测因子的模型可解释值，并绘制以模型可解释值为横轴、预测因子为纵轴的概要图，以展示极端梯度提升模型中预测因子的重要性。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。

15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。