一种基于深度学习的促排卵结果预测方法和装置

本发明涉及医疗，具体地说，是一种基于深度学习的促排卵结果预测方法和装置。

背景技术：

1、在体外受精周期中，控制性超促排卵是一个不可或缺且至关重要的阶段。一般来说，临床医生的任务是为患者决定合适且经济有效的卵巢刺激方案，以期获得尽可能多的成熟卵泡，同时也最小化如卵巢过度刺激综合征等并发症的风险。这种效率与安全之间的平衡在文献中有良好的记录，普遍共识是低至中等数量的卵泡为传统促排卵方案提供了合理的平衡。所以医生需要根据患者的治疗时序信息预测治疗结束时获取到的卵泡数目并相应调整治疗过程。

2、在现实的辅助生殖数据中，各种重要的指标并非定时被监测，同时各个监测数据之间也差异巨大，其拥有着与常规多元时序数据不同的特点：每个变量的观测数据在不规则的时间间隔内获得，并且不同变量的观测时间可能不对齐。但是，这类时序数据无法使用经典的时序模型进行直接处理，这给相关预测或分类任务带来了挑战。

3、最近相关方法基于机器学习方法通过多种监测数据和患者数据预测了取卵数，这些方法显示了机器学习技术在取卵结果预测方面具有一定的效果。但是这些方法均较为简单，没有充分利用时序数据，也没有考虑时序不规则性，影响了取卵结果预测的准确性，从而影响诊疗过程。

技术实现思路

1、技术目的：针对上述技术问题，本发明提出了一种基于深度学习的促排卵结果预测方法，从而在处理促排卵治疗数据输入时，基于变量间独立的时序块构建方法和时序块可分离卷积方法，提升对于治疗时序数据输入的处理能力。

2、技术方案：为实现上述技术目的，本发明采用了如下技术方案：

3、一种基于深度学习的促排卵结果预测方法，包括促排卵结果预测网络训练阶段步骤，促排卵结果预测网络部署阶段步骤；

4、促排卵结果预测网络训练阶段的具体步骤为：

5、步骤101、输入数据集数据：所述数据集数据包括多元促排卵治疗数据和对应的标签，每个多元促排卵治疗数据s来源于同一个患者在控制性超促排卵过程中的检测时序信息和用药时序信息，每个多元促排卵治疗数据s是由k个时间序列数据sk构成的多维数据，每个时间序列数据包括对应的数据时间戳tk,i和数据值xk,i；

6、步骤102、选取当前批次数据，包括时序数据和对应的标签：从所述训练数据集中按照批次大小随机采样16组患者的多元促排卵治疗数据s和对应的标签y，将其中的每个时间序列数据sk以列表的格式表示，列表包括时间戳列表和数据值列表；

7、步骤103、对时间戳进行向量化表示：输入一组预先设置的均匀分布的参考时间戳列表τ；将所述参考时间戳列表τ中的τn和步骤102获得的时间戳列表中的各个数据时间戳tk,i分别转化为向量形式，即参考时间戳向量o(τn)和数据时间戳向量o(tk,i)；依据转化后的参考时间戳向量o(τn)和数据时间戳向量o(tk,i)，进一步计算对应的查询向量o(τn)wq和键向量o(tk,i)wk；

8、步骤104、进行注意力计算，得到转化后的多元数据序列：根据步骤103得到的查询向量o(τn)wq和数据向量o(tk,i)wk，计算对应的注意力权重ψ(τn,tk,i)；根据计算得到的注意力权重ψ(τn,tk,i)和步骤102得到的数据值列表中的各个数据值xk,i，计算参考时间戳τn对应的转换后的数据值将对应的每个时间序列数据sk转化为规范化且时间戳相同的形式s′k；

9、步骤105、对时序数据进行时序分块表示：使用一维卷积层，将步骤104计算得到的参考时间戳τn对应的转换后的数据值从数据值形式提升为数据块形式，表示为按照步骤102的多元促排卵治疗数据的输入次序，组合得到的所有数据块得到多元时序块

10、步骤106、通过时序分块可分离卷积网络对时序块进行处理：时序分块可分离卷积网络包括多个时序块可分离卷积模块，第一个时序块可分离卷积模块的输入数据为步骤105输出的多元时序数据块上一个时序块可分离卷积模块的输出结果作为下一个时序块可分离卷积模块的输入；

