糖尿病的分型概率预测方法、装置、设备及存储介质制造方法及图纸

本申请涉及数字医疗技术领域，揭示了一种糖尿病的分型概率预测方法、装置、设备及存储介质，其中装置通过将待分析的身体状态特征数据输入第一分型诊断模型进行1型的概率预测，得到第一1型概率预测结果；将待分析的基本信息特征数据输入第二分型诊断模型进行1型的概率预测，得到第二1型概率预测结果；将待分析的检验检查特征数据输入第三分型诊断模型进行1型的概率预测，得到第三1型概率预测结果；根据第一1型概率预测结果、第二1型概率预测结果和第三1型概率预测结果进行1型概率确定，得到目标患者对应的目标1型概率预测结果。采用三种不同模型的预测结果进行融合的方法提升了预测的准确性，有利于辅助医生进行准确的糖尿病分型。分型。分型。

【技术实现步骤摘要】
糖尿病的分型概率预测方法、装置、设备及存储介质


[0001]本申请涉及到数字医疗
，特别是涉及到一种糖尿病的分型概率预测方法、装置、设备及存储介质。

技术介绍

[0002]糖尿病的类型包括1型和2型，虽然两种类型的糖尿病的临床都表现为高血糖，但是这两种类型的糖尿病必须使用不同的治疗方法，其中，1型糖尿病因为是绝对的胰岛素缺乏症，所以1型糖尿病始终需要胰岛素治疗，而2型糖尿病中因为存在着胰岛素抵抗，所以2型糖尿病可以使用多种药物来治疗。因此，对诊断为糖尿病的患者进行1型和2型的分型是必须的和重要的。现有技术依靠医生集合临床指南与个人实践经验进行糖尿病的分型，不利于进行准确的糖尿病分型。

