基于Multi-Cnn-Former的肝部疾病检测训练方法与系统技术方案

本发明专利技术公开了一种基于Multi

【技术实现步骤摘要】
基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法与系统


[0001]本专利技术属于多任务深度学习与医疗领域，涉及一种基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法与系统。

技术介绍

[0002]目前的乙型病毒性肝炎与肝纤维化等多种肝部疾病难以精确的检测出病人病情等级(S0
‑
S5)，同时也很难通过一个模型实现多种肝病检测。因此，构建一种高效深度学习算法辅助检测是必要的。
[0003]Multi
‑
task作为近年来较为流行的思想，在各个领域都取得了优势。将其与Transformer系模型进行结合，在肝纤维化检测中，可以将病人的肝纤维化等级进行预测，多任务的学习互相起到帮助作用，每个子任务作为自己的主任务，同时将其他任务视作辅助任务。在学习一个子任务时，与它不相关的部分就相当于是加入一些噪声，而加入噪声可以提升模型的泛化能力，从而提升每个子任务的效果。本专利技术提供一种新算法Multi
‑...

【技术保护点】

【技术特征摘要】
1.基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法，其特征在于：包括以下步骤：步骤1，获取患者病历相关信息并进行预处理和筛选得到用于Multi
‑
Cnn
‑
Former模型学习的生化特征和生理描述特征数据集；步骤2，构建Multi
‑
Cnn
‑
Former模型，所述Multi
‑
Cnn
‑
Former模型包括多个子任务模型，每个子任务模型的输入连接同一个CNN卷积模块，CNN卷积模块输入为数据集中的特征；所述子任务模型在现有Informer模型的基础上，去除最外层的词嵌入层以及相对位置编码层，所述CNN卷积模块的输出连接子任务模型的ProbSpare self
‑
attention层中，所述多个子任务模型包括用于识别患者肝炎、肝纤维化不同分期程度的子任务，每个子任务模型输出相应的患病概率；步骤3，将训练数据集中的数据输入到Multi
‑
Cnn
‑
Former模型进行训练，将所有的子任务的损失值进行加权求和得到总的损失，经过反向传播迭代训练模型，最终获得训练好的肝部疾病检测模型；对于肝纤维化分期检测的子任务，采用投票法决定患病分期。2.根据权利要求1所述的基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法，其特征在于：步骤1中预处理包括：对于患者病历的原始生化特征信息，进行补缺、标准化及异常修正处理；对于患者病历的原始生理描述信息进行实体提取并转成数值数据，标定类别或等级。3.根据权利要求1所述的基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法，其特征在于：步骤1中结合特征相关系数和特征分析工程对预处理后的生化特征和生理描述特征进行筛选；最终用于模型学习的生化特征包括G值、S值、谷丙转氨酶、谷草转氨酶、谷草/谷丙、碱性磷酸酶、谷氨酰转肽酶、总胆汁酸、前白蛋白、胆碱酯酶、α岩藻糖苷酶、乳酸脱氢酶、尿素氮、肌酐、尿酸、β微球蛋白、胱抑素C、葡萄糖、总胆固醇、甘油三酯、高密度胆固醇、低密度胆固醇、甲胎蛋白、III型前胶原PIIINP、IV型胶原IV型胶原、层粘蛋白、透明质酸、红细胞、血红蛋白、白细胞、中性粒细胞、淋巴细胞、血小板、凝血酶原时间；生理描述特征包括年龄、性别、有无酗酒史、有无其他肝病、体感疼痛等级。4.根据权利要求1所述的基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法，其特征在于：所述子任务模型有S0、S1、S2、S3、S4、S5、G0、G1，其中S0
‑
S5对应于预测肝纤维化的不同分期，G0、G1对应于预测肝炎。5.根据权利要求1所述的基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法，其特征在于：采用平均加权的方式对子任务的损失值进行加权求和。6.根据权利要求1所述的基于Multi
‑
Cnn
‑
Former的肝部疾病检测训练方法，其特征在于：所述投票法的具体策略为：当最大的概率所在分期的左右分期概率为次大分期时，将当前最大的概率所在分期视作患病分期；当模型预测最大概率所在分期的概率的次大概率所在分期与最大概率分期不相邻时，视作异常预测，将异常预测结果推送给专家。7.基于Multi
‑
Cnn
‑<...

【专利技术属性】
技术研发人员：杨永林，张鹏程，赵川，蔡虓，窦宇明，黄馨怡，杨淑涵，谢天祺，
申请(专利权)人：河海大学，
类型：发明
国别省市：