基于联邦迁移学习的神经退行性疾病建模装置及相关设备制造方法及图纸

本发明专利技术公开了基于联邦迁移学习的神经退行性疾病建模装置及相关设备，涉及人工智能技术领域，可应用于智慧医院系统中，装置包括：数据集获取单元，用于获取第一类神经退行性疾病患者的病历数据集A和病历数据集B；交集选取单元，用于从所述病例数据集A和病例数据集B之间选取交集数据，将所述交集数据作为训练集样本；模型训练单元，用于基于所述训练集样本，对原始神经网络模型进行训练；联邦迁移单元，用于基于多类神经退行性疾病的训练集样本，对所述原始神经网络模型进行联邦迁移学习，得到用于预测神经退行性疾病患病程度的最终神经网络模型。本发明专利技术解决了建模过程的数据孤岛问题，可有效预测患者患病程度。可有效预测患者患病程度。可有效预测患者患病程度。

【技术实现步骤摘要】
基于联邦迁移学习的神经退行性疾病建模装置及相关设备


[0001]本专利技术涉及人工智能
，特别涉及基于联邦迁移学习的神经退行性疾病建模装置及相关设备。

技术介绍

[0002]神经退行性疾病是由神经元和其髓鞘的功能丧失所致的，且会随着时间的推移而恶化，出现各种功能障碍。国内老龄化人口数量的日益增长，我国患神经退行性疾病的老年人越来越多。随着世界各国医疗科研水平的不断发展，各医疗机构对神经退行性疾病的研究方法日趋完善。业内现对于神经退行性疾病的研究聚焦在不同病种的成因研究，同时也有很多治疗的新思路提出。目前的研究成果表明，神经退行性疾病的成因通常有氧化应激、线粒体功能障碍、兴奋性毒素和免疫炎症。该病症种类繁多，包括认知和行为障碍等方面。同时，病理变化不可逆，往往在患者出现认知障碍的时候病程已到中晚期，此时治疗只能延缓病情的发展，不能从根本上逆转神经网络的损伤。因此，对神经性疾病应该尽早诊断与治疗。
[0003]在病理研究方面，业内更多的聚焦在单一疾病的病理研究方面，因为患者的检测信息是隐私信息，不方便直接获取与使用；同时，神经退行性疾病的患病人的区域分布不均导致数据采集不便利。另外，在疾病治疗方面，大部分医生从医多年只能遇到几例患者导致了学者无法通过大量的病情数据去详细且完整地对神经退行性疾病的具体病因进行研究，也不利于对症诊治。各医疗机构在智慧医疗场景下提出了诸多设想方案，但由于各机构可供研究的数据量不足，医疗数据预处理及标注所需投入巨大，当前医疗场景下的智能诊断系统尚且不完善，在神经退行性疾病患病程度预测方面的诸多设想暂未落地。

