一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统

1.本发明属于医学人工智能领域，尤其是涉及一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统。


背景技术：

2.坏死性小肠结肠炎(necrotizing enterocolitis,nec)是一种多发于新生儿的严重胃肠道疾病，同时也是造成新生儿死亡的原因之一，存活患儿大概率遗留肠狭窄、短肠综合征乃至神经系统异常发育等诸多严重后遗症。新生儿重症监护室(neonatal intensive care unit,nicu)收治的婴儿中，有2％到5％会患有nec，其中20％-40％的需要手术干预，死亡率在20％-35％之间。针对nec患儿的治疗主要分为内科常规治疗和外科手术，内科保守治疗无效或病情进展，需要考虑手术治疗。但是目前在手术干预的绝对和相对适应症方面缺乏一致性。
3.腹部平片和临床检验在判别nec手术介入时机发挥重要作用。腹部平片对nec具有较高的特异性，但灵敏度较低，仅能在一定程度上辅助医生的决策。结合临床检验结果对nec进行及时的诊断是很有必要的。一般的临床检查包括生化五类、血常规、血气等。同时，nec手术唯一绝对指征为肠穿孔，除此之外，没有其他得到广泛共识的临床指征。通过腹部平片和临床检验综合分析患儿是否需要进行手术对于患儿的预后和生存率都十分有意义。
4.多项研究表明，使用多模态数据融合的方法能够在一定程度上提高疾病预测和诊断的准确率。联合非负矩阵分解(jnmf)已广泛应用于多模态数据融合领域。它通过将不同模态的特征映射到公共空间，不同的异质变量在该公共空间的不同方向上聚类。
5.如公开号为cn111144579a的中国专利文献公开了一种基于非负矩阵分解的多模态鲁邦特征学习模型，首先，对多模态数据集进行归一化和特殊值预处理。其次，将各模态数据在低维共享空间中进行重构，利用图正则化思想，对数据空间上的几何空间进行拟，同时引入噪声矩阵为数据空间中去除噪声，构建基于非负矩阵分解的多模态鲁棒特征学习模型。再次，根据模型优化结果，依次更新各个模态的映射矩阵和所有模态的共享特征矩阵，更新噪声矩阵，更新模态权重因子。最后，判断本次模型值和上一次模型值之间的差异，迭代更新第三步直至满足模型收敛条件。
6.众多学者在此非负矩阵分解算法的基础上进行创新以适应不同背景、不同模态的数据类型。但是，针对本发明的研究领域，并没有相关的研究和报道。


