[0001] 本发明属于脑血管病检测技术领域，尤其是涉及一种基于人工智能的脑血管病动态预测方法及系统。

[0002] 随着人口老龄化的加剧和生活方式的改变，脑血管病的发病率在全球范围内呈现上升趋势，已成为严重危害人类健康的重大疾病之一。传统的脑血管病预测方法往往依赖于医生的经验和患者的静态临床信息，如年龄、血压、血脂等，这些方法在预测准确性和时效性上存在局限。此外，脑血管病的发病过程复杂，涉及多个生理系统和环境因素的交互作用，因此，开发一种能够动态监测和预测脑血管病发生风险的方法显得尤为重要。

[0003] 目前，虽然已有一些基于人工智能的脑血管病预测模型被提出和应用，但这些模型在性能上仍存在一定的局限性。一方面，由于脑血管病的发病机制复杂，现有的预测模型往往难以全面捕捉所有相关因素及其相互作用，导致预测结果的准确性不够高。另一方面，传统的模型训练方法，如梯度下降法及其变种，在优化过程中容易陷入局部最优解，影响模型的泛化能力和稳定性，导致脑血管病预测的准确度比较低。

[0029] 为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0030] 在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤；处理可以对应于方法、函数、规程、子例程、子程序等等。

[0031] 实施例：根据本实施例的第一方面，提供了一种基于人工智能的脑血管病动态预测方法，如图1所示，包括如下步骤：
S1、对历史病历数据库中的历史脑血管病相关数据进行特征提取得到脑血管病相关特征。

[0032] 具体地，S1包括如下步骤：S11、调取历史病历数据库并从历史病历数据库中提取历史脑血管相关数据；
S12、对历史脑血管相关数据进行预处理，预处理至少包括异常值处理、缺失值处理及数据标准化；
S13、对预处理后的历史脑血管相关数据进行特征提取，得到对应的时间序列特征、文本数据特征以及图像特征；
S14、通过特征拼接方法将时间序列特征、文本数据特征以及图像特征进行特征融合得到最终的脑血管相关特征。

[0033] 本实施例中，假设使用的是某大型三甲医院的电子病历系统(EMR)，该系统存储了多年的患者数据。首先使用SQL查询语句从数据库中检索出所有诊断为“脑血管病”的患者记录。查询语句可能包括患者ID、姓名、年龄、性别、入院日期、出院日期、诊断代码(如ICD‑10编码)、检查报告ID(MRI、CT等)以及医生的临床笔记等字段。然后对异常值进行处理，例如在检查年龄数据时，发现有一条记录显示患者年龄为200岁，将其替换为该数据集中年龄的中位数(假设为65岁)，以消除其对后续分析的影响。缺失值处理实际例子：对于某些患者的血压记录，如果发现存在缺失值，由于血压是评估脑血管病风险的重要指标，因此使用该患者其他时间点的血压均值来填充这些缺失值。如果其他时间点的数据也缺失，则考虑使用整个数据集中血压的均值或中位数进行填充。对于患者的血压数据(如收缩压和舒张压)，进行标准化处理。假设收缩压的原始均值为140mmHg，标准差为20mmHg，将每个患者的收缩压减去均值后除以标准差，得到标准化的收缩压值。进行时间序列特征提取，从患者的
24小时动态血压监测数据中，提取收缩压和舒张压的均值、标准差、最大值、最小值以及变化趋势(如夜间血压下降率)等时间序列特征，这些特征反映了患者血压的波动情况和昼夜节律变化，对于评估脑血管病风险具有重要意义。使用自然语言处理技术(如BERT模型)，将医生的临床笔记转换为向量表示。例如，对于一条包含“患者诉头痛、头晕，伴有恶心、呕吐”的临床笔记，捕捉到这些关键词的语义信息，并生成一个高维向量来表示该笔记的内容。对于患者的MRI或CT影像，使用深度学习模型(如ResNet)进行特征提取，识别影像中的病灶区域，并提取出病灶的形状、大小、位置等高级特征。在特征融合阶段，将从时间序列、文本和图像中提取的特征向量进行拼接。假设时间序列特征向量的长度为10，文本特征向量的长度为300，图像特征向量的长度为2048，则最终的特征向量长度为2358。这个长向量包含了患者多个维度的信息，如生理指标、临床症状和影像学表现等。

