本發(fā)明涉及人工智能，尤其涉及基于人工智能的胰腺癌風(fēng)險(xiǎn)預(yù)測系統(tǒng)。

背景技術(shù)：

1、胰腺癌作為消化系統(tǒng)惡性程度最高的腫瘤，其五年生存率長期停滯于13%，全球每年新發(fā)病例與死亡病例比值接近1:0.89的嚴(yán)峻現(xiàn)實(shí)，凸顯了早期診斷的迫切性（ca?cancerj?clin.?2024;74(1):12-49）。流行病學(xué)數(shù)據(jù)顯示，ia期患者經(jīng)手術(shù)切除后五年生存率可達(dá)83.7%，而iv期患者生存率斷崖式下降至3.2%以下（j?natl?cancer?inst.?2020;112(11):1162-1169），這種巨大的預(yù)后差異將早期檢測窗口期塑造成改善臨床結(jié)局的核心戰(zhàn)場。然而，胰腺癌篩查面臨雙重困境：一方面，其年發(fā)病率僅13.5/10萬且缺乏特異性生物標(biāo)志物，導(dǎo)致傳統(tǒng)人群篩查策略面臨高假陽性風(fēng)險(xiǎn)（jama.?2019;322(5):438-444）；另一方面，現(xiàn)有臨床篩查指南主要針對占病例總數(shù)不足10%的遺傳高危人群，而90%的散發(fā)病例因缺乏有效風(fēng)險(xiǎn)評估工具，往往錯(cuò)失早期診斷機(jī)會(huì)（lancet?gastroenterol?hepatol.?2020;5(7):698-710;?gastroenterology.?2023;164(5):752-765）。

2、人工智能技術(shù)的突破為破解這一困局提供了新思路。基于醫(yī)療數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型展現(xiàn)出顯著優(yōu)勢：梅奧診所開發(fā)的end-pac模型通過整合血糖波動(dòng)、體重變化軌跡與年齡參數(shù)，在回顧性隊(duì)列中實(shí)現(xiàn)0.87的auc值（gastroenterology.?2018;155(3):730-739）；哈佛大學(xué)cancerrisknet系統(tǒng)分析900萬份電子健康檔案（ehr），構(gòu)建的時(shí)序深度學(xué)習(xí)模型獲得0.879的3年風(fēng)險(xiǎn)預(yù)測效能（nat?med.2023;29(5):1113-1122.）；賓夕法尼亞大學(xué)thin模型聚焦新發(fā)糖尿病群體，聯(lián)合bmi動(dòng)態(tài)變化、吸煙暴露及代謝指標(biāo)構(gòu)建的預(yù)測體系auc達(dá)0.82（gastroenterology.?2017;152(4):840-850）。這些突破性進(jìn)展雖證實(shí)了數(shù)據(jù)驅(qū)動(dòng)模型的可行性，但其局限性同樣顯著：模型構(gòu)建均基于醫(yī)療機(jī)構(gòu)就診人群的回顧性數(shù)據(jù)，存在選擇偏倚和頻譜偏倚（gastroenterology.?2019;156(7):2024-2040.）；預(yù)測因子依賴專科醫(yī)療環(huán)境采集的實(shí)驗(yàn)室指標(biāo)（如堿性磷酸酶、血紅蛋白a1c），難以適配社區(qū)初級(jí)衛(wèi)生保健場景（gastroenterology.2017;152(4):840-850）；更重要的是，缺乏在真實(shí)社區(qū)環(huán)境中驗(yàn)證模型對散發(fā)性病例的篩查效能。

