基于Matlab求解2023华为杯研究生数学建模竞赛E题——出血性脑卒中临床智能诊疗建模实现步骤（附上源码+数据）

文章目录，源码见文末下载

• 背景介绍
• 准备工作：处理数据
• 第一题：血肿扩张风险相关因素探索建模
• • a）问题
  • b）问题
• [第二题： 血肿周围水肿的发生及进展建模，并探索治疗干预和水肿进展的关联关系](#第二题： 血肿周围水肿的发生及进展建模，并探索治疗干预和水肿进展的关联关系)
• • a）问题
  • b）问题
  • c）问题
  • d）问题
• 第三题：出血性脑卒中患者预后预测及关键因素探索。
• • a）问题
  • b）问题
  • c）问题
• 完整源码+数据下载

背景介绍

出血性脑卒中指非外伤性脑实质内血管破裂引起的脑出血，占全部脑卒中发病率的10-15%。其病因复杂，通常因脑动脉瘤破裂、脑动脉异常等因素，导致血液从破裂的血管涌入脑组织，从而造成脑部机械性损伤，并引发一系列复杂的生理病理反应。出血性脑卒中起病急、进展快，预后较差，急性期内病死率高达45-50%，约80%的患者会遗留较严重的神经功能障碍，为社会及患者家庭带来沉重的健康和经济负担。因此，发掘出血性脑卒中的发病风险，整合影像学特征、患者临床信息及临床诊疗方案，精准预测患者预后，并据此优化临床决策具有重要的临床意义。

出血性脑卒中后，血肿范围扩大是预后不良的重要危险因素之一。在出血发生后的短时间内，血肿范围可能因脑组织受损、炎症反应等因素逐渐扩大，导致颅内压迅速增加，从而引发神经功能进一步恶化，甚至危及患者生命。因此，监测和控制血肿的扩张是临床关注的重点之一。此外，血肿周围的水肿作为脑出血后继发性损伤的标志，在近年来引起了临床广泛关注。血肿周围的水肿可能导致脑组织受压，进而影响神经元功能，使脑组织进一步受损，进而加重患者神经功能损伤。综上所述，针对出血性脑卒中后的两个重要关键事件，即血肿扩张和血肿周围水肿的发生及发展，进行早期识别和预测对于改善患者预后、提升其生活质量具有重要意义。

医学影像技术的飞速进步，为无创动态监测出血性脑卒中后脑组织损伤和演变提供了有力手段。近年来，迅速发展并广泛应用于医学领域的人工智能技术，为海量影像数据的深度挖掘和智能分析带来了全新机遇。期望能够基于本赛题提供的影像信息，联合患者个人信息、治疗方案和预后等数据，构建智能诊疗模型，明确导致出血性脑卒中预后不良的危险因素，实现精准个性化的疗效评估和预后预测。相信在不久的将来，相关研究成果及科学依据将能够进一步应用于临床实践，为改善出血性脑卒中患者预后作出贡南献。

图1.左图脑出血患者CT平扫，右图红色为血肿，黄色为血肿周围水肿：

准备工作：处理数据

读取、整理和保存数据。通过对数据的处理和整合，建立一个名为Table的矩阵，用于后续的建模分析：

1. 读取数据表格文件，并将数据存储在相应的变量中。对数据进行预处理，将缺失值替换为空字符串，并对性别进行编码（男为1，女为2）。

2. 整理数据，将表格数据按照预定的格式整理为一个名为Table的矩阵。Table的第一行是表头，包括患者、流水号、时间和各个指标的名称。

3. 循环遍历数据表中的每一行（除去表头），对于每一行数据，获取从发病到第一次诊断的时间长度delta_t0和第一次诊断的日期t1。

4. 根据流水号在附表1中找到对应的行列索引，获取后续诊断日期t2。

5. 计算时间轴上每次随诊距离发病的时间长度time。

6. 统计每次检查的数据，如果有缺失则不记录。根据附表1中的日期和表格2中的数据，将患者编号、诊断日期、时间长度、表格1中的数据、表格2中的数据和表格3中的数据整合为一行，添加到Table中。