技术实现思路

[0003]本申请的主要目的为提供一种糖尿病的分型概率预测方法、装置、设备及存储介质，旨在解决现有技术依靠医生集合临床指南与个人实践经验进行糖尿病的分型，不利于进行准确的糖尿病分型的技术问题。
[0004]为了实现上述专利技术目的，本申请提出一种糖尿病的分型概率预测装置，所述装置包括：
[0005]数据获取模块，用于获取目标患者的待分析的身体状态特征数据、待分析的基本信息特征数据和待分析的检验检查特征数据；
[0006]第一预测模块，用于将所述待分析的身体状态特征数据输入第一分型诊断模型进行糖尿病的1型的概率预测，得到第一1型概率预测结果；
[0007]第二预测模块，用于将所述待分析的基本信息特征数据输入第二分型诊断模型进行糖尿病的1型的概率预测，得到第二1型概率预测结果；
[0008]第三预测模块，用于将所述待分析的检验检查特征数据输入第三分型诊断模型进行糖尿病的1型的概率预测，得到第三1型概率预测结果；
[0009]1型概率确定模块，用于根据所述第一1型概率预测结果、所述第二1型概率预测结果和所述第三1型概率预测结果进行糖尿病的1型概率确定，得到所述目标患者对应的目标1型概率预测结果。
[0010]进一步的，所述装置还包括：第一分型诊断模型训练模块，所述第一分型诊断模型训练模块包括：第一样本子获取模块，第一训练子模块；
[0011]所述第一样本子获取模块，用于获取多个第一训练样本，所述多个第一训练样本的所述第一训练样本包括：身体状态特征样本数据、第一1型标定数据，其中，所述身体状态特征样本数据包括：发病年龄样本数据和身体质量指数样本数据；
[0012]所述第一训练子模块，用于从所述多个第一训练样本获取一个所述第一训练样本作为目标第一训练样本，将所述目标第一训练样本的所述身体状态特征样本数据输入待训
练的第一模型进行糖尿病的1型的概率预测，得到第一1型概率训练预测值，其中，所述待训练的第一模型是基于逻辑回归模型得到的模型，将所述第一1型概率训练预测值、所述目标第一训练样本的所述第一1型标定数据输入第一损失函数进行计算，得到所述待训练的第一模型的第一损失值，根据所述第一损失值更新所述待训练的第一模型的参数，更新后的所述待训练的第一模型被用于下一次计算所述第一1型概率训练预测值，重复执行所述从所述多个第一训练样本获取一个所述第一训练样本作为目标第一训练样本的步骤，直至所述第一损失值达到第一收敛条件或所述待训练的第一模型的迭代次数达到第二收敛条件，将所述第一损失值达到所述第一收敛条件或所述待训练的第一模型的所述待训练的第一模型的迭代次数达到所述第二收敛条件的所述待训练的第一模型，确定为所述第一分型诊断模型。
[0013]进一步的，所述装置还包括：第二分型诊断模型训练模块，所述第二分型诊断模型训练模块包括：第二样本子获取模块，第二训练子模块；
[0014]所述第二样本子获取模块，用于获取多个第二训练样本，所述多个第二训练样本的所述第二训练样本包括：基本信息特征样本数据、第二1型标定数据，其中，所述基本信息特征样本数据包括：发病年龄样本数据、性别样本数据、籍贯样本数据和职业样本数据；
[0015]所述第二训练子模块，用于从所述多个第二训练样本获取一个所述第二训练样本作为目标第二训练样本，将所述目标第二训练样本的所述基本信息特征样本数据输入待训练的第二模型进行糖尿病的1型的概率预测，得到第二1型概率训练预测值，其中，所述待训练的第二模型是基于多层感知机网络得到的模型，将所述第二1型概率训练预测值、所述目标第二训练样本的所述第二1型标定数据输入第二损失函数进行计算，得到所述待训练的第二模型的第二损失值，根据所述第二损失值更新所述待训练的第二模型的参数，更新后的所述待训练的第二模型被用于下一次计算所述第二1型概率训练预测值，重复执行所述从所述多个第二训练样本获取一个所述第二训练样本作为目标第二训练样本的步骤，直至所述第二损失值达到第三收敛条件或所述待训练的第二模型的迭代次数达到第四收敛条件，将所述第二损失值达到所述第三收敛条件或所述待训练的第二模型的迭代次数达到所述第四收敛条件的所述待训练的第二模型，确定为所述第二分型诊断模型。
[0016]进一步的，所述装置还包括：第三分型诊断模型训练模块，所述第三分型诊断模型训练模块包括：第三样本子获取模块，第三训练子模块；
[0017]所述第三样本子获取模块，用于获取多个第三训练样本，所述第三训练样本包括：检验检查特征样本数据、第三1型标定数据，其中，所述检验检查特征样本数据包括：血液化验特征样本数据、血压测量特征样本数据、腰围特征样本数据；
[0018]所述第三训练子模块，用于采用预设的划分规则，将所述多个第三训练样本进行划分，得到训练集合和测试集合，采用XGBoost方法，根据所述检验检查特征样本数据建立集成学习分类器，将所述集成学习分类器作为待训练的第三模型，其中，所述待训练的第三模型包括：多棵待训练的分类回归树和待训练的分类回归树之间的关系，采用所述训练集合对所述待训练的第三模型进行训练，调整所述待训练的第三模型中的所述多棵待训练的分类回归树的节点中的检验检查特征和目标阈值，直至达到训练结束条件，将训练结束的所述待训练的第三模型作为待检验的第三模型，采用所述测试集合对所述待检验的第三模型进行测试，得到模型测试结果，当所述模型测试结果为失败时，重复执行所述采用所述训
