人工耳蜗植入患者术后听力言语康复效果预测方法和装置

1.本发明涉及人工智能技术领域，具体涉及一种基于机器学习的人工耳蜗植入患者术后听力言语康复效果预测方法和装置。


背景技术：

2.目前，人工耳蜗植入领域的数据信息大量累积，国内外基于机器学习的人工耳蜗植入患者术后效果预测模型的相关报道较少，在临床实践中，还没有建立通用的基于机器学习的人工耳蜗植入患者术后效果预测模型。为充分利用人工耳蜗植入领域的数据信息，将数据转化成有意义的资源，基于机器学习构建人工耳蜗植入患者术后预测模型颇为重要。
3.但是，现阶段人工耳蜗植入患者术后的康复效果只能凭借医生的个人经验给出预测，预测结果会带有医生个人的主观性以及由于疲劳而预测错误。


技术实现要素：

4.为此，本发明实施例提供一种基于机器学习的人工耳蜗植入患者术后听力言语康复效果的预测方法，以至少部分解决现有技术中存在的无法基于大数据做出人工耳蜗植入患者术后听力言语康复效果预测，从而导致的预测准确性较差的技术问题。该目的是通过以下技术方案实现的：
5.为了实现上述目的，本发明实施例提供如下技术方案：
6.本发明提供了一种人工耳蜗植入患者术后听力言语康复效果预测方法，所述方法包括：
7.获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；
8.在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，以得到针对正常耳蜗的第一预测结果；
9.在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，以得到针对畸形耳蜗的第二预测结果；
10.其中，所述第一预测模型是基于机器学习模型利用预先构建的正常耳蜗数据集进行训练得到的，所述正常耳蜗数据集是由正常耳蜗患者样本的原始信息数据构成的；
11.所述第二预测模型是基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练得到的，所述畸形耳蜗数据集是由畸形耳蜗患者样本的原始信息数据构成的。
12.在一些实施例中，训练所述第一预测模型和所述第二预测模型之前还包括：
13.获取既往预设时间段内的所有患者样本的原始信息数据，并基于耳蜗类型对所述患者样本的原始信息数据进行整合，以得到由正常耳蜗患者样本的原始信息数据构成的所述正常耳蜗数据集，以及由畸形耳蜗患者样本的原始信息数据构成的畸形耳蜗数据集；
14.其中，所述患者样本的原始信息数据包括所述患者样本的耳蜗类型、术前信息和
术后信息。
15.在一些实施例中，基于机器学习模型利用预先构建的正常耳蜗数据集进行训练，以得到的所述第一预测模型，具体包括：
16.对所述正常耳蜗数据集进行预处理；
17.在预处理后的所述正常耳蜗数据集中，计算所述正常耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第一相关度结果；
18.将所述第一相关度结果由高到低进行特征重要性排序；
19.将排序后前k1个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第一预测模型。
20.在一些实施例中，对所述正常耳蜗数据集进行预处理，具体包括：
21.遍历所述患者样本的原始信息数据，删除包含缺失值的数据以及剔除无关变量，对删除后的剩余连续变量进行归一化。
22.在一些实施例中，利用卡方检验和spearman相关性算法，计算术前信息与所述术后信息之间的相关度。
23.在一些实施例中，基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练，以得到的所述第二预测模型，具体包括：
24.对所述畸形耳蜗数据集进行预处理；
25.在预处理后的所述畸形耳蜗数据集中，计算所述畸形耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第二相关度结果；
26.将所述第二相关度结果由高到低进行特征重要性排序；
27.将排序后前k2个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第二预测模型。
28.在一些实施例中，对所述畸形耳蜗数据集进行预处理，具体包括：
29.遍历所述患者样本的原始信息数据，剔除无关变量并对剩余离散变量进行独热编码；遍历所述患者原始信息数据，进行缺失值填补；对缺失值填补后的剩余连续变量进行归一化。
30.本发明还提供一种人工耳蜗植入患者术后听力言语康复效果预测装置，所述装置包括：
31.数据获取单元，用于获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；