3、基于此，本研究創(chuàng)新性地設(shè)計(jì)社區(qū)導(dǎo)向的胰腺癌風(fēng)險(xiǎn)預(yù)測模型：通過前瞻性多中心篩查隊(duì)列的巢式病例對照研究，開發(fā)基于機(jī)器學(xué)習(xí)的胰腺癌風(fēng)險(xiǎn)預(yù)測模型，并利用前瞻性社區(qū)自然人群隊(duì)列的數(shù)據(jù)對該模型進(jìn)行了外部驗(yàn)證。該模型納入社區(qū)可及參數(shù)，并構(gòu)建在線風(fēng)險(xiǎn)評估平臺(tái)（https://pc.chhospital.com.cn），實(shí)現(xiàn)社區(qū)醫(yī)生端和居民端的雙向風(fēng)險(xiǎn)評估功能。相較于既往模型，本研究具有三重突破價(jià)值：首次在社區(qū)自然人群中驗(yàn)證模型對散發(fā)病例的篩查效能；開發(fā)適用于基層醫(yī)療場景的輕量化評估工具；通過前瞻性設(shè)計(jì)規(guī)避回顧性研究的時(shí)序偏倚。研究成果將為散發(fā)性胰腺癌的社區(qū)早篩提供循證依據(jù)，推動(dòng)醫(yī)療資源向高危人群精準(zhǔn)投放，同時(shí)為建立“社區(qū)初篩-醫(yī)院精查”的分級(jí)診療模式奠定理論基礎(chǔ)。

技術(shù)實(shí)現(xiàn)思路

1、為了克服上述技術(shù)缺陷，本發(fā)明的目的在于提供基于人工智能的胰腺癌風(fēng)險(xiǎn)預(yù)測系統(tǒng)，其包括：

2、數(shù)據(jù)采集模塊，用于至少獲取當(dāng)前待評估者的體質(zhì)指數(shù)、空腹血糖、血糖控制情況、癥狀和年齡；

3、風(fēng)險(xiǎn)評估模塊，用于接收上述數(shù)據(jù)，并基于預(yù)先構(gòu)建好的胰腺癌風(fēng)險(xiǎn)預(yù)測人工智能模型計(jì)算出當(dāng)前待評估者的胰腺癌風(fēng)險(xiǎn)概率值；

4、輸出模塊，用于輸出當(dāng)前待評估者的胰腺癌風(fēng)險(xiǎn)概率值和基于shap的變量貢獻(xiàn)圖。

5、進(jìn)一步地，所述數(shù)據(jù)采集模塊包括：

6、數(shù)據(jù)接口，用于接收用戶通過web端或本地終端輸入的體質(zhì)指數(shù)、空腹血糖、血糖控制情況、癥狀和年齡；

7、數(shù)據(jù)存儲(chǔ)單元，用于存儲(chǔ)去隱私化的居民健康數(shù)據(jù)，包括個(gè)人基本信息、病史記錄以及現(xiàn)場測量數(shù)據(jù)；

8、異常值檢測單元，用于采用箱線圖法識(shí)別并移除符合特定標(biāo)準(zhǔn)的異常值。

9、進(jìn)一步地，所述風(fēng)險(xiǎn)評估模塊進(jìn)一步包括：

10、風(fēng)險(xiǎn)分類單元，用于根據(jù)計(jì)算出的當(dāng)前待評估者的風(fēng)險(xiǎn)概率值與預(yù)設(shè)閾值比較，并進(jìn)行風(fēng)險(xiǎn)分類的判定；

11、靈敏性和特異性優(yōu)化單元，用于通過交叉驗(yàn)證和bootstrap方法調(diào)整模型的閾值，以平衡模型的靈敏性與特異性。

12、進(jìn)一步地，所述預(yù)設(shè)閾值包括第一閾值和小于第一閾值的第二閾值；如果風(fēng)險(xiǎn)概率值≥預(yù)設(shè)閾值，則判斷為高風(fēng)險(xiǎn)；如果風(fēng)險(xiǎn)概率值＜預(yù)設(shè)閾值，則判斷為低風(fēng)險(xiǎn)。

