本發(fā)明涉及檢驗(yàn)結(jié)果異常模式智能預(yù)警系統(tǒng)，具體涉及多模態(tài)生化檢驗(yàn)結(jié)果異常模式智能預(yù)警系統(tǒng)及其方法。

背景技術(shù)：

1、在現(xiàn)代醫(yī)療診斷領(lǐng)域，生化檢驗(yàn)結(jié)果的準(zhǔn)確解讀和及時(shí)預(yù)警一直是一個(gè)備受關(guān)注的重要課題。隨著醫(yī)療技術(shù)的不斷進(jìn)步和檢測(cè)手段的日益豐富，醫(yī)生每天都要面對(duì)海量的生化檢驗(yàn)數(shù)據(jù)。這些數(shù)據(jù)不僅數(shù)量龐大，而且涉及多個(gè)維度，包括但不限于血常規(guī)、肝功能、腎功能等多項(xiàng)指標(biāo)。如何從這些復(fù)雜的數(shù)據(jù)中快速、準(zhǔn)確地識(shí)別出潛在的健康風(fēng)險(xiǎn)，成為了當(dāng)前醫(yī)療界面臨的一大挑戰(zhàn)。

2、傳統(tǒng)的生化檢驗(yàn)結(jié)果分析方法主要依賴于固定的參考范圍和醫(yī)生的經(jīng)驗(yàn)判斷。這種方法雖然直觀簡(jiǎn)單，但存在諸多局限性。首先，固定的參考范圍難以適應(yīng)不同個(gè)體間的差異，可能導(dǎo)致大量的假陽(yáng)性或假陰性結(jié)果。其次，單一指標(biāo)的孤立分析無(wú)法捕捉到指標(biāo)間的復(fù)雜相互作用，可能會(huì)忽視一些潛在的健康風(fēng)險(xiǎn)。再者，這種方法難以實(shí)現(xiàn)早期預(yù)警，往往只能在指標(biāo)明顯異常時(shí)才能發(fā)現(xiàn)問(wèn)題，錯(cuò)過(guò)了最佳干預(yù)時(shí)機(jī)。

3、近年來(lái)，隨著人工智能技術(shù)的發(fā)展，一些研究者開(kāi)始嘗試將機(jī)器學(xué)習(xí)方法應(yīng)用于生化檢驗(yàn)結(jié)果的分析中。這些方法雖然在一定程度上提高了異常檢測(cè)的準(zhǔn)確性，但仍然存在一些關(guān)鍵問(wèn)題。首先，大多數(shù)現(xiàn)有的機(jī)器學(xué)習(xí)模型都是黑箱式的，缺乏可解釋性，醫(yī)生難以理解和信任其預(yù)測(cè)結(jié)果。其次，這些模型往往只關(guān)注靜態(tài)的數(shù)據(jù)特征，忽視了生化指標(biāo)隨時(shí)間變化的動(dòng)態(tài)特性。再者，現(xiàn)有方法大多局限于單一模態(tài)的數(shù)據(jù)分析，無(wú)法有效整合多源、異構(gòu)的醫(yī)療數(shù)據(jù)。

4、此外，現(xiàn)有技術(shù)還面臨著數(shù)據(jù)預(yù)處理不足、異常檢測(cè)閾值固定、無(wú)法處理長(zhǎng)期依賴關(guān)系等問(wèn)題。這些問(wèn)題嚴(yán)重制約了生化檢驗(yàn)結(jié)果異常檢測(cè)技術(shù)的進(jìn)一步發(fā)展和臨床應(yīng)用。

5、鑒于上述現(xiàn)有技術(shù)存在的諸多不足，亟需能夠綜合考慮多模態(tài)數(shù)據(jù)、捕捉時(shí)間序列特征、具有良好可解釋性，同時(shí)能夠?qū)崿F(xiàn)早期預(yù)警的智能系統(tǒng)。本發(fā)明正是針對(duì)這一迫切需求而提出的。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供多模態(tài)生化檢驗(yàn)結(jié)果異常模式智能預(yù)警系統(tǒng)及方法，旨在解決現(xiàn)有技術(shù)中存在的數(shù)據(jù)利用不充分、異常檢測(cè)不準(zhǔn)確、預(yù)警不及時(shí)、可解釋性差等關(guān)鍵技術(shù)問(wèn)題。

