患者术后感染风险评估系统及方法

本技术涉及医疗信息处理，且更为具体地，涉及一种患者术后感染风险评估系统及方法。

背景技术：

1、在医疗领域，术后感染是手术患者常见的并发症之一，严重影响患者的康复进程和医疗质量，不仅延长了患者的住院时间，增加了医疗成本，还可能导致严重的健康问题，甚至死亡。因此，准确评估患者术后感染风险对于及时采取预防措施、提高治疗效果和降低医疗成本具有重要意义。

2、传统的术后感染风险评估方法主要依赖于医生的临床经验和一些定性检查，如观察伤口的红肿、渗出、疼痛等症状。然而，这种方法存在一定的局限性，例如，主观性较强、无法实时监测等问题。随着医疗技术的发展，越来越多的定量化、智能化的评估方法被提出和应用，因此，期待一种优化的患者术后感染风险评估系统及方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。

2、相应地，根据本技术的一个方面，提供了一种患者术后感染风险评估系统，其包括：

3、伤口状态监控模块，用于获取由摄像头采集的被监控患者对象的伤口状态图像；

4、体温心率监控模块，用于调取所述被监控患者对象在采集所述伤口状态图像前的预定时间段内的体温值的时间序列和心率值的时间序列；

5、时序模式特征提取模块，用于对所述体温值的时间序列和所述心率值的时间序列进行时序模式特征提取以得到体温时序关联特征向量和心率时序关联特征向量；

6、体征综合表征模块，用于使用动态元素级特征融合模块对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到体征时序模式特征向量；

7、伤口状态特征提取模块，用于对所述伤口状态图像进行伤口状态特征提取和多尺度空间强化以得到空间显化伤口状态特征图；

8、感染风险评估模块，用于基于所述空间显化伤口状态特征图和所述体征时序模式特征向量之间的跨模态关联特征，确定评估结果；

9、其中，所述体征综合表征模块，用于：

10、以如下动态元素级特征融合公式对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到所述体征时序模式特征向量，其中，所述动态元素级特征融合公式为：

11、；

12、其中，表示所述体温时序关联特征向量，表示所述心率时序关联特征向量，表示所述体征时序模式特征向量，表示连接操作，是变换向量，是偏置参数，表示激活函数，为门限值，且。

13、在上述患者术后感染风险评估系统中，所述时序模式特征提取模块，用于：将所述体温值的时间序列和所述心率值的时间序列分别按照时间维度排列为体温时序输入向量和心率时序输入向量后通过基于一维卷积神经网络模型的时序模式特征提取器以得到所述体温时序关联特征向量和所述心率时序关联特征向量。

14、在上述患者术后感染风险评估系统中，所述伤口状态特征提取模块，包括：图像特征提取单元，用于将所述伤口状态图像通过基于卷积神经网络模型的伤口状态特征提取器以得到伤口状态特征图；空间显化单元，用于将所述伤口状态特征图通过多尺度泛空间注意力模块以得到所述空间显化伤口状态特征图。

15、在上述患者术后感染风险评估系统中，所述空间显化单元，用于：以如下泛空间注意力强化公式对所述伤口状态特征图进行特征强化处理以得到所述空间显化伤口状态特征图，其中，所述泛空间注意力强化公式为：

16、；

17、其中，为所述伤口状态特征图，为所述伤口状态特征图的空间尺寸，、和分别表示所述伤口状态特征图沿空间维度的平均池化特征矩阵、最大池化特征矩阵和随机池化特征矩阵，表示拼接处理，表示进行基于n×n卷积核的卷积操作，为sigmoid激活函数，表示空间注意力权重矩阵，表示哈达玛积，表示所述空间显化伤口状态特征图。

18、在上述患者术后感染风险评估系统中，所述感染风险评估模块，包括：跨模态关联编码单元，用于将所述空间显化伤口状态特征图和所述体征时序模式特征向量通过基于元网络的跨模态关联编码器以得到伤口感染多模态综合表征特征图；分类单元，用于将所述伤口感染多模态综合表征特征图通过基于分类器的感染风险评估器以得到所述评估结果，所述评估结果用于表示是否发生伤口感染。

19、在上述患者术后感染风险评估系统中，所述跨模态关联编码单元，用于：将所述体征时序模式特征向量通过点卷积层以得到第一卷积特征向量；将所述第一卷积特征向量通过基于relu函数的修正线性单元以得到第一修正卷积特征向量；将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；将所述第二卷积特征向量通过基于sigmoid函数的修正线性单元以得到第二修正卷积特征向量；融合所述第二修正卷积特征向量与所述空间显化伤口状态特征图以得到所述伤口感染多模态综合表征特征图。

