欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100662128
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于粒计算的新发心肌梗死分级分类预测方法,其特征在于,包括:

从真实临床数据中,收集获得若干患者的基本信息和实验室检查数据;对收集的所述患者的基本信息和所述实验室检查数据进行筛选,建立新发心肌梗死患者样本队列;

通过xgboost模型对若干临床特征分别进行单特征建模分析,获得每个所述临床特征的AUROC值;根据所述AUROC值,按照第一选取策略选取保留若干第一临床特征;

通过若干树模型对若干所述临床特征进行建模,分别输出每个所述树模型的特征重要度得分;根据所述特征重要度得分,按照第二选取策略选取保留若干第二临床特征;

将若干所述第一临床特征和若干所述第二临床特征进行交集处理,获得若干目标临床特征;

基于自动机器学习框架AutoGluon构建集成模型;通过所述目标临床特征对所述集成模型进行训练,获得训练好的集成模型;

通过所述训练好的集成模型对所述目标临床特征进行分析,输出所述训练好的集成模型的特征重要度得分;根据集成模型的特征重要度得分对所述目标临床特征进行排序,并对排在前面设定个数的临床特征进行重新建模分析,输出新建模型的特征重要度得分;当所述新建模型的特征重要度得分与所述集成模型的特征重要度得分达到设定要求时,筛选出最重要临床特征;

通过内外部数据对所述新建模型进行验证,评估所述新建模型的鲁棒性以及所述最重要临床特征的有效性。

2.根据权利要求1所述的基于粒计算的新发心肌梗死分级分类预测方法,其特征在于,在对收集的所述患者的基本信息和所述实验室检查数据进行筛选,建立所述新发心肌梗死患者样本队列的过程中,从所述患者的基本信息和所述实验室检查数据中筛选出患有新发心肌梗死的样本;将筛选出的样本中数据缺失率大于20%的样本进行删除,建立所述新发心肌梗死患者样本队列。

3.根据权利要求2所述的基于粒计算的新发心肌梗死分级分类预测方法,其特征在于,在根据所述AUROC值,按照所述第一选取策略选取保留若干所述第一临床特征的过程中,所述第一选取策略为:将AUROC值大于0.5的临床特征进行保留。

4.根据权利要求3所述的基于粒计算的新发心肌梗死分级分类预测方法,其特征在于,在通过若干所述树模型对若干所述临床特征进行建模的过程中,所述树模型包括:xgboost、catboost和lightgbm树模型;所述第二选取策略为:将xgboost、catboost和lightgbm三种树模型的特征重要度得分都大于0的临床特征保留。

5.根据权利要求4所述的基于粒计算的新发心肌梗死分级分类预测方法,其特征在于,在通过所述目标临床特征对所述集成模型进行训练的过程中,训练步骤为:所述集成模型将单独的嵌入层应用于每个所述目标临床特征,并与数值特征连接成大向量;

利用多层堆栈集成策略,将一组基础模型以通用的方式进行单独训练,获得聚合预测结果;将所述聚合预测结果作为所述基础模型的特征来训练所述集成模型;

基于粒计算策略,将所述目标临床特征分解成若干数据集;每一个所述数据集再分为训练子集和验证子集;将若干所述训练子集或若干所述验证子集合并成最终训练子集或最终验证子集;通过所述最终训练子集及最终验证子集对所述集成模型进行多粒度交叉验证。

6.基于粒计算的新发心肌梗死分级分类预测装置,采用权利要求1-5任一项所述的基于粒计算的新发心肌梗死分级分类预测方法,其特征在于,包括:数据筛选模块,用于从真实临床数据中,收集获得若干患者的基本信息和实验室检查数据;对收集的所述患者的基本信息和所述实验室检查数据进行筛选,建立新发心肌梗死患者样本队列;

第一临床特征筛选模块,用于通过xgboost模型对若干临床特征分别进行单特征建模分析,获得每个所述临床特征的AUROC值;根据所述AUROC值,按照第一选取策略选取保留若干第一临床特征;

第二临床特征筛选模块,用于通过若干树模型对若干所述临床特征进行建模,分别输出每个所述树模型的特征重要度得分;根据所述特征重要度得分,按照第二选取策略选取保留若干第二临床特征;

目标临床特征获取模块,用于将若干所述第一临床特征和若干所述第二临床特征进行交集处理,获得若干目标临床特征;

集成模型构建及训练模块,用于基于自动机器学习框架AutoGluon构建集成模型;通过所述目标临床特征对所述集成模型进行训练,获得训练好的集成模型;

最重要临床特征筛选模块,用于最重要的临床特征通过所述训练好的集成模型对所述目标临床特征进行分析,输出所述训练好的集成模型的特征重要度得分;根据集成模型的特征重要度得分对所述目标临床特征进行排序,并对排在前面设定个数的临床特征进行重新建模分析,输出新建模型的特征重要度得分;当所述新建模型的特征重要度得分与所述集成模型的特征重要度得分达到设定要求时,筛选出最重要临床特征;

新建模型验证模块,用于通过内外部数据对所述新建模型进行验证,评估所述新建模型的鲁棒性以及所述最重要临床特征的有效性。

7.根据权利要求6所述的基于粒计算的新发心肌梗死分级分类预测装置,其特征在于,所述数据筛选模块中,在对收集的所述患者的基本信息和所述实验室检查数据进行筛选,建立所述新发心肌梗死患者样本队列的过程中,从所述患者的基本信息和所述实验室检查数据中筛选出患有新发心肌梗死的样本;将筛选出的样本中数据缺失率大于20%的样本进行删除,建立所述新发心肌梗死患者样本队列。

8.根据权利要求7所述的基于粒计算的新发心肌梗死分级分类预测装置,其特征在于,所述第一临床特征筛选模块中,在根据所述AUROC值,按照所述第一选取策略选取保留若干所述第一临床特征的过程中,所述第一选取策略为:将AUROC值大于0.5的临床特征进行保留。

9.根据权利要求8所述的基于粒计算的新发心肌梗死分级分类预测装置,其特征在于,所述第二临床特征筛选模块中,在通过若干所述树模型对若干所述临床特征进行建模的过程中,所述树模型包括:xgboost、catboost和lightgbm树模型;所述第二选取策略为:将xgboost、catboost和lightgbm三种树模型的特征重要度得分都大于0的临床特征保留。

10.根据权利要求9所述的基于粒计算的新发心肌梗死分级分类预测装置,其特征在于,所述集成模型构建及训练模块中,训练子模块包括为:大向量生成子模块,用于所述集成模型将单独的嵌入层应用于每个所述目标临床特征,并与数值特征连接成大向量;

多层堆栈集成训练子模块,用于利用多层堆栈集成策略,将一组基础模型以通用的方式进行单独训练,获得聚合预测结果;将所述聚合预测结果作为所述基础模型的特征来训练所述集成模型;

粒计算训练子模块,用于基于粒计算策略,将所述目标临床特征分解成若干数据集;每一个所述数据集再分为训练子集和验证子集;将若干所述训练子集或若干所述验证子集合并成最终训练子集或最终验证子集;通过所述最终训练子集及最终验证子集对所述集成模型进行多粒度交叉验证。