2、本發(fā)明提供多模態(tài)生化檢驗(yàn)結(jié)果異常模式智能預(yù)警系統(tǒng)，包含動(dòng)態(tài)閾值模塊、多變量模式模塊、時(shí)間演化模塊和自適應(yīng)模塊，所述動(dòng)態(tài)閾值模塊，根據(jù)歷史檢驗(yàn)結(jié)果，構(gòu)建并訓(xùn)練初始的指數(shù)加權(quán)移動(dòng)平均模型，利用當(dāng)前檢驗(yàn)結(jié)果和歷史檢驗(yàn)結(jié)果的實(shí)時(shí)變化，計(jì)算檢驗(yàn)結(jié)果的上預(yù)測(cè)參考線、下預(yù)測(cè)參考線和區(qū)間寬度；所述多變量模式模塊，從歷史樣本中采集樣本化驗(yàn)數(shù)據(jù)與檢驗(yàn)結(jié)果數(shù)據(jù)，構(gòu)建張量數(shù)據(jù)集；并利用密度聚類算法獲取異常樣本，根據(jù)異常樣本密度劃分關(guān)鍵簇；最后利用高斯混合模型融合異常樣本，并從中提取隱藏的正常點(diǎn)；所述時(shí)間演化模塊，將時(shí)空張量構(gòu)建輸入至?xí)r序卷積神經(jīng)網(wǎng)絡(luò)中，對(duì)單變量異常分析向時(shí)間演化異常分析擴(kuò)展；在時(shí)序卷積神經(jīng)網(wǎng)絡(luò)的反向傳播中，利用鏈?zhǔn)椒▌t求解對(duì)時(shí)空張量構(gòu)建在各自時(shí)間窗口的梯度，將時(shí)空張量構(gòu)建的數(shù)據(jù)進(jìn)行梯度更新并獲取時(shí)間窗口的異常；所述自適應(yīng)解釋模塊，利用層次分析法確定各個(gè)異常間的關(guān)聯(lián)關(guān)系以及對(duì)應(yīng)的時(shí)序卷積神經(jīng)網(wǎng)絡(luò)輸入對(duì)應(yīng)權(quán)重大小；利用可解釋性的因果推理網(wǎng)絡(luò)對(duì)時(shí)序卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)網(wǎng)絡(luò)分解，生成解釋性報(bào)告。

3、具體地，所述動(dòng)態(tài)閾值模塊中的指數(shù)加權(quán)移動(dòng)平均模型，依據(jù)檢驗(yàn)量的歷史數(shù)據(jù)和當(dāng)前檢驗(yàn)結(jié)果，計(jì)算實(shí)時(shí)預(yù)測(cè)參考線，包括：參考線的方向，計(jì)算與預(yù)測(cè)參考線的偏離，計(jì)算參考線上下區(qū)間的寬度。

4、具體地，所述多變量模式模塊中，隱藏多個(gè)模式的異常模式；具體是：在具有一個(gè)或多個(gè)關(guān)鍵簇的張量數(shù)據(jù)中，基于密度聚類，在聚類的基礎(chǔ)上計(jì)算簇內(nèi)的密度；在密度最高的簇內(nèi)利用高斯混合模型，將當(dāng)前數(shù)據(jù)與其他密度較高的簇合并，將合并的張量數(shù)據(jù)與當(dāng)前張量數(shù)據(jù)擬合得到正常樣本；并在擬合的張量數(shù)據(jù)上獲取異常樣本及其密度。