7. 对于缺失数据，根据样本间的差异，取附件3个数据集中的附件3指标的平均值补充。

8. 将整理好的Table保存在名为data的文件中。

第一题：血肿扩张风险相关因素探索建模

a）问题

• 请根据"表1"（字段：入院首次影像检查流水号，发病到首次影像检查时间间隔），"表2"（字段：各时间点流水号及对应的HM_volume），判断患者sub001至sub100发病后48小时内是否发生血肿扩张事件。
• 结果填写规范：1是0否，填写位置："表4"C字段（是否发生血肿扩张）。
• 如发生血肿扩张事件，请同时记录血肿扩张发生时间。
• 结果填写规范：如10.33小时，填写位置："表4"D字段（血肿扩张时间）。
• 是否发生血肿扩张可根据血肿体积前后变化，具体定义为：后续检查比首次检查绝对体积增加≥6 mL或相对体积增加≥33%。
• 注：可通过流水号至"附表1-检索表格-流水号vs时间"中查询相应影像检查时间点，结合发病到首次影像时间间隔和后续影像检查时间间隔，判断当前影像检查是否在发病48小时内。

具体代码实现思路步骤：

1. 首先，通过unique函数从表格"Table"的第一列中提取唯一值，并将结果保存在变量"Num"中。

2. 接下来，定义了四个空变量：A、B、Y和T。这些变量将用于保存患者的指标、拟合参数、是否发病的标签以及静脉扩张时间。

3. 使用一个循环，遍历"Num"中的每个唯一值。

4. 在每次循环中，首先找到表格"Table"中与当前唯一值匹配的行的索引，并将这些行的第4列及其之后的数据保存在变量"A"中。

5. 然后，将这些行的第3列数据保存在变量"t"中，将第23列数据保存在变量"HM_volume"中。

6. 判断"HM_volume"的长度是否大于0，如果大于0，说明有多个数据可以用于线性回归。则使用regress函数进行线性回归，将回归系数保存在变量"b"中。

7. 如果"HM_volume"的长度等于0，说明只有一个数据，那么就需要使用样本数据中最接近的其他样本对应的参数进行匹配。首先将A进行归一化处理，然后计算最后一个样本与其他样本的距离，找到距离最近的样本，将其对应的参数保存在变量"B"中。

8. 继续循环，将变量"b"保存在变量"B"中。

9. 然后，将时间网格化，精度为0.1，从第一次诊断到发病的第48小时内，生成一个时间序列"t1"。

10. 使用回归参数"b"计算"t1"对应的HM_volume值，保存在变量"HM_volume_48"中。

11. 找到HM_volume_48与HM_volume(1)的比值大于1.33的索引，并保存在变量"a1"中。

12. 找到HM_volume_48与HM_volume(1)的差值大于6000的索引，并保存在变量"a2"中。

13. 将"a1"和"a2"的索引合并，保存在变量"aa"中。

14. 判断"aa"的长度是否大于0，如果大于0，说明发生了发病，将变量"Y"中对应位置的值设为1，并将变量"t1"中第一个满足条件的时间保存在变量"T"中。

15. 如果"aa"的长度等于0，说明没有发病，将变量"Y"中对应位置的值设为0。

16. 循环结束后，将"Num"、"Y"和"T"合并为一个结果矩阵"result1"，其中保存了每个患者的唯一值、是否发病的标签和静脉扩张时间。

b）问题

• 请以是否发生血肿扩张事件为目标变量，基于"表1" 前100例患者（sub001至sub100）的个人史，疾病史，发病相关（字段E至W）、"表2"中其影像检查结果（字段C至X）及"表3"其影像检查结果（字段C至AG，注：只可包含对应患者首次影像检查记录）等变量，构建模型预测所有患者（sub001至sub160）发生血肿扩张的概率。
• 注：该问只可纳入患者首次影像检查信息。
• 结果填写规范：记录预测事件发生概率（取值范围0-1，小数点后保留4位数）；填写位置："表4"E字段（血肿扩张预测概率）。

