Page 64 - 《中国医疗器械杂志》2025年第6期

Chinese Journal of Medical Instrumentation 2025年 第49卷 第6期

临 床 医 学 工 程

30 供应
消耗
25
20
数量/个 15

10
5
0
2022-06-24
2022-08-11
2022-05-11
2022-01-01 2022-02-24 2022-04-19 2022-06-02 2022-07-14 2022-09-02 2022-10-19 2022-11-30 2023-01-30 2023-03-07 2023-04-22 2023-06-21 2023-08-23 2023-10-26 2024-01-05 2024-02-27 2024-04-30 2024-06-18 2024-08-22
2022-01-29
2022-03-20
2024-01-25
2023-11-30
2023-09-21
2024-07-22
2024-05-27
2024-04-06
2023-07-20
2022-12-30
2022-11-11
2022-09-26
2023-05-20
2023-03-30
2023-02-16
日期
图2 冠脉支架供应/使用频率时间序列
Fig.2 Time series of coronary stent supply/utilization frequency
2.2 需求预测结果及验证 化供应具有更强的特征提取和模式识别能力。通过
在深度学习中，保持以上3种模型学习率、训练 3种模型的学习，得出预测值和真实值的对比结
Epoch以及批量大小等超参数的一致性。通过不同模 果，如图4所示。
型的训练，绘制每个模型的MSE随着训练Epoch变 由 图 4可 知 ， CNN、 LSTM和 Transformer
[11]
化的曲线。MSE值越小，模型的预测精度越高 。 3种模型在预测冠脉支架需求量趋势时的表现对
因此通过曲线可以直观地对不同深度学习模型的学 比。CNN模型在验证集时间段上的预测性能评估
习过程及学习性能变化进行评价，如图3所示。 出现明显偏差，预测曲线与真实趋势存在较大差
异；LSTM模型尽管能反映变化趋势的基本走向，
0.09
CNN
LSTM 但无法精准预测真实值；Transformer模型预测趋势
0.08
Transformer
0.07 整体优于LSTM和CNN模型，对测试集的预测值与
0.06 真实值拟合程度较高，在预测冠脉支架需求量方面
MSE 0.05 展现出更好的性能。 真实值

0.04
140 140
预测值（CNN）
0.03
120 120
0.02
100 100
0.01 80 80
0 数量/个 数量/个
0 2 4 6 8 10 60 60
训练Epoch 40 40
图3 深度学习模型训练MSE趋势 20 20
Fig.3 MSE trend for deep learning model training 0 0

由图4可知，不同深度学习模型在测试集上训 2024-04-23 2024-05-14 2024-06-04 2024-06-25 2024-07-16 2024-08-06 2024-08-27
练过程中的拟合迹象，不同模型的MSE曲线下降速
度和最终达到的MSE值可能有所不同，因此不同模 日期
型的学习能力有所不同。对比3种模型在相同训练 140 真实值 140
预测值（LSTM）
120 120
集 和 验 证 集 上 的 MSE值 变 化 情 况 ， 可 以 看 出
100 100
LSTM模型的训练曲线虽然随着训练Epoch的增加 80 80
显著下降，但是MSE值仍保持在一个相对较高的水 数量/个 60 60 数量/个
平，CNN模型MSE未产生明显变化，出现过拟合 40 40
的现象，学习能力不理想，对比Transformer模型， 20 20
Transformer模型随着训练Epoch的增加最终MSE值 0 0
下降至较低值，并随着训练的进行不断提高预测精
度，从而在相同的训练周期内达到更低的MSE值， 2024-04-23 2024-05-14 2024-06-04 2024-06-25 2024-07-16 2024-08-06 2024-08-27
因此Transformer模型对于冠脉支架的需求预测和优 日期
真实值
预测值
650

数量 个 数量 个

日期