一种用于喉癌筛查的智能评估方法与流程

1.本发明涉及一种健康评估方法，尤其涉及用于喉癌风险筛查的智能评估方法。


背景技术：

2.目前喉癌的筛查确诊需要在医院里进行组织活检等有创性检查，由耳鼻喉科医生结合临床指南与实践经验判断，这样不利于进行高效的普查，尤其是对医疗资源比较匮乏的地区。因此，亟需一种简单便捷、自动分析并评估喉癌患病风险的智能评估方法，可实现预先警示。
3.近年来，人工智能技术与机器学习算法在医疗领域起到了举足轻重的作用，利用机器学习算法结合声学或者图像资料构建疾病诊断模型可实现对疾病的预测，但是目前的方法是单数据源，无法进行综合分析。基于此，利用机器学习与统计学算法结合致癌因素及嗓音声学等无创检查结果构建喉癌风险筛查模型，可实现针对各种因素的预前警示，以便提前发现健康隐患就变得尤为重要。


技术实现要素：

4.本发明的目的在于提供一种可自动分析多个影响因素数据，算法简单，占用硬件资源少的用于喉癌筛查的智能评估方法。
5.本发明的一种用于喉癌风险筛查的智能评估方法，包括以下步骤：
6.步骤一、对既往病例进行信息参数采集，采集的信息参数包括：
7.(1)嗓音声学参数，所述的嗓音声学参数包含基频、基频微扰、振幅微扰、谐噪比及最长声时，获得参数ai，i＝1,2
…
na，na表示嗓音声学参数总个数；
8.(2)发音与言语障碍分析参数，所述的发音与言语障碍分析参数包含倒谱峰值、倒频谱峰值标准差、低频谱与高频谱的比值，获得参数bi，i＝1,2
…
nb，nb表示发音与言语障碍分析参数总个数；
9.(3)电子鼻咽喉镜结果，所述的电子鼻咽喉镜结果包含电子鼻咽喉镜下nbi分型：i型、ii型、iii型、iv型、va型、vb型、vc型，将上述分型按照严重程度在1-10内赋值，获得参数ci，i＝1,2
…
nc,nc表示电子鼻咽喉镜下nbi分型，其中vc型最严重；
10.(4)症状主诉量表，所述的症状主诉量表包含音哑、咽异物感、咽痛、吞咽不畅、颈部肿块、咳嗽带痰、憋气，每项对应参数di，i＝1,2
…
nd，nd表示症状主诉量表参数总个数，di参数值为0或者10，0代表无症状，10代表有症状；
11.(5)性别，性别对应参数e，e参数值为0或者1，0代表男，1代表女；
12.(6)年龄，包含年龄分层为0-20,21-40,41-60,60岁以上四个阶段，每一个年龄段对应参数fi，i＝1,2
…
nf,nf表示年龄段数，nf＝4；四个年龄段数对应参数fi分别赋值2、4、6、8；
13.(7)高血压史，将高血压史总月数取整，获得高血压史参数g；
14.(8)糖尿病史，将糖尿病史总月数取整，获得高血压史参数h；
15.(9)吸烟史，将吸烟总月数取整，获得吸烟史参数i；
16.(10)饮酒史，将饮酒总月数取整，获得吸烟史参数j；
17.(11)环境或职业暴露：根据环境和职业暴露程度，评估对喉部损伤程度，获得参数k，k为1-10的整数；其中10代表喉部损伤严重；
18.(12)病毒感染：将感染人乳头状瘤病毒对应参数l，l参数值为0或者10，0代表无感染，10代表有感染；
19.步骤二、从医院数据库中采集医生根据经验判断得到的上述每个既往病例中的喉癌患病风险程度评估分数y，所述的y为1-10的整数；