具体代码实现思路步骤：

1. 首先，使用mapminmax函数将变量"A"进行归一化处理，结果保存在变量"In"中。同时，将标签变量"Y"转置后保存在变量"Out"中。

2. 将数据集划分为训练集和测试集，其中前100个样本用于训练，101到130个样本用于测试集1，131到160个样本用于测试集2。

3. 创建一个bp神经网络，网络的输入层节点数为输入数据的一半，隐藏层节点数为输入数据的四分之一，激活函数使用tansig。

4. 设置神经网络的训练参数，包括最大迭代次数、目标误差、最小梯度、学习速率和最大确认失败次数等。

5. 使用训练数据对神经网络进行训练。

6. 对训练集、测试集1和测试集2进行仿真测试，使用训练好的神经网络对输入数据进行预测，并将预测结果保存在变量"t_sim"、"t_sim1"和"t_sim2"中。

7. 对预测结果进行四舍五入处理，得到最终的预测结果，保存在变量"T_sim"、"T_sim1"和"T_sim2"中。

8. 绘制混淆矩阵，分别对训练集、测试集1和测试集2的真实标签和预测结果进行可视化。

9. 最后，将预测结果"t_sim"、"t_sim1"和"t_sim2"添加到之前的结果矩阵"result1"中，并将结果矩阵保存在变量"result1"中。结果矩阵包括患者编号、是否发生血肿扩张、血肿扩张时间和血肿扩张的预测概率。

第二题： 血肿周围水肿的发生及进展建模，并探索治疗干预和水肿进展的关联关系

a）问题

• 请根据"表2"前100个患者（sub001至sub100）的水肿体积（ED_volume）和重复检查时间点，构建一条全体患者水肿体积随时间进展曲线（x轴：发病至影像检查时间，y轴：水肿体积，y=f(x)），计算前100个患者（sub001至sub100）真实值和所拟合曲线之间存在的残差。
• 结果填写规范：记录残差，填写位置"表4"F字段（残差（全体））。

具体代码实现思路步骤：

1. 首先通过unique函数找出数据表第二行及以后的第一列中的唯一值，保存在变量Num中。

2. 创建空矩阵T、ED和A，用于分别记录复查时间、水肿数据和除此诊断信息。

3. 循环遍历Num中的每个值，对于每个值，找出数据表中第一列等于该值的行的索引，保存在变量a中。

4. 将对应行的第4列及之后的数据转换为double类型，并添加到矩阵A中。

5. 将对应行的第3列数据转换为double类型，并添加到矩阵T中。

6. 将对应行的第34列数据转换为double类型，并添加到矩阵ED中。

7. 绘制图形，横坐标为T，纵坐标为ED，点的形状为星号。

8. 设置横坐标范围为1到2000。

9. 使用高斯模型拟合数据，拟合结果保存在变量gaussModel中。

10. 绘制高斯模型曲线。

11. 设置横轴标题为"时间"，纵轴标题为"水肿/10^-3ml"。

12. 计算拟合值ED_fit。

13. 创建空矩阵Error，用于保存残差。

14. 循环遍历Num中的每个值，对于每个值，找出数据表中第一列等于该值的行的索引，并将索引减去1，保存在变量a中。

15. 计算拟合值与原始数据的绝对差的平均值，并保存在矩阵Error中的对应位置。

b）问题

• 请探索患者水肿体积随时间进展模式的个体差异，构建不同人群（分亚组：3-5个）的水肿体积随时间进展曲线，并计算前100个患者（sub001至sub100）真实值和曲线间的残差。
• 结果填写规范：记录残差，填写位置"表4"G字段（残差（亚组）），同时将所属亚组填写在H段（所属亚组）。

具体代码实现思路步骤：

1. 设置聚类的中心数量为5，保存在变量cluster_n中。

2. 使用模糊C均值聚类（FCM）算法对数据表的第4-15列指标进行聚类，聚类结果保存在变量center、U和obj_fcn中。其中，center为聚类中心，U为隶属度矩阵，obj_fcn为目标函数值的变化。