32.第一结果输出单元，用于在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，以得到针对正常耳蜗的第一预测结果；
33.第二结果输出单元，用于在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，以得到针对畸形耳蜗的第二预测结果；
34.其中，所述第一预测模型是基于机器学习模型利用预先构建的正常耳蜗数据集进行训练得到的，所述正常耳蜗数据集是由正常耳蜗患者样本的原始信息数据构成的；
35.所述第二预测模型是基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练得到的，所述畸形耳蜗数据集是由畸形耳蜗患者样本的原始信息数据构成的。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在
所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
38.本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测方法，通过获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，即可得到针对正常耳蜗的第一预测结果；在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，即可得到针对畸形耳蜗的第二预测结果。
39.这样，本方案将机器学习应用于人工耳蜗植入患者的人工耳蜗植入术后听力言语康复效果预测中，使其作为辅助医生预测的工具，避免了预测结果受限于人工经验，能够提供更为客观准确的预测结果。解决了现有技术中存在的无法基于大数据做出人工耳蜗植入患者术后听力言语康复效果预测，从而导致的预测结果准确性较差的技术问题。
附图说明
40.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
41.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
42.图1为本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测方法的流程图之一；
43.图2为本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测方法的流程图之二；
44.图3为本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测方法的流程图之三；
45.图4为一个实施例中相关性结果的展示图之一；
46.图5为一个实施例中相关性结果的展示图之二；
47.图6为本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测装置的结构框图；
48.图7为本发明所提供的电子设备的实体结构示意图。
具体实施方式
49.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
50.请参考图1，图1为本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测方法的流程图之一。
51.在一种具体实施方式中，本发明提供的人工耳蜗植入患者术后听力言语康复效果预测方法包括以下步骤：
52.s110：获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；
53.s120：在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，以得到针对正常耳蜗的第一预测结果；其中，所述第一预测模型是基于机器学习模型利用预先构建的正常耳蜗数据集进行训练得到的，所述正常耳蜗数据集是由正常耳蜗患者样本的原始信息数据构成的；
54.s130：在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，以得到针对畸形耳蜗的第二预测结果；其中，所述第二预测模型是基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练得到的，所述畸形耳蜗数据集是由畸形耳蜗患者样本的原始信息数据构成的。
55.在一些实施例中，训练所述第一预测模型和所述第二预测模型之前还包括：
56.获取既往预设时间段内的所有患者样本的原始信息数据，并基于耳蜗类型对所述患者样本的原始信息数据进行整合，以得到由正常耳蜗患者样本的原始信息数据构成的所述正常耳蜗数据集，以及由畸形耳蜗患者样本的原始信息数据构成的畸形耳蜗数据集；
