一种可解释的无痛内镜检查低氧风险评估方法及相关装置与流程

本发明属于机器学习，尤其涉及一种可解释的无痛内镜检查低氧风险评估方法及相关装置。

背景技术：

1、随着医疗技术的发展，无痛胃肠镜检查广泛用于胃肠道疾病的诊断。然而，无痛消化内镜检查过程中由于镇静剂的使用，部分患者会出现低氧事件。这种低氧事件若未能及时发现和处理，可能会导致严重的后果，包括呼吸抑制、心血管并发症甚至危及生命。传统的监测方法依赖于检查过程中持续观察患者的生命体征，但这可能存在延迟反应的风险，尤其对于某些高风险患者，早期预警的手段有限。

2、目前，临床上对无痛消化内镜检查中低氧事件的风险评估主要依赖于麻醉医生的临床经验。然而，这种风险评估方式存在一定的主观性，难以准确预测低氧事件的发生，特别是在大规模门诊环境下，传统的手工评估方式难以高效、精准地识别高风险患者。因此，亟需一种系统化的人工智能模型专用于无痛消化内镜检查中低氧风险的预测，帮助医生在无痛胃肠镜检查前有效预测和预防低氧事件的发生，保障患者安全。

技术实现思路

1、本发明在于提供一种可解释的无痛内镜检查低氧风险评估方法及相关装置，通过预先进行特征选择及重要性排序，基于该排序结果构建融合了低氧风险与特征相关性规则的可解释模型，并根据原有的样本数据构造负样本数据，实现了在小样本数据的基础上对患者低氧事件风险的高效且准确的可解释预测。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供一种可解释的无痛内镜检查低氧风险评估方法，包括：

4、获取待接受无痛消化内镜检查患者的临床特征，其中，所述临床特征包括个体特征、病史信息以及镜前相关评估参数；

5、将所述临床特征输入预先训练的低氧风险评估模型中，得到低氧风险评估结果；

6、其中，所述低氧风险评估模型的获取方法包括：

7、获取接受无痛消化内镜检查患者的历史样本数据集，并基于所述历史样本数据集构建负样本数据集，其中，各样本数据集中包括临床特征以及风险类别标签；

8、所述历史样本数据集中各临床特征进行重要性排序；

9、基于重要性排序结果获取改进的可解释模型，其中，所述改进的可解释模型包括相互连接的编码器和解码器，所述编码器的算法中融合了对临床特征与低氧风险的相关性规则的学习，用于对输入数据进行编码得到包含相关性规则的特征向量，所述解码器用于根据所述特征向量进行风险类别标签映射；

