一种风险预测模型训练方法、疾病风险预测模型及方法技术

本发明专利技术提供一种风险预测模型训练方法，所述方法包括：S1、获取样本人群患疾病的风险数值，其中，风险数值是通过检测样本人群的多项身体指标计算获得；S2、获取所述样本人群中每个人的眼底图像；S3、将所述样本人群中每个人患疾病的风险数值作为标签对其眼底图像进行标注形成样本，并组成训练数据集；S4、用步骤S3得到的训练数据集对神经网络训练至收敛获得风险预测模型。本发明专利技术通过深度学习，可直接通过人的眼底图像即可预测其患病风险，是无创安全的，且可实现远程操作，无需进行有创的血液采集，且跳过了身体指标的检测，节约了等待时间，使得预测速度更快。使得预测速度更快。使得预测速度更快。

【技术实现步骤摘要】
一种风险预测模型训练方法、疾病风险预测模型及方法


[0001]本专利技术涉及人工智能领域，具体来说，涉及人工智能在医疗领域的应用，更具体地说，涉及一种风险预测模型训练方法、疾病风险预测模型及方法。

技术介绍

[0002]风险模型常用于医疗领域中进行疾病风险预测，例如用于预测心血管、糖尿病、痴呆等疾病的患病风险。现有的风险模型常用cox函数或其他指数函数来进行风险的计算，而这些函数的输入指标一般为：年龄、性别、收缩压、舒张压、家族糖尿病历史、高密度脂蛋白、三油甘脂、BMI、腰围、空腹血糖、餐后两小时血糖(或者使用葡萄糖耐量试验(OGTT))、血液白细胞计数、受教育年限、是否活跃参与体育运动(Physical activity)、是否携带有APOEε4基因等当中的一种或多种，由此可以看出，很多关键指标都是需要通过有创的血液检测来获得，有时间等待期，对身体有创伤，对于一些无法进行抽血检测的人群不够友好，尤其是无法实现远程预测。