57.其中，所述患者样本的原始信息数据包括所述患者样本的耳蜗类型、术前信息和术后信息。
58.在对所述患者原始信息数据进行整合时，具体包括：
59.对原始耳蜗正常数据集进行预处理：遍历所述患者原始信息数据，删除包含缺失值的数据以及剔除无关变量；对删除后的剩余连续变量进行归一化。
60.对原始耳蜗畸形数据集进行预处理：遍历所述患者原始信息数据，剔除无关变量并对剩余离散变量进行独热编码；遍历所述患者原始信息数据，进行缺失值填补；对缺失值填补后的剩余连续变量进行归一化。
61.在一些实施例中，基于机器学习模型利用预先构建的正常耳蜗数据集进行训练，以得到的所述第一预测模型，如图2所示，具体包括以下步骤：
62.s210：对所述正常耳蜗数据集进行预处理；具体地，遍历所述患者样本的原始信息数据，删除包含缺失值的数据以及剔除无关变量，对删除后的剩余连续变量进行归一化。
63.s220：在预处理后的所述正常耳蜗数据集中，计算所述正常耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第一相关度结果；例如，可以利用卡方检验和spearman相关性算法，计算术前信息与所述术后信息之间的相关度。
64.s230：将所述第一相关度结果由高到低进行特征重要性排序；
65.s240：将排序后前k1个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第一预测模型。
66.在一些实施例中，基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练，以得到的所述第二预测模型，如图3所示，具体包括以下步骤：
67.s310：对所述畸形耳蜗数据集进行预处理；具体地，遍历所述患者样本的原始信息数据，剔除无关变量并对剩余离散变量进行独热编码；遍历所述患者原始信息数据，进行缺失值填补；对缺失值填补后的剩余连续变量进行归一化。
68.s320：在预处理后的所述畸形耳蜗数据集中，计算所述畸形耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第二相关度结果；例如，也可以利用卡方检验和spearman相关性算法，计算术前信息与所述术后信息之间的相关度。
69.s330：将所述第二相关度结果由高到低进行特征重要性排序；
70.s340：将排序后前k2个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第二预测模型。
71.也就是说，在进行第一预测模型和第二预测模型的训练过程中，首先获取既往预设时间段内的患者原始信息数据，并对所述患者原始信息数据进行整合，以得到正常耳蜗的数据集和畸形耳蜗的数据集，各数据集均包括对应患者的术前信息、术后信息；基于各数据集所述术前信息、术后信息，分析得到所述术前信息与所述术后信息之间的相关程度并进行特征重要性排序；基于各数据集排序的特征，提取排序后前k个特征的相应数据集，建立各数据集术前信息对术后信息的预测模型，得到预测模型的评价指标；基于各数据集预测模型的评价指标，选择各数据集的最佳模型，即在所述正常耳蜗数据集中训练得到正常耳蜗患者人工耳蜗植入术后听力言语最佳预测模型；在所述畸形耳蜗数据集中训练得到畸形耳蜗患者人工耳蜗植入术后听力言语最佳预测模型。便于辅助医生准确预测患者术后听力言语康复效果。
72.在一些实施例中，在训练第一预测模型和第二预测模型时，所述分析得到所述术前信息与所述术后信息之间的相关程度均可以利用卡方检验、spearman相关性等方法，以此来分析各自数据集的所述术前信息对所述术后信息的影响程度。
73.其中，所述特征重要性排序，具体包括：
74.利用卡方检验、spearman相关性方法，得到所述术前信息对所述术后信息的影响结果，对各自结果进行归一化，对归一化后的结果相加求和排序后得到重要性递减的综合特征排名。
75.所述提取排序后前k个特征的相应数据集(应当理解的是，为了便于区分，在训练第一预测模型时，该k个特征为k1个特征，在训练第二预测模型时，该k个特征为k2个特征)，之后还包括：
76.对包含k个特征的数据集，划分4:1的训练集和测试集，训练集用来训练随机森林模型，测试集用来测试模型的效果，得到模型的评价指标。
77.其中，对包含k个特征的数据集，详细情况为：
78.k＝1,2,
…
,n，其中n为各自数据集(正常耳蜗、畸形耳蜗)去除标签后的特征个数。
79.在一些实施例中，在训练第一预测模型和第二预测模型时，均需要基于各对应患者所述术前信息、术后信息，分析得到所述术前信息与所述术后信息之间的相关程度并进行特征重要性排序。其具体过程可以为：利用卡方检验、spearman相关性，分析各自数据集的所述术前信息对所述术后信息的影响程度。利用卡方检验、spearman相关性方法，得到所述术前信息对所述术后信息的影响结果，对各自结果进行归一化，对归一化后的结果相加求和排序后得到重要性递减的综合特征排名。