技术实现思路

[0004]本专利技术的目的是提供基于联邦迁移学习的神经退行性疾病建模装置及相关设备，旨在解决现有神经退行性疾病患病程度预测装置无法在保证隐私前提下有效建模的问题。
[0005]第一方面，本专利技术实施例提供一种基于联邦迁移学习的神经退行性疾病建模装置，其中，包括：
[0006]数据集获取单元，用于获取第一类神经退行性疾病患者的病历数据集A和病历数据集B，所述病历数据集A包括由第一特征项集描述的多条数据，所述病历数据集B包括由第二特征项集描述的多条数据；第一特征项集包括用于描述患者身份的特征项以及用于描述患者患病状态的特征项；第二特征项集包括用于描述患者身份的特征项以及用于描述患者临床表现数据的特征项；
[0007]交集选取单元，用于从所述病例数据集A和病例数据集B之间选取交集数据，将所述交集数据作为训练集样本；
[0008]模型训练单元，用于基于所述训练集样本，对原始神经网络模型进行训练；
[0009]联邦迁移单元，用于基于包含第一类神经退行性疾病在内的多类神经退行性疾病
的训练集样本，对所述原始神经网络模型进行联邦迁移学习，得到用于预测神经退行性疾病患病程度的最终神经网络模型。
[0010]第二方面，本专利技术实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现以下步骤：获取第一类神经退行性疾病患者的病历数据集A和病历数据集B，所述病历数据集A包括由第一特征项集描述的多条数据，所述病历数据集B包括由第二特征项集描述的多条数据；第一特征项集包括用于描述患者身份的特征项以及用于描述患者患病状态的特征项；第二特征项集包括用于描述患者身份的特征项以及用于描述患者临床表现数据的特征项；从所述病例数据集A和病例数据集B之间选取交集数据，将所述交集数据作为训练集样本；基于所述训练集样本，对原始神经网络模型进行训练；基于包含第一类神经退行性疾病在内的多类神经退行性疾病的训练集样本，对所述原始神经网络模型进行联邦迁移学习，得到用于预测神经退行性疾病患病程度的最终神经网络模型。
[0011]第三方面，本专利技术实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如下步骤：获取第一类神经退行性疾病患者的病历数据集A和病历数据集B，所述病历数据集A包括由第一特征项集描述的多条数据，所述病历数据集B包括由第二特征项集描述的多条数据；第一特征项集包括用于描述患者身份的特征项以及用于描述患者患病状态的特征项；第二特征项集包括用于描述患者身份的特征项以及用于描述患者临床表现数据的特征项；从所述病例数据集A和病例数据集B之间选取交集数据，将所述交集数据作为训练集样本；基于所述训练集样本，对原始神经网络模型进行训练；基于包含第一类神经退行性疾病在内的多类神经退行性疾病的训练集样本，对所述原始神经网络模型进行联邦迁移学习，得到用于预测神经退行性疾病患病程度的最终神经网络模型。
[0012]本专利技术实施例提供了基于联邦迁移学习的神经退行性疾病建模装置及相关设备，装置包括：数据集获取单元，用于获取第一类神经退行性疾病患者的病历数据集A和病历数据集B；交集选取单元，用于从所述病例数据集A和病例数据集B之间选取交集数据，将所述交集数据作为训练集样本；模型训练单元，用于基于所述训练集样本，对原始神经网络模型进行训练；联邦迁移单元，用于基于包含第一类神经退行性疾病在内的多类神经退行性疾病的训练集样本，对所述原始神经网络模型进行联邦迁移学习，得到用于预测神经退行性疾病患病程度的最终神经网络模型。本专利技术实施例解决了预测模型建模过程中的数据孤岛问题，可有效预测患者神经退行性疾病的患病程度。
附图说明
[0013]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1为本专利技术实施例提供的基于联邦迁移学习的神经退行性疾病建模装置的示意性框图；
[0015]图2为本专利技术实施例提供的基于联邦迁移学习的神经退行性疾病建模装置的子单元示意性框图；
[0016]图3为本专利技术实施例提供的基于联邦迁移学习的神经退行性疾病建模装置的另一子单元示意性框图；
[0017]图4为本专利技术实施例提供的基于联邦迁移学习的神经退行性疾病建模装置的另一子单元示意性框图；
[0018]图5为本专利技术实施例提供的基于联邦迁移学习的神经退行性疾病建模装置的另一子单元示意性框图；
[0019]图6为本专利技术实施例提供的基于联邦迁移学习的神经退行性疾病建模装置的另一子单元示意性框图；
[0020]图7为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]应当理解，当在本说明书和所附权利要求书中使用时，术语“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦迁移学习的神经退行性疾病建模装置，其特征在于，包括：数据集获取单元，用于获取第一类神经退行性疾病患者的病历数据集A和病历数据集B，所述病历数据集A包括由第一特征项集描述的多条数据，所述病历数据集B包括由第二特征项集描述的多条数据；第一特征项集包括用于描述患者身份的特征项以及用于描述患者患病状态的特征项；第二特征项集包括用于描述患者身份的特征项以及用于描述患者临床表现数据的特征项；交集选取单元，用于从所述病例数据集A和病例数据集B之间选取交集数据，将所述交集数据作为训练集样本；模型训练单元，用于基于所述训练集样本，对原始神经网络模型进行训练；联邦迁移单元，用于基于包含第一类神经退行性疾病在内的多类神经退行性疾病的训练集样本，对所述原始神经网络模型进行联邦迁移学习，得到用于预测神经退行性疾病患病程度的最终神经网络模型。2.根据权利要求1所述的基于联邦迁移学习的神经退行性疾病建模装置，其特征在于，所述模型训练单元包括：数据输入单元，用于将所述训练集样本中用于描述患者患病状态的特征项的数据，作为所述原始神经网络模型的标签；以及将用于描述患者临床表现数据的特征项的数据，作为所述原始神经网络模型的输入数据；模型训练子单元，用于基于所述输入数据对所述原始神经网络模型进行训练，得到训练好的所述原始神经网络模型。3.根据权利要求1所述的基于联邦迁移学习的神经退行性疾病建模装置，其特征在于，所述模型训练单元还包括：测试集选取单元，用于将所述病例数据集A和病例数据集B之间的非交集数据作为测试集样本；测试单元，用于基于所述测试集样本对所述原始神经网络模型进行测试。4.根据权利要求1所述的基于联邦迁移学习的神经退行性疾病建模装置，其特征在于，所述联邦迁移单元包括：模型获取单元，用于获取所述训练好的所述原始神经网络模型；联邦迁移学习单元，用于利用各节点存储的各类神经退行性疾病的训练集样本对所述原始神经网络模型进行联邦迁移学习；梯度更新单元，用于利用各节点训练得到的梯度值对所述原始神经网络模型进行更新，得到最终神经网络模型。5.根据权利要求4所述的基于联邦迁移学习的神经退行性疾病建模装置，其特征在于，所述联邦迁移学习单元包括：权重判断单元，用于在每一轮联邦迁移学习的训练过程中，获取各节点的模型权重，判断各节点的模型权重是否相等；权重更新单元，用于若各节点的模型权重不相等，则对各节点的模型权重进行更新，以用于本轮联邦迁移学习的训练过程。6.根据权利要求5所述的基于联邦迁移学习的神经退行性疾病建模装置，其特征在于，所述权重更新单元包括：
权重更新子单元，用于按下述公式对各节点的模型权重进行更新：ω
k+1
←
...

【专利技术属性】
技术研发人员：李泽远，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：