摘要冠心病被称为“人类健康的第一杀手”,每年死于心血管疾病的人数占全球死亡总数的 31%,多于其他任何死因。中国的冠心病死亡人数已位列世界第二位,且近年来冠心病死亡率不断升高。因此,找到一种能够以较小的代价快速有效诊断冠心病的方法迫在眉睫。<br> 在冠心病诊断中,医生会根据患者的综合信息进行整体预判,这些信息主要包括:年龄、胸痛、血压、病史,以及一些心肌损伤标志物如血液中肌钙蛋白含量等。对于风险较大的患者,医生会建议做冠脉造影进行确认。冠脉造影是诊断冠心病的“金标准”,但它存在一定缺陷:如有创、较多不良反应、价格昂贵等。因此,本文提出两种基于多任务深度学习的冠心病辅助诊断模型,通过患者的基本信息及常规检查报告,预测八只冠状动脉血管的堵塞程度以及是否患冠心病。并设计实现了预测系统,为医生提供辅助诊断。本文所做的研究如下:<br> (1)对某三甲医院真实医疗数据进行处理,构建了冠心病预测数据集。数据中包括患者性别、年龄等10项基本信息,血液生化检查报告,心脏彩色多普勒超声心动图报告等,将这些数据处理后进行融合匹配。然后从该患者的冠脉造影报告中提取八只冠状动脉血管的堵塞程度数值,作为融合后数据的标签。<br> (2)提出了多任务渐进深度网络模型。当患者做过心脏彩超,且只有一次血检记录时,可用该模型进行辅助诊断。模型主要包括三部分:软参数共享层、硬参数共享层、渐进神经网络层。软参数共享通过对模型参数的距离进行正则化来保障参数的相似,而参数的硬共享机制降低了过拟合的风险。渐进式神经网络可以通过逐层存储迁移知识和提取有价值特征,将一支血管的预测模型迁移知识到另一只血管预测中,从而提高数据量较少的血管的预测准确率。对比实验结果表明,该模型可使多个任务间共同学习,提高整体性能。<br> (3)提出了多任务深度强化时序模型。该模型首先通过 A3C 进行强化学习预训练,提高收敛性。模型第二层是软参数共享层,第三层是硬参数共享层,这两层可通过之前模型的网络层迁移来实现,从而减少计算开销。模型最后是增量组合渐进式时序网络,当网络接收到一位患者的多次血检记录时,会通过增量学习进行自我更新,并通过向增量特征基更新中加入遗忘因子,来调节新旧观测之间的平衡。对比实验结果表明,当患者做过心脏彩超,且有多次血检记录时,该模型可以对血检数据进行时序增量叠加,取得较好的预测效果。<br> (4)设计并实现冠状动脉血管堵塞程度预测系统,将上述两个模型集成到系统中,进行冠脉堵塞程度以及是否患有冠心病预测。
更多相关知识
- 浏览36
- 被引0
- 下载34
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文