80.本实施例对卡方检验和spearman相关性算法进行描述。
81.具体地，卡方检验属于非参数检验的范畴，主要是比较两个及两个以上样本率(构成比)以及两个分类变量的关联性分析，其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。卡方值越大，表明实际观察值与期望值偏离越大，也说明两个事件的相互独立性越弱。具体计算公式如下：
[0082][0083]
spearman相关性也是衡量变量相似度的一种方法，它用来衡量连续变量之间的相关程度，其输出范围为-1到+1,0则代表无相关性，负值为负相关，正值为正相关，与目标变量相似程度高的变量认为其重要度较高。具体计算公式如下：
[0084][0085]
其中：di表示第i个数据对的位次值之差，n是总的观测样本数。
[0086]
在该实施例中，分别对“sir”、“cap”这两个目标变量进行影响因素分析，与其相关性强则代表重要程度高，反之，相关性低则重要程度低，具体如图4和图5所示。
[0087]
而后基于各数据集排序的特征，提取排序后前k个特征的相应数据集，建立各数据集术前信息对术后信息的预测模型，得到预测模型的评价指标；
[0088]
所述提取排序后前k个特征的相应数据集，之后步骤为：
[0089]
对提取排序后包含前k个特征的数据集，划分4:1的训练集和测试集，训练集用来训练随机森林模型，测试集用来测试模型的效果，得到模型的评价指标。其中k＝1,2,
…
,n，其中n为各自数据集(正常耳蜗、畸形耳蜗)去除标签后的特征个数。
[0090]
基于各数据集预测模型的评价指标，选择各数据集的最佳预测模型，即：在所述正常耳蜗数据集中训练得到正常耳蜗患者人工耳蜗植入术后听力言语最佳预测模型；在所述畸形耳蜗数据集中训练得到畸形耳蜗患者人工耳蜗植入术后听力言语最佳预测模型。
[0091]
在上述具体实施方式中，本发明提供的基于机器学习的人工耳蜗植入患者术后听力言语康复效果预测方法，以原始数据为基础，结合人工智能机器学习算法，构建了预后预测模型，能够辅助医生对人工耳蜗植入患者的预后进行预测。其中基于统计学分析得出对预后预测产生重要影响的因素，并对其影响程度进行排序，依次选择影响程度最重要的前k个特征的数据集构建模型，选择评价指标最佳的模型作为预后模型，以使得预后模型预测准确性最佳。解决了现有技术中存在的无法基于大数据作出人工耳蜗植入患者术后听力言语康复效果预测的技术问题。
[0092]
下面将上述方法应用于一个具体的实例中，以展示其具体实现过程和技术效果。
[0093]
获取既往预设时间段内的患者原始信息数据，并对所述患者原始信息数据进行整合，以得到耳蜗正常、耳蜗畸形的数据集，各数据集均包括对应患者的术前信息、术后信息。
[0094]
首先，对原始数据进行整体分析，其中包含两个数据集，分别为耳蜗正常数据集和耳蜗畸形数据集。每一个数据集均由患者“术前信息”、“术后信息”两部分构成。
[0095]
其中，“术前信息”的特征包括月龄；残余听力，如没有残余听力，则标记为125；蜗
孔宽度；内听道宽度；神经点数，如1、2、3、4
…
个神经条数；面神经面积；前庭蜗神经面积；vcn/fn；40hz，如根据有无反应分为1、0；abr，如根据有无反应分为1、0；cm，如根据有无反应分为1、0；dpoae，如根据有无反应分为1、0；声导抗代表鼓膜状态，如a、as、b、c，分别用0、1、2、3代替；植入侧别，如左侧l、右侧r；
[0096]“术后信息”的特征可以包括人工耳蜗植入患者术后2年听力cap、言语sir康复效果。cap的范围为：0-7；sir的范围为：1-5。
[0097]
上述特征均为耳蜗正常数据集中需要包含的信息特征，进一步地，耳蜗畸形数据集的“术前信息”特征与耳蜗正常数据集的“术前信息”特征略有不同，“术后信息”相同。耳蜗畸形数据集中的“术前信息”特征包括性别；月龄；人工耳蜗厂家，如ab、med、nu、nor；植入侧别；平均assr；40hz；abr；cm；dpoae；声导抗；pta；耳蜗类型，如ca、cc、ch、ip-i、ip-ii、ip-iii、ro；神经点数。
[0098]
对耳蜗正常数据集进行预处理操作，具体流程示例性如下：
[0099]
步骤1：由于数据完整性较高，所以直接删除特征信息不完整的数据。
[0100]
步骤2：删除特征“vcn/fn”、“40hz”、“abr”、“cm”、“dpoae”、“声导抗”、“植入侧别”。
[0101]
步骤3：对“月龄”、“残余听力”、“蜗孔宽度”、“内听道宽度”、“面神经面积”、“前庭蜗神经面积”的特征信息进行最大最小归一化处理。