20、在上述患者术后感染风险评估系统中，还包括用于对所述基于一维卷积神经网络模型的时序模式特征提取器、所述动态元素级特征融合模块、所述基于卷积神经网络模型的伤口状态特征提取器、所述多尺度泛空间注意力模块、所述基于元网络的跨模态关联编码器和所述基于分类器的感染风险评估器进行训练的训练模块。

21、在上述患者术后感染风险评估系统中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由摄像头采集的被监控患者对象的训练伤口状态图像，所述被监控患者对象在采集所述伤口状态图像前的预定时间段内的训练体温值的时间序列和训练心率值的时间序列，以及是否发生伤口感染的真实值；训练体征数据时序编码单元，用于将所述训练体温值的时间序列和所述训练心率值的时间序列分别按照时间维度排列为训练体温时序输入向量和训练心率时序输入向量后通过所述基于一维卷积神经网络模型的时序模式特征提取器以得到训练体温时序关联特征向量和训练心率时序关联特征向量；训练体征数据特征融合单元，用于使用所述动态元素级特征融合模块对所述训练体温时序关联特征向量和所述训练心率时序关联特征向量进行语义融合以得到训练体征时序模式特征向量；训练伤口状态特征提取单元，用于将所述训练伤口状态图像通过所述基于卷积神经网络模型的伤口状态特征提取器以得到训练伤口状态特征图；训练伤口状态特征强化单元，用于将所述训练伤口状态特征图通过所述多尺度泛空间注意力模块以得到训练空间显化伤口状态特征图；训练跨模态关联编码单元，用于将所述训练空间显化伤口状态特征图和所述训练体征时序模式特征向量通过所述基于元网络的跨模态关联编码器以得到训练伤口感染多模态综合表征特征图；分类损失计算单元，用于将所述训练伤口感染多模态综合表征特征图通过所述基于分类器的感染风险评估器以得到分类损失函数值；模型训练单元，用于以所述分类损失函数值来对所述基于一维卷积神经网络模型的时序模式特征提取器、所述动态元素级特征融合模块、所述基于卷积神经网络模型的伤口状态特征提取器、所述多尺度泛空间注意力模块、所述基于元网络的跨模态关联编码器和所述基于分类器的感染风险评估器进行训练，其中，在所述训练的每一轮迭代中，对所述训练伤口感染多模态综合表征特征图展开后的训练伤口感染多模态综合表征特征向量进行迭代校正。

22、根据本技术的另一个方面，提供了一种患者术后感染风险评估方法，其包括：

23、获取由摄像头采集的被监控患者对象的伤口状态图像；

24、调取所述被监控患者对象在采集所述伤口状态图像前的预定时间段内的体温值的时间序列和心率值的时间序列；

25、对所述体温值的时间序列和所述心率值的时间序列进行时序模式特征提取以得到体温时序关联特征向量和心率时序关联特征向量；

26、使用动态元素级特征融合模块对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到体征时序模式特征向量；

27、对所述伤口状态图像进行伤口状态特征提取和多尺度空间强化以得到空间显化伤口状态特征图；

28、基于所述空间显化伤口状态特征图和所述体征时序模式特征向量之间的跨模态关联特征，确定评估结果；

29、其中，使用动态元素级特征融合模块对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到体征时序模式特征向量，包括：

30、以如下动态元素级特征融合公式对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到所述体征时序模式特征向量，其中，所述动态元素级特征融合公式为：

31、；

32、其中，表示所述体温时序关联特征向量，表示所述心率时序关联特征向量，表示所述体征时序模式特征向量，表示连接操作，是变换向量，是偏置参数，表示激活函数，为门限值，且。

33、与现有技术相比，本技术提供的患者术后感染风险评估系统及方法，其采用基于深度学习的人工智能技术对患者的伤口状态图像进行图像分析，提取出患者的伤口状态特征，同时，调取患者的体温和心率数据，挖掘出患者体征的时序变化模式，并基于患者体征和伤口状态的多模态融合特征对患者的伤口感染情况进行综合表征，从而智能识别伤口是否发生感染。这样，可以有效识别和管理患者术后感染的风险，以便于及时地针对患者伤口感染情况进行预防和治疗，从而提高手术成功率和患者满意度。