基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法
【專利摘要】本發明涉及一種基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法，包括以下步驟：第一步：統計從醫院或衛生組織獲取的條既往孕產婦數據，包括病史、B超、病理診斷結果等臨床數據，建立病癥關聯因素集合；第二步：構造胎盤植入的隱馬爾科夫模型初始數據；第三步：針對當前孕婦病例數據，優化隱馬爾科夫模型；第四步：基于隱馬爾科夫解碼過程，對該病例數據進行胎盤植入預測。本發明所提供的方法彌補了現有胎盤植入產前預測的限制，包括缺乏典型臨床表現、體征及實驗室指標、依賴主觀經驗等，提高病癥預測準確率，為保障孕產婦生命安全作出極大貢獻。
【專利說明】
基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法
技術領域
[0001] 本發明涉及一種基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法。
【背景技術】
[0002] 胎盤植入是一種產科危重而少見的并發癥，是胎盤絨毛侵入到子宮肌層，導致在 第三產程胎盤植入部分不能正常自行剝離，從而對產婦妊娠造成重大影響。
[0003] 產后病理診斷是胎盤植入診斷的金標準，但存在滯后性和局限性。現階段，胎盤植 入產前預測通常根據孕產婦病史信息，通過彩超或核磁共振圖像，結合臨床醫師經驗分析。 因缺乏典型的臨床表現、體征及實驗室指標，依賴主觀經驗，胎盤植入的產前預測受到限 制。
【發明內容】
[0004] 本發明的目的在于提供一種基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲 取方法，以克服現有技術中存在的缺陷。
[0005] 為實現上述目的，本發明的技術方案是：一種基于隱馬爾科夫解碼過程的胎盤植 入預測模型的獲取方法，包括如下步驟實現：
[0006] 步驟S1:統計從醫院或衛生組織獲取的m條既往孕產婦數據，包括病史、B超以及病 理診斷結果，建立病癥關聯因素集合，其中200<m<400;
[0007] 步驟S2:構造胎盤植入的隱馬爾科夫模型；
[0008] 步驟S3:根據所獲取的當前待測孕產婦數據，優化所述隱馬爾科夫模型；
[0009] 步驟S4:基于隱馬爾科夫解碼過程，獲取所述當前待測孕產婦數據對應的病癥類 型數據，為胎盤植入預測提供參考信息。
[0010] 相較于現有技術，本發明具有以下有益效果:本發明所提出的一種基于隱馬爾科 夫解碼過程的胎盤植入預測模型的獲取方法，通過建立胎盤植入的隱馬爾科夫模型，并基 于該隱馬爾科夫模型解碼過程輸出當前待測孕產婦的病癥類型數據，為病癥的準確判別提 供了重要的數據信息支撐，極大地優化了產前預測的參考信息來源，彌補了現有胎盤植入 的預測限制，包括缺乏典型臨床表現、體征及實驗室指標、依賴主觀經驗等，使該病癥的預 測結果更加準確，為保障孕產婦生命安全作出極大貢獻。
【附圖說明】
[0011] 圖1為本發明中基于隱馬爾科夫解碼過程的胎盤植入預測模型獲取的流程圖。
【具體實施方式】
[0012] 下面結合附圖，對本發明的技術方案進行具體說明。
[0013] 本發明提供一種基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法，如圖 1所示，包括如下步驟實現：
[0014] 步驟S1:統計從醫院或衛生組織獲取的m條既往孕產婦數據，包括病史、B超以及病 理診斷結果等臨床數據，建立病癥關聯因素集合，其中200<m<400;
[0015] 步驟S2:構造胎盤植入的隱馬爾科夫模型；
[0016] 步驟S3:根據所獲取的當前待測孕產婦數據，優化隱馬爾科夫模型；
[0017] 步驟S4:基于隱馬爾科夫解碼過程，獲取當前待測孕產婦數據對應的病癥類型數 據，為胎盤植入預測提供參考信息。
