基于机器学习技术的膝骨关节炎智能诊疗方法及系统

本发明涉及关节炎智能诊疗领域，特别是基于机器学习技术的膝骨关节炎智能诊疗方法及系统。

背景技术：

1、膝骨关节炎（knee osteoarthritis，koa）是一种高致残疾病。随着全球人口老龄化的加剧，koa 的患病率呈显著上升趋势。 首先，由于患者数量庞大，而康复服务能力不足，传统的线下治疗方案无法一对一的满足患者的康复治疗需求；其次，koa 需要长期治疗，长期治疗花费的时间成本、往返医院的交通费用及康复治疗费用给家庭社会带来沉重的负担，koa 患者的复诊及随访成了更大的难题，往往难以达到理想的治疗效果；

2、虽然人工智能技术，特别是深度学习、机器视觉和自然语言处理等已在koa 的诊断、治疗和病程管理方面进行了部分应用。但遗憾的是，这些研究主要集中在静态数据分析和初步预测方面，这两方面取得的进展难以遮盖在智能、个体化的治疗推荐上的明显不足。

3、针对现有技术的不足，本发明提出了基于机器学习技术的膝骨关节炎智能诊疗方法及系统。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，可基于患者的时序数据提供最优的治疗方案，本发明提出一种基于机器学习技术的膝骨关节炎智能诊疗方法及系统，实现了对多种可能的治疗方案的相应治疗结果的模拟，优化治疗方案，解决了在koa患者医疗数据分析和个性化治疗推荐中的问题。

2、本发明的目的通过以下技术方案来实现：

3、基于机器学习技术的膝骨关节炎智能诊疗系统，包括：

4、数据预处理模块，用于根据koa病患的多维度的量表数据，获得koa数据库；

5、特征提取模块，用于获取koa数据库中的多个特征量；

6、koa特征筛选模块，用于采用迭代特征消除策略从多个特征量中提取关键特征集；

7、koa康复治疗效果模拟模块，用于根据关键特征集模拟采用初始治疗方案后患者的下一个时间点的状态；将下一个时间点的状态记录到对应患者的对应的治疗方案下，获取更新后的koa数据库；

8、koa康复治疗决策模块，用于根据更新后的koa数据库，通过预设决策规则推荐该患者在预设时间内应当选择的治疗方案。

9、进一步地，所述膝骨关节炎智能诊疗系统还包括：koa智能治疗辅助决策模块，用于通过学习最优策略函数优化koa康复治疗决策模块，得到最优治疗方案；

10、所述koa智能治疗辅助决策模块包括奖励子模块、深度强化子模块和决策评价子模块；

11、所述奖励子模块，用于通过奖励函数评估治疗方案的有效性得到即时反馈值；

12、所述深度强化子模块，用于根据即时反馈值学习最优策略函数得到每个治疗方案的累计奖励值；

13、所述决策评价子模块，用于根据累计奖励值输出最优治疗方案；所述最优治疗方案为治疗方案组合后累加奖励值组合得分最高的治疗方案组合。

14、进一步地，所述奖励函数的表达式如下：

15、

16、式中：

17、表示即时反馈值；

18、：第t周的koa疼痛评分；

19、：第t+1周的koa疼痛评分；

20、：koa疼痛评分的第一阈值；

21、：koa疼痛评分的第二阈值；

22、为常数。

23、进一步地，所述奖励函数包括三种情况；

24、当<时，为改善情况，则奖励函数的计算公式为：

25、；

26、当koa疼痛评分降低，表示选用的治疗方案表现为对患者状态是改善，此时需要提供对即时反馈值的任意程度下降的奖励，奖励koa疼痛评分从较高得分降低，以此获得更大的koa疼痛评分的下降；