技术实现要素：

7.本发明提供了一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统，从生物信息学的角度，运用计算机算法模型，基于多模态的临床数据，对新生儿坏死性小肠结肠炎外科手术干预时机进行判断，提高患儿的诊治效率。
8.一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机
程序，所述计算机存储器中存有训练好的手术干预时机辅助识别模型；
9.所述的手术干预时机辅助识别模型基于超图的多约束联合非负矩阵分解算法，具体包含数据预处理模块、特征提取模块、临床指征选取模块和预测分类模块；
10.所述计算机处理器执行所述计算机程序时实现以下步骤：
11.将新生儿坏死性小肠结肠炎患者的影像数据和临床数据输入数据预处理模块分别进行预处理；其中，影像数据为腹部平片数据，临床数据为生化五常数据、血常规数据以及血气数据；
12.将预处理后的影像数据和临床数据输入特征提取模块，分别对影像数据以及临床数据进行特征提取；然后加入超图约束，选取不同特征之间相关联的高阶特征；最后加入两种数据特征的邻接矩阵作为网络正则化约束，得到最终特征矩阵；
13.根据临床指征选取模块选择的临床指征，将最终特征矩阵中的临床指征输入预测分类模块进行分类，得到是否需要手术的二分类结果。
14.进一步地，对影像数据的预处理包括对影像的初步筛选、病灶标注和病情分类；对临床数据的预处理为：获取临床数据中与坏死性小肠结肠炎密切相关的指标，并将影像数据与筛选出临床数据对齐。
15.进一步地，对影像数据以及临床数据进行特征提取具体过程为：使用pyradiomics包提取原始影像数据病灶处的影像组学特征，包括first order、first shape、和几种纹理特征；然后使用l2范数对影像组学特征和临床数据进行标准化，保证输入数据的非负性；最后得到两个特征矩阵，分别对应于影像数据和临床数据。
16.进一步地，所述的预测分类模块包含随机森林、支持向量机和逻辑回归三种分类器。
17.对每个分类器在执行分类任务前都使用网格搜索法寻找最优分类参数。
18.所述临床指征选取模块选择的临床指征由手术干预时机辅助识别模型训练过程中确定。
19.进一步地，所述的手术干预时机辅助识别模型训练过程中，分别表示x1,x2的超图矩阵，利用p(hi)(i＝1,2,3)对超图约束重写成如下形式：
20.p(h1)＝tr(h
1t
b1h1)
21.p(h2)＝tr(h
2t
b2h2)
22.b1,b2分别表示x1,x2的拉普拉斯矩阵，且bi＝lhii(i＝1,2)；x1,x2分别表示训练样本的影像数据和临床数据的特征矩阵；
23.此外，加入训练样本的临床诊断信息d以诱导算法选出是否进行手术的差异特征；对于非手术标签编码为1，手术标签编码为2；进而，得到目标函数：
[0024][0025]
其中，a代表两种样本数据的邻接矩阵，diag(d)代表d的对角矩阵，根据线性代数的知识，将目标函数γ重写为：
[0026]
[0027]
设和分别是w
ij
≥0和(hi)
ij
≥0的拉格朗日乘子，则拉格朗日函数表示为：
[0028][0029]
l对w和hi分别求偏导：
[0030][0031][0032][0033]
其中，ei(i＝1,2,3)是元素全为1的矩阵，根据kkt条件,和得到w
ij
和(hi)
ij
的方程：
[0034][0035][0036][0037]
通过对上述算法的迭代更新，将样本中影像数据的特征矩阵x1、临床数据的特征矩阵x2转化为基矩阵w和系数矩阵h1、h2；
[0038]
为了找到与w的每一行显著特征对应的权重，使用z-score来提取hi的每一行的系数；其定义如下:
[0039][0040]
其中，h
ij
表示hi中的元素，ui表示特征j在hi中的平均值，σi代表标准偏差；设置一个阈值t，如果元素的z分数大于设置阈值t，则作为临床指征。
[0041]
进一步地，为了避免随机性，得到稳定的目标函数，在样本矩阵训练前，使用svd初始化对w、h1、h2进行初始化。
[0042]
与现有技术相比，本发明具有以下有益效果：
[0043]
本发明的系统，创新性的使用超图挖掘两种数据特征之间的高阶关系，此外，通过引入患儿的诊断状态(是否进行手术)诱导算法挖掘对两个诊断组具有诊断意义的特征；实验结果表明，本发明能够识别不同诊断组的关联模式，挖掘出多个具有诊断意义的特征，进一步可以对患儿是否进行手术进行分类。
附图说明
[0044]
图1为本发明一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统的整体结构流程图。
具体实施方式
[0045]
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
[0046]
一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的手术干预时机辅助识别模型；
[0047]
本发明中，手术干预时机辅助识别模型基于超图的多约束联合非负矩阵分解算法，具体包含数据预处理模块、特征提取模块、临床指征选取模块和预测分类模块。在具体应用过程中，计算机处理器执行计算机程序时实现以下步骤：
[0048]
将新生儿坏死性小肠结肠炎患者的影像数据和临床数据输入数据预处理模块分别进行预处理；
[0049]
将预处理后的影像数据和临床数据输入特征提取模块，分别对影像数据以及临床数据进行特征提取；然后加入超图约束，选取不同特征之间相关联的高阶特征；最后加入两种数据特征的邻接矩阵作为网络正则化约束，得到最终特征矩阵；
[0050]
根据临床指征选取模块选择的临床指征，将最终特征矩阵中的临床指征输入预测分类模块进行分类，得到是否需要手术的二分类结果。
[0051]
如图1所示，手术干预时机辅助识别模型的训练过程如下：
[0052]
1、数据输入
[0053]
