一种基于深度学习的ICU患者死亡风险预测方法及系统

本发明涉及风险预测，尤其涉及一种基于深度学习的icu患者死亡风险预测方法、系统、终端及计算机可读存储介质。

背景技术：

1、伴随着医学的不断进步与发展，重症医学监护诞生。重症监护室是医院内专门为高危重病伤患所特设的可以进行高度密集医护治疗的病房，病房内采用封闭式的设计，尽可能避免外界的干扰及感染，同时内部设有诸多的精密仪器设备可以随时检测患者的身体变化，为患者实时的提供具有针对性的监测和最佳的护理。然而icu院内死亡率仍然居高不下，未能检测到临床恶化是医院急性事件发生率和死亡率居高不下的重要原因，生命体征变化可能在急性恶化事件发生前几个小时发生，准确量化患者死亡风险对于icu决策过程至关重要。

2、然而，随着医疗基础设施的更新换代，icu中获得信息的数量和复杂性急剧增加，并由此产生了大量的患者生命体征与生理变量等数据信息。目前已经有一些商用和非商用的icu数据库出现，其中数据量较为全面且规范的是多参数智能重症监护数据库。该数据库经过多个学科十多年的建设，目前已经被成功应用于icu临床数据挖掘的多个研究领域。icu内部产生海量数据，不同数据类型不同，需要一个能够从不同类型数据中抓取特征的网络进行分析预测。深度学习方法度学习的黑箱属性在医疗大数据上分析预测存在一项难点：数据库中的大部分信息以多种格式存在，包括实验室结果、临床观察表、扫描图、文本注释、基因组序列、连续时间波形数据等。由于这些数据的巨大维度、异构等不同特征，导致基于深度学习的icu死亡预测模型研究领域进展缓慢。因此，如何提供一种基于深度学习和icu异构数据的icu患者死亡风险预测方法是本领域技术人员亟需解决的问题。

3、因此，现有技术还有待于改进和发展。

技术实现思路

1、本发明的主要目的在于提供一种基于深度学习的icu患者死亡风险预测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中基于深度学习的icu死亡预测模型研究领域进展缓慢，导致基于深度学习对icu患者进行死亡风险预测的准确性和效率不高的问题。

2、为实现上述目的，本发明提供一种基于深度学习的icu患者死亡风险预测方法，所述基于深度学习的icu患者死亡风险预测方法包括如下步骤：

3、获取大数据集中多个icu患者的多维异构数据；

4、对所述多维异构数据进行数据清洗、缺失值处理以及数据标准化；

5、构建层级式inception网络模型，所述层级式inception网络模型采用多个inception模块层叠，每个inception模块对应icu中收集的多维异构数据；

6、在所述层级式inception网络模型的每一层中分别对不同类型的数据进行特征提取，并进行特征融合；

7、利用adam优化器的随机梯度下降对所述层级式inception网络模型进行训练，将经过预处理的icu患者异构数据输入到训练好的层级式inception网络模型，输出icu患者的死亡风向评估结果。

8、可选地，所述的基于深度学习的icu患者死亡风险预测方法，其中，所述获取大数据集中多个icu患者的多维异构数据，具体包括：

9、在选定的医学大数据集中，选择满足预设条件的icu患者记录进行分析；

10、在符合条件的icu患者记录中提取不同类型的变量，所属变量包括静态变量和每小时记录变量；

11、收集波形信号数据，所述波形信号数据包括稀疏波形信号和密集波形信号；

12、采用插值法将记录的不规则时间序列的每小时记录变量转换为每小时更新的值。

13、可选地，所述的基于深度学习的icu患者死亡风险预测方法，其中，所述对所述多维异构数据进行数据清洗、缺失值处理以及数据标准化，具体包括：

14、对静态变量、每小时记录变量、稀疏波形信号和密集波形信号进行数据清洗，去除错误值、异常值以及与研究目标不相关的数据；

15、对icu患者记录中的缺失值采用多重插补方法进行处理，对每个缺失值根据缺失值所在变量的分布特征及与其他变量的相关性，生成多组可能的替代值：

16、

17、其中，imputed valuei是第i个缺失值的插补值，fk是依据相关变量观测值xobs和其他缺失值xmiss定义的估计函数，λk是权重，代表不同估计在插补中的相对重要性，n表示变量总数，k表示变量总数中的某一个变量；

18、对每个变量应用z-score标准化，从每个变量的值中减去该变量的均值，并除以该变量的标准差，计算公式为：

19、

20、其中，z是变量标准化后的值，x是变量的原始值，μ是变量的均值，σ是变量的标准差；

21、将所有变量转换为均值为0，标准差为1的分布。

22、可选地，所述的基于深度学习的icu患者死亡风险预测方法，其中，所述构建层级式inception网络模型，所述层级式inception网络模型采用多个inception模块层叠，每个inception模块对应icu中收集的多维异构数据，具体包括：

23、每个inception模块由多个并行的卷积层组成，包括至少一个1x1卷积层、至少一个3x3卷积层和至少一个5x5卷积层以及一个最大池化层，每个inception模块并行处理输入数据并将结果合并后输出，捕获不同尺度上的数据特征；

24、将多个inception模块按序连接形成深层网络，每个inception模块的输出成为下一个inception模块的输入，所述深层网络用于学习从低级到高级的特征表示；

25、对于icu中收集的不同类型的异质数据，设计不同的数据输入管道，每种数据类型设计特定的预处理层，对波形信号应用一维卷积，对静态变量和每小时记录变量应用全连接层；