27、当=时，为稳定情况，则比较与疼痛评分的阈值；

28、若>，则；需要对koa疼痛评分高但稳定的得分通过即时反馈值进行惩罚；

29、若≦，则；需要对koa疼痛评分非常低但稳定的得分通过即时反馈值进行奖励；

30、若<≦，则；对koa疼痛评分在中等但稳定的得分通过即时反馈值既不奖励也不惩罚；

31、当>时，为恶化情况，则奖励函数的计算公式为；

32、，

33、当koa疼痛评分升高，则表明现在为恶化情况，需要对koa疼痛评分的得分增加施加惩罚，对相对较高的评分上升施加更严厉的惩罚。

34、进一步地，所述数据预处理模块包括：数据清洗子模块、缺失值处理子模块、类别不平衡处理子模块和归一化子模块；

35、所述数据清洗子模块，用于去除量表数据中的异常值得到正常值量表数据；

36、所述缺失值处理子模块，用于填补正常值量表数据中独立的缺失值得到整量表数据；

37、所述类别不平衡处理子模块，用于采用重采样和代价敏感性分析整量表数据得到平衡量表数据；

38、所述归一化子模块，用于采用数据归一化处理平衡量表数据得到koa数据库。

39、进一步地，所述koa特征筛选模块包括：初始随机森林子模块和随机森林子模块；

40、所述初始随机森林子模块，用于通过koa数据库训练得到随机森林子模块；

41、所述随机森林子模块，用于采用迭代特征消除策略筛选koa数据库中的多个特征量得到关键特征集。

42、进一步地，所述koa康复治疗效果模拟模块包括：序列子模块、历史信息编码子模块、多层感知子模块和更新子模块

43、所述序列子模块，用于获取关键特征集中的时间序列疾病数据；所述时间序列疾病数据包括患者历史状态和治疗方案；

44、所述历史信息编码子模块，用于对历史状态和治疗方案进行编码获得历史信息编码；

45、所述多层感知子模块，用于根据历史信息编码预测下一个时间点的患者状态；

46、所述更新子模块，用于将下一个时间点的状态记录到对应患者的对应的治疗方案下，以更新koa数据库。

47、进一步地，所述koa康复治疗决策模块包括：四元组数据子模块和动态推荐子模块，

48、所述四元组数据子模块，用于从更新后的koa数据库中获取每个患者的历史状态、治疗方案、累计奖励值和下一个时间点的状态，形成四元组数据；

49、所述动态推荐子模块，用于基于四元组数据预测预设时间的治疗方案，通过预设决策规则推荐该患者在预设时间内应当选择的治疗方案。

50、本发明还提供一种基于机器学习技术的膝骨关节炎智能诊疗方法，包括：

51、s001、根据koa病患的多维度量表数据获取koa数据库；

52、s002、从获取koa数据库中的多个特征量；

53、s003、通过采用迭代特征消除策略从多个特征量中提取关键特征集；

54、s004、据关键特征集模拟采用初始治疗方案后患者的下一个时间点的状态；将下一个时间点的状态记录到对应患者的对应的治疗方案下，以更新koa数据库；

55、s005、根据更新后的koa数据库，通过预设决策规则推荐该患者在预设时间内应当选择的治疗方案；

56、s006、通过学习最优策略函数优化治疗方案得到最优治疗方案。

57、进一步地，所述通过采用迭代特征消除策略从多个特征量中提取关键特征集包括：构建并训练得到随机森林模型，基于随机森林模型，采用迭代特征消除策略筛选koa数据库中的多个特征量得到关键特征集；

58、所述构建并训练得到随机森林模型，包括：

59、s301、构建初始随机森林模型；

60、s302、采用自助采样，从koa数据库的多个特征中随机选取m个特征构成第一训练集；

61、s303、采用袋外误差估计计算第一训练集中每个特征的重要性得分；

62、s304、根据重要性得分，对所有特征进行降序排序；

63、s305、采用逐步回退搜索，迭代移除第一训练集中重要性得分最低的特征；

64、s306、在每次移除一个特征后，计算随机森林模型的分类准确率；

65、s307、当分类准确率稳定在预设值时，停止移除特征，从而得到关键特征集；所述关键特征集为根据s305至s307后移除第一训练集中部分特征后剩余特征的集合。

66、本发明具有以下优点：

67、本发明构建了koa康复治疗效果模拟模块，可基于患者的状态模拟采用上百种可能的治疗方案下患者的下一个时间点的状态变换，从而不必真的实施治疗方案就可得到不同种方案在患者上实施后的结果，从而优化治疗策略；这减少了不必要的资源和时间的浪费，极大提高了医生的治疗效率；

68、本发明在 koa 患者智能治疗辅助决策模块中设立奖励函数，对奖励函数进行针对不同情况的适应性变化计算，并在此基础上构建深度强化子模块，通过对最优策略函数的学习，对 koa康复治疗效果模拟模块输出的治疗方案进行组合优化得到最优治疗方案；

69、本发明通过采用迭代特征消除策略从多个特征量中提取关键特征集，仅对关键特征集进行处理有利于提高模拟采用治疗方案后患者的下一时间点的状态的准确性，并且减少不必要的计算从而达到轻量化系统的效果。