正文

第二课第一周第4-7节医学预后案例欣赏+作业解析(代码片段)

Tina姐  Tina姐  2022-11-29  780

关键词：

第二课第一周第4-7节医学预后案例欣赏+作业解析

视频地址：B > Tina-姐

预后的案例

在这节课中，我们将看看预后临床例子。看看预后任务的输入和输出是什么样子的，以及我们如何权衡输入之间的权重。

我们可以把预后模型看作一个系统，它把病人的资料（profile）作为输入，并输出病人的风险评分。

profile 可以包括：

临床病史(包括任何以前的治疗过程中的重大疾病)
体检结果，如体温和血压等生命体征。
实验室检查，如全血细胞计数和包括CT扫描在内的成像等。

预后模型可以取其中的一个，并为患者输出一个风险评分。现在，风险评分可能是任意数字，也可能是概率。

让我们看一个预后模型的例子。这个预后模型将使用两个患者特征来得出心脏病的风险评分。

假设我们有一个75岁以上的吸烟者，我们会给吸烟一个分数，超过75岁的人特征的一个分数，最后一个风险评分是2。

让我们让这个预测模型更有趣一点。假设75岁以上的人比吸烟的风险高出一倍，我们希望模型能给年龄赋予两倍于吸烟的权重。

然后我们可以指定一个权重，或者如果你是吸烟者特征1和年龄特征2的系数。现在，我们可以用这些系数乘以这个值，得到每个特征的贡献，1代表吸烟，2代表75岁以上，总风险评分为3。

接下来我们看3个案例

房颤患者的风险计算器

心房颤动是一种常见的心律失常，会使患者面临中风（stroke）的风险。对于房颤患者，我们将看看一个预测一年内中风风险的模型的例子。这被称为CHA2DS2-VASc评分，是作为患者资料一部分使用的特征的缩写，数字代表那个特征的权重。

我们将计算一名70岁男性房颤患者的CHA2DS2-VASc评分，该患者患有高血压和糖尿病。

我们的第一个任务是将该患者对应的值输入表中。我们知道这个病人有高血压和糖尿病，还知道他的年龄

所以风险评分为3

肝脏疾病的死亡率

在我们的第二个例子中，我们将研究死亡率。我们将研究一个用于12岁以上肝移植等待名单上的患者的评分。这个评分可以估计病人3个月的死亡率，也是决定病人接受肝移植的速度的因素之一。

下图是终末期肝病的模型，产生所谓的MELD评分。

我们将再次手工计算一例患者的MELD评分。在这里，我们有一个50岁的妇女，她有一些实验室结果，如下图。

这个模型有两个新特性使它更有趣。首先，请注意，第一个特性不仅仅是一个实验室检查值，而是该值的log对数。当有理由相信风险和特征之间的关系在特征的自然对数中是线性关系时，通常使用特征的自然对数而不是特征本身。

这里要注意的第二件事是有一个截断值。截距对应的value总是1，因此如果其他特征值都为0，我们可以将截距视为预期的风险评分（最低为0.643）。

现在，让我们计算这个病人的MELD评分。

请注意，得到的10分并不能直接告诉我们3个月生存的概率，但与其他患者的MELD评分相比，它是有信息的。

患心脏疾病的风险
在我们的最后一个例子中，我们将研究20岁或20岁以上尚未患有心脏病的患者10年内患心脏病的风险。

这是ASCVD风险评估器。我们将再次手工计算患者的ASCVD评分。

首先，请注意，除了采取自然对数的一些特征。我们有两个特征的产物，比如年龄的自然对数乘以HDL-C的自然对数。这些被称为交互项，我们将深入探讨为什么它们有用。

但现在需要理解的是，对于交互项，我们要乘以两个值。在这种情况下，我们将取年龄的自然对数乘以HDL-C的自然对数。这里要注意的第二件事是，我们有一个与某些特征相关的负系数。例如，我们有一个与HDL-C的自然对数相关的负系数，这里的负系数意味着这个特性的贡献是负的，这意味着它降低了评分。这是有道理的，因为HDL-C是高密度胆固醇，通常被称为好胆固醇。因此，我们可以预期会降低患心脏病的风险。

我们可以像前面的例子一样计算风险评分。在这里，我们使用我们所掌握的信息填写值。然后将每个值乘以系数，并将此列相加，得出实际值的总和。

使用下面公式将该总和转换为风险评分。

不要太担心这个公式是从哪里来的。所有需要理解的重要的是，我们可以代入这个公式。得出这个病人10年内患心脏病的概率是3%。

本节完后对这三个案例设置了作业

作业解析

在这里，学习使用 Python 函数实现风险评分。包括

心房颤动：Chads-vasc 评分
肝病：MELD评分
心脏病：ASCVD 评分

作业文件名：C2_W1_lecture_ex_02.ipynb
作业地址：gongzhonghao > 菜单栏 > 吴恩达里面找

本次作业就是通过构建python函数实现上面图片上的得分计算。但特征及特征权重人为定义。和实际应用不太相符，因此，仅做参考，作业不难。5分钟即可解决。

如 Chads-vasc 评分:自定义一个评分函数

def chads_vasc_score(input_c, input_h, input_a2, input_d, input_s2, input_v, input_a, input_sc):
    # congestive heart failure  充血性心力衰竭
    coef_c = 1 
    