5、具體地，從歷史樣本中采集樣本化驗(yàn)數(shù)據(jù)構(gòu)成時(shí)空張量a∈rn×p×k，b∈rn×q×k，構(gòu)建相應(yīng)的時(shí)空張量，其結(jié)構(gòu)是：a＝(......aji...)，其中aij＝(......aijk...)，(1≤n≤n)，n是當(dāng)前時(shí)間窗口內(nèi)的檢測(cè)項(xiàng)目總數(shù)；b＝(......bij...)，其中bij＝(......biik...)，(1≤s≤sn)，sn是當(dāng)前時(shí)間窗口內(nèi)的樣本總數(shù)；利用密度聚類將以上采樣時(shí)空張量中的數(shù)據(jù)分為多類；若關(guān)鍵簇為k個(gè)，則利用可變分貝葉斯期望最大化算法的期望-最大化循環(huán)，結(jié)合正常數(shù)據(jù)樣本得到最終的高斯混合模型：每個(gè)簇的高斯分布的概率密度函數(shù)參數(shù)為(μi，∑i)iμi為其第i個(gè)簇的均值，∑i為其第i個(gè)簇的協(xié)方差矩陣；則任一簇內(nèi)的密度值為ρi＝ni/vi；通過(guò)密度計(jì)算獲取的隱藏點(diǎn)，獲取密度值較高的異常樣本，結(jié)合擬合的張量樣本數(shù)據(jù)，通過(guò)高斯混合模型獲取密度較高的關(guān)鍵點(diǎn)；公式為：y＝g+a+b，其中g(shù)∈{0，1}，其應(yīng)用：當(dāng)g＝0時(shí)，表示擬合當(dāng)前高斯混合模型所得到的；當(dāng)g＝1時(shí)，表示當(dāng)前數(shù)據(jù)來(lái)自于高密度簇得到的擬合點(diǎn)。

6、具體地，所述時(shí)間演化模塊利用網(wǎng)絡(luò)分解技術(shù)，對(duì)異常進(jìn)行自主分解與解釋；該模塊包含時(shí)序卷積神經(jīng)網(wǎng)絡(luò)分解和可解釋性的因果推理網(wǎng)絡(luò)；利用時(shí)序卷積神經(jīng)網(wǎng)絡(luò)模型編碼結(jié)果與時(shí)間窗口異常的對(duì)應(yīng)關(guān)系，具體是：y＝g+a+b；其中，y為當(dāng)前時(shí)間的異常，gi為第i個(gè)神經(jīng)元輸出的權(quán)重，i是當(dāng)前時(shí)刻i為總共的時(shí)刻；y為編碼的結(jié)果，a為歷史異常數(shù)據(jù)，b為正常樣本數(shù)據(jù)。

7、具體地，所述解釋性的因果推理網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)分解對(duì)因果網(wǎng)絡(luò)進(jìn)行拆分，分解過(guò)程中，利用分解技術(shù)不斷優(yōu)化權(quán)重和異常數(shù)據(jù)，得到異常數(shù)據(jù)和權(quán)重之間的關(guān)系，通過(guò)神經(jīng)網(wǎng)絡(luò)分解獲取因果關(guān)系；分解的具體步驟為：先初始化權(quán)重，初始異常數(shù)據(jù)為當(dāng)前時(shí)間窗口數(shù)據(jù)，計(jì)算當(dāng)前數(shù)據(jù)在下一時(shí)刻的權(quán)重，再計(jì)算下一時(shí)刻數(shù)據(jù)的權(quán)重、異常數(shù)據(jù)及其時(shí)間序列；若當(dāng)前模塊輸出的數(shù)據(jù)與當(dāng)前輸入數(shù)據(jù)的差異大于設(shè)定的閾值，則繼續(xù)分解；若收斂則在分解與計(jì)算中得到的異常即為最終異常，對(duì)應(yīng)的神經(jīng)元權(quán)重即為異常對(duì)應(yīng)的權(quán)重，由總體的異常數(shù)據(jù)和權(quán)重相乘得到異常數(shù)據(jù)。

