一种融合多源信息的冠状动脉CT成像复查时间窗预测方法

1.一种融合多源信息的冠状动脉CT成像复查时间窗预测方法，其特征在于，包括：步骤S1：收集患者多维度数据；步骤S2：根据基线CCTA影像，确定与冠状动脉斑块进展密切的影像学指标；步骤S3：整理基线临床信息；步骤S4：整理患者的药物使用情况；步骤S5：归纳冠心病患者的CCTA复查时间；分为：2年内、2年至4年、4年至6年、6年以上四种类型；根据随访CCTA和基线CCTA的时间差，分为2年内、2年至4年、4年至6年、6年四种类型；步骤S6：根据基线CCTA影像、基线临床信息、药物使用情况构建多维度数据集；步骤S7：数据集预处理；步骤S8：对风险因素进行赋值量化；步骤S9：构建LightGBM子模型；基于基线CCTA影像、基线临床信息和药物使用情况训练三个LightGBM子模型；基于基线CCTA影像的LightGBM子模型 ，公式为：其中， 是输出的类别概率分布，即：其中， 分别表示该样本属于类别k的概率， 是影像特征分类模型的参数，即：其中， 是学习率，默认值为0.1，取值范围设置在[0.01,0.1]之间； 是树的深度，默认值为-1，代表不限制深度，取值范围设置为[3,8]之间的一个整数； 是叶子节点的数量，默认值为31，取值范围设置为 之间的一个整数； 是树的个数，默认值为100，取值范围设置为[100,1000]之间的一个整数； 和 是正则化参数，默认设置都是0，取值范围为[0,10]；构建基于基线临床信息的 子模型，公式为：其中， 是临床信息分类模型的参数，参数的默认值、取值范围与 保持一致， 是输出的类别概率分布，即：其中， 分别表示该样本属于类别k的概率；构建基于药物使用情况的 子模型，公式为：其中， 是药物使用情况分类模型的参数，参数的默认值、取值范围与 保持一致， 是输出的类别概率分布，即：其中， 分别表示该样本属于类别k的概率；步骤S10：提升最终预测结果的准确性和泛化能力;将三个子模型输出的类别概率拼接成一个新的输入 ，使用一个新的LightGBM模型作为第二层的模型，对 进行训练，获得最终预测的类别概率分布根据最大概率原则选择最终的类别标签，即选择具有最高概率的类别作为模型的预测结果；S11：构建可解释模块。 2.根据权利要求1所述的融合多源信息的冠状动脉CT成像复查时间窗预测方法，其特征在于，包括：步骤S1：收集患者多维度数据，包括：基线CCTA影像、基线临床信息、药物使用情况、随访CCTA影像；步骤S2：根据基线CCTA影像，确定与冠状动脉斑块进展密切的影像学指标；定性指标包括：斑块性质、高危征象、冠状动脉狭窄程度；斑块性质分为：钙化斑块、非钙化斑块和混合斑块三种类型；高危征象包括：正性重构、点状钙化、低密度斑块和餐巾环征四种；根据狭窄程度的不同，将冠状动脉狭窄分为：狭窄程度0-30%、狭窄程度30%-50%和狭窄程度大于50%三个等级；定量指标包括：斑块长度、最小管腔面积、正性重构指数、病变累及范围；使用病变节段评分segment involvement score即SIS评分, SIS评分评价冠状动脉病变的累及范围，基于AHA制定的冠脉节段划分方法，将冠状动脉分为右冠近段、中段、远段，左室后支、左主干、前降支近段、中段、远段，第一、第二对角支，回旋支近段、远段，第一、第二钝缘支，回旋支左室后侧支及后降支，1个病变冠脉节段积 1 分, 积分范围为 0 -16分；步骤S3：整理基线临床信息；定性指标包括：性别、生活方式、是否吸烟、高血压、高脂血症、糖尿病、心血管或外周动脉疾病、心血管疾病家族史；生活方式包括：是否熬夜；其他症状包括：胸痛、胸闷、心悸；定量指标包括：年龄、身体质量指数、肌酐、血糖、糖化血红蛋白、总胆固醇、高/低密度脂蛋白胆固醇、甘油三酯、脂蛋白a、C反应蛋白、白细胞介素-6、肿瘤坏死因子-α；步骤S4：整理患者的药物使用情况；包括患者服用阿司匹林和没有服用阿司匹林、服用降脂剂即他汀和没有服用降脂剂即他汀、低密度脂蛋白是否＜1.8或降低一半、高血压是否控制、糖尿病是否控制；步骤S6：根据基线CCTA影像、基线临床信息、药物使用情况构建多维度数据集；包括： ，其中 