疾病风险预测方法、装置、设备和计算机可读介质制造方法及图纸

本发明专利技术公开的实施例公开了疾病风险预测方法、装置、设备和计算机可读介质。该方法包括：获取目标用户的病例相关数据；将所述病例相关数据输入至预设训练的疾病风险预测模型，输出预测结果，其中，所述疾病风险预测模型是通过联合学习训练得到的，所述疾病风险预测模型采用了异步聚合算法；将所述预测结果传输至目标显示设备，以及控制所述目标显示设备显示所述预测结果。该实施方式通过疾病风险预测模型输出预测结果，避免了大数据量的数据传输，降低了通信代价，也提高了对边缘设备上数据的利用率。利用率。利用率。

【技术实现步骤摘要】
疾病风险预测方法、装置、设备和计算机可读介质


[0001]本专利技术公开的实施例涉及计算机
，具体涉及疾病风险预测方法、装置、设备和计算机可读介质。

技术介绍

[0002]人工智能传统的处理方式是通过集中不同节点的数据实现训练样本数的扩充，然而，现代社会对数据隐私、安全的要求越来越严格，相关数据隐私法律法规的出现对人工智能传统的处理方式提出新的挑战。比方说，在医疗保健领域，不同医院、不同人群的电子病历、体检数据、影像数据等非常敏感，它们之间没有办法集中数据，加之考虑到用户隐私、商业利益、监管的要求等，我们面临的是小数据和一个个数据孤岛，而人工智能需要的恰恰是大数据。
[0003]在医学领域中，疾病风险预测是一个具有前瞻性和重大现实意义的研究任务，往往需要大量长时间连续的数据，而现实生活中，绝大多数医疗机构的慢病患者都存在数据量少，数据质量差的问题，不足以支撑慢病疾病风险预测的实现；尤其像患者的电子病历、中药方剂与中医证候、中医问诊等极其敏感的医疗信息，很难在合规的前提下得到充分有效的利用。

技术实现思路

[0004]本专利技术公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本专利技术公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0005]本专利技术公开的实施例提出了疾病风险预测方法、装置、设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题。
[0006]第一方面，本专利技术公开的实施例提供了一种疾病风险预测方法，该方法包括：获取目标用户的病例相关数据；将所述病例相关数据输入至预设训练的疾病风险预测模型，输出预测结果，其中，所述疾病风险预测模型是通过联合学习训练得到的，所述疾病风险预测模型采用了异步聚合算法；将所述预测结果传输至目标显示设备，以及控制所述目标显示设备显示所述预测结果。
[0007]第二方面，本专利技术公开的实施例提供了一种疾病风险预测装置，装置包括：获取单元，被配置成获取目标用户的病例相关数据；预测单元，被配置成将所述病例相关数据输入至预设训练的疾病风险预测模型，输出预测结果，其中，所述疾病风险预测模型是通过联合学习训练得到的，所述疾病风险预测模型采用了异步聚合算法；显示单元，被配置成将所述预测结果传输至目标显示设备，以及控制所述目标显示设备显示所述预测结果。
[0008]第三方面，本专利技术公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。
[0009]第四方面，本专利技术公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。
[0010]本专利技术公开的上述各个实施例中的一个实施例具有如下有益效果：通过将获取到的目标用户的病例相关数据输入至预先训练的疾病风险预测模型，来得到预测结果。实现了不需要相互传输数据，即可得到预测结果，实现了敏感小数据的“聚沙成塔”。从而，解决了数据隐私、数据访问权、小数据等关键问题。
附图说明
[0011]结合附图并参考以下具体实施方式，本专利技术公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0012]图1是根据本专利技术公开的实施例的疾病风险预测方法的一个应用场景的示意图；
[0013]图2是根据本专利技术公开的疾病风险预测方法的实施例的流程图；
[0014]图3是根据本专利技术公开的疾病风险预测方法的一些实施例的流程图；
[0015]图4是根据本专利技术公开的疾病风险预测装置的实施例的结构示意图；
[0016]图5是适于用来实现本专利技术公开的实施例的电子设备的结构示意图。
具体实施方式
[0017]下面将参照附图更详细地描述本专利技术公开的实施例。虽然附图中显示了本专利技术公开的某些实施例，然而应当理解的是，本专利技术公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本专利技术公开的附图及实施例仅用于示例性作用，并非用于限制本专利技术公开的保护范围。
[0018]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本专利技术公开中的实施例及实施例中的特征可以相互组合。
[0019]需要注意，本专利技术公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0020]需要注意，本专利技术公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0021]本专利技术公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0022]下面将参考附图并结合实施例来详细说明本公开。
[0023]图1是根据本专利技术公开一些实施例的疾病风险预测方法的一个应用场景的示意图。
[0024]在图1的应用场景中，首先，计算设备101可以获取目标用户的病例相关数据102。然后，计算设备101可以将病例相关数据102输入至预设训练的疾病风险预测模型103，输出预测结果104。最后，计算设备101可以将预测结果104传输至目标显示设备105，以及控制目标显示设备105显示预测结果104。
[0025]需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0026]应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
[0027]继续参考图2，示出了根据本专利技术公开的疾病风险预测方法的实施例的流程200。该方法可以由图1中的计算设备101来执行。该疾病风险预测方法，包括以下步骤：
[0028]步骤201，获取目标用户的病例相关数据。
[0029]在实施例中，疾病风险预测方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或无线连接方式获取上述目标用户的病例相关数据。这里，病例相关数据可以是上述目标用户过去预设时间段内的病例记录信息。
[0030]需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疾病风险预测方法，其特征在于，包括：获取目标用户的病例相关数据；将所述病例相关数据输入至预设训练的疾病风险预测模型，输出预测结果，其中，所述疾病风险预测模型是通过联合学习训练得到的，所述疾病风险预测模型采用了异步聚合算法；将所述预测结果传输至目标显示设备，以及控制所述目标显示设备显示所述预测结果。2.根据权利要求1所述的一种疾病风险预测方法，其特征在于，所述疾病风险预测模型的训练包括：响应于接收到目标用户的训练请求，选择至少一个设备作为目标设备；控制所述目标设备开始训练；响应于确定所述训练完成，获取训练得到的设备模型的参数；基于所述设备模型的参数，生成所述疾病风险预测模型。3.根据权利要求2所述的一种疾病风险预测方法，其特征在于，所述控制所述目标设备开始训练，包括：获取初始模型和所述初始模型的模型参数；将所述模型参数传输至所述目标设备；基于所述目标设备的本地数据，控制所述目标设备开始训练。4.根据权利要求3所述的一种疾病风险预测方法，其特征在于，所述基于所述设备模型的参数，生成所述疾病风险预测模型，包括：将所述设备模型的参数传输至中心服务器；控制所述中心服务器对所述设备模型的参数进行聚合，得到聚合参数；基于所述聚合参数，生成所述疾病风险预测模型。5.根据权利要求4所述的一种疾病风险预测方法，其特征在于，所述将所述设备模型的参数传输至中心服务器，包括：基于预设加密...

【专利技术属性】
技术研发人员：黄信，李同治，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：