8、多模態(tài)生化檢驗(yàn)結(jié)果異常模式智能預(yù)警方法，具體步驟：步驟s1.采集異?；?yàn)數(shù)據(jù)，構(gòu)建包含樣本化驗(yàn)數(shù)據(jù)和檢驗(yàn)結(jié)果的樣本庫(kù)；步驟s2.調(diào)取步驟s1的樣本庫(kù)，篩選異常數(shù)據(jù)并轉(zhuǎn)化為時(shí)空張量，具體為：將樣本化驗(yàn)數(shù)據(jù)與檢驗(yàn)結(jié)果轉(zhuǎn)化成z向量化，即離散化的時(shí)間與多項(xiàng)連續(xù)化的變量，并進(jìn)行歷史采樣形成時(shí)空張量；將時(shí)空張量運(yùn)用至?xí)r序卷積神經(jīng)網(wǎng)絡(luò)的編碼器，按天、每小時(shí)和每10分鐘劃分為多個(gè)時(shí)間窗口，對(duì)當(dāng)前時(shí)間窗口及其過(guò)往進(jìn)行聯(lián)合表征；步驟s3.將時(shí)空張量轉(zhuǎn)換為n×p形式的輸入張量，并構(gòu)建時(shí)序卷積神經(jīng)網(wǎng)絡(luò)的輸入；步驟s4.基于指數(shù)加權(quán)移動(dòng)模型的動(dòng)態(tài)閾值模塊，計(jì)算n×p窗口的高斯分布，調(diào)整預(yù)測(cè)參考線計(jì)算實(shí)時(shí)閾值區(qū)間；步驟s5.將時(shí)間窗口對(duì)應(yīng)的輸入數(shù)據(jù)進(jìn)行編碼，計(jì)算后輸入至注意力機(jī)制中，確定關(guān)鍵簇及當(dāng)前數(shù)據(jù)是否包含關(guān)鍵簇；步驟s6.計(jì)算關(guān)鍵簇密度，獲取異常樣本密度；步驟s7.獲取異常樣本密度后，通過(guò)高斯混合模型擬合，獲取正常點(diǎn)密度；步驟s8.將時(shí)空張量結(jié)合高斯混合模型輸出層，獲取包含潛在的多變量模式及各自密度的張量數(shù)據(jù)；步驟s9.通過(guò)時(shí)序卷積神經(jīng)網(wǎng)絡(luò)的編碼器，獲取關(guān)鍵節(jié)點(diǎn)；利用神經(jīng)網(wǎng)絡(luò)分解與因果推理網(wǎng)絡(luò)分解，獲取因果路徑與對(duì)應(yīng)的權(quán)重的結(jié)果；根據(jù)結(jié)果生成因果關(guān)聯(lián)報(bào)告。

9、具體地，時(shí)序卷積神經(jīng)網(wǎng)絡(luò)的編碼器中應(yīng)用因果推理網(wǎng)絡(luò)推斷；因果推理網(wǎng)絡(luò)的推斷利用神經(jīng)網(wǎng)絡(luò)分解和可解釋機(jī)制分解，包括：分解因果網(wǎng)絡(luò)和計(jì)算可理解因果關(guān)系；可解釋機(jī)制分解具體為：神經(jīng)網(wǎng)絡(luò)分解的步驟如下：(a)初始化權(quán)重和異常數(shù)據(jù)的離散化過(guò)程，并對(duì)當(dāng)前時(shí)刻的窗口進(jìn)行時(shí)序卷積神經(jīng)網(wǎng)絡(luò)編碼，獲取樣本化驗(yàn)數(shù)據(jù)中與當(dāng)前權(quán)重對(duì)應(yīng)的異常數(shù)據(jù)及編碼值；(b)若當(dāng)前時(shí)刻的異常數(shù)據(jù)與其來(lái)源數(shù)據(jù)的差異不大于1％，該時(shí)序卷積神經(jīng)網(wǎng)絡(luò)收斂，則執(zhí)行步驟(d)，提取最終的異常數(shù)據(jù)；若差異大于1％，則進(jìn)行分解；(c)將當(dāng)前解異常數(shù)據(jù)與重構(gòu)的異常數(shù)據(jù)作為編碼器輸入，提取的當(dāng)前權(quán)重作為編碼器輸入，通過(guò)分解編碼器，獲取當(dāng)前時(shí)刻異常數(shù)據(jù)，及隱向量k，并通過(guò)隱向量k更新異常數(shù)據(jù)，公式為：ak＝ak-1+g(xk,wk-1)；(d)若k不收斂，則循環(huán)步驟(c)；若k收斂，則循環(huán)步驟(e)；(e)其中，wk為神經(jīng)網(wǎng)絡(luò)分解權(quán)重，ak為異常數(shù)據(jù)，xk為當(dāng)前時(shí)刻的隱向量，wk-1為上一刻的權(quán)重；(f)將更新的異常數(shù)據(jù)設(shè)置為新的初始值，當(dāng)前更新權(quán)重設(shè)置為權(quán)重；(g)返回步驟(b)。