[0102]
对耳蜗畸形数据集进行预处理操作，具体流程示例性如下：
[0103]
步骤1：删除特征“性别”、“植入侧别”、“cm”、“dpoae”、“pta”。
[0104]
步骤2：对“人工耳蜗厂家”、“40hz”、“abr”、“声导抗”、“耳蜗类型”的特征信息进行独热编码；
[0105]
步骤3：对耳蜗畸形数据集采用missforest算法进行缺失值填补；
[0106]
步骤4：对“月龄”、“平均assr”的特征信息进行最大最小归一化处理。
[0107]
对两份数据集进行预处理后，以下步骤相同，这里以耳蜗正常数据集为例。
[0108]
在进行重要影响因素排序时，示例性地包括以下步骤：
[0109]
首先利用卡方检验、spearman相关性，分析处理特征信息对患者术后听力cap康复效果的影响程度；
[0110]
然后对卡方检验、spearman结果进行归一化，对归一化后的结果按相同特征相加求和排序后得到重要性递减的综合影响特征排序。
[0111]
建立患者预后模型时，示例性地包括以下步骤：
[0112]
根据综合影响特征排序结果，提取排序前k＝1,2
…
,7个特征的相应数据集。对包含k＝1,2,
…
,7个特征的数据集，划分4:1的训练集和测试集，训练集用来训练随机森林模型，测试集用来测试模型的效果。训练集建立特征对cap的随机森林预测模型，测试集测试7个预测模型得到7个评价指标结果。基于评价指标结果，选择最佳正常耳蜗患者人工耳蜗植入术后听力cap预测模型。
[0113]
根据已有实际数据，利用耳蜗正常数据集中特征信息与术后信息sir，训练随机森林模型，得到耳蜗正常患者人工耳蜗植入术后言语康复效果预测模型；利用耳蜗畸形数据集中特征信息与术后信息cap，训练随机森林模型，得到耳蜗畸形患者人工耳蜗植入术后听力康复效果预测模型；利用耳蜗畸形数据集中特征信息与术后信息sir，训练随机森林模型，得到耳蜗畸形患者人工耳蜗植入术后言语康复效果预测模型。
[0114]
最终，将上述步骤封装成交互软件，形成人工耳蜗植入患者术后听力言语康复效果预测平台。
[0115]
在实际应用中，耳蜗正常患者人工耳蜗植入术后听力康复效果预测模型正确率可以达到79％；耳蜗正常患者人工耳蜗植入术后言语康复效果预测模型正确率可以达到93％；耳蜗畸形患者人工耳蜗植入术后听力康复效果预测模型正确率可以达到87％、耳蜗畸形患者人工耳蜗植入术后言语康复效果预测模型正确率可以达到67％。
[0116]
由上述可知，在以人工耳蜗植入患者为例时，本发明依托耳蜗医学为背景，结合人工智能机器学习算法，构建人工耳蜗植入患者术后听力言语康复模型。针对预处理后的人工耳蜗植入患者数据，通过归一化，从统计学方面，归纳、总结出对人工耳蜗植入患者术后听力言语康复影响重要的因素，并对其影响程度进行排序。依次选取排序最重要的k个特征，分别训练耳蜗正常患者人工耳蜗植入术后听力、言语康复效果预测模型；耳蜗畸形患者人工耳蜗植入术后听力、言语康复效果预测模型。选择最佳特征个数建立预后模型，在保证模型鲁棒性的同时，也可保证正确率。
[0117]
除了上述方法，本发明还提供一种人工耳蜗植入患者术后听力言语康复效果预测装置，如图6所示，所述装置包括：
[0118]
数据获取单元610，用于获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；
[0119]
第一结果输出单元620，用于在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，以得到针对正常耳蜗的第一预测结果；
[0120]
第二结果输出单元630，用于在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，以得到针对畸形耳蜗的第二预测结果；
[0121]
其中，所述第一预测模型是基于机器学习模型利用预先构建的正常耳蜗数据集进行训练得到的，所述正常耳蜗数据集是由正常耳蜗患者样本的原始信息数据构成的；
[0122]
所述第二预测模型是基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练得到的，所述畸形耳蜗数据集是由畸形耳蜗患者样本的原始信息数据构成的。
[0123]
在一些实施例中，训练所述第一预测模型和所述第二预测模型之前还包括：
[0124]
获取既往预设时间段内的所有患者样本的原始信息数据，并基于耳蜗类型对所述患者样本的原始信息数据进行整合，以得到由正常耳蜗患者样本的原始信息数据构成的所述正常耳蜗数据集，以及由畸形耳蜗患者样本的原始信息数据构成的畸形耳蜗数据集；
[0125]
其中，所述患者样本的原始信息数据包括所述患者样本的耳蜗类型、术前信息和术后信息。
[0126]
