技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 一种基于门控制机制的多模态慢性病预测方法和系统与流程  >  正文

一种基于门控制机制的多模态慢性病预测方法和系统与流程

  • 国知局
  • 2024-07-12 10:42:29

本发明涉及医学检验,更具体地,涉及一种基于门控制机制的多模态慢性病预测方法和系统。

背景技术:

1、以高血压和糖尿病为代表的慢性病严重影响人们的健康状况和生活质量。然而,这些疾病的发生和发展十分隐匿,通常在出现明显症状时,疾病已经进展到中后期。开发能够实现对常见慢性病精准预测和预警的人工智能系统,对提高医疗效率和资源配置具有重要意义。并且,深度学习和多模态学习的快速发展为构建该类系统奠定了基础。通过分析结构化和非结构化的多源异构数据,可以对疾病的机理建模,实现从数据到预测结果的端到端的学习与决策。

2、现有的慢性病预测分析模型一般都是单独对于高血压或者糖尿病进行预测分析。例如,目前较为常用的高血压预测模型基于逻辑回归和神经网络,这些模型主要通过分析患者的年龄、体重指数、家族史、血脂指标等特征,实现对高血压的风险预测。还有一些研究尝试结合遗传因素数据建立预测模型。但总体来说,现有高血压预测模型的性能仍有很大提升空间。

3、对于糖尿病的分析预测,近年来基于深度学习的模型发展较快。这些模型可利用电子病历、药物数据、实验室指标以及影像数据等构建端到端的预测网络。同时结合卷积神经网络和图神经网络等新型网络结构,可提取疾病的空间和时间特征,实现对未来几年患病风险的动态评估。但现有模型主要侧重糖尿病的诊断,预警性能仍有限。

4、经分析,现有的慢性病预测方案主要具有以下缺陷:

5、1)当前的预测分析模型都是单独针对高血压或者糖尿病进行预测分析,很少从数据角度讨论多种慢性病之间的相关性。

6、2)当前的模型通常只使用结构化的数据,如电子病历,忽略了文本、图像等非结构化数据的丰富信息,从而限制了多模态信息的整合与建模,无法全面反映疾病的本质特征。

7、3)当前用于预测糖尿病的模型较少,大部分模型仅用于糖尿病诊断,预警能力有限。

8、4)当前模型中的特征选择和建模策略还不够优化,所选择的特征存在冗余、信息量有限等问题。

9、5)当前多模态融合的疾病诊断方法为了提高泛化能力通常忽略个体因素的差异性,而不同个体的身体状况受年龄、既往病史、遗传等因素而产生特异性,因为现有模型特异性分析能力较弱。

技术实现思路

1、本发明的目的是克服上述现有技术的缺陷,提供一种基于门控制机制的多模态慢性病预测方法和系统。

2、根据本发明的第一方面,提供一种基于门控制机制的多模态慢性病预测方法。该方法包括以下步骤:

3、获取目标的生物标志物信息和生物生理信息;

4、将所述生物标志物信息和所述生物生理信息输入到经训练的慢性病预测模型,获得目标患有慢性病的预测结果;

5、其中,所述慢性病预测模型包含第一分支、第二分支和全连接层,第一分支以生物标志物信息流作为输入,提取对应的第一特征;第二分支以生物生理信息流作为输入,提取对应的第二特征;全连接层基于第一特征和第二特征的融合特征,获得预测结果。

6、根据本发明的第二方面,提供一种基于门控制机制的多模态慢性病预测系统。该系统包括:

7、数据获取单元:用于获取目标的生物标志物信息和生物生理信息;

8、预测单元:用于将所述生物标志物信息和所述生物生理信息输入到经训练的慢性病预测模型,获得目标患有慢性病的预测结果;

9、其中,所述慢性病预测模型包含第一分支、第二分支和全连接层,第一分支以生物标志物信息流作为输入,提取对应的第一特征;第二分支以生物生理信息流作为输入,提取对应的第二特征;全连接层基于第一特征和第二特征的融合特征,获得预测结果。

10、与现有技术相比,本发明的优点在于,提出了一种基于门控制机制的多模态慢性病分析预测模型,通过将采集到的多类生物标志物信息以及心电、脑电等生物生理数据进行多模态特征融合,自适应地捕获特征和疾病间的关联关系,可用于对高血压、糖尿病等慢性病进行分析和预测,并增强了特异性分析能力。

11、通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。

技术特征:

1.一种基于门控制机制的多模态慢性病预测方法,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,第一分支包含第一门控单元和第一编码器,第一门控单元的输出与第一分支的输入作点积,进行特征选择后输入到第一编码器中;第二分支包含第二门控单元和第二编码器,第二编码器的输出与第二分支的输入作点积进行特征选择后,输入到第二编码器。

3.根据权利要求2所述的方法,其特征在于,第一门控单元和第二门控单元具有相同的结构,包括一维卷积层、relu激活层和sigmoid激活层。

4.根据权利要求3所述的方法,其特征在于,所述一维卷积层是自适应一维卷积神经网络,并用于整合卷积核大小k与通道维数c成正比,表示为:

5.根据权利要求1所述的方法,其特征在于,还包括:对所述慢性病预测模型的输入特征进行扰动,并分析所述慢性病预测模型的自监督学习得到的不同特征值的影响力,以确定高血压和糖尿病之间的关联关系。

6.根据权利要求1所述的方法,其特征在于,根据以下步骤分析不同特征值的影响力:

7.根据权利要求1所述的方法,其特征在于,所述预测结果包括:仅患有高血压、仅患有糖尿病、同时患有高血压和糖尿病、健康者。

8.根据权利要求1所述的方法,其特征在于,所述生物标志物信息包括rbp4、adpn、b2mg、cysc、hscpr、ngal和生活习惯信息,所述生物生理信息包括心电信号、脑电信号。

9.一种基于门控制机制的多模态慢性病预测系统,包括:

10.一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

技术总结本发明公开了一种基于门控制机制的多模态慢性病预测方法和系统。该方法包括:获取目标的生物标志物信息和生物生理信息;将所述生物标志物信息和所述生物生理信息输入到经训练的慢性病预测模型,获得目标患有慢性病的预测结果。其中所述慢性病预测模型包含第一分支、第二分支和全连接层,第一分支以生物标志物信息流作为输入,提取对应的第一特征;第二分支以生物生理信息流作为输入,提取对应的第二特征;全连接层基于第一特征和第二特征的融合特征,获得预测结果。本发明能够准确预测不同个体患有高血压、糖尿病的可能性,并增强了特异性分析能力。技术研发人员:游子儆,刁亚楠,陈桂兰,赵国如,甄隽颖,李超,张文勇,徐爱民受保护的技术使用者:深圳先进技术研究院技术研发日:技术公布日:2024/6/13

本文地址:https://www.jishuxx.com/zhuanli/20240614/88663.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。