10、通过所述历史样本数据集以及负样本数据集对所述改进的可解释模型进行训练，获取低氧风险评估模型。

11、可选地，所述个体特征包括人口统计学特征以及基础生理指标；

12、所述人口统计学特征包括：年龄、性别、身高、体重、bmi；

13、所述基础生理指标包括：基础血压、基础心率、基础指脉氧饱和度；

14、所述病史信息包括：基础高血压史、糖尿病史、吸烟史、酗酒史、打鼾情况；

15、所述镜前相关评估参数包括：颈围、马氏分级、asa分级。

16、可选地，所述获取接受无痛消化内镜检查患者的历史样本数据集，包括：

17、采集入院接受无痛消化内镜检查患者的历史临床特征；

18、对各患者的历史临床特征进行数据清洗以及标准化处理；

19、将处理后的各患者的历史临床特征结合对应的低氧风险标签得到历史样本数据集。

20、可选地，使用预先训练的xgboost模型所述历史样本数据集中的各临床特征进行重要性排序；

21、其中，所述xgboost模型的训练方法包括：

22、对所述历史样本数据集进行分割，得到对应的训练集和测试集；

23、在训练集和测试集上分别对xgboost模型进行超参数调节和寻优，得到最优参数组合；

24、根据所述最优参数组合对xgboost模型进行设置，得到训练好的xgboost模型。

25、可选地，所述在训练集和测试集上分别对xgboost模型进行超参数调节和寻优，得到最优参数组合，包括：

26、将所述训练集输入xgboost模型，并按照常规参数以及指定好的分类类别数量对xgboost模型进行初步设置；

27、使用网格搜索算法在所述训练集上对初步设置后的xgboost模型进行超参数调节，得到xgboost模型的不同参数组合；

28、将所述测试集上分别输入不同参数组合的xgboost模型进行验证，得到xgboost模型的最优参数组合。

29、可选地，所述基于所述历史样本数据集构建负样本数据集，包括：

30、选取与低氧事件风险呈正相关的临床特征作为目标特征；

31、在所述历史样本数据集中查找包含所述目标特征的样本数据；

32、在查找出的样本数据中对目标特征值进行增长，得到新的样本数据。

33、可选地，所述编码器包括多个依次连接的特征提取模块以及与最后一个特征提取模块连接的规则层，其中，各特征提取模块包括特征拼接层，第n个特征提取模块中特征拼接层的输入包括第n-1个特征提取模块输出的特征向量以及根据重要性倒序排序结果位于第n位临床特征的特征向量，所述规则层中存有目标特征的编码值，用于对最后一个特征提取模块输出的特征向量与所述目标特征的编码值进行点积；

34、所述解码器包括softmax层。

35、可选地，所述通过所述历史样本数据集以及负样本数据集对所述改进的可解释模型进行训练，获取低氧风险评估模型，包括：

36、将所述历史样本数据集以及负样本数据集中的各样本数据输入改进的可解释模型，通过编码器对各样本数据中的特征向量进行特征提取，并通过解码器根据编码器输出的特征向量进行风险类别标签映射；

37、根据解码器输出的风险类别标签与各样本数据对应的真实标签计算改进的可解释模型的损失函数值；

38、调整模型参数至最小化损失函数值，得到低氧风险评估模型。

39、第二方面，本发明提供一种可解释的无痛内镜检查低氧风险评估装置，包括：

40、患者信息获取模块：用于获取待接受无痛消化内镜检查患者的临床特征，其中，所述临床特征包括个体特征、病史信息以及镜前相关评估参数；

41、低氧风险评估结果获取模块：用于将所述临床特征输入预先构建的低氧风险评估模型中，得到低氧风险评估结果；

42、其中，所述低氧风险评估模型的获取方法包括：

43、获取接受无痛消化内镜检查患者的历史样本数据集，并基于所述历史样本数据集构建负样本数据集，其中，各样本数据集中包括临床特征以及风险类别标签；

44、所述历史样本数据集中各临床特征进行重要性排序；

45、基于重要性排序结果获取改进的可解释模型，其中，所述改进的可解释模型包括相互连接的编码器和解码器，所述编码器的算法中融合了对临床特征与低氧风险的相关性规则的学习，用于对输入数据进行编码得到包含相关性规则的特征向量，所述解码器用于根据所述特征向量进行风险类别标签映射；

46、通过所述历史样本数据集以及负样本数据集对所述改进的可解释模型进行训练，获取低氧风险评估模型。

47、第三方面，本发明提供一种计算机存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一步所述的可解释的无痛内镜检查低氧风险评估方法。

48、与现有技术相比，本发明所达到的有益效果：本发明通过将可解释深度学习网络应用于医学领域相关场景，并将其与该医学场景中已知的相关规则相结合，构建出一个学习效果更好的可解释模型，解决了模型训练过程中难以学习到相应规则的问题，并基于原有的小范围样本数据构造负样本数据，从而对该构建好的可解释模型进行训练得到低氧事件风险评估模型，改善了医学领域样本数据不多而导致的模型过拟合问题，在检查前采集患者的多项基础特征，通过风险评估模型根据这些基础特征便可得出可解释的风险预测结果，实现对低氧事件风险的精确高效预测，并且，通过模型提前预测风险可以在患者低氧事件发生之前提供预警，及时采取干预措施，显著提高了无痛消化内镜检查过程的安全性，减少麻醉相关并发症，并有助于优化医疗资源的使用。