3. 绘制目标函数值的变化图，横轴为迭代次数，纵轴为目标函数值。

4. 根据隶属度矩阵U中每个样本的最大隶属度确定所属的聚类中心，保存在变量u中。

5. 创建空矩阵ED_fit2，用于保存聚类后的拟合值。

6. 循环遍历聚类中心的数量，对于每个聚类中心，找出属于该聚类的样本的索引，保存在变量a中。

7. 找出属于该聚类的样本在原始数据表中的索引，并保存在变量b中。

8. 绘制图形，横坐标为T(b)，纵坐标为ED(b)，点的形状为星号。

9. 设置横坐标范围为1到2000。

10. 使用高斯模型拟合属于该聚类的样本，拟合结果保存在变量gaussModel中。

11. 绘制高斯模型曲线。

12. 设置横轴标题为"时间"，纵轴标题为"水肿/10^-3ml"。

13. 设置图标题为"亚类i"，其中i为聚类中心的编号。

14. 计算拟合值ED_fit2。

15. 创建空矩阵Error2，用于保存聚类后的残差。

16. 循环遍历Num中的每个值，对于每个值，找出数据表中第一列等于该值的行的索引，并将索引减去1，保存在变量a中。

17. 计算聚类后的拟合值与原始数据的绝对差的平均值，并保存在矩阵Error2中的对应位置。

18. 将患者编号、全体残差、聚类后的残差和聚类结果合并成矩阵result2。

c）问题

• 请分析不同治疗方法（"表1"字段Q至W）对水肿体积进展模式的影响。

具体代码实现思路步骤：

1. 创建空矩阵K，用于保存水肿指标的变化率。

2. 循环遍历Num中的每个值，对于每个值，找出数据表中第一列等于该值的行的索引，保存在变量a中。

3. 判断该患者的数据是否满足至少五次检查的要求，如果满足，则计算水肿指标的变化率。

4. 将水肿指标变化率小于0的数据的索引保存在变量kk中。

5. 如果kk的长度为0，说明水肿指标没有减少的情况，将K(i,1)设为0。

6. 否则，计算水肿指标减少的平均值，并将结果保存在K(i,1)中。

7. 如果数据不满足至少五次检查的要求，将K(i,1)设为NaN。

8. 找出K中不为NaN的数据的索引，保存在变量c中。

9. 将数据表中第16-22列的数据转换为double类型，保存在变量G中。

10. 将数据表第一行的第16-22列的数据保存在变量Z中。

11. 循环遍历Z中的每个值，对于每个值，进行单因素方差分析。

12. 计算方差分析的临界值fa。

13. 获取方差分析结果中的F值。

14. 根据p值和F值的大小判断不同治疗方法对水肿进展模式的影响。

15. 打印出影响显著的治疗方法的相关信息。

16. 打印出不同治疗方法对水肿进展模式的影响大小的排序结果。

d）问题

• 请分析血肿体积、水肿体积及治疗方法（"表1"字段Q至W）三者之间的关系。

具体代码实现思路步骤：

1. 创建空矩阵K2，用于保存血肿指标的变化率。

2. 循环遍历Num中的每个值，对于每个值，找出数据表中第一列等于该值的行的索引，保存在变量a中。

3. 判断该患者的数据是否满足至少五次检查的要求，如果满足，则计算血肿指标的变化率。

4. 将血肿指标变化率小于0的数据的索引保存在变量kk中。

5. 如果kk的长度为0，说明血肿指标没有减少的情况，将K2(i,1)设为0。

6. 否则，计算血肿指标减少的平均值，并将结果保存在K2(i,1)中。

7. 如果数据不满足至少五次检查的要求，将K2(i,1)设为NaN。

8. 找出K2中不为NaN的数据的索引，保存在变量c中。

9. 循环遍历Z中的每个值，对于每个值，进行单因素方差分析。

10. 计算方差分析的临界值fa。

11. 获取方差分析结果中的F值。

12. 根据p值和F值的大小判断不同治疗方法对血肿进展模式的影响。

13. 打印出影响显著的治疗方法的相关信息。

14. 打印出不同治疗方法对血肿进展模式的影响大小的排序结果。

15. 将血肿指标和水肿指标转换为double类型，保存在变量x0和y0中。

16. 计算血肿指标和水肿指标的余弦相似度，保存在变量theta中。

17. 打印出血肿指标和水肿指标的相关度。

第三题：出血性脑卒中患者预后预测及关键因素探索。

a）问题

• 请根据前100个患者（sub001至sub100）个人史、疾病史、发病相关（"表1"字段E至W）及首次影像结果（表2，表3中相关字段）构建预测模型，预测患者（sub001至sub160）90天mRS评分。
• 注：该问只可纳入患者首次影像检查信息。
• 结果填写规范：记录预测mRS结果，0-6，有序等级变量。填写位置"表4"I字段（预测mRS（基于首次影像））。