在一些实施例中，基于机器学习模型利用预先构建的正常耳蜗数据集进行训练，以得到的所述第一预测模型，具体包括：
[0127]
对所述正常耳蜗数据集进行预处理；
[0128]
在预处理后的所述正常耳蜗数据集中，计算所述正常耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第一相关度结果；
[0129]
将所述第一相关度结果由高到低进行特征重要性排序；
[0130]
将排序后前k1个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第一预测模型。
[0131]
在一些实施例中，对所述正常耳蜗数据集进行预处理，具体包括：
[0132]
遍历所述患者样本的原始信息数据，删除包含缺失值的数据以及剔除无关变量，对删除后的剩余连续变量进行归一化。
[0133]
在一些实施例中，利用卡方检验和spearman相关性算法，计算术前信息与所述术后信息之间的相关度。
[0134]
在一些实施例中，基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练，以得到的所述第二预测模型，具体包括：
[0135]
对所述畸形耳蜗数据集进行预处理；
[0136]
在预处理后的所述畸形耳蜗数据集中，计算所述畸形耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第二相关度结果；
[0137]
将所述第二相关度结果由高到低进行特征重要性排序；
[0138]
将排序后前k2个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第二预测模型。
[0139]
在一些实施例中，对所述畸形耳蜗数据集进行预处理，具体包括：
[0140]
遍历所述患者样本的原始信息数据，剔除无关变量并对剩余离散变量进行独热编码；遍历所述患者原始信息数据，进行缺失值填补；对缺失值填补后的剩余连续变量进行归一化。
[0141]
在上述具体实施方式中，本发明所提供的人工耳蜗植入患者术后听力言语康复效果预测装置，通过获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，即可得到针对正常耳蜗的第一预测结果；在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，即可得到针对畸形耳蜗的第二预测结果。
[0142]
这样，本方案将机器学习应用于人工耳蜗植入患者的人工耳蜗植入术后听力言语康复效果预测中，使其作为辅助医生预测的工具，避免了预测结果受限于人工经验，能够提供更为客观准确的预测结果。解决了现有技术中存在的无法基于大数据做出人工耳蜗植入患者术后听力言语康复效果预测，从而导致的预测结果准确性较差的技术问题。
[0143]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行上述方法。
[0144]
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0145]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法。
[0146]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法。
[0147]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0148]
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0149]
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

技术特征：
1.一种人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，所述方法包括：获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，以得到针对正常耳蜗的第一预测结果；在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，以得到针对畸形耳蜗的第二预测结果；其中，所述第一预测模型是基于机器学习模型利用预先构建的正常耳蜗数据集进行训练得到的，所述正常耳蜗数据集是由正常耳蜗患者样本的原始信息数据构成的；所述第二预测模型是基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练得到的，所述畸形耳蜗数据集是由畸形耳蜗患者样本的原始信息数据构成的。