两大类的输入数据，包括腹部平片的影像数据以及其它临床数据(血常规、血气、生化五常)，对原始数据进行初步筛选，剔除不合格数据。
[0054]
2、数据预处理
[0055]
数据预处理分为两部分，第一部分是对腹部平片的预处理，包括筛选、病症标注以及病情分类，形成数据标签，第二部分是对其他临床数据的筛选，两种数据的数据对齐。
[0056]
3、特征选取
[0057]
分别对影像数据以及临床数据进行特征提取，然后加入超图约束，选取高阶特征，最后对整体特征采用网络正则化约束，得到最终特征矩阵。
[0058]
4、模型搭建
[0059]
xi∈rn×
pi
表示不同模式的原始矩阵，wi∈rn×k表示分解得到的基矩阵，hi∈rk×
pi
表示分解得到的每个原始矩阵的系数矩阵，为了提取三种数据矩阵中的公共模块，jnmf算法将xi分解为一个公共基矩阵w和多个系数矩阵hi(i＝1,2,
…
)：
[0060]
xi≈wh
i s.t.w》0,hi》0,i＝1,2,
…
[0061]
定义其目标函数如下：
[0062][0063]
与传统的图方法不同，超图可以通过超边连接两个以上的顶点。即，超图简单图的
一种扩展。因此，可以使用hypergraph挖掘每个模态数据的特征之间的高阶关系进行建模。
[0064]
令g(v,e,a)代表超图，其中的v是顶点的集合，e代表超边集，a代表超边的权重集。每个超边ei(i＝1,
…
,ne)被分配一个权重a(ei)。对于超图g，我们定义其关联矩阵h。h用于表示超边和顶点的关系。例如，h的第i行第j列代表第j条超边是否代表第i个顶点。h被定义为如下表示：
[0065][0066]
进而，可以得到每条边v的度矩阵。
[0067]
d(v)＝∑
e∈e
w(e)δ(e)
[0068]
其中，
[0069]
δ(e)＝∑
v∈v
h(v,e)
[0070]
此外，使用dv和de分别代表顶点和超边的对角矩阵。为了在公式中简化表示，在后文中，使用简单拉普拉斯定义超图拉普拉斯。
[0071]
lh＝i-θ
[0072]
其中，lh代表超图拉普拉斯矩阵，
[0073]
为了探寻腹部平片影像数据和临床检查数据之间的关联模式，挖掘显著相关的表达模块，在jsnmnmf算法中引入了超图约束，旨在同一模态数据不同特征之间的高阶关联关系。
[0074]
分别表示x1,x2的超图矩阵。接下来，利用p(hi)(i＝1,2,3)对超图约束重写成如下形式：
[0075]
p(h1)＝tr(h
1t
b1h1)
[0076]
p(h2)＝tr(h
2t
b2h2)
[0077]
b1,b2分别表示x1,x2的拉普拉斯矩阵。且bi＝l
hi
(i＝1,2)。此外，加入临床诊断信息d(是否进行手术)以诱导算法选出两种类别的差异特征。具体来说，对于非手术标签编码为1，手术标签编码为2。进而，得到hb-mcjnmf算法的目标函数：
[0078][0079]
其中，a代表两种数据的邻接矩阵，diag(d)代表d的对角矩阵根据线性代数的知识，可以将γ重写为：
[0080][0081]
设和分别是w
ij
≥0和(hi)
ij
≥0的拉格朗日乘子，则拉格朗日函数表示为：
[0082][0083]
l对w和hi分别求偏导：
[0084][0085][0086][0087]
其中，ei(i＝1,2,3)是元素全为1的矩阵，根据kkt(karush-kuhn-tucker)条件,和我们可以得到w
ij
和(hi)
ij
的方程：
[0088][0089][0090][0091]
通过对上述算法的迭代更新，将腹部平片的特征矩阵x1、临床数据的特征矩阵x2转化为基矩阵w和系数矩阵h1和h2。为了找到与w的每一行显著特征对应的权重，我们使用z-score来提取hi的每一行的系数。其定义如下:
[0092][0093]
其中h
ij
表示hi中的元素，ui表示特征j在hi中的平均值，σi代表标准偏差。接下来，为了确定临床指征，设置一个阈值t，如果元素的z分数大于设置阈值t，则认为据有分配给临床指征。
[0094]
5、参数选择
[0095]
对于hb-mcjnmf算法来说，需要对w、h1、h2进行初始化，先前的研究已经证实，使用奇异值分解策略的初始化可以使算法发挥更好的性能。因此，在本专利中仍使用svd初始化。
[0096]
考虑到参数对jnmf算法的目标函数值的影响。因此，先将k值固定为15并按[0.001,0.01,0.1]有限集对α,λi,βi,γi(i＝1,2)进行调整。考虑到时间成本，令λ1＝λ2，β1＝β2。对正则化参数依次代入算法得到的重构误差。
[0097]
由于在某些参数组合下目标函数值并不收敛，将这种情形下的重建误差置为0。
[0098]
在选取了最佳参数组合后，对共表达模块数k进行选取，根据样本量m设置参数，因此k的上限设置为m，下限为2。
[0099]
随着k值得增加，重建误差随之减小，所以取m个共表达模块。根据以上参数和k值
的选取，得到了原始矩阵x1和x2的分解结果w、h1、h2以及m个共表达模块。可以分别得到x1和wh1之间的皮尔森相关系数，以及x2和wh2之间的皮尔森相关系数为0.9584。
[0100]
无论是相对误差还是基于jnmf算法添加的各项约束，随迭代次数增加均趋于收敛，这在一定程度上说明了所提出算法的稳定性。
[0101]
对于m个共表达模块，分别计算每个模块中原始矩阵(x
1m
和x
2m
)与重建矩阵(w
1mh1m
和w
2mh2m
)的皮尔森相关系数，m＝1,2,
…
,45代表模块编号。此外，计算每个模块两个皮尔森相关系数的均值。
[0102]
为了进一步探讨算法选出的特征是否具有诊断意义，分别使用随机森林、svm和逻辑斯特回归对患儿是否进行了手术进行分类。对每个分类器在执行分类任务前都是用网格搜索法寻找最优分类参数。在进行分类时，通过设置随机种子保证了实验的非随机性，其中样本总数的75％作为训练集。25％的数据作为测试集。
[0103]
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。