基于联合学习框架的疾病预测模型建立方法和装置制造方法及图纸

本发明专利技术适用于人工智能技术领域，提供了基于联合学习框架的疾病预测模型建立方法和装置。所述方法包括：确定拥有患者不同维度的健康特征数据的数据集合为联合学习参与方，对多个所述参与方建立联合学习架构；基于所述联合学习架构进行模型训练，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径；根据所述模型训练的结果，建立用于疾病预测的目标模型。本发明专利技术通过联合学习将患者不同维度的健康特征数据联合起来，并结合每个分区的预测模型，得到一个全局的疾病预测模型，这样不仅提高了预测模型的质量，同时也提高了模型训练的效率。

【技术实现步骤摘要】
基于联合学习框架的疾病预测模型建立方法和装置
本专利技术属于人工智能
，尤其涉及一种基于联合学习框架的疾病预测模型建立方法和装置。
技术介绍
人工智能医疗的发展越来越受到大家的重视，但是健康领域存在其特有的问题。考虑到健康数据的私密性和非联合性，在实际中，同一个患者其医疗数据存在于体检机构、专科医院、社区医院等不用得地方，每个医院侧重的检测的点也不同。因此，各个医院或其他医疗结构利用机器学习算法对自身拥有的患者数据进行训练，所得到的智能医疗模型的质量并不高，且往往训练的效率也不高。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于联合学习框架的疾病预测模型建立方法和装置，以解决现有各个医院或医疗结构无法利用自身持有的数据来训练建立满足应用要求的目标模型的问题。本专利技术的第一方面，提供了一种基于联合学习框架的疾病预测模型建立方法，其包括：确定拥有患者不同维度的健康特征数据的数据集合为联合学习参与方，对多个所述参与方建立联合学习架构；基于所述联合学习架构进行模型训练，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径；根据所述模型训练的结果，建立用于疾病预测的目标模型。在一些可选实施方案中，所述对多个所述参与方建立联合学习架构，包括：对多个所述参与方建立横向联合学习架构，其中，所述参与方的数据集合中相同健康数据特征的重叠程度满足预设值。在一些可选实施方案中，所述基于所述联合学习架构进行模型训练包括：基于所述联合学习架构对极限学习机进行联合训练。在一些可选实施方案中，所述基于所述联合学习架构进行模型训练，包括：所述参与方各自从所述联合学习架构的服务器下载最新的模型；每个所述参与方利用数据集合中患者不同维度的健康特征数据训练模型，并将训练后的模型参数加密上传给服务器，用于使所述服务器聚各参与方的模型参数更新模型；所述服务器返回更新后的模型给各所述参与方；所述参与方更新各自的模型。在一些可选实施方案中，所述每个所述参与方利用数据集合中患者不同维度的健康特征数据训练模型，包括：随机初始化隐层神经元函数；计算求隐层节点的输出矩阵；计算隐层到输出层的输出权值；根据所述矩阵和权值，计算预测值和误差值。在一些可选实施方案中，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径，包括：所述对极限学习机进行联合训练包括：各参与方利用自适应遗传算法确定所述极限学习机的初始化权值和阈值的最优路径后，利用自身拥有的数据集合进行联合训练。在一些可选实施方案中，所述各参与方利用自适应遗传算法确定所述极限学习机的初始化权值和阈值的最优路径后，利用自身拥有的数据集合进行联合训练，包括：生成初始核函数参数和惩罚因子等参数，并设置种群大小以及迭代次数，种群中每个个体均为参数编码形式，且随机生成个体的初始值；利用得到的参数赋值给极限学习机进行预测，根据预测结果计算各个染色体的适应度值；在获得个体适应度值之后，根据所获得的适应度值，计算种群个体的选择概率，并以个体选择概率选择个体；计算个体染色体交叉概率；计算个体染色体变异概率；判断是否达到终止条件，若小于最大迭代次数或误差没有达到某个阈值，则循环返回利用得到的参数赋值给极限学习机进行预测，根据预测结果计算各个染色体的适应度值，否则，利用数据集合对极限学习机预测模型进行训练。本专利技术的第二方面，提供了一种基于联合学习框架的疾病预测模型建立装置，其包括：联合学习建立模块，用于确定拥有患者不同维度的健康特征数据的数据集合为联合学习参与方，对多个所述参与方建立联合学习架构；联合学习训练模块，用于基于所述联合学习架构进行模型训练，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径；预测模型建立模块，用于根据所述模型训练的结果，建立用于疾病预测的目标模型。本专利技术的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项方案所述方法的步骤。本专利技术的第四方面，提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项方案所述方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术通过联合学习架构来联合更多的患者不同维度的健康特征数据，从而提高模型训练的样本数量；同时，还在模型训练过程中利用自适应遗传算法来优化模型的最优路径，使预测输出的输出值和期望值误差最小，从而避免模型训练陷入局部最优解的问题。最后训练得到的模型相比于单个机构利用自身数据训练的模型，在模型训练效率和模型质量上都有显著的提高。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。图1是本专利技术在实施例一提供的基于联合学习框架的疾病预测模型建立方法的流程图；图2是本专利技术在实施例二中提供的基于联合学习框架的疾病预测模型建立装置的结构示意图；图3是可以应用本专利技术基于联合学习框架的疾病预测模型建立方法和装置的终端设备。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一见图1，为本专利技术在实施例一提供的基于联合学习框架的疾病预测模型建立方法的流程图，结合图1所示，该基于联合学习框架的疾病预测模型建立方法，包括如下步骤：S01，确定拥有患者不同维度的健康特征数据的数据集合为联合学习参与方，对多个所述参与方建立联合学习架构；S02，基于所述联合学习架构进行模型训练，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径；S03，根据所述模型训练的结果，建立用于疾病预测的目标模型。上述方法本专利技术通过联合学习架构来联合更多的患者不同维度的健康特征数据，从而提高模型训练的样本数量；同时，还在模型训练过程中利用自适应遗传算法来优化模型的最优路径，使预测输出的输出值和期望值误差最小，从而避免模型训练陷入局部最优解的问题。最后训练得到的模型相比于单个机构利用自身数据训练的模型，在模型训练效率和模型质量上都有显著的提高。步骤S01中，由于不同的医院或医疗机构，其拥有的患者不同维度的特征，在同一地区下，往往用户重叠度较高。因此，在一个示例中，步骤S01中对多个所述参与方建立联合学习架构，可以包括：对多个所述参与方建立横向联合学习架构，其中，所本文档来自技高网...