[0018] 進一步的，在本實施例中，在步驟S1中，病癥關聯因素集合G={胎盤下緣距宮口距 離，胎盤后血液流動間隙，胎盤分級，子宮肌層菲薄，流產方式，胎盤存在湍流，流產史，清宮 治療史，現存兒個數，年齡，羊水情況，疤痕子宮，手術史，陰道出血，血壓，輔助生殖，妊娠間 隔，家族病史，乙肝，宮頸管長度}。
[0019] 進一步的，在本實施例中，在步驟S2中，通過如下步驟構造胎盤植入的隱馬爾科夫 模型初始數據：
[0020] 步驟S21:記狀態集合S = {S1，s2，S3，s4}為胎盤植入的病癥類型，即{正常，粘連，植 入，穿透}，N=4;
[0021] 步驟S22:獲取初始狀態概率分布π = {~，^，^，取}，取值為醫療權威機構提供的 胎盤植入病癥概率，BP3ii = P(qi = Si) ,3^ = 0.99,312 = 0.004,313 = 0.004,314=0.002;
[0022] 步驟S23:根據病癥關聯因素集合G確定觀測序列0={〇1，〇2, ···，〇〇,且為：{胎盤下 緣距宮口距離，胎盤后血液流動間隙，胎盤分級，子宮肌層菲薄，流產方式，胎盤存在湍流， 流產史，清宮治療史，現存兒個數，年齡，羊水情況，疤痕子宮，手術史，陰道出血，血壓，輔助 生殖，妊娠間隔，家族病史，乙肝，宮頸管長度};其中，T為集合中的特征個數，即T = 20;
[0023] 步驟S24:獲取狀態序列q={q1，q2，…，q T}，且該狀態序列q為病癥狀態，且與病癥 類型S相關，BPqte {si，S2，S3，S4};
[0024] 步驟S25:對臨床m條既往孕產婦數據病癥類型的狀態變化進行概率統計，得到狀 態迀移概率矩陣，且狀態迀移概率矩陣A = {aij}，aij = P(qt+i = Sj | qt = si)，Ki，j彡N;
[0025] 步驟S26:對臨床m條既往孕產婦數據統計，得到病癥關聯因素所對應病癥狀態的 觀測概率分布矩陣，且觀測概率分布矩陣B = {bj (k)}，bj (k) = P(〇t = vk | qt = sj)，K j <N， vk為觀測序列0第t個特征〇t的臨床實際值；
[0026] 步驟S27:將隱馬爾科夫模型的模型參數記為λ = ( jt，A，B)。
[0027] 進一步的，在本實施例中，在步驟S3中，根據Baum-Welch算法，對當前待測孕產婦 數據對應的觀察序列0進行訓練，得出隱馬爾科夫模型新參數1=(3!'，4'，8'），使？(0|1)最 大，對隱馬爾科夫模型進行優化。
[0028] 進一步的，在本實施例中，在步驟S3中，通過如下步驟實現對隱馬爾科夫模型的優 化：
[0029] 步驟S31:初始化:n = 0,根據所獲取的當前臨床孕產婦數據對ai/'bKidjTiW 進行初始化，得到
[0030] 步驟S 3 2 :通過E Μ算法計算期望值： ，即 '得到t時刻出現i以及t+1時刻出現j的概率，其中后向變
量后1;(：〇=?((^+1，(^+2，"，01'^ = 81|人）由遞歸運算：
而得;在λ和0已知情況下，狀態i在t時刻出現的概率為
[0031] 步驟S33:遞推公式，對n = 1，2，…，
[0032] 步驟S34:終止，當 | logP(0 | λ(η+1))-l〇gP(〇 | λ) | <ε，ε = 10-5，求得隱馬爾科夫模型 參數 ^+1) = (^+1)，Α(η+ι)，Β(η+ι))，即為 λ=(π，，Α，，Β，），且記作A，= {aiJ，}，B，= {bj(k)，}。
[0033] 進一步的，在本實施例中，在步驟S4中，采用隱馬爾科夫模型解碼過程的Viterbi 算法，根據當前待測孕產婦數據對應的觀測序列0與優化后的隱馬爾科夫模型新參數λ = U'，Α'，Β'），求解最有可能的隱狀態序列，即獲取病癥類型數據。
[0034]進一步的，在本實施例中，在步驟S4中，還包括如下步驟：