[0034] 上述实施方式中，通过包括对异常值、缺失值的处理以及数据标准化的预处理步骤，不仅可以减少因数据质量问题导致的预测误差，还能提高后续模型训练的效率和稳定性。对预处理后的数据进行了多维度的特征提取，包括时间序列特征、文本数据特征和图像特征，能够更全面地捕捉脑血管病相关的各种信息。通过特征拼接方法将不同维度的特征进行融合，得到了最终的脑血管相关特征。特征融合的过程有助于挖掘不同特征之间的潜在关系，进一步增强特征的表达能力和预测能力，使得预测模型能够更全面地理解和预测脑血管病的复杂变化。采用了高质量的数据和全面的特征提取方法，最终构建的预测模型将能够更准确地捕捉脑血管病的发病规律和趋势，有助于提前识别出潜在的高风险患者，并为其提供更加及时和有效的干预措施。多维度特征提取和特征融合还有助于实现更加个性化的预测，通过分析不同患者的具体特征，模型可以针对不同情况给出更加精准的预测结果，从而为患者提供更加个性化的治疗建议和健康管理方案。

[0035] S2、基于脑血管病相关特征通过特征选择算法进行特征选择得到有效相关特征。

[0036] 具体地，S2包括如下步骤：S21、计算脑血管相关特征对应的预测目标之间的相关特征系数；
S22、通过专家经验法设置相关特征预设系数，剔除低于相关特征预设系数的脑血管相关特征；S23、结合机器学习模型对脑血管相关特征进行递归特征消除得到有效相关特征。

[0037] 本实施例中，定义预测目标为“脑血管事件的概率”，然后使用统计方法(如皮尔逊相关系数、斯皮尔曼等级相关系数等)来计算每个脑血管相关特征与预测目标之间的相关性。例如通过计算年龄、血压、血糖水平、病灶大小等特征与脑血管事件发生概率之间的相关系数。在获得所有特征的相关系数后，根据专家经验设置一个合理的预设系数阈值，预设系数阈值代表了特征对预测目标有足够影响的最低标准。然后剔除那些相关系数低于预设系数的特征。在剔除了低相关性特征后，使用机器学习模型进一步进行特征选择。

[0038] 上述实施方式中，通过计算脑血管相关特征与预测目标之间的相关特征系数，能够量化每个特征对预测目标的影响程度，有助于识别出与预测目标高度相关的特征，为后续的特征选择提供有力依据。通过专家经验法设置相关特征预设系数，并剔除低于该系数的脑血管相关特征，能够有效地去除与预测目标关系不大或无关的特征，减少模型的复杂度和计算量，提高模型的训练效率和预测性能。结合机器学习模型进行递归特征消除，进一步筛选出对预测目标最为有效的相关特征。递归特征消除是一种有效的特征选择方法，它通过不断迭代地构建模型并消除最不重要的特征，最终得到最优的特征子集，能够充分利用机器学习模型的强大学习能力，进一步提高特征选择的准确性和有效性。

[0039] S3、根据脑血管病的多个预设特征以及每个预设特征的权重值构建危险因素模型，将多个有效相关特征代入危险因素模型中进行拟合，根据拟合结果配置AMS Grad优化算法。

[0040] 具体地，S3包括如下步骤：S31、定义预设特征集，包括与脑血管病高度相关的多个特征；
S32、根据统计分析法设定每个预设特征的权重值；
S33、根据预设特征及对应的权重值通过加权求和法构建危险因素模型；
S34、通过有效相关特征对危险因素模型进行拟合，根据拟合结果配置AMS Grad优化算法。

[0041] 本实施例中，首先根据医学研究和临床数据，定义一组与脑血管病高度相关的预设特征集。这些特征可能包括但不限于年龄、性别、高血压病史、糖尿病病史、吸烟史、血脂水平(如总胆固醇、甘油三酯、HDL‑C、LDL‑C等)、体重指数(BMI)、家族脑血管病史等。使用统计分析方法来评估每个预设特征对脑血管病发生风险的影响程度，并据此设定每个特征的权重值，权重值反映了特征在预测中的重要性。使用加权求和法，将每个预设特征的值与其对应的权重相乘，然后将所有乘积相加，得到一个综合评分或概率值，用于表示个体患脑血管病的危险程度。使用相关特征集来拟合构建的危险因素模型，以提高模型的准确性和泛化能力。同时，为了优化模型的训练过程，配置AMS Grad优化算法来调整模型的参数，包括设置学习率、动量参数等超参数。