2.根据权利要求1所述的人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，训练所述第一预测模型和所述第二预测模型之前还包括：获取既往预设时间段内的所有患者样本的原始信息数据，并基于耳蜗类型对所述患者样本的原始信息数据进行整合，以得到由正常耳蜗患者样本的原始信息数据构成的所述正常耳蜗数据集，以及由畸形耳蜗患者样本的原始信息数据构成的畸形耳蜗数据集；其中，所述患者样本的原始信息数据包括所述患者样本的耳蜗类型、术前信息和术后信息。3.根据权利要求2所述的人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，基于机器学习模型利用预先构建的正常耳蜗数据集进行训练，以得到的所述第一预测模型，具体包括：对所述正常耳蜗数据集进行预处理；在预处理后的所述正常耳蜗数据集中，计算所述正常耳蜗患者样本的术前信息与所述术后信息之间的相关度，以得到第一相关度结果；将所述第一相关度结果由高到低进行特征重要性排序；将排序后前k1个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第一预测模型。4.根据权利要求3所述的人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，对所述正常耳蜗数据集进行预处理，具体包括：遍历所述患者样本的原始信息数据，删除包含缺失值的数据以及剔除无关变量，对删除后的剩余连续变量进行归一化。5.根据权利要求2所述的人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，利用卡方检验和spearman相关性算法，计算术前信息与所述术后信息之间的相关度。6.根据权利要求2所述的人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练，以得到的所述第二预测模型，具体包括：对所述畸形耳蜗数据集进行预处理；在预处理后的所述畸形耳蜗数据集中，计算所述畸形耳蜗患者样本的术前信息与所述
术后信息之间的相关度，以得到第二相关度结果；将所述第二相关度结果由高到低进行特征重要性排序；将排序后前k2个特征构成的数据集输入预先构建的机器学习模型中，以训练得到所述第二预测模型。7.根据权利要求5所述的人工耳蜗植入患者术后听力言语康复效果预测方法，其特征在于，对所述畸形耳蜗数据集进行预处理，具体包括：遍历所述患者样本的原始信息数据，剔除无关变量并对剩余离散变量进行独热编码；遍历所述患者原始信息数据，进行缺失值填补；对缺失值填补后的剩余连续变量进行归一化。8.一种人工耳蜗植入患者术后听力言语康复效果预测装置，其特征在于，所述装置包括：数据获取单元，用于获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；第一结果输出单元，用于在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，以得到针对正常耳蜗的第一预测结果；第二结果输出单元，用于在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，以得到针对畸形耳蜗的第二预测结果；其中，所述第一预测模型是基于机器学习模型利用预先构建的正常耳蜗数据集进行训练得到的，所述正常耳蜗数据集是由正常耳蜗患者样本的原始信息数据构成的；所述第二预测模型是基于机器学习模型利用预先构建的畸形耳蜗数据集进行训练得到的，所述畸形耳蜗数据集是由畸形耳蜗患者样本的原始信息数据构成的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本发明实施例公开了一种人工耳蜗植入患者术后听力言语康复效果预测方法和装置，所述方法包括：获取待预测的目标患者的原始信息数据，所述目标患者的原始信息数据包括所述目标患者的耳蜗类型、术前信息和术后信息；在所述耳蜗类型为正常耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第一预测模型，即可得到针对正常耳蜗的第一预测结果；在所述耳蜗类型为畸形耳蜗的情况下，将所述目标患者的原始信息数据输入预先训练的第二预测模型，即可得到针对畸形耳蜗的第二预测结果。解决了现有技术中存在的无法基于大数据做出人工耳蜗植入患者术后听力言语康复效果预测，从而导致的预测结果准确性较差的技术问题。致的预测结果准确性较差的技术问题。致的预测结果准确性较差的技术问题。


技术研发人员：王海辉 李永新 谢瑾 陆思萌 魏兴梅
受保护的技术使用者：首都医科大学附属北京同仁医院
技术研发日：2023.05.26
技术公布日：2023/10/6