[0035] 步驟S41 dEA(i)為t時刻沿一路徑Q = qi，q2，···，qt產生出觀測序列0 = 〇1，〇2,…， Ot的最大概率，即st(i) =maxP(Q，0，qt = Si I λ)，且記隊⑴為(t-ι)時刻前預測的隱含狀態序 列；
[0036]步驟 S42:初始化：δχ (i) = Jiibi，（〇i)，ih(i)=0，i = l，2^"N;
[0039] 步驟S45:最優回溯:對于t = Τ_1，T-2，…，1，' = 。
[0040] 進一步的，為了讓本領域技術人員進一步了解本發明所提出的基于隱馬爾科夫解 碼過程的胎盤植入預測模型的獲取方法，下面結合具體實例進行說明。
[0041] 首先，通過上述步驟S1~S2獲取基于隱馬爾科夫解碼過程的胎盤植入預測模型。
[0042] 其次，在本實施例中，在步驟S3中，獲取的當前臨床孕產婦數據為：
[0043] {:胎盤距離宮口距離:完全覆蓋，胎盤后血液流動間隙：是，胎盤分級：III級，子宮 肌層菲薄:是，流產方式:人流，胎盤存在湍流:是，流產史:有，清宮治療史:無，現存兒個數： 1，年齡:27,羊水情況:正常，癥痕子宮:是，手術史:無，陰道出血:無，血壓：110-130,輔助生 殖:無，妊娠間隔：18-24月，家族病史:無，乙肝:否，宮頸管長度：l-3cm};
[0044] 通過所獲取的當前臨床孕產婦數據，對隱馬爾科夫模型進行優化。
[0045] 最后，基于上述提供的隱馬爾科夫解碼過程，獲取當前待測孕產婦數據對應的病 癥類型數據，根據上述的臨床待測數據，獲取的結果為：正常概率0.36%，患病概率 99.64 %，其中粘連概率0.27 %，植入概率98.64 %，穿透概率0.73 %，而該病例數據的實際 診斷病癥類型為植入型，為胎盤植入預測提供參考信息。
[0046]以上是本發明的較佳實施例，凡依本發明技術方案所作的改變，所產生的功能作 用未超出本發明技術方案的范圍時，均屬于本發明的保護范圍。
【主權項】
1. 一種基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法，其特征在于，包括 如下步驟實現： 步驟S1:統計從醫院或衛生組織獲取的m條既往孕產婦數據，包括病史、B超W及病理診 斷結果，建立病癥關聯因素集合，其中，m為正整數； 步驟S2:構造胎盤植入的隱馬爾科夫模型； 步驟S3:根據所獲取的當前待測孕產婦數據，優化所述隱馬爾科夫模型； 步驟S4:基于隱馬爾科夫解碼過程，獲取所述當前待測孕產婦數據對應的病癥類型數 據，為胎盤植入預測提供參考信息。2. 根據權利要求1所述的基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法， 其特征在于，在所述步驟S1中，所述病癥關聯因素集合G= {胎盤下緣距宮口距離，胎盤后血 液流動間隙，胎盤分級，子宮肌層菲薄，流產方式，胎盤存在端流，流產史，清宮治療史，現存 兒個數，年齡，羊水情況，瘤痕子宮，手術史，陰道出血，血壓，輔助生殖，妊娠間隔，家族病 史，乙肝，宮頸管長度}。3. 根據權利要求1所述的基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法， 其特征在于，在所述步驟S2中，通過如下步驟構造胎盤植入的隱馬爾科夫模型初始數據： 步驟S21:記狀態集合8={31，32,33,34}為胎盤植入的病癥類型，即{正常，粘連，植入，穿 透}，N=4; 步驟S22 :獲取初始狀態概率分布Π = {Jli，312，叫，314}，取值為醫療權威機構提供的胎盤 植入病癥概率，即Ki = P(qi = Si); 步驟S23:根據所述病癥關聯因素集合如角定觀測序列0={〇1，〇2，-，，〇^，且為：{胎盤下 緣距宮口距離，胎盤后血液流動間隙，胎盤分級，子宮肌層菲薄，流產方式，胎盤存在端流， 