申请/专利权人：南京医科大学

申请日：2024-03-08

公开（公告）日：2024-06-28

公开（公告）号：CN117995410B

主分类号：G16H50/30

分类号：G16H50/30;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明公开了一种男性不育风险预测和风险特征描述的方法及装置。该方法包括如下步骤：获得模型所需数据，该模型所需数据后续列出；将该数据输入到预先训练好的不育症风险预测模型中；不育症风险预测模型的输出结果为该数据来源样本的不育症风险以及当前生活状态下的可疑风险特征。本发明通过使用调查问卷与体格检查相结合等为男性不育风险预测模型提供更多的关联信息，以提高男性不育预测准确率。本发明使用多层神经网络模型，并采用粒子群算法对模型的超参数进行优化，最终获得较为可靠的风险预测模型。与此同时，本发明采用Shapley值法对黑盒模型进行解释，输出当前样本的风险特征排序，以此基于参考并提出建设性建议。

主权项：1.一种男性不育风险预测和风险特征描述的方法，其特征在于包括如下步骤：步骤S1、获得待采集数据，该待采集数据包括患者的人口统计学数据、职业及环境暴露数据、营养状况数据、生活习惯数据、家族史；对于S1采集得到的原始特征数据依次进行异常值和缺失值处理、重编码、标准化、重采样；异常值的处理包括剔除修改肉眼可见异常的数据，并使用MICE的方法对剔除后的异常值或缺失值进行插值填补；重编码是将变量名修正为能理解的名字，将分类变量重编码为因子型变量；标准化采用Max-Min方法，其公式为式中Xmin是该变量中的最小值，Xmax是该变量中的最大值，Xnormalied是标准化后的变量；步骤S2、将所述待采集数据输入到预先训练好的男性不育风险预测模型中；所述男性不育风险模型经过如下步骤得到：步骤S21、获得多组正常及不育男性的调查数据，每一组调查数据为某一位被调查者的人口统计学数据、职业及环境暴露数据、生活习惯数据、体格检查数据、家族史的数据；并且从这些数据中筛选出相关的特征进行建模，特征选择分多个步骤进行，具体如下：首先，根据方差选择法选择较大的特征，包括计算每个特征的方差；如果某个特征的方差较小，则认为该特征对预测结果的影响较小；然后，使用逻辑回归模型计算特征与结果之间的相关性，P0.05的特征被纳入其中；P值是对回归系数进行统计检验的结果，即是对回归系数是否等于0的检验，P0.05意味着回归系数不等于0；步骤S22、获得多组正常及不育男性的上述调查数据训练预先设计的男性不育风险预测模型，以重抽样+不机器学习进一步筛选变量的方法，得到最优的男性不育风险预测模型；所述男性不育风险预测模型采用了全连接层堆叠的结构，同时使用了Dropout层进行正则化；通过调整中间层的节点数降低了模型复杂度；最后一个Dense层用sigmoid激活函数输出一个概率，用于二分类问题，包括5个Dense层和2个Dropout层，5个Dense层具体如下：第一个Dense层，包含64个节点，使用ReLU激活函数，输入形状为21，并使用L2正则化；后接Dropout层，用于正则化，防止过拟合；第二个Dense层，包含32个节点，使用ReLU激活函数，并使用L2正则化，后接Dropout层；第三个Dense层，包含16个节点，使用ReLU激活函数，并使用L2正则化；第四个Dense层，包含8个节点，使用ReLU激活函数，并使用L2正则化；最后一个Dense层，包含1个节点，使用sigmoid激活函数，用于二分类；所述男性不育风险预测模型在做出预测后，使用Shapley方法计算各个风险特征的SHAP值，此过程使用Python中在模型中采用SHAP方法生成"解释器"，解释器的背景值是模型训练数据的平均值；训练集事先进行了超采样以均衡数据集，通过SHAP方法计算的背景值为0.5；如果所有特征的SHAP值之和加上背景SHAP值超过0.5，则预测概率大于0.5，可判定存在男性不育的风险很高；反之，当所有特征的SHAP值之和小于0时，则存在整体保护；步骤S3、所述男性不育风险预测模型的输出结果为待调查者的不育患病概率；步骤S4、计算SHAP值，分析待调查者的风险特征状态并可视化展示。

全文数据：

权利要求：

百度查询： 南京医科大学 一种男性不育风险预测和风险特征描述的方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD