自闭症风险评估模型的建立方法、装置及电子设备制造方法及图纸

本申请实施例涉及人工智能技术领域，尤其是涉及一种自闭症风险评估模型的建立方法、装置、电子设备及存储介质。在本申请的实施例中，电子设备可以基于每个检测对象的排泄物样本的金属组成和每个检测对象的自闭症诊断结果获取训练数据集，从而利用训练数据集对预设机器学习模型进行迭代训练，得到自闭症风险评估模型。当需要对就诊者ASD患病风险进行评估时，电子设备只需要获取就诊者的排泄物样本的金属组成，将该金属组成输入至建立好闭症风险评估模型中，便能够输出就诊者的ASD患病风险评估结果(也即就诊者是否患有ASD)，而不需要依赖有经验的医生来评估患者的ASD患病风险，从而简化ASD评估流程，减少ASD评估时间。减少ASD评估时间。减少ASD评估时间。

【技术实现步骤摘要】
自闭症风险评估模型的建立方法、装置及电子设备


[0001]本申请实施例涉及人工智能
，尤其是涉及一种自闭症风险评估模型的建立方法、电子设备、装置及存储介质。

技术介绍

[0002]自闭症谱系障碍(Autism Spectrum Disorder，ASD)，是广泛性发育障碍的代表性疾病。ASD临床表现为缺乏社交沟通、社交互动，有重复刻板的行为、兴趣或活动。目前，ASD的病因学仍不明确，尽管遗传因素被认为在其中扮演了十分重要的作用，但研究结果表明，一些非遗传因素，如接触环境污染物与ASD病因有关。
[0003]ASD没有有效的治疗药物。因此，及时发现自闭症儿童，并对自闭症儿童进行教育康复，帮助他们融入社会已成为当务之急。然而，现有的ASD风险评估方法主要是通过有经验的医生对患者语言交流障碍、社会交往障碍、重复刻板行为这三方面的测评，故ASD风险评估过程费时费力。