[0042] 上述实施方式中，通过定义预设特征集，明确了与脑血管病高度相关的多个特征，这些特征的选择基于先前的研究和临床经验，能够准确反映脑血管病的发病风险。利用统计分析法设定每个预设特征的权重值，考虑了各特征在预测中的重要性和贡献度，使得模型在预测时能够更加注重关键特征的影响。通过加权求和法构建危险因素模型，将预设特征及其权重值纳入模型中，能够综合考虑多个因素的影响，提高模型的预测准确性和科学性。利用有效相关特征对危险因素模型进行拟合，根据拟合结果配置AMS Grad优化算法，能够确保算法配置与数据的实际情况相符，提高模型的训练效率和收敛速度。AMS Grad优化算法是一种适用于非凸优化问题的自适应学习率算法，能够在训练过程中自动调整学习率，以应对不同阶段的训练需求，本方案通过配置AMS Grad优化算法，可以进一步增强模型的适应性和稳定性。

[0043] 具体地，S34包括如下步骤：S341、随机选择多个有效相关特征作为初始相关特征，将初始相关特征输入至危险因素模型对危险因素模型进行初步拟合得到初步拟合结果；
S342、通过交叉验证法对初步拟合结果进行验证，若验证通过则将初步拟合结果作为最终拟合结果并执行S343，若验证不通过则执行S341；
S343、根据最终拟合结果调整AMS Grad优化算法的参数，包括学习率和动量参数。

[0044] 本实施中，首先使用随机数生成器来选择初始相关特征，将选定的初始相关特征输入到危险因素模型中，使用训练数据集对模型进行初步拟合，记录初步拟合结果(如损失函数值、准确率等)。将训练数据集分为K个子集，对于每个子集，使用其余K‑1个子集作为训练集，当前子集作为验证集，对模型进行训练和验证。记录每次验证的结果，并计算平均准确率、平均损失函数值等性能指标。根据性能指标判断初步拟合结果是否通过验证。如果通过验证，则执行S343；如果不通过，则返回S341重新选择初始相关特征。分析最终拟合结果的性能指标，根据分析结果，逐步调整学习率和动量参数。学习率可以从一个较大的值开始，然后逐渐减小；动量参数则可以根据模型的收敛情况进行微调。在调整参数的过程中，使用交叉验证法来评估不同参数组合对模型性能的影响。选择使模型性能最优的参数组合，并保存这些参数作为最终配置。使用最终配置的AMS Grad优化算法重新训练模型，以确保模型达到最佳性能。

[0045] 上述实施方式中，通过随机选择多个有效相关特征作为初始相关特征进行初步拟合，这种随机性有助于避免陷入局部最优解，逐步逼近全局最优解，同时多次迭代尝试可以确保模型在多个特征组合下都能得到较好的拟合效果。采用交叉验证法对初步拟合结果进行验证，这是一种有效的模型评估方法，通过交叉验证，可以评估模型在不同数据集上的表现，从而确保模型具有良好的泛化能力。根据最终拟合结果调整AMS Grad优化算法的参数，包括学习率和动量参数。这种基于数据反馈的参数调整方式能够确保优化算法在训练过程中更加适应数据的特性，提高模型的训练效率和收敛速度。通过精准调整优化算法参数，可以进一步提升模型的训练效果，优化后的算法能够更好地应对数据中的噪声和异常值，提高模型的鲁棒性和稳定性。

[0046] S4、通过AMS Grad优化算法对脑血管病预测预设模型进行训练得到训练后的脑血管病预测模型。

[0047] 具体地，S4包括如下步骤：S41、通过神经网络模型构建脑血管病预测预设模型并进行初始化；
S42、基于AMS Grade优化算法设置训练数据集与验证数据集；
S43、将AMS Grade优化算法输入至脑血管病预测预设模型中进行模型训练得到脑血管病预测初始模型。

[0048] 本实施例中，首先确定神经网络模型的结构，包括输入层、隐藏层和输出层的配置。然后初始化模型参数，如权重和偏置，通常使用随机小值或特定的初始化方法，可以采用如He初始化、Xavier初始化等方法。配置模型的训练参数，如学习率、批处理大小、迭代次数等。

[0049] 选择或定义合适的激活函数和损失函数。将原始数据集按照80％训练集，20％验证集的比例随机划分为训练数据集和验证数据集。确保训练数据集和验证数据集在数据分布上尽可能保持一致，以便准确评估模型性能。配置AMS Grad优化算法的参数，如初始学习率、动量衰减系数等。准备数据加载器或批处理函数，以便在训练过程中按批次加载训练数据和验证数据。初始化训练循环，设置迭代次数或停止条件。在每次迭代中，从训练数据集中加载一批数据。执行前向传播，将数据输入到神经网络模型中，并计算预测结果。计算预测结果与真实标签之间的损失值。执行反向传播，根据损失值计算梯度，并使用AMS Grad优化算法更新模型的参数。在每次迭代或每几个迭代后，使用验证数据集评估模型的性能，并记录性能指标(如准确率、损失值等)。根据验证结果调整超参数或执行早停等操作。当满足停止条件时，停止条件可以设置为达到最大迭代次数或验证损失不再下降，结束训练过程，得到脑血管病预测初始模型。