表示基线CCTA影像特征，共14维，包含定性指标11维和定量指标3维； 表示基线临床信息，共21维，包含定性指标9维，定量指标12维； 表示药物使用和控制情况，共19维，全部是定性指标；每个患者的下一次CCTA复查时间作为标签 ，表示四种不同类型的复查时间类别；步骤S7：数据集预处理；对于定性指标，存在缺失值，直接删除包含缺失值的样本；对于定量指标，存在缺失值，采用该指标的均值进行填充；步骤S8：对风险因素进行赋值量化；对于定性指标，根据具体类型和特征，采用独热编码One-Hot Encoding和标签编码Label Encoding的方式进行量化处理；斑块性质指标被细分为钙化斑块、非钙化斑块和混合斑块三种类型，通过独热编码，将斑块性质指标的三种类型转换为三个独立的二进制特征，每个二进制特征分别对应一种斑块类型，当某一种斑块类型存在时，对应的特征值为1，否则为0；对于二分类的定性指标，性别：男、女，是否熬夜：是、否，吸烟状态：吸烟、不吸烟，高血压：有、无，采用标签编码方式进行量化，标签编码将每个类别映射为一个唯一的整数值0和1，0表示否、女，1表示是、男；采用Z-score标准化将每个数据点减去均值并除以标准差，将数据点转换为均值为0、标准差为1的分布；步骤S10：提升最终预测结果的准确性和泛化能力;采用Stacking方法将第一层的影像特征模型、临床信息模型、药物使用情况模型输出的类别概率分布作为新的输入特征，输入到第二层的分类模型中；将三个子模型输出的类别概率拼接成一个新的输入z，公式为：使用一个新的LightGBM模型作为第二层的模型，对z进行训练，得到：其中， 是第二层LightGBM模型的训练参数，参数的默认值、取值范围与 保持一致， 是最终预测的类别概率分布，即模型 对于给定输入样本属于各个类别的概率估计，表示为：其中， 分别表示样本属于类别k的概率；根据最大概率原则选择最终的类别标签，即选择具有最高概率的类别作为模型的预测结果，公式：步骤S11：构建可解释模块；引入模型无关的局部可解释技术LIME，可解释模块的目标函数定义为：进一步表示为：其中， 表示简单模型，线性回归模型； 是简单模型的集合，即所有的线性模型； 表示新数据集 与原始数据集 的距离权重； 表示模型 的复杂程度，选 为线性回归模型， 函数作为一个度量，描述如何通过在 局部定义中，简单模型 逼近复杂模型 ，在当解释模型的复杂度 足够低可以被人类理解时，最小化 函数得到目标函数的最优解。 3.根据权利要求2所述的融合多源信息的冠状动脉CT成像复查时间窗预测方法，其特征在于，步骤S5中在每一个类型内根据随访CCTA分为进展组和不进展组；以下三种情况均判断为进展：冠状动脉狭窄程度增加≥20%，高危征象增加≥2个，SIS评分增加≥2个；反之则为未进展。 4.根据权利要求2所述的融合多源信息的冠状动脉CT成像复查时间窗预测方法，其特征在于，基线CCTA影像包括：全心血管壁厚度、血管腔狭窄和扩张程度、病变的各种形态学及性质情况；基线临床信息包括：患者的年龄、性别、家族史、生活方式、病史、症状、体征及实验室检查指标；药物使用情况包括：患者正在使用的抗血小板药物、降脂药物、降压药物、降糖药物，血糖、血脂和血压控制情况；随访CCTA影像用于判读病变演变情况，以下三种情况均判为冠状动脉病变进展：冠状动脉狭窄程度增加≥20%，高危征象增加≥2个，SIS评分增加≥2个；反之则为未进展。