技术实现思路

[0004]为了克服ASD风险评估过程存在的费时费力的问题，本申请实施例一种自闭症风险评估模型的建立方法、电子设备及存储介质，能够简化ASD评估流程，减少ASD评估时间。
[0005]在本申请的第一方面，提供一种自闭症风险评估模型的建立方法，在该方法中，电子设备可以获取多个检测对象中的每个检测对象的排泄物样本的金属组成，所述金属组成用于表示排泄物样本包含的多种金属离子中的每种金属离子在排泄物中的含量，所述多个检测对象包括自闭症患者和非自闭症患者。电子设备基于所述每个检测对象的排泄物样本的金属组成和所述每个检测对象的自闭症诊断结果获取训练数据集；电子设备利用所述训练数据集对预设机器学习模型进行迭代训练，从而得到自闭症风险评估模型。
[0006]在本申请的实施例中，电子设备可以获取多个检测对象中的每个检测对象的排泄物样本的金属组成，并基于每个检测对象的排泄物样本的金属组成和每个检测对象的自闭症诊断结果获取训练数据集，从而利用训练数据集对预设机器学习模型进行迭代训练，得到自闭症风险评估模型。当需要对就诊者ASD患病风险进行评估时，电子设备只需要获取就诊者的排泄物样本的金属组成，将该金属组成输入至建立好闭症风险评估模型中，便能够输出就诊者的ASD患病风险评估结果(也即就诊者是否患有ASD)，而不需要依赖有经验的医生来评估患者的ASD患病风险，从而简化ASD评估流程，减少ASD评估时间。
[0007]在一些实现方式中，所述预设机器学习模型包括LASSO回归模型；所述利用所述训练数据集对预设机器学习模型进行迭代训练，从而得到自闭症风险评估模型，包括：对所述训练数据集中的每条训练数据进行LASSO回归；在进行LASSO回归的过程中，基于LASSO回归系数的大小在所述多个金属离子中筛选出目标金属离子，所述目标金属离子对应的回归系数不为0；将各个检测对象的排泄物样本中目标金属离子的含量作为输入变量，以及，将所述各个检测对象对应的自闭症诊断结果作为输出变量对所述LASSO回归模型进行迭代训
练；将训练好的LASSO回归模型作为自闭症风险评估模型。
[0008]在一些实现方式中，所述目标金属离子包括：Ti、Co和Hg的金属离子。
[0009]在一些实现方式中，所述目标金属离子还包括Mn、Al、Se和Li的金属离子中的至少一种金属离子。
[0010]在一些实现方式中，利用所述训练数据集对预设机器学习模型进行迭代训练之前，所述方法还包括：对所述多个检测对象中的每个检测对象的排泄物样本的金属组成进行NMDS分析和/或PERMANOVA分析；和/或，获取所述多个检测对象中的每个检测对象的排泄物样本的金属组成的Shannon多样性指数。
[0011]在一些实现方式中，所述利用所述训练数据集对预设机器学习模型进行迭代训练，从而得到自闭症风险评估模型之后，所述方法还包括：
[0012]按照模型评估指标对所述自闭症风险评估模型进行评估，从而得到评估结果。
[0013]在一些实现方式中，所述基于所述每个检测对象的排泄物样本的金属组成和所述每个检测对象的自闭症诊断结果获取训练数据集，包括：获取每个检测对象的排泄物样本的所述金属组成中各个金属离子的平均相对丰度和覆盖度；过滤掉所述金属组成中平均相对丰度小于预设丰度阈值的金属离子，以及，过滤掉所述金属组成中覆盖度小于预设覆盖度阈值的金属离子，从而得到过调整后的金属组成；基于所述每个检测对象的排泄物样本中所述调整后的金属组成和所述每个检测对象的自闭症诊断结果获取训练数据集。
[0014]在本申请的第二方面，还提供一种自闭症风险评估模型的建立装置，应用于电子设备，所述装置包括：第一获取模块，用于获取多个检测对象中的每个检测对象的排泄物样本的金属组成，所述金属组成用于表示排泄物样本包含的多种金属离子中的每种金属离子在排泄物中的含量，所述多个检测对象包括自闭症患者和非自闭症患者；第二获取模块，用于基于所述每个检测对象的排泄物样本的金属组成和所述每个检测对象的自闭症诊断结果获取训练数据集；训练模块，用于利用所述训练数据集对预设机器学习模型进行迭代训练，从而得到自闭症风险评估模型。
[0015]在本申请的第三方面，还提供一种电子设备，该电子设备包括：处理器、以及存储有指令的存储器，所述指令在被所述处理器执行时使得所述电子设备执行第一方面所述的方法。
[0016]在本申请的第四方面，还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令在被电子设备执行时使得所述电子设备执行第一方面所述的方法。
[0017]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的关键或重要特征，亦非用于限制本公开的范围。本公开的其他特征通过以下的描述将变得容易理解。
附图说明
[0018]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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他的附图。
[0019]图1是本申请的一些实施例提供的自闭症风险评估模型的建立方法的流程示意
图；
[0020]图2A是本申请的一些实施例提供的尿液金属组成的NMDS分析和PERMANOVA分析结果；
[0021]图2B是本申请的一些实施例提供的尿液金属组成的Shannon多样性指数分析结果；
[0022]图2C是本申请的一些实施例提供的尿液金属组成的关联分析结果；
[0023]图2D是本申请的一些实施例提供的ASD相关的尿液金属组成的复杂网络关系；
[0024]图3A是本申请的一些实施例提供的尿液中不同金属离子的线性回归系数随LogLambda变化的变化曲线；
[0025]图3B是本申请的一些实施例提供的尿液中金属离子相关性热图分析结果；
[0026]图3C是本申请的一些实施例提供最优模型公式和评估结果；
[0027]图4A是本申请的一些实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自闭症风险评估模型的建立方法，其特征在于，所述方法包括：获取多个检测对象中的每个检测对象的排泄物样本的金属组成，所述金属组成用于表示排泄物样本包含的多种金属离子中的每种金属离子在排泄物中的含量，所述多个检测对象包括自闭症患者和非自闭症患者；基于所述每个检测对象的排泄物样本的金属组成和所述每个检测对象的自闭症诊断结果获取训练数据集；利用所述训练数据集对预设机器学习模型进行迭代训练，从而得到自闭症风险评估模型。2.根据权利要求1所述的方法，其特征在于，所述预设机器学习模型包括LASSO回归模型；所述利用所述训练数据集对预设机器学习模型进行迭代训练，从而得到自闭症风险评估模型，包括：对所述训练数据集中的每条训练数据进行LASSO回归；在进行LASSO回归的过程中，基于LASSO回归系数的大小在所述多个金属离子中筛选出目标金属离子，所述目标金属离子对应的回归系数不为0；将各个检测对象的排泄物样本中目标金属离子的含量作为输入变量，以及，将所述各个检测对象对应的自闭症诊断结果作为输出变量对所述LASSO回归模型进行迭代训练；将训练好的LASSO回归模型作为自闭症风险评估模型。3.根据权利要求2所述的方法，其特征在于，所述目标金属离子包括：Ti、Co和Hg的金属离子。4.根据权利要求3所述的方法，其特征在于，所述目标金属离子还包括Mn、Al、Se和Li的金属离子中的至少一种金属离子。5.根据权利要求1所述的方法，其特征在于，利用所述训练数据集对预设机器学习模型进行迭代训练之前，所述方法还包括：对所述多个检测对象中的每个检测对象的排泄物样本的金属组成进行NMDS分析和/或PERMANOVA分析；和/或，获取所述多个检测对象中的每个检测对象的排泄物样本的金属组成的Shannon多样性指数。6.根据权利要求1
‑
...

【专利技术属性】
技术研发人员：尹兆青，刘爱平，万静，王明帮，
申请(专利权)人：德宏州人民医院，
类型：发明
国别省市：