流產史，清宮治療史，現存兒個數，年齡，羊水情況，瘤痕子宮，手術史，陰道出血，血壓，輔助 生殖，妊娠間隔，家族病史，乙肝，宮頸管長度};其中，T為集合中的特征個數，Τ = 20; 步驟S24:獲取狀態序列〇={〇1，〇2，-'，〇^，且該狀態序列〇為病癥狀態，且與所述病癥 類型S相關，即qte {si,S2，S3，S4}; 步驟S25:對臨床m條既往孕產婦數據病癥類型的狀態變化進行概率統計，得到狀態遷 移概率矩陣,且狀態遷移概率矩陣A = {aij} ,aij = P(qt+i二Sj qt二Si) ,j《N; 步驟S26:對臨床m條既往孕產婦數據統計，得到病癥關聯因素所對應病癥狀態的觀測 概率分布矩陣，且觀測概率分布矩陣B={bj化）}，bj化）=P(〇t = vk|qt = Sj)，l《j《N，vk為 觀測序列0第t個特征ot的臨床實際值； 步驟S27:將隱馬爾科夫模型的模型參數記為λ=(3?，Α，Β)。4. 根據權利要求3所述的基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法， 其特征在于，在所述步驟S3中，根據Baum-Welch算法，對所述當前待測孕產婦數據對應的觀 察序列0進行訓練，得出隱馬爾科夫模型新參數λ=(π'，A'，B'），使P(0|λ)最大，對所述隱馬 爾科夫模型進行優化。5. 根據權利要求4所述的基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法， 其特征在于，在所述步驟S3中，通過如下步驟實現對所述隱馬爾科夫模型的優化： 步驟S31:初始化:n = 0,根據所獲取的當前臨床孕產婦數據對日1產>，6^4)^，111^進行 初始化，得到λ^ = (π^，Α^，Β^); 步驟S 3 2 :通過E Μ算法計算期望值：即>尋到t時刻出現iW及t+1時刻出現j的概率，其中，后向 變量0*(：〇=口（〇*+1，〇*+2^''，〇了山*=31|人）由遞歸運算算而得;在λ和0已知情況下，狀態i在t時刻出現的概率為步驟S33:遞推公式，步驟S34:終止，當I logP(0 I A^+U)-l〇gP(〇 I λ) I < ε，ε = 1〇-5，求得隱馬爾科夫模型參數 入(n+l)二（η(η+1)，Α(η+1)，Β(η"))，即為入二（。'，4'，8'），且記作4' = {曰1/}，8' =化燦）'}。6. 根據權利要求4所述的基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法， 其特征在于，在所述步驟S4中，采用隱馬爾科夫模型解碼過程的Viterbi算法，根據所述當 前待測孕產婦數據對應的觀測序列0與優化后的所述隱馬爾科夫模型新參數λ=(π'，A'， B '），求解最有可能的隱狀態序列，即獲取病癥類型數據。7. 根據權利要求6所述的基于隱馬爾科夫解碼過程的胎盤植入預測模型的獲取方法， 其特征在于，在所述步驟S4中，還包括如下步驟： 步驟S41:記δ*( i)為t時刻沿一路徑Q = qi，Q2，…，qt產生出所述觀測序列0 = 01，02，…，ot 的最大概率，即8*(1)=111曰評(9,0,9* = 31|人），且記恥（〇為^-1)時刻前預測的隱含狀態序 列； 步驟S42:初始化：Si(i)=jiibi'（01)，ih(i) = 0，i = l，2，...N; 步驟S43:遞推迭代.，ih(i)=argmax[St-i( j)a'ji]，t = 2, 3，...，T，i = l，2，...，N; 步驟S44:終止條件:P*=maxSt( i)步驟S45:最優回溯:對于t = Τ-1，Τ-2，...，1，g/ = (在 1)。.
【文檔編號】G06F19/00GK106096299SQ201610452436
【公開日】2016年11月9日
【申請日】2016年6月21日
【發明人】朱丹紅, 張棟, 葉東毅, 陳凱
【申請人】福州大學