20.步骤三、建立多元线性回归模型对上述采集的信息参数进行多元线性回归分析，求解各个信息参数的线性回归系数ηa、ηb、ηc、ηd、ηe、ηf、ηg、ηh、ηi、ηj、ηk、η
l
，方法如下：
[0021][0022]
式中，y通过步骤二得到，αi、βi、γi、δi分别表示嗓音声学参数、发音与言语障碍分析参数、电子鼻咽喉镜nbi分型、症状主诉量表中各参数影响权重系数；ai、bi、ci、di、e、fi、g、h、i、j、k、l通过步骤一得到；
[0023]
步骤四、建立对新患病者的筛查评估分类，方法如下：
[0024]
对新患病者采集步骤一所述信息，然后将其带入步骤三建立的多元线性回归模型，计算得到新患病者的风险评估诊断结果分数yn；设定yn所在范围[0,λ]为低风险，yn所在范围(λ,10]为高风险，λ为区分低、高风险的界定值；
[0025]
步骤五、健康风险测评，过程如下：
[0026]
将步骤三的多元线性回归模型与步骤四的λ置入计算机形成筛查评估网络系统，测试者将步骤一所述信息输入筛查评估网络系统，可直接计算评估分数并依据分类得到低、高风险结果，测试者可以根据测试结果作为自身健康状况的辅助判断。
[0027]
本发明的有益效果是：算法简单，占用硬件资源少。
附图说明
[0028]
图1为用于喉癌筛查的智能评估方法流程图。
具体实施方式
[0029]
为了使本发明的技术方案更加清晰，以下结合附图对本发明做进一步详细说明。
[0030]
本发明提出的一种用于喉癌筛查的智能评估方法，先收集受试者多影响因素数据并通过归一化处理统一量纲，然后通过多元线性回归分析构造预测模型预测筛查评估分数，最后借助构造的筛查评估网络系统评估患者喉癌患病风险程度。
[0031]
如图1所示本发明的一种用于喉癌风险筛查的智能评估方法，包括以下步骤：
[0032]
步骤一、对既往病例进行信息参数采集，采集的信息参数包括：
[0033]
(1)嗓音声学参数，所述的嗓音声学参数包含基频、基频微扰、振幅微扰、谐噪比及最长声时，获得参数ai，i＝1,2
…
na，na表示嗓音声学参数总个数；
[0034]
(2)发音与言语障碍分析参数，所述的发音与言语障碍分析参数包含倒谱峰值、倒频谱峰值标准差、低频谱与高频谱的比值，获得参数bi，i＝1,2
…
nb，nb表示发音与言语障碍
分析参数总个数；
[0035]
(3)电子鼻咽喉镜结果，所述的电子鼻咽喉镜结果包含电子鼻咽喉镜下nbi分型：i型、ii型、iii型、iv型、va型、vb型、vc型，将上述分型按照严重程度在1-10内赋值，获得参数ci，i＝1,2
…
nc,nc表示电子鼻咽喉镜下nbi分型，其中vc型最严重，可以赋予数值10，i型最轻可以赋予数值1。
[0036]
(4)症状主诉量表，所述的症状主诉量表包含音哑、咽异物感、咽痛、吞咽不畅、颈部肿块、咳嗽带痰、憋气，每项对应参数di，i＝1,2
…
nd，nd表示症状主诉量表参数总个数，di参数值为0或者10，0代表无症状，10代表有症状；
[0037]
(5)性别，性别对应参数e，e参数值为0或者1，0代表男，1代表女；
