本发明属于罕见病早期筛查和人工智能，具体涉及基于化验检查利用人工智能建立早期筛查castleman病的方法及应用。
背景技术：
1、castleman病（castleman disease，cd），又称血管滤泡性淋巴结增生和巨大淋巴结增生，最早是在1954年由benjamin castleman报道。cd是一类高度异质性的淋巴增殖性疾病，临床表现为单发或多发淋巴结肿大，伴或不伴全身多器官系统受累症状，由于诊断困难，其发病率通常被低估。cd组织学上分为透明血管型、浆细胞型及混合型，临床分为单中心型（ucd）和多中心型（mcd），后者又分为特发性mcd（imcd）、人类疱疹病毒８（hhv8）相关mcd（hhv8-mcd）和poems相关mcd（poems-mcd），而imcd又分为imcd-tafro和非特指型imcd（imcd-nos）。目前cd的发病机制多不清楚，但已明确白细胞介素（il）-6在ucd和mcd中均发挥重要作用，hhv8在mcd中扮演重要角色。ucd通常是局灶性病变，症状轻微，手术切除后可完全缓解；mcd患者表现为不同程度的全身症状、血细胞减少、自身免疫反应和（或）器官功能障碍，治疗主要采用全身疗法。由于cd的罕见性和临床及病理诊断上的困难，目前对其认识尚不完全，这是全球血液病医生面临的一个共同问题。
2、由于发病部位不固定、临床症状不典型，cd的临床诊断极其困难，通常只能诊断为淋巴结肿大或慢性淋巴结炎，极易发生误诊或漏诊。位于颈部的cd在超声检查后可能被误诊为腮腺混合瘤、甲状腺结节或甲状旁腺结节，而位于腹腔者即便接受了腹部增强ct或者mri检查，仍可能因其血供丰富、强化明显而被误诊为胃肠道间质瘤、肾上腺肿瘤、胰腺肿瘤、神经源性肿瘤、血管源性肿瘤、副脾等。因此，亟需建立一种无创、经济、简单并且与临床常规检测指标相结合就能在早期准确筛查出cd的方法。
技术实现思路
1、针对上述问题，本发明的目的是提供基于化验检查利用人工智能建立早期筛查castleman病的方法及应用。本发明建立的方法采用大数据分析和机器学习的方法，将临床上常规检验项整合，建立cd筛查模型，对cd进行早期预警，提高诊断率，为了解和早期诊断罕见疾病提供了新的有效思路。
2、为了实现上述发明目的，本发明提供以下技术方案。
3、本发明公开了一种castleman病早期筛查模型的构建方法，其特征在于，所述方法包括：
4、数据获取：从全国罕见病多数据中心和医院信息系统中获取临床化验检查样本数据；
5、数据预处理：确定两类数据中化验检查数据指标交集；当一条记录存在多个相同指标时，采用第一个非空的该指标值，剔除填充率过低的指标，最终确定14个特征作为训练特征；
6、训练预测模型：基于所获得的14个训练特征一种或几种的组合对机器学习算法进行训练和评估，建立castleman病早期筛查模型，并得到最优机器学习算法模型；
7、风险预测：基于castleman病早期筛查模型，对新样本进行筛查。
8、进一步地，所述指标交集包括：性别、年龄、白细胞、血红蛋白、血小板、丙氨酸氨基转移酶、白蛋白、总胆红素、直接胆红素、碱性磷酸酶、肌酐、肾小球滤过率、尿蛋白、尿液隐血、尿红细胞、24h尿蛋白定量和免疫固定电泳。
9、进一步地，14个特征包括：性别、年龄、白蛋白、尿蛋白、尿液隐血、总胆红素、肾小球滤过率、肌酐、血小板、直接胆红素、白细胞、碱性磷酸酶、丙氨酸氨基转移酶和血红蛋白。
10、进一步地，进行训练的机器学习算法包括：xgboost、随机森林、支持向量机、梯度提升树、多层感知机、朴素贝叶斯、逻辑回归、极端分类树。
11、进一步地，最优机器学习算法模型为xgboost模型。
12、本发明还公开了一种castleman病早期筛查模型，其特征在于，通过如上述任一项所述的castleman病早期筛查模型的构建方法构建得到。
13、本发明还公开了一种castleman病早期筛查装置，其特征在于，包括如上述所述的castleman病早期筛查模型。
14、本发明还公开了一种计算设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行实现如上述任一项所述的castleman病早期筛查模型的构建方法所构建的疾病筛查模型。
15、本发明还公开了一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行实现如上述任一项所述的castleman病早期筛查模型的构建方法所构建的疾病筛查模型。
16、与现有技术比，本发明的有益效果如下。
17、本发明建立的cd的早期诊断和预警模型，可以整合患者的性别、年龄、白蛋白、尿蛋白、尿液隐血、总胆红素、肾小球滤过率、肌酐、血小板、直接胆红素、白细胞、碱性磷酸酶、丙氨酸氨基转移酶和血红蛋白检查结果，进行预警，旨在提高cd的早期诊断率。
18、本发明设计的人工智能筛查工具可以通过与技术厂商合作，将其内置到医院的信息系统(his)中，该工具都可以实现自动化智能筛查和实时预警，大大减少误诊或延迟诊断。本发明建立的方法较传统检测方向更便宜，更容易操作且无创伤性，因此，在临床上更容易大量推广使用。
1.一种castleman病早期筛查模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述指标交集包括：性别、年龄、白细胞、血红蛋白、血小板、丙氨酸氨基转移酶、白蛋白、总胆红素-直接胆红素、碱性磷酸酶、肌酐、肾小球滤过率、尿蛋白、尿液隐血、尿红细胞、24h尿蛋白定量和免疫固定电泳。
3.根据权利要求1所述的方法，其特征在于，14个特征包括：性别、年龄、白蛋白、尿蛋白、尿液隐血、总胆红素、肾小球滤过率、肌酐、血小板、直接胆红素、白细胞、碱性磷酸酶、丙氨酸氨基转移酶和血红蛋白。
4.根据权利要求1所述的方法，其特征在于，进行训练的机器学习算法包括：xgboost、随机森林、支持向量机、梯度提升树、多层感知机、朴素贝叶斯、逻辑回归、极端分类树。
5.根据权利要求1所述的方法，其特征在于，最优机器学习算法模型为xgboost模型。
6.一种castleman病早期筛查模型，其特征在于，通过如权利要求1至5中任一项所述的castleman病早期筛查模型的构建方法构建得到。
7.一种castleman病早期筛查装置，其特征在于，包括如权利要求6所述的castleman病早期筛查模型。
8.一种计算设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行实现如权利要求1至5中任一项所述的castleman病早期筛查模型的构建方法所构建的疾病筛查模型。
9.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行实现如权利要求1至5中任一项所述的castleman病早期筛查模型的构建方法所构建的疾病筛查模型。