10、具體地，可理解因果關(guān)系的計(jì)算方法為：將編碼獲得的異常數(shù)據(jù)，由因果網(wǎng)絡(luò)進(jìn)行分解，分解后的隱式因果圖，揭示直接導(dǎo)致當(dāng)前異常數(shù)據(jù)產(chǎn)生的原因；步驟如下：

11、(a)獲取并分析輸出的隱式因果網(wǎng)絡(luò)圖，確定因果方向與最終因果網(wǎng)絡(luò)圖的節(jié)點(diǎn)；(b)分解神經(jīng)網(wǎng)絡(luò)中表示因果關(guān)系的權(quán)重，反向計(jì)算當(dāng)前時(shí)刻的異常數(shù)據(jù)；(c)獲取當(dāng)前時(shí)刻編碼器輸出的異常數(shù)據(jù)，并與利用權(quán)重反向計(jì)算的差異；(d)若異常數(shù)據(jù)的差異不大于1％，刪除節(jié)點(diǎn)并進(jìn)入步驟(g)，當(dāng)前異常數(shù)據(jù)作為因果網(wǎng)絡(luò)的最終權(quán)重；若異常數(shù)據(jù)大于1％，則返回步驟(b)，并通過(guò)刪除當(dāng)前節(jié)點(diǎn)更新權(quán)重；(e)其中步驟(a)中，隱式因果圖的應(yīng)用，當(dāng)異常數(shù)據(jù)確定后，通過(guò)關(guān)鍵節(jié)點(diǎn)，與對(duì)應(yīng)的待分解神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)信息進(jìn)行對(duì)比，獲取相應(yīng)的因果信息，并結(jié)合權(quán)重理解因果的影響因子。

12、具體地，應(yīng)用步驟s4獲取的預(yù)測(cè)參考線計(jì)算實(shí)時(shí)異常數(shù)據(jù)；通過(guò)神經(jīng)網(wǎng)絡(luò)分解獲取因果關(guān)系，并調(diào)用步驟s3獲取隱式因果網(wǎng)絡(luò)圖。

13、本發(fā)明的優(yōu)點(diǎn)和有益效果：

14、通過(guò)融合動(dòng)態(tài)閾值技術(shù)、多變量模式分析、時(shí)間序列建模和可解釋性機(jī)制，本發(fā)明實(shí)現(xiàn)了對(duì)生化檢驗(yàn)結(jié)果的全方位、動(dòng)態(tài)化、智能化分析。本發(fā)明的實(shí)施不僅顯著提高了異常檢測(cè)的準(zhǔn)確性和及時(shí)性，還為醫(yī)生提供了直觀、可信的決策支持。這種創(chuàng)新性的解決方案有望在提高醫(yī)療診斷效率、降低漏診誤診率、促進(jìn)精準(zhǔn)醫(yī)療等方面發(fā)揮重要作用，為患者的健康管理帶來(lái)實(shí)質(zhì)性的改善。