[0038]
(6)年龄，包含年龄分层为0-20,21-40,41-60,60岁以上四个阶段，每一个年龄段对应参数fi，i＝1,2
…
nf,nf表示年龄段数，nf＝4；四个年龄段数对应参数fi分别赋值2、4、6、8。
[0039]
(7)高血压史，将高血压史总月数取整，获得高血压史参数g；
[0040]
(8)糖尿病史，将糖尿病史总月数取整，获得高血压史参数h；
[0041]
(9)吸烟史，将吸烟总月数取整，获得吸烟史参数i；
[0042]
(10)饮酒史，将饮酒总月数取整，获得吸烟史参数j；
[0043]
(11)环境或职业暴露：根据环境和职业暴露程度，评估对喉部损伤程度，获得参数k，k为1-10的整数；其中10代表喉部损伤严重；
[0044]
(12)病毒感染：将感染人乳头状瘤病毒对应参数l，l参数值为0或者10，0代表无感染，10代表有感染。
[0045]
步骤二、从医院数据库中采集医生根据经验判断得到的上述每个既往病例中的喉癌患病风险程度评估分数y，所述的y为1-10的整数。
[0046]
步骤三、建立多元线性回归模型对上述采集的信息参数进行多元线性回归分析，求解各个信息参数的线性回归系数ηa、ηb、ηc、ηd、ηe、ηf、ηg、ηh、ηi、ηj、ηk、η
l
，方法如下：
[0047][0048]
式中，y通过步骤二得到，αi、βi、γi、δi分别表示嗓音声学参数、发音与言语障碍分析参数、电子鼻咽喉镜nbi分型、症状主诉量表中各参数影响权重系数，通过查找现有资料由经验确定，通常确定αi、βi、γi、δi的权重系数可以为2、2、4、1；ai、bi、ci、di、e、fi、g、h、i、j、k、l通过步骤一得到；
[0049]
步骤四、建立对新患病者的筛查评估分类，方法如下：
[0050]
对新患病者采集步骤一所述信息，然后将其带入步骤三建立的多元线性回归模型，计算得到新患病者的风险评估诊断结果分数yn。设定yn所在范围[0,λ]为低风险，yn所在范围(λ,10]为高风险，λ为区分低、高风险的界定值，由经验确定。
[0051]
优选的，步骤四中包括对筛查评估分类界定值的更新，算法为：
[0052]
步骤401，以每一年为一个更新周期，从医院收集新一年既往病例数据，并重复步骤一至步骤三过程，建立新的多元线性回归模型。对新的病例利用新的多元线性回归模型计算新的风险评估诊断结果分数ym。
[0053]
步骤402，若yn与ym均属于低分险或高风险范围，则认为分类界限无需更新，无需记
录；若yn与ym不同时属于低分险或高风险范围，则认为分类界限需要更新，记录更新变量δλ＝y
m-yn。
[0054]
步骤403，重复步骤401-402，每一年共收集n
λ
个需要更新的变量δλj(j＝1,2,
…
,n
λ
)，则筛查评估分类界限更新算法为：
[0055][0056]
步骤五、健康风险测评，过程如下：
[0057]
将步骤三的多元线性回归模型与步骤四的λ置入计算机形成筛查评估网络系统，测试者将步骤一所述信息输入筛查评估网络系统，可直接计算评估分数并依据分类得到低、高风险结果，测试者可以根据测试结果作为自身健康状况的辅助判断。