13、進(jìn)一步地，所述預(yù)設(shè)閾值為0.51。

14、進(jìn)一步地，所述胰腺癌風(fēng)險(xiǎn)預(yù)測人工智能模型的構(gòu)建方法包括：

15、步驟s1：采用多中心的前瞻性的巢式病例對照申請?jiān)O(shè)計(jì)，從符合納排標(biāo)準(zhǔn)的目標(biāo)人群隊(duì)列數(shù)據(jù)中采集電子健康信息，并將所有數(shù)據(jù)按照特定比例劃分為訓(xùn)練集和外部驗(yàn)證集；

16、步驟s2：利用lasso回歸篩選與胰腺癌相關(guān)的關(guān)鍵變量；

17、步驟s3：采用自適應(yīng)合成過采樣技術(shù)對訓(xùn)練集進(jìn)行預(yù)處理，采用隨機(jī)森林、xgboost、樸素貝葉斯、knn和logistic回歸這五種機(jī)器學(xué)習(xí)算法進(jìn)行建模，選擇模型性能最優(yōu)的隨機(jī)森林算法作為最終模型；

18、步驟s4：通過交叉驗(yàn)證優(yōu)化模型參數(shù)，并使用外部驗(yàn)證集評估模型的auc、準(zhǔn)確度、靈敏性和特異性。

19、進(jìn)一步地，所述輸出模塊還用于：根據(jù)用戶輸入的數(shù)據(jù)動(dòng)態(tài)調(diào)整風(fēng)險(xiǎn)預(yù)測概率，實(shí)時(shí)更新風(fēng)險(xiǎn)分類結(jié)果；輸出針對不同風(fēng)險(xiǎn)等級(jí)的檢查建議和健康管理指導(dǎo)。

20、進(jìn)一步地，所述輸出模塊包括：

21、圖形化用戶界面，用于實(shí)時(shí)展示用戶輸入的變量信息、計(jì)算出的胰腺癌風(fēng)險(xiǎn)概率值及風(fēng)險(xiǎn)分類結(jié)果；

22、風(fēng)險(xiǎn)報(bào)告生成單元，用于輸出個(gè)體化的風(fēng)險(xiǎn)預(yù)測報(bào)告，報(bào)告包括：

23、風(fēng)險(xiǎn)分類結(jié)果，基于shap的變量貢獻(xiàn)圖以及針對不同風(fēng)險(xiǎn)等級(jí)的檢查建議和健康管理指導(dǎo)。

24、進(jìn)一步地，針對高風(fēng)險(xiǎn)組推薦進(jìn)一步進(jìn)行mri或ct影像學(xué)檢查，針對低風(fēng)險(xiǎn)組僅需進(jìn)行常規(guī)健康檢查。

25、進(jìn)一步地，所述系統(tǒng)通過web端接口或本地終端接口與社區(qū)體檢平臺(tái)進(jìn)行集成，用于自動(dòng)獲取居民體檢數(shù)據(jù)，進(jìn)行實(shí)時(shí)胰腺癌風(fēng)險(xiǎn)評估，還用于輸出目標(biāo)人群篩查清單，輔助制定分級(jí)篩查計(jì)劃。

26、采用了上述技術(shù)方案后，與現(xiàn)有技術(shù)相比，具有以下有益效果：

27、本技術(shù)技術(shù)方案利用大型前瞻性隊(duì)列，整合大規(guī)模真實(shí)世界數(shù)據(jù)，運(yùn)用多種機(jī)器學(xué)習(xí)算法進(jìn)行模型開發(fā)，最終選擇性能最優(yōu)的隨機(jī)森林算法來構(gòu)建準(zhǔn)確且可解釋性強(qiáng)的胰腺癌風(fēng)險(xiǎn)預(yù)測模型，實(shí)現(xiàn)對胰腺癌高危人群的精準(zhǔn)識(shí)別，提高早期篩查的效率和準(zhǔn)確性，改善患者預(yù)后。