11、步骤107、将最后一个时序块可分离卷积模块的输出结果池化并展平，得到患者时序隐层表示h，将隐层表示h输入预测层进行预测，得到预测结果

12、步骤108、使用均方误差作为损失函数，计算训练损失，进行网络参数更新；

13、步骤109、判断当前迭代次数是否达到训练的最大迭代次数，若未达到，则返回步骤102，若达到最大迭代次数，则训练结束，进入步骤110；

14、步骤110、训练结束，保存训练好的模型。

15、促排卵结果预测网络部署阶段的具体步骤为：

16、步骤201、加载训练好的促排卵结果预测网络模型，并输入患者所对应的多元促排卵治疗数据s；

17、步骤202、通过变量间独立的时序块构建网络对所述多元促排卵治疗数据s进行处理，来获取规范化的时序块

18、步骤203、通过时序块可分离卷积网络对所述时序块进行处理，并将处理结果池化并展平，得到患者时序隐层表示h；

19、步骤204、通过预测层处理时序隐层表示h，得到对最终取卵数的预测结果

20、优选地，所述步骤101中，多元促排卵治疗数据s表示为：s＝{sk|k＝1,2,…,k}，其中，k表示对应的多元促排卵治疗数据s由k个单变量的时间序列构成，sk表示促排卵治疗数据s的第k个时间序列。

21、优选地，所述步骤102中，针对随机采样的多元促排卵治疗数据，将其中的每个时间序列数据以列表的格式表示为：其中(tk,i,xk,i)表示在时间tk,i有第k维数据值为xk,i的输入，lk为第k维数据的个数，对于每个时间序列数据sk，数据值的列表为

22、优选地，所述步骤103中，使用时间向量化网络将时间戳转化为向量形式，即：

23、

24、其中，ωj,分别为可学习的参数，dv表示时间向量化的维度总数，j表示对应的维度。

25、优选地，所述步骤104中，以如下公式计算参考时间戳τn对应的注意力：

26、

27、其中，o(τn)和o(tk,i)分别为查询时间戳和数据时间戳的向量表示，o(τn)wq和o(tk,i)wk为对应的查询向量和键向量，ψ(τn,tk,i)为计算得到的注意力权重；并加权得到转换后的参考时间戳τn对应数据值和数据值表示为x′k。

28、优选地，所述加权得到转换后的参考时间戳τn对应数据值为：

29、

30、转化后的数据值表示x′k为：

31、优选地，所述步骤106中，每一个的时序块可分离卷积模块过程如下：

32、时序级深度卷积层，其输入通道数为k×d，输出通道数为k×d，核大小为l，输入数据ez，经过时序级深度卷积处理后的输出结果e′z：

33、

34、其中，norm表示归一化处理；

35、变量级逐点卷积层，其输入通道为d×k，输入数据e′z，输出结果e″z：

36、

37、特征级逐点卷积层，输入数据e″z，输出结果e″′z：

38、

39、其中表示核大小为1、分组为d的一维卷积层，r表示输出通道为输入通道的r倍；σ为激活函数；

40、将所加时序块可分离卷积模块的输入ez与特征级逐点卷积层的输出结果e″′z相加，得到结果ez+1并输入下一个时序块可分离卷积模块。

41、一种基于深度学习的促排卵结果预测装置，包括：

42、多元促排卵治疗数据输入模块，用于输入患者的多元促排卵治疗数据，所述多元促排卵治疗数据是由多个时间序列数据构成的多维变量数据，包括对应的时间戳和数据值；

43、时序块构建网络，用于将所述多元促排卵治疗数据转化规范化的时序块；

44、时序块可分离卷积网络，用于接收时序块构建网络输出的时序块，对所述时序块进行处理，得到患者的时序隐层表示；

45、预测层，用于处理所述时序隐层表示，得到对促排卵结果的预测。

46、优选地，所述时序块构建网络包括若干个处理模块，分别为：

47、时间向量化模块，用于输入一组预先设置的均匀分布的参考时间戳和多元促排卵治疗数据的一个时间序列数据的数据时间戳，将所述参考时间戳和数据时间戳分别转化为向量形式，进一步计算提到查询向量和键向量；

48、数据值输入模块，用于输入多元促排卵治疗数据中的一个时间序列数据的数据值；

49、注意力模块，用于根据查询向量和键向量，计算对应的注意力权重；

50、数据值转换模块，用于根据计算得到的注意力权重和数据值输入模块输入的数据值，计算参考时间戳对应的转换后的数据值，将对应的每个时间序列数据转化为规范化的且时间戳相同的形式；

51、数据分块模块，通过使用一维卷积层，将转换后的数据值，从数据值序列形式提升为多维时序块形式，表示为时序块；

52、组合模块，用于按照原始的多元促排卵治疗数据的输入次序，组合得到的所有时序块，得到多元时序数据块并输出。

53、优选地，所述时序块可分离卷积网络包括多个时序块可分离卷积模块，每个时序块可分离卷积模块包括：时序级深度卷积层、变量级逐点卷积层、特征级逐点卷积层和残差连接单元。

54、有益效果：由于采用了上述技术方案，本发明具有如下有益效果：

55、本发明能够有效地对促排卵治疗数据进行处理，有效利用了时序数据输入中不规则、多元和复杂的信息，改进了临床中对于促排卵治疗数据的处理方式，能够提升促排卵结果预测的准确水平，可能帮助医生优化促排卵的整体治疗过程。