多模态生化检验结果异常模式智能预警系统及其方法与流程

本发明涉及检验结果异常模式智能预警系统，具体涉及多模态生化检验结果异常模式智能预警系统及其方法。

背景技术：

1、在现代医疗诊断领域，生化检验结果的准确解读和及时预警一直是一个备受关注的重要课题。随着医疗技术的不断进步和检测手段的日益丰富，医生每天都要面对海量的生化检验数据。这些数据不仅数量庞大，而且涉及多个维度，包括但不限于血常规、肝功能、肾功能等多项指标。如何从这些复杂的数据中快速、准确地识别出潜在的健康风险，成为了当前医疗界面临的一大挑战。

2、传统的生化检验结果分析方法主要依赖于固定的参考范围和医生的经验判断。这种方法虽然直观简单，但存在诸多局限性。首先，固定的参考范围难以适应不同个体间的差异，可能导致大量的假阳性或假阴性结果。其次，单一指标的孤立分析无法捕捉到指标间的复杂相互作用，可能会忽视一些潜在的健康风险。再者，这种方法难以实现早期预警，往往只能在指标明显异常时才能发现问题，错过了最佳干预时机。

3、近年来，随着人工智能技术的发展，一些研究者开始尝试将机器学习方法应用于生化检验结果的分析中。这些方法虽然在一定程度上提高了异常检测的准确性，但仍然存在一些关键问题。首先，大多数现有的机器学习模型都是黑箱式的，缺乏可解释性，医生难以理解和信任其预测结果。其次，这些模型往往只关注静态的数据特征，忽视了生化指标随时间变化的动态特性。再者，现有方法大多局限于单一模态的数据分析，无法有效整合多源、异构的医疗数据。

4、此外，现有技术还面临着数据预处理不足、异常检测阈值固定、无法处理长期依赖关系等问题。这些问题严重制约了生化检验结果异常检测技术的进一步发展和临床应用。

5、鉴于上述现有技术存在的诸多不足，亟需能够综合考虑多模态数据、捕捉时间序列特征、具有良好可解释性，同时能够实现早期预警的智能系统。本发明正是针对这一迫切需求而提出的。

技术实现思路

1、本发明的目的是提供多模态生化检验结果异常模式智能预警系统及方法，旨在解决现有技术中存在的数据利用不充分、异常检测不准确、预警不及时、可解释性差等关键技术问题。

2、本发明提供多模态生化检验结果异常模式智能预警系统，包含动态阈值模块、多变量模式模块、时间演化模块和自适应模块，所述动态阈值模块，根据历史检验结果，构建并训练初始的指数加权移动平均模型，利用当前检验结果和历史检验结果的实时变化，计算检验结果的上预测参考线、下预测参考线和区间宽度；所述多变量模式模块，从历史样本中采集样本化验数据与检验结果数据，构建张量数据集；并利用密度聚类算法获取异常样本，根据异常样本密度划分关键簇；最后利用高斯混合模型融合异常样本，并从中提取隐藏的正常点；所述时间演化模块，将时空张量构建输入至时序卷积神经网络中，对单变量异常分析向时间演化异常分析扩展；在时序卷积神经网络的反向传播中，利用链式法则求解对时空张量构建在各自时间窗口的梯度，将时空张量构建的数据进行梯度更新并获取时间窗口的异常；所述自适应解释模块，利用层次分析法确定各个异常间的关联关系以及对应的时序卷积神经网络输入对应权重大小；利用可解释性的因果推理网络对时序卷积神经网络进行神经网络分解，生成解释性报告。

3、具体地，所述动态阈值模块中的指数加权移动平均模型，依据检验量的历史数据和当前检验结果，计算实时预测参考线，包括：参考线的方向，计算与预测参考线的偏离，计算参考线上下区间的宽度。

4、具体地，所述多变量模式模块中，隐藏多个模式的异常模式；具体是：在具有一个或多个关键簇的张量数据中，基于密度聚类，在聚类的基础上计算簇内的密度；在密度最高的簇内利用高斯混合模型，将当前数据与其他密度较高的簇合并，将合并的张量数据与当前张量数据拟合得到正常样本；并在拟合的张量数据上获取异常样本及其密度。

5、具体地，从历史样本中采集样本化验数据构成时空张量a∈rn×p×k，b∈rn×q×k，构建相应的时空张量，其结构是：a＝(......aji...)，其中aij＝(......aijk...)，(1≤n≤n)，n是当前时间窗口内的检测项目总数；b＝(......bij...)，其中bij＝(......biik...)，(1≤s≤sn)，sn是当前时间窗口内的样本总数；利用密度聚类将以上采样时空张量中的数据分为多类；若关键簇为k个，则利用可变分贝叶斯期望最大化算法的期望-最大化循环，结合正常数据样本得到最终的高斯混合模型：每个簇的高斯分布的概率密度函数参数为(μi，∑i)iμi为其第i个簇的均值，∑i为其第i个簇的协方差矩阵；则任一簇内的密度值为ρi＝ni/vi；通过密度计算获取的隐藏点，获取密度值较高的异常样本，结合拟合的张量样本数据，通过高斯混合模型获取密度较高的关键点；公式为：y＝g+a+b，其中g∈{0，1}，其应用：当g＝0时，表示拟合当前高斯混合模型所得到的；当g＝1时，表示当前数据来自于高密度簇得到的拟合点。

