[发明专利]无光感眼预后分析的预测系统、方法、介质、在线服务平台

权利要求书

1.一种基于机器学习的开放性眼外伤后无光感眼预后分析的预测系统，其特征在于，所述基于机器学习的开放性眼外伤后无光感眼预后分析的预测系统包括：

临床特征采集模块，用于基于眼科医学领域专家设计的出、入组条件，从多中心、多医院采集临床样本，并对每个样本进行临床特征的量化，构建数据集；

数据探索与预处理模块，用于对临床特征采集模块所构建的数据集进行数据清理、类型转换和缺失值插补；

预测模型构建与评估模块，用于采用机器学习算法建立术前模型和术中模型、对所述训练过程中获得的模型进行性能评估、优化；

数据预测模块，用于预测开放性眼外伤无光感眼的视力预后、在个体化水平给出临床特征影响预后的系统性解释。

2.根据权利要求1所述的基于机器学习的开放性眼外伤后无光感眼预后分析的预测系统，其特征在于，所述数据探索与预处理模块包括：

数据预处理模块，用于对类别型数据采用one-hot进行编码，以及对编码后数值型数据进行归一化处理；

缺失值插补模块，用于使用链式方程多重插补算法(MICE，Multiple Imputation byChained Equations)对缺失值进行插补。

3.根据权利要求1所述的基于机器学习的开放性眼外伤后无光感眼预后分析的预测系统，其特征在于，所述数据预测模块进一步包括：

预后结果分析模块，用于预测术后有光的概率；

临床特征贡献度解析模块，基于SHAP(SHapley Additive exPlanations)进行模型特征解析。

4.根据权利要求1所述的基于机器学习的开放性眼外伤后无光感眼预后分析的预测系统，其特征在于，所述基于机器学习的开放性眼外伤后无光感眼预后分析的预测系统进一步包括：

模型参数优化模块，用于对训练后的术前模型和术中模型数据参数进行优化。

5.一种基于机器学习的开放性眼外伤后无光感眼预后分析的预测方法，其特征在于，所述基于机器学习的开放性眼外伤后无光感眼预后分析的预测方法包括：

线下多中心收集数据；

构建数据集、预测模型；

建立在线预测服务平台yanhlab.tmu.edu.cn、部署模型。

6.根据权利要求5所述的基于机器学习的开放性眼外伤后无光感眼预后分析的预测方法，其特征在于，所述基于机器学习的开放性眼外伤后无光感眼预后分析的预测方法具体包括：

对采集的多个临床样本，构建数据集，并对每个样本进行临床体征的量化，对量化的所述临床体征以网页表单的格式进行提交；

对提交的量化后的临床体征数据进行预处理；

对预处理后的数据采用以梯度增强决策树算法为核心的机器学习算法建立术前模型和术中模型；采用嵌套交叉验证方法进行模型训练；使用网络搜索(GridSearch)技术进行模型优化；

对优化后的术前模型和术中模型数据采用AUC(area under the curve)作为术前模型和术中模型评估指标对ROC曲线下的面积进行性能评估。

7.根据权利要求6所述的基于机器学习的开放性眼外伤后无光感眼预后分析的预测方法，其特征在于，所述数据集记为X＝{x_i|i＝1...459}，样本x_i∈R^1×16；

所述对提交的量化后的临床体征数据进行预处理包括：

对类别型数据采用one-hot进行编码，对编码后数值型数据进行归一化处理；

对归一化处理后数据使用链式方程多重插补算法(MICE，Multiple Imputation byChained Equations)对缺失值进行插补。

8.根据权利要求6所述的基于机器学习的开放性眼外伤后无光感眼预后分析的预测方法，其特征在于，所述对ROC曲线下的面积进行性能评估中包括：基于SHAP(SHapleyAdditive exPlanations)对优化后术前模型和术中模型的临床特征贡献度特征进行解析。