[0050] 上述实施方式中，通过神经网络模型构建脑血管病预测预设模型，并利用大量的数据进行训练，能够捕捉到复杂的非线性关系，从而提高预测的准确性。通过AMS Grade优化算法的引入，可以更有效地选择和优化训练数据集与验证数据集，确保模型在多种情境下都能保持良好的泛化能力。AMS Grade优化算法不仅用于划分数据集，还可能在数据预处理阶段发挥作用，如去除噪声数据、处理缺失值等，从而确保输入模型的数据质量。优化后的数据集更能代表实际情况，有助于模型学习到更具代表性的特征，进一步提升预测性能。神经网络模型本身具有较强的学习能力，结合AMS Grade优化算法，可以使模型在面对新数据或不同场景时表现出更强的适应性和鲁棒性，即便在数据分布发生变化或存在噪声干扰的情况下，模型也能保持较好的预测性能。脑血管病预测模型的精准度和鲁棒性提升，能够更准确地评估患者的风险状况，制定更合理的治疗方案和预防措施。

[0051] S5、通过脑血管病预测模型对患者的历史脑血管病相关数据进行预测，根据预测结果调整脑血管病预测模型。

[0052] 具体地，S5包括如下步骤：S51、获取患者的实时脑血管病相关数据；
S52、将实时脑血管病相关数据作为脑血管病预测模型的输入得到预测结果；
S53、根据预测结果结合预设的脑血管病风险等级划分机制评估患者对应的脑血管病风险等级；
S54、根据预测结果自适应调整脑血管病预测模型的模型参数得到更新后的脑血管病预测模型。

[0053] 上述实施方式中，通过获取患者的实时脑血管病相关数据，模型能够基于最新的患者状况进行预测，提高了预测结果的时效性和准确性。将实时数据输入至预测模型中，得到的预测结果能够更准确地反映患者的当前状况和未来风险趋势，为医生提供了可靠的决策依据。通过预设的脑血管病风险等级划分机制，将预测结果转化为易于理解和操作的风险等级，帮助医生快速评估患者的风险状况，从而制定更加科学合理的治疗方案和预防措施。根据预测结果自适应调整模型的参数，使得模型能够在面对新的数据和情境时不断学习和优化，提高其在不同条件下的预测能力和鲁棒性。实时数据的输入、模型的预测、风险等级的评估以及模型的自适应调整构成了一个闭环的反馈系统，能够不断地从临床实践中获取新的信息和知识，促进模型的持续改进和升级。通过不断地学习和调整，模型的预测精度将得到进一步的提升，从而更好地服务于临床实践和患者健康管理。

[0054] 具体地，S53包括如下步骤：S531、根据历史脑血管病相关数据获取不同的病理类型及严重程度；
S532、结合病理类型与严重程度设置脑血管病风险等级划分机制；
S533、通过脑血管病风险等级划分机制对预测结果进行划分得到的患者对应的脑血管病风险等级。

[0055] 本实施例中，首先收集历史脑血管病相关数据，包含患者的年龄、性别、基础疾病、脑血管病类型、病灶位置、病灶大小、治疗情况、预后结果等数据。然后，对这些数据进行整理和分析，以识别出不同的脑血管病病理类型。根据分类标准，脑血管病可分为缺血性脑卒中(如脑梗死、短暂性脑缺血发作等)、出血性脑卒中(如脑出血、蛛网膜下腔出血等)、颅内动脉瘤、颅内血管畸形、脑血管炎等多种类型。同时根据患者的临床表现、影像学检查结果和预后情况，评估每种病理类型的严重程度，严重程度划分为轻度、中度、重度等不同等级。在获取了不同病理类型及严重程度的信息后，接下来需要设置脑血管病风险等级划分机制。这个机制综合考虑病理类型、严重程度、患者年龄、基础疾病等多个因素，以全面评估患者的脑血管病风险。风险等级划分为无风险、低风险、中风险、高风险四个不同等级。具体划分标准根据医学专业知识和临床经验来制定，例如：无风险：患者无脑血管病相关危险因素，且无任何脑血管病症状或体征。低风险：患者存在较少的脑血管病危险因素，或虽有症状但病情较轻，预后良好。中风险：患者存在多个脑血管病危险因素，或病情较重但尚未达到危及生命的程度。高风险：患者存在多个严重的脑血管病危险因素，或病情危重，随时可能危及生命。在建立了脑血管病风险等级划分机制后，对预测结果进行划分。对于每个患者的预测结果，根据风险等级划分机制进行评估和划分。首先确定患者的病理类型和严重程度；然后，结合患者的年龄、基础疾病等其他因素，综合评估患者的脑血管病风险等级。最终，将每个患者划分为相应的风险等级，并据此制定相应的预防和治疗策略。例如，对于高风险患者，应加强监测和干预措施，以降低其发生脑血管病的风险；对于低风险患者，则可以通过改善生活方式、控制危险因素等方式来预防脑血管病的发生。

[0056] 上述实施方式中，强调根据历史脑血管病相关数据获取不同的病理类型及严重程度，确保了风险等级划分机制的基础数据是全面、准确且具有代表性的，从而提高了风险等级划分的科学性。结合病理类型与严重程度设置风险等级划分机制，实现了对不同患者群体风险的精细化划分，不仅考虑了病理类型的差异，还兼顾了病情的严重程度，使得风险等级的评估更加准确和细致。利用已设定的风险等级划分机制对预测结果进行划分，实现了风险等级评估的标准化操作，有助于减少人为因素的干扰，提高评估结果的一致性和可靠性。

[0057] 具体地，S54包括如下步骤：S541、根据预测结果计算脑血管病预测模型的评估指标；
S542、根据评估指标对脑血管病预测模型进行评估得到预测偏差；
S543、调整脑血管病预测模型的模型参数以优化预测偏差；
S544、当预测偏差小于偏差阈值时基于调整后的模型参数更新脑血管病预测模型。

[0058] 本实施例中，首先根据预测结果计算脑血管病预测模型的评估指标，将计算得到的评估指标与事先设定的阈值或行业标准进行比较，识别出模型在哪些方面存在不足，如特定类型的病例预测不准确、对某些特征不敏感等。通过系统手段量化预测偏差的大小和分布。通过网格搜索调整模型的超参数，使用调整后的参数或结构重新训练模型。当模型经过多次调整后，如果预测偏差降低到可接受的范围内(即小于设定的偏差阈值)，则使用这些最优的模型参数更新脑血管病预测模型。

[0059] 上述实施方式中，通过计算预测模型的评估指标，如准确率、召回率、F1分数等，能够全面衡量模型的预测性能，为后续的模型评估和优化提供了量化依据。根据评估指标对模型进行评估，得出预测偏差，能够直观反映模型预测结果与实际情况之间的差异，帮助识别模型中的不足之处。通过调整模型参数来优化预测偏差，能够提升模型的预测精度和泛化能力。通过不断评估、调整和优化模型参数，形成了一种迭代优化的机制，这种机制能够逐步消除模型中的不稳定因素，提升模型的稳定性和可靠性。通过设定了偏差阈值作为更新模型的判断标准。只有当预测偏差小于这一阈值时，才会基于调整后的模型参数更新预测模型，确保了更新后的模型具有更高的预测精度和稳定性。

[0060] 根据本实施例的第二方面，提供了一种基于人工智能的脑血管病动态预测系统，如图2所示。包括：特征提取模块M01，用于对历史病历数据库中的历史脑血管病相关数据进行特征提取得到脑血管病相关特征；
特征选择模块M02，用于基于脑血管病相关特征通过特征选择算法进行特征选择得到有效相关特征；
AMS Grad优化算法配置模块M03，根据脑血管病的多个预设特征以及每个预设特征的权重值构建危险因素模型，用于将多个有效相关特征代入危险因素模型中进行拟合，根据拟合结果配置AMS Grad优化算法；
模型训练模块M04，用于通过AMS Grad优化算法对脑血管病预测预设模型进行训练得到训练后的脑血管病预测模型；
模型预测模块M05，用于通过脑血管病预测模型对患者的历史脑血管病相关数据进行预测，根据预测结果调整脑血管病预测模型。

[0061] 本实施例的有益效果：本实施例充分考虑了历史病历数据的多维度特征，有效提取并选择了与脑血管病高度相关的特征，构建了科学合理的危险因素模型。通过AMS Grad优化算法，提高了模型的训练效率和预测性能。此外还能根据实时数据和预测结果，动态调整模型参数，不断提升预测精度和稳定性。本实施例能够提高脑血管病预测准确性、优化治疗方案、降低患者风险等方面具有显著效果，为临床决策提供了有力支持，有助于实现个性化医疗和健康管理。

[0062] 以上之具体实施方式为本发明一种基于人工智能的脑血管病动态预测方法及系统的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。