6、具体地，所述时间演化模块利用网络分解技术，对异常进行自主分解与解释；该模块包含时序卷积神经网络分解和可解释性的因果推理网络；利用时序卷积神经网络模型编码结果与时间窗口异常的对应关系，具体是：y＝g+a+b；其中，y为当前时间的异常，gi为第i个神经元输出的权重，i是当前时刻i为总共的时刻；y为编码的结果，a为历史异常数据，b为正常样本数据。

7、具体地，所述解释性的因果推理网络，利用神经网络分解对因果网络进行拆分，分解过程中，利用分解技术不断优化权重和异常数据，得到异常数据和权重之间的关系，通过神经网络分解获取因果关系；分解的具体步骤为：先初始化权重，初始异常数据为当前时间窗口数据，计算当前数据在下一时刻的权重，再计算下一时刻数据的权重、异常数据及其时间序列；若当前模块输出的数据与当前输入数据的差异大于设定的阈值，则继续分解；若收敛则在分解与计算中得到的异常即为最终异常，对应的神经元权重即为异常对应的权重，由总体的异常数据和权重相乘得到异常数据。

8、多模态生化检验结果异常模式智能预警方法，具体步骤：步骤s1.采集异常化验数据，构建包含样本化验数据和检验结果的样本库；步骤s2.调取步骤s1的样本库，筛选异常数据并转化为时空张量，具体为：将样本化验数据与检验结果转化成z向量化，即离散化的时间与多项连续化的变量，并进行历史采样形成时空张量；将时空张量运用至时序卷积神经网络的编码器，按天、每小时和每10分钟划分为多个时间窗口，对当前时间窗口及其过往进行联合表征；步骤s3.将时空张量转换为n×p形式的输入张量，并构建时序卷积神经网络的输入；步骤s4.基于指数加权移动模型的动态阈值模块，计算n×p窗口的高斯分布，调整预测参考线计算实时阈值区间；步骤s5.将时间窗口对应的输入数据进行编码，计算后输入至注意力机制中，确定关键簇及当前数据是否包含关键簇；步骤s6.计算关键簇密度，获取异常样本密度；步骤s7.获取异常样本密度后，通过高斯混合模型拟合，获取正常点密度；步骤s8.将时空张量结合高斯混合模型输出层，获取包含潜在的多变量模式及各自密度的张量数据；步骤s9.通过时序卷积神经网络的编码器，获取关键节点；利用神经网络分解与因果推理网络分解，获取因果路径与对应的权重的结果；根据结果生成因果关联报告。

9、具体地，时序卷积神经网络的编码器中应用因果推理网络推断；因果推理网络的推断利用神经网络分解和可解释机制分解，包括：分解因果网络和计算可理解因果关系；可解释机制分解具体为：神经网络分解的步骤如下：(a)初始化权重和异常数据的离散化过程，并对当前时刻的窗口进行时序卷积神经网络编码，获取样本化验数据中与当前权重对应的异常数据及编码值；(b)若当前时刻的异常数据与其来源数据的差异不大于1％，该时序卷积神经网络收敛，则执行步骤(d)，提取最终的异常数据；若差异大于1％，则进行分解；(c)将当前解异常数据与重构的异常数据作为编码器输入，提取的当前权重作为编码器输入，通过分解编码器，获取当前时刻异常数据，及隐向量k，并通过隐向量k更新异常数据，公式为：ak＝ak-1+g(xk,wk-1)；(d)若k不收敛，则循环步骤(c)；若k收敛，则循环步骤(e)；(e)其中，wk为神经网络分解权重，ak为异常数据，xk为当前时刻的隐向量，wk-1为上一刻的权重；(f)将更新的异常数据设置为新的初始值，当前更新权重设置为权重；(g)返回步骤(b)。

10、具体地，可理解因果关系的计算方法为：将编码获得的异常数据，由因果网络进行分解，分解后的隐式因果图，揭示直接导致当前异常数据产生的原因；步骤如下：

11、(a)获取并分析输出的隐式因果网络图，确定因果方向与最终因果网络图的节点；(b)分解神经网络中表示因果关系的权重，反向计算当前时刻的异常数据；(c)获取当前时刻编码器输出的异常数据，并与利用权重反向计算的差异；(d)若异常数据的差异不大于1％，删除节点并进入步骤(g)，当前异常数据作为因果网络的最终权重；若异常数据大于1％，则返回步骤(b)，并通过删除当前节点更新权重；(e)其中步骤(a)中，隐式因果图的应用，当异常数据确定后，通过关键节点，与对应的待分解神经网络的节点信息进行对比，获取相应的因果信息，并结合权重理解因果的影响因子。

12、具体地，应用步骤s4获取的预测参考线计算实时异常数据；通过神经网络分解获取因果关系，并调用步骤s3获取隐式因果网络图。

13、本发明的优点和有益效果：

14、通过融合动态阈值技术、多变量模式分析、时间序列建模和可解释性机制，本发明实现了对生化检验结果的全方位、动态化、智能化分析。本发明的实施不仅显著提高了异常检测的准确性和及时性，还为医生提供了直观、可信的决策支持。这种创新性的解决方案有望在提高医疗诊断效率、降低漏诊误诊率、促进精准医疗等方面发挥重要作用，为患者的健康管理带来实质性的改善。