【技术保护点】
1.一种基于联合学习框架的疾病预测模型建立方法，其特征在于，包括：/n确定拥有不同维度的健康特征数据的数据集合为联合学习参与方，对多个所述参与方建立联合学习架构；/n基于所述联合学习架构进行模型训练，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径；/n根据所述模型训练的结果，建立用于疾病预测的目标模型。/n

【技术特征摘要】
1.一种基于联合学习框架的疾病预测模型建立方法，其特征在于，包括：
确定拥有不同维度的健康特征数据的数据集合为联合学习参与方，对多个所述参与方建立联合学习架构；
基于所述联合学习架构进行模型训练，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径；
根据所述模型训练的结果，建立用于疾病预测的目标模型。


2.根据权利要求1所述的基于联合学习框架的疾病预测模型建立方法，其特征在于，所述对多个所述参与方建立联合学习架构，包括：
对多个所述参与方建立横向联合学习架构，其中，所述参与方的数据集合中相同健康数据特征的重叠程度满足预设值。


3.根据权利要求1所述的基于联合学习框架的疾病预测模型建立方法，其特征在于，所述基于所述联合学习架构进行模型训练包括：基于所述联合学习架构对极限学习机进行联合训练。


4.根据权利要求1所述的基于联合学习框架的疾病预测模型建立方法，其特征在于，所述基于所述联合学习架构进行模型训练，包括：
所述参与方各自从所述联合学习架构的服务器下载最新的模型；
每个所述参与方利用数据集合中患者不同维度的健康特征数据训练模型，并将训练后的模型参数加密上传给服务器，用于使所述服务器聚各参与方的模型参数更新模型；
所述服务器返回更新后的模型给各所述参与方；
所述参与方更新各自的模型。


5.根据权利要求4所述的基于联合学习框架的疾病预测模型建立方法，其特征在于，所述每个所述参与方利用数据集合中患者不同维度的健康特征数据训练模型，包括：
随机初始化隐层神经元函数；
计算求隐层节点的输出矩阵；
计算隐层到输出层的输出权值；
根据所述矩阵和权值，计算预测值和误差值。


6.根据权利要求3所述的基于联合学习框架的疾病预测模型建立方法，其特征在于，所述模型训练包括利用自适应遗传算法确定所述模型的初始化权值和阈值的最优路径，包括：
...

【专利技术属性】
技术研发人员：赵蕾，王玥，宋英豪，黄信，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：北京;11