练集合对所述待训练的第三模型进行训练，调整所述待训练的第三模型中的所述多棵待训练的分类回归树的节点中的检验检查特征和目标阈值，直至达到训练结束条件，将训练结束的所述待训练的第三模型作为待检验的第三模型的步骤，直至所述模型测试结果为成功，将所述待检验的第三模型作为所述第三分型诊断模型。
[0019]进一步的，所述第三训练子模块包括：待训练的第三模型确定单元；
[0020]所述待训练的第三模型确定单元，用于从所述检验检查特征样本数据中获取特征名称，得到所述检验检查特征样本数据各自对应的所述检验检查特征，采用XGBoost方法，根据所述检验检查特征样本数据各自对应的所述检验检查特征进行特征分裂生成分类回归树，得到所述集成学习分类器，所述集成学习分类器包括：所述多棵待训练的分类回归树和所述待训练的分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种糖尿病的分型概率预测装置，其特征在于，所述装置包括：数据获取模块，用于获取目标患者的待分析的身体状态特征数据、待分析的基本信息特征数据和待分析的检验检查特征数据；第一预测模块，用于将所述待分析的身体状态特征数据输入第一分型诊断模型进行糖尿病的1型的概率预测，得到第一1型概率预测结果；第二预测模块，用于将所述待分析的基本信息特征数据输入第二分型诊断模型进行糖尿病的1型的概率预测，得到第二1型概率预测结果；第三预测模块，用于将所述待分析的检验检查特征数据输入第三分型诊断模型进行糖尿病的1型的概率预测，得到第三1型概率预测结果；1型概率确定模块，用于根据所述第一1型概率预测结果、所述第二1型概率预测结果和所述第三1型概率预测结果进行糖尿病的1型概率确定，得到所述目标患者对应的目标1型概率预测结果。2.根据权利要求1所述的糖尿病的分型概率预测装置，其特征在于，所述装置还包括：第一分型诊断模型训练模块，所述第一分型诊断模型训练模块包括：第一样本子获取模块，第一训练子模块；所述第一样本子获取模块，用于获取多个第一训练样本，所述多个第一训练样本的所述第一训练样本包括：身体状态特征样本数据、第一1型标定数据，其中，所述身体状态特征样本数据包括：发病年龄样本数据和身体质量指数样本数据；所述第一训练子模块，用于从所述多个第一训练样本获取一个所述第一训练样本作为目标第一训练样本，将所述目标第一训练样本的所述身体状态特征样本数据输入待训练的第一模型进行糖尿病的1型的概率预测，得到第一1型概率训练预测值，其中，所述待训练的第一模型是基于逻辑回归模型得到的模型，将所述第一1型概率训练预测值、所述目标第一训练样本的所述第一1型标定数据输入第一损失函数进行计算，得到所述待训练的第一模型的第一损失值，根据所述第一损失值更新所述待训练的第一模型的参数，更新后的所述待训练的第一模型被用于下一次计算所述第一1型概率训练预测值，重复执行所述从所述多个第一训练样本获取一个所述第一训练样本作为目标第一训练样本的步骤，直至所述第一损失值达到第一收敛条件或所述待训练的第一模型的迭代次数达到第二收敛条件，将所述第一损失值达到所述第一收敛条件或所述待训练的第一模型的所述待训练的第一模型的迭代次数达到所述第二收敛条件的所述待训练的第一模型，确定为所述第一分型诊断模型。3.根据权利要求1所述的糖尿病的分型概率预测装置，其特征在于，所述装置还包括：第二分型诊断模型训练模块，所述第二分型诊断模型训练模块包括：第二样本子获取模块，第二训练子模块；所述第二样本子获取模块，用于获取多个第二训练样本，所述多个第二训练样本的所述第二训练样本包括：基本信息特征样本数据、第二1型标定数据，其中，所述基本信息特征样本数据包括：发病年龄样本数据、性别样本数据、籍贯样本数据和职业样本数据；所述第二训练子模块，用于从所述多个第二训练样本获取一个所述第二训练样本作为目标第二训练样本，将所述目标第二训练样本的所述基本信息特征样本数据输入待训练的第二模型进行糖尿病的1型的概率预测，得到第二1型概率训练预测值，其中，所述待训练的
第二模型是基于多层感知机网络得到的模型，将所述第二1型概率训练预测值、所述目标第二训练样本的所述第二1型标定数据输入第二损失函数进行计算，得到所述待训练的第二模型的第二损失值，根据所述第二损失值更新所述待训练的第二模型的参数，更新后的所述待训练的第二模型被用于下一次计算所述第二1型概率训练预测值，重复执行所述从所述多个第二训练样本获取一个所述第二训练样本作为目标第二训练样本的步骤，直至所述第二损失值达到第三收敛条件或所述待训练的第二模型的迭代次数达到第四收敛条件，将所述第二损失值达到所述第三收敛条件或所述待训练的第二模型的迭代次数达到所述第四收敛条件的所述待训练的第二模型，确定为所述第二分型诊断模型。4.根据权利要求1所述的糖尿病的分型概率预测装置，其特征在于，所述装置还包括：第三分型诊断模型训练模块，所述第三分型诊断模型训练模块包括：第三样本子获取模块，第三训练子模块；所述第三样本子获取模块，用于获取多个第三训练样本，所述第三训练样本包括：检验检查特征样本数据、第三1型标定数据，其中，所述检验检查特征样本数据包括：血液化验特征样本数据、血压测量特征样...

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