26、在深层网络的高层中合并来自不同数据管道的特征表示，通过全连接层或自定义的合并策略进行不同数据源特征的融合；

27、在深层网络的最顶层设置输出层，使用sigmoid激活函数输出icu患者的死亡风险评估结果：

28、

29、其中，p(y＝1|x)表示icu患者存在死亡风险的概率，z是来自深层网络最后一个全连接层的输入。

30、可选地，所述的基于深度学习的icu患者死亡风险预测方法，其中，所述在所述层级式inception网络模型的每一层中分别对不同类型的数据进行特征提取，并进行特征融合，具体包括：

31、在层级式inception网络模型的每一层卷积操作之后应用批标准化，批标准化通过以下公式调整层的输入：

32、

33、其中，是批次b中的输入，μb和分别是批次的均值和方差，∈是为了防止分母为零而加的小常数，x(k)为一个小参数；

34、在批标准化之后应用relu激活函数进行非线性转换：

35、f(x)＝max(0，x)；  (5)

36、其中，x是批标准化后的输入，f(x)表示x进行非线性转换得到的结果；

37、使用不同尺寸的卷积核对输入数据进行卷积操作，以提取空间特征：

38、

39、其中，是第l层在位置(i，j)的卷积输出，是第l-1层的输入，是第l层的卷积核，*表示卷积操作，m’、n’和k’分别表示卷积操作的长、宽和通道数；

40、在层级式inception网络模型的适当层中，采用全连接层或自定义合并策略将不同类型icu数据提取的特征进行融合。

41、可选地，所述的基于深度学习的icu患者死亡风险预测方法，其中，所述利用adam优化器的随机梯度下降对所述层级式inception网络模型进行训练，将经过预处理的icu患者异构数据输入到训练好的层级式inception网络模型，输出icu患者的死亡风向评估结果，具体包括：

42、初始化所述层级式inception网络模型参数，并将预处理后的icu患者的异构数据作为输入；

43、采用adam优化器进行随机梯度下降，adam优化器更新参数的过程遵循以下公式：

44、

45、其中，θt表示在时间t的参数，θt+1在时间t+1的参数，η是学习率，和分别代表第t次迭代的一阶矩估计和二阶矩估计的校正值，∈’是为了维持数值稳定性而添加的小常数；

46、应用交叉验证方法划分数据集，进行多次独立的训练和验证，以评估模型的泛化能力和稳定性；

47、在每轮迭代结束时，计算验证集上二元交叉熵损失，评估模型性能，损失函数定义为：

48、

49、其中，l是损失函数，n是样本的数量，yi是第i个样本的真实标签，是第i个样本的预测标签，y表示真实标签，表示预测标签；

50、根据验证集上的性能指标调整模型参数，调整学习率，增加或减少网络层；

51、采用l1损失或者l2损失：

52、

53、

54、adam优化器采用随机梯度下降优化器，自适应矩估计策略选进行学习率余弦退火操作：

55、lr′＝max(lr′×0.95,ir0×0.01)；  (11)

56、

57、其中，i表示第i轮迭代，r表示总迭代轮数，lr′表示第i轮迭代后更新的学习率，lr0表示迭代更新前的学习率；

58、在得到训练好的层级式inception网络模型后，获取需要进行风险预测的icu患者异构数据，进行预处理后输入到训练好的层级式inception网络模型，得到icu患者的死亡风向评估结果。

59、可选地，所述的基于深度学习的icu患者死亡风险预测方法，其中，所述稀疏波形信号包括心率、无创血压、动脉血压、平均血压、氧饱和度、呼吸频率和收缩压；所述密集波形信号包括心电图、呼吸和体积描记图信号。

60、此外，为实现上述目的，本发明还提供一种基于深度学习的icu患者死亡风险预测系统，其中，所述基于深度学习的icu患者死亡风险预测系统包括：

61、数据获取模块，用于获取大数据集中多个icu患者的多维异构数据；

62、数据处理模块，用于对所述多维异构数据进行数据清洗、缺失值处理以及数据标准化；

63、模型构建模块，用于构建层级式inception网络模型，所述层级式inception网络模型采用多个inception模块层叠，每个inception模块对应icu中收集的多维异构数据；

64、特征处理模块，用于在所述层级式inception网络模型的每一层中分别对不同类型的数据进行特征提取，并进行特征融合；

65、风险预测模块，用于利用adam优化器的随机梯度下降对所述层级式inception网络模型进行训练，将经过预处理的icu患者异构数据输入到训练好的层级式inception网络模型，输出icu患者的死亡风向评估结果。

66、此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的icu患者死亡风险预测程序，所述基于深度学习的icu患者死亡风险预测程序被所述处理器执行时实现如上所述的基于深度学习的icu患者死亡风险预测方法的步骤。

67、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于深度学习的icu患者死亡风险预测程序，所述基于深度学习的icu患者死亡风险预测程序被处理器执行时实现如上所述的基于深度学习的icu患者死亡风险预测方法的步骤。

68、本发明中，获取大数据集中多个icu患者的多维异构数据；对所述多维异构数据进行数据清洗、缺失值处理以及数据标准化；构建层级式inception网络模型，所述层级式inception网络模型采用多个inception模块层叠，每个inception模块对应icu中收集的多维异构数据；在所述层级式inception网络模型的每一层中分别对不同类型的数据进行特征提取，并进行特征融合；利用adam优化器的随机梯度下降对所述层级式inception网络模型进行训练，将经过预处理的icu患者异构数据输入到训练好的层级式inception网络模型，输出icu患者的死亡风向评估结果。本发明使用多种原始波形信号作为模型输入，避免了繁琐复杂的特征提取过程，极大地减少了由于患者个体差异导致的特征提取不准确所带来的影响，降低了系统的复杂性，并提高了模型的精度，提高了icu患者死亡风险预测的准确性和效率。