    # Coefficient for hypertension 高血压系数
    coef_h = 1 
    
    # Coefficient for Age >= 75 years
    coef_a2 = 2
    
    # Coefficient for diabetes mellitus  糖尿病系数
    coef_d = 1 
    
    # Coefficient for stroke  中风
    coef_s2 = 2
    
    # Coefficient for vascular disease   血管疾病系数
    coef_v = 1
    
    # Coefficient for age 65 to 74 years     
    coef_a = 1
    
    # TODO Coefficient for female  女性系数
    coef_sc = 1
    
    # Calculate the risk score
    risk_score = (input_c * coef_c) +\\
                 (input_h * coef_h) +\\
                 (input_a2 * coef_a2) +\\
                 (input_d * coef_d) +\\
                 (input_s2 * coef_s2) +\\
                 (input_v * coef_v) +\\
                 (input_a * coef_a) +\\
                 (input_sc * coef_sc)
    
    return risk_score

调用函数获取评分

tmp_c = 0
tmp_h = 1
tmp_a2 = 0
tmp_d = 0
tmp_s2 = 0
tmp_v = 1
tmp_a = 0
tmp_sc = 1

print(f"The chads-vasc score for this patient is",
      f"chads_vasc_score(tmp_c, tmp_h, tmp_a2, tmp_d, tmp_s2, tmp_v, tmp_a, tmp_sc)")

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连

第二课第一周大作业--构建和评估一个线性风险模型(代码片段)

之前教程：第二课第一周第1节-AI用于医学预后简介第二课第一周第2节-做医学预后，你需要掌握什么？第二课第一周第3-4节-什么是预后?第二课第一周第4-7节医学预后案例欣赏+作业解析第二课第一周第8节风险得分... 查看详情

第二课第一周大作业--构建和评估一个线性风险模型(代码片段)

第二课第一周第9-11节评估预后模型+作业解析

将介绍预测模型的评估。评估预后模型背后的基本思想是查看它在成对患者身上的表现如何。假如这两个苹果为代表的病人。左手的苹果看起来已经不新鲜了，两天后就会过期，但我右手的苹果在接下来的两天里都是新... 查看详情

第二课第一周第9-11节评估预后模型+作业解析

第二课第一周1节-ai用于医学预后简介

第二门课程集中于医学预后（medicalprognosis）。预后是医学的一个分支，专门预测病人未来的健康状况。例如，根据病人的实验室结果，你能估计出未来5年内心脏病发作的风险吗？或是未来10年内死亡的风... 查看详情

第二课第一周第9-11节评估预后模型+作业解析

第二课第一周第8节风险得分计算+作业解析(代码片段)

在本课中，我们将把前面示例中使用风险方程式得到的分数进行形式化地描述，我们还将研究交互项以及它们为何有用。到目前为止，我们看到的预测模型是通过所有特征乘以与该特征相关的系数。例如，年龄特... 查看详情

第二课第一周第8节风险得分计算+作业解析(代码片段)

第二课第一周2节-做医学预后，你需要掌握什么？

我想谈谈这门课的要求。本课程的设计重点在于为你提供概念和实用工具。你需要成功地为医学建立机器学习模型。对于这门课程，你不需要任何深入学习方法的背景知识，也不需要任何医学背景。不过，在你上这门... 查看详情

第二课第二周第1-5节-基于树的模型用于医学预后

本周，我们将使用决策树（DecisionTrees）构建我们的第一个机器学习模型。树(trees)在医学应用中非常有用的的原因是：1️⃣它们处理连续和分类数据的能力，2️⃣它们的可解释性以及训练速度。我们将使用树... 查看详情

第二课第一周3-4节-什么是预后？(代码片段)

什么是预后？我们首先要讨论什么是预后，以及为什么预后在医疗实践中很重要。预后是一个医学术语，指预测未来事件的风险。在这里，事件是一个通用术语，它描述了可能发生在个人身上的各种事情。事... 查看详情

第二课第一周第8节风险得分计算+作业解析(代码片段)

吴恩达-医学图像人工智能专项课程-第一课第一周6-10节总结+作业解读(代码片段)

...在医学图像分类问题上的一些前沿应用。本文将介绍第一课第一周6-10节的内容。主要讲解构建一个分类模型去识别胸片的肿块。以及分类模型将面临的三个挑战：类不平衡挑战、多任务挑战和数据集大小挑战。本节重点解决... 查看详情

吴恩达-医学图像人工智能专项课程-第一课第一周19-20节(代码片段)

...的三个挑战第一个挑战涉及到我们如何使这些测试集独立第二个挑战涉及我们如何对它们进行采样第三个挑战涉及我们如何设置groundtruth让我们来讨论第二个挑战：集合抽样。sampling假设我们从数据集中抽取了一个测试集。有... 查看详情

吴恩达-医学图像人工智能专项课程-第一课第一周4-5节总结(代码片段)

4-5节主要是例举了三个深度学习医学诊断案例。本周，我们将直接进入建立一个深度学习模型的任务胸部x光分类。通过这个例子，您将学到的许多想法在许多医学成像测试中都有广泛的应用。本周，我们将从三个医... 查看详情

吴恩达-医学图像人工智能专项课程-第一课第一周16-18节-如何确保数据集病人不重叠+作业解说(代码片段)

模型测试既然你已经了解了如何训练医学诊断模型，那么让我们来谈谈如何测试这样的模型。接下来你会学习如何测试这样的一个模型。您将学习如何正确使用训练、验证和测试集。以及为了评估你的模型需要强大的groundtrut... 查看详情

吴恩达-医学图像人工智能专项课程-第一课第一周11节总结(代码片段)

回顾一下医学图像深度学习面临的三个挑战三个挑战我们将讨论医学图像训练算法的三个关键挑战：类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战，我们将介绍一到两种应对方法。类别不平衡：可以... 查看详情