技术特征：
1.一种用于喉癌风险筛查的智能评估方法，其特征在于包括以下步骤：步骤一、对既往病例进行信息参数采集，采集的信息参数包括：(1)嗓音声学参数，所述的嗓音声学参数包含基频、基频微扰、振幅微扰、谐噪比及最长声时，获得参数a
i
，i＝1,2
…
n
a
，n
a
表示嗓音声学参数总个数；(2)发音与言语障碍分析参数，所述的发音与言语障碍分析参数包含倒谱峰值、倒频谱峰值标准差、低频谱与高频谱的比值，获得参数b
i
，i＝1,2
…
n
b
，n
b
表示发音与言语障碍分析参数总个数；(3)电子鼻咽喉镜结果，所述的电子鼻咽喉镜结果包含电子鼻咽喉镜下nbi分型：i型、ii型、iii型、iv型、va型、vb型、vc型，将上述分型按照严重程度在1-10内赋值，获得参数ci，i＝1,2
…
n
c
,n
c
表示电子鼻咽喉镜下nbi分型，其中vc型最严重；(4)症状主诉量表，所述的症状主诉量表包含音哑、咽异物感、咽痛、吞咽不畅、颈部肿块、咳嗽带痰、憋气，每项对应参数d
i
，i＝1,2
…
n
d
，n
d
表示症状主诉量表参数总个数，d
i
参数值为0或者10，0代表无症状，10代表有症状；(5)性别，性别对应参数e，e参数值为0或者1，0代表男，1代表女；(6)年龄，包含年龄分层为0-20,21-40,41-60,60岁以上四个阶段，每一个年龄段对应参数f
i
，i＝1,2
…
n
f
,n
f
表示年龄段数，n
f
＝4；四个年龄段数对应参数f
i
分别赋值2、4、6、8；(7)高血压史，将高血压史总月数取整，获得高血压史参数g；(8)糖尿病史，将糖尿病史总月数取整，获得高血压史参数h；(9)吸烟史，将吸烟总月数取整，获得吸烟史参数i；(10)饮酒史，将饮酒总月数取整，获得吸烟史参数j；(11)环境或职业暴露：根据环境和职业暴露程度，评估对喉部损伤程度，获得参数k，k为1-10的整数；其中10代表喉部损伤严重；(12)病毒感染：将感染人乳头状瘤病毒对应参数l，l参数值为0或者10，0代表无感染，10代表有感染；步骤二、从医院数据库中采集医生根据经验判断得到的上述每个既往病例中的喉癌患病风险程度评估分数y，所述的y为1-10的整数；步骤三、建立多元线性回归模型对上述采集的信息参数进行多元线性回归分析，求解各个信息参数的线性回归系数η
a
、η
b
、η
c
、η
d
、η
e
、η
f
、η
g
、η
h
、η
i
、η
j
、η
k
、η
l
，方法如下：式中，y通过步骤二得到，α
i
、β
i
、γ
i
、δ
i
分别表示嗓音声学参数、发音与言语障碍分析参数、电子鼻咽喉镜nbi分型、症状主诉量表中各参数影响权重系数；a
i
、b
i
、ci、d
i
、e、f
i
、g、h、i、j、k、l通过步骤一得到；步骤四、建立对新患病者的筛查评估分类，方法如下：对新患病者采集步骤一所述信息，然后将其带入步骤三建立的多元线性回归模型，计算得到新患病者的风险评估诊断结果分数y
n
；设定y
n
所在范围[0,λ]为低风险，y
n
所在范围(λ,10]为高风险，λ为区分低、高风险的界定值；步骤五、健康风险测评，过程如下：将步骤三的多元线性回归模型与步骤四的λ置入计算机形成筛查评估网络系统，测试
者将步骤一所述信息输入筛查评估网络系统，可直接计算评估分数并依据分类得到低、高风险结果，测试者可以根据测试结果作为自身健康状况的辅助判断。2.根据权利要求1所述的用于喉癌风险筛查的智能评估方法，其特征在于：步骤四中包括对筛查评估分类界定值的更新，算法为：步骤401，以每一年为一个更新周期，从医院收集新一年既往病例数据，并重复步骤一至步骤三过程，建立新的多元线性回归模型，对新的病例利用新的多元线性回归模型计算新的风险评估诊断结果分数y
m
；步骤402，若y
n
与y
m
均属于低分险或高风险范围，则认为分类界限无需更新，无需记录；若y
n
与y
m
不同时属于低分险或高风险范围，则认为分类界限需要更新，记录更新变量δλ＝y
m-y
n
；步骤403，重复步骤401-402，每一年共收集n
λ
个需要更新的变量δλ
j
(j＝1,2,
…
,n
λ
)，则筛查评估分类界限更新算法为：

技术总结
本发明公开了一种用于喉癌风险筛查的智能评估方法，包括以下步骤：步骤一、对既往病例进行信息参数采集，步骤二、从医院数据库中采集医生根据经验判断得到的上述每个既往病例中的喉癌患病风险程度评估分数Y，所述的Y为1-10的整数。步骤三、建立多元线性回归模型对上述采集的信息参数进行多元线性回归分析，求解各个信息参数的线性回归系数；步骤四、建立对新患病者的筛查评估分类，步骤五、健康风险测评，采用本发明方法算法简单，占用硬件资源少。占用硬件资源少。占用硬件资源少。


技术研发人员：魏梅 王巍 倪广建 杜建群 只璟泰 赵望
受保护的技术使用者：天津市第一中心医院
技术研发日：2023.05.12
技术公布日：2023/8/9