技术实现思路

[0003]因此，本专利技术的目的在于克服上述现有技术的缺陷，通过获取人眼底图像实现无创的方式来进行疾病的预测，提供一种基于神经网络的风险预测方法、风险预测模型、风险预测模型训练方法。
[0004]根据本专利技术的第一方面，提供一种风险预测模型训练方法，所述方法包括：S1、获取样本人群患疾病的风险数值，其中，风险数值是通过检测样本人群的多项身体指标计算获得；S2、获取所述样本人群中每个人的眼底图像；S3、将所述样本人群中每个人患疾病的风险数值作为标签对其眼底图像进行标注形成样本，并组成训练数据集；S4、用步骤S3得到的训练数据集对神经网络训练至收敛获得风险预测模型。其中，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种。
[0005]优选的，在本专利技术的一些实施例中，在所述步骤S1中，根据下述公式计算每个人患疾病的风险数值Risk
′
:
[0006]Risk
′
＝ln(Risk)
[0007]其中，Risk为原始风险数值，所述原始风险数值是通过cox函数或其他指数函数对人的身体指标进行计算获得。
[0008]在本专利技术的一些实施例中，所述步骤S4中，采用回归损失设计并采用梯度下降算法训练神经网络，当连续三次训练损失较之前所有训练中的最小损失不下降则结束训练。优选的，采用MSE或MAE损失函数计算损失。
[0009]根据本专利技术的第二方面，提供一种疾病风险预测模型，所述疾病风险预测模型采用如本专利技术第一方面所述的方法对神经网络进行训练获得。其中，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种心血管疾病、糖尿病、痴呆中的一种或多种。
[0010]根据本专利技术的第三方面，提供一种疾病风险预测方法，所述方法包括：获取待预测
的人的眼底图像；采用本专利技术第一方面所述方法训练的疾病风险预测模型基于眼底图像获得疾病风险数值。其中，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种心血管疾病、糖尿病、痴呆中的一种或多种。
[0011]与现有技术相比，本专利技术的优点在于：本专利技术通过深度学习，可直接通过人的眼底图像预测其患病风险，是无创安全的，且可实现远程操作，无需进行有创的血液采集和其他身体指标检测，节约了等待时间，预测更加快速；同时，对人群已有的采用cox函数或其他指数函数预测的风险数值进行改造之后形成数据集训练神经网络风险模型，可以更快的收敛。
附图说明
[0012]以下参照附图对本专利技术实施例作进一步说明，其中：
[0013]图1为根据本专利技术实施例的风险预测模型训练流程示意图；
[0014]图2为根据本专利技术实施例的cox函数或指数函数得到的痴呆风险的人群分布示意图；
[0015]图3为根据本专利技术实施例的对cox函数或指数函数得到的痴呆风险数值进行改造后的痴呆风险人群分布示意图。
具体实施方式
[0016]为了使本专利技术的目的，技术方案及优点更加清楚明白，以下通过具体实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0017]根据本专利技术的一个实施例，提供一种风险预测模型训练方法，所述风险预测模型用于根据眼底图像预测疾病的患病风险，如图1所示,所述方法包括步骤S1、S2、S3、S4。下面详细说明每个步骤。
[0018]在步骤S1中，获取样本人群患疾病的风险数值，其中，风险数值是通过检测样本人群的多项身体指标计算获得。如
技术介绍
所述的，现有技术下通过有创血液检测的方式获得人的身体指标，通过cox函数或指数函数得到的相关疾病的风险数值。
[0019]其中，采用cox函数的经典风险模型，风险数值的计算如下:
[0020][0021]其中β是各个指标的加权值，X是指标数值，是模型建立使用的各个指标的均值。根据本专利技术的一个示例，假设该经典风险模型有两个输入:年龄(常使用ln(年龄)代表年龄指标)和性别(1和0分别代表男性和女性)，其对应权重β1和β2分别为24.87和0.36，建模使用的人群平均年龄和性别为39.5和0.49。则对于输入和风险则可以书写成：
[0022][0023]其中S0(t)为常数其数值，这里取0.9707,而输出的Risk数值一般在0
‑
1之间。
[0024]采用指数函数的逻辑回归模型，风险数值的计算如下:
[0025][0026]其计算方式与cox类似,β是各个指标的加权值，X是指标数值,β0是一常数值，一般指函数曲线与坐标的交点数值。
[0027]在步骤S2中，获取所述样本人群中每个人的眼底图像。
[0028]在步骤S3中，将所述样本人群中每个人患疾病的风险数值作为标签对其眼底图像进行标注形成样本，并组成训练数据集。
[0029]在步骤S4中，用步骤S3得到的训练数据集对神经网络训练至收敛获得风险预测模型。
[0030]从上述步骤S1的描述可以看出，以上的Cox函数对应的风险模型和逻辑回归模型计算得到的风险数值可以在深度学习的框架下作为模型训练的标签，对该函数表达的风险值进行预测，将其作为眼底图像的标签，用于神经网络的训练，得到的风险模型可以直接通过眼底图像对风险值进行预测。例如，以心血管的风险数值为标签对眼底图像进行标注，然后将标注的眼底图像作为数据集对神经网络进行训练，获得的模型可通过眼底图像预测对应患者的心血管风险。利用上述实施例获得的模型，可直接通过人的眼底图像预测其患病(例如心血管、糖尿病、脑瘫等)风险，无需进行有创的血液采集，无创安全，且可实现远程操作。
[0031]进一步，专利技术人经过研究发现，以上的Cox函数对应的风险模型和逻辑回归模型计算得到的风险数值样本存在如下两个问题：1、数值分布的高度不均衡；2、高风险和低风险之间数量级差异巨大。
[0032]对于上述两个问题，专利技术人认识到，如果直接以以上的Cox函数对应的风险模型和逻辑回归模型计算得到的风险数值进行神经网络的训练，模型收敛速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险预测模型训练方法，其特征在于，所述方法包括：S1、获取样本人群患疾病的风险数值，其中，风险数值是通过检测样本人群的多项身体指标计算获得；S2、获取所述样本人群中每个人的眼底图像；S3、将所述样本人群中每个人患疾病的风险数值作为标签对其眼底图像进行标注形成样本，并组成训练数据集；S4、用步骤S3得到的训练数据集对神经网络训练至收敛获得风险预测模型。2.根据权利要求1所述的风险预测模型训练方法，其特征在于，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种。3.根据权利要求1所述的风险预测模型训练方法，其特征在于，所述步骤S1中，所述风险数值是通过cox函数或其他指数函数对人的身体指标进行计算获得。4.根据权利要求1所述的风险预测模型训练方法，其特征在于，所述步骤S1中，根据下述公式计算每个人患疾病的风险数值Risk
′
:Risk
′
＝ln(Risk)其中，Risk为原始风险数值，是通过cox函数或其他指数函数对人的身体指标进行计算获得。5.根据权利要求1所述的风险预测模型训练方法，其特征在于，所述步骤S4中，采用回归损失设计并采用梯度下降算法训练神经网络，当连续三次...

【专利技术属性】
技术研发人员：熊健皓，赵昕，和超，张大磊，
申请(专利权)人：上海鹰瞳医疗科技有限公司，
类型：发明
国别省市：