具体代码实现思路步骤：

1. 使用mapminmax函数对输入数据A进行归一化处理，将归一化后的结果保存在变量In中，并保存归一化的参数在ps_in中。

2. 将输出数据Y转置为Out。

3. 将数据分为训练集和测试集。将In的前100列作为训练集的输入，将Out的前100列作为训练集的输出。将In的101-130列作为测试集1的输入，将Out的101-130列作为测试集1的输出。将In的131-160列作为测试集2的输入，将Out的131-160列作为测试集2的输出。

4. 创建一个BP神经网络。设置网络的结构为两个隐藏层，第一个隐藏层的神经元数量为输入数据的一半，第二个隐藏层的神经元数量为输入数据的四分之一。激活函数使用双曲正切函数。

5. 设置训练参数，包括最大迭代次数、目标误差、最小梯度、学习速率和最大确认失败次数。

6. 使用训练集数据训练网络。

7. 对训练集、测试集1和测试集2进行仿真测试，得到预测结果。将预测结果取整，保存在变量t_sim、t_sim1和t_sim2中。

8. 使用plotconfusion函数绘制混淆矩阵。分别绘制训练集、测试集1和测试集2的混淆矩阵图。混淆矩阵用于评估模型的分类性能。

b）问题

• 根据前100个患者（sub001至sub100）所有已知临床、治疗（表1字段E到W）、表2及表3的影像（首次+随访）结果，预测所有含随访影像检查的患者（sub001至sub100,sub131至sub160）90天mRS评分。
• 结果填写规范：记录预测mRS结果，0-6，有序等级变量。填写位置"表4"J字段（预测mRS）。

具体代码实现思路步骤：

1. 使用mapminmax函数将输入数据B进行归一化处理，使用之前训练网络时得到的归一化参数ps_in，将归一化后的结果保存在变量Xyuce中。

2. 对归一化后的数据Xyuce进行仿真测试，得到预测结果，保存在变量t_sim3中。

3. 将预测结果取整，保存在变量T_sim3中。

4. 创建空字符串矩阵result3，用于保存最终的预测结果。

5. 循环遍历Num中的每个值，对于每个值，找出与Num中的值相等的索引，保存在变量a中。

6. 循环遍历索引a，对于每个索引，将对应的预测结果保存在result3中的对应位置。

7. 将result3转换为字符串类型。

8. 将缺失值的元素替换为空字符串。

9. 创建空矩阵z，用于保存随访次数的字符串。

10. 循环遍历result3的列数，对于每一列，将对应的字符串保存在z中。

11. 将患者编号、首次检测结果和随访次数的字符串合并成矩阵result3。

c）问题

• 请分析出血性脑卒中患者的预后（90天mRS）和个人史、疾病史、治疗方法及影像特征（包括血肿/水肿体积、血肿/水肿位置、信号强度特征、形状特征）等关联关系，为临床相关决策提出建议。

具体代码实现思路步骤：

1. 将数据表中第2行到最后一行、第4列到最后一列的数据转换为double类型，并保存在变量X中。

2. 创建空矩阵P，用于保存相关性矩阵。

3. 使用嵌套循环遍历X的每一列和每一列，计算对应列的向量之间的余弦相似度，并将结果保存在相关性矩阵P的对应位置。

4. 绘制热图，将相关性矩阵P作为数据输入，设置颜色条可见，调整图的位置、字体大小和单元格标签格式。

5. 将变量Z与相关性矩阵P合并成矩阵resultp，用于自行分析相关性结果。

6. 打印出预测结果和相关性结果的提示信息。

完整源码+数据下载

基于Matlab求解2023年华为杯E题完整代码文件（源码+数据）.rar：https://download.csdn.net/download/m0_62143653/88376174