疾病病程预测方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种疾病病程预测方法、装置、电子设备及存储介质。该疾病病程预测方法包括：获取疾病的当前次检测的多模态数据和检测时间；从所述多模态数据和所述检测时间中提取子特征；对提取出的各子特征进行融合，得到当前次的检测融合特征；将所述当前次的检测融合特征输入预训练的非等距时序预测模型进行处理，得到病程概率预测值。本申请实施例的疾病病程预测方法，实现了通过非等距时序预测模型来预测疾病各个阶段的疾病进程，能够针对病患当前处于疾病不同病程阶段的概率进行预测，得到的预测结果准确率较高，能够为医生处理疾病提供参考。病提供参考。病提供参考。

【技术实现步骤摘要】
疾病病程预测方法、装置、电子设备及存储介质


[0001]本申请涉及人工智能
，具体涉及一种疾病病程预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着近几年深度学习中时序预测技术的发展与成熟，使得疾病的病程预测成为可能。以阿兹海默症疾病为例，阿兹海默症是一种发病进程缓慢且随时间不断恶化的神经退行性疾病，最常见的早期症状主要包括短期记忆的丧失，并逐渐出现语言障碍、社交孤立、定向障碍等。目前并没有可以阻止或逆转病程的治疗，仅有的治疗方法也只能对症状进行改善或减缓疾病的发展进程。阿兹海默症不仅会带给病人和照护者心理上、生理上、经济上极沉重的负担，也带给医疗照护巨大的社会成本。因此，如何对阿兹海默症的疾病病程进行预测成为至关重要的研究课题。轻度认知障碍是阿兹海默症疾病的临床前期，是介于认知正常与失忆症的过渡状态。正确识别和干预轻度认知障碍将能有效延缓疾病进程。但相关技术的时序预测模型不足以将疾病的多模态疾病诊断数据进行涵盖，且相关技术中的等距时序预测模型不适用于处理非等距数据，病程预测结果不够准确。

技术实现思路

[0003]本申请的目的是提供一种疾病病程预测方法、装置、电子设备及存储介质，以解决相关技术的时序预测模型不足以将疾病的多模态疾病诊断数据进行涵盖，且相关技术中的等距时序预测模型不适用于处理非等距数据，病程预测结果不够准确的技术问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0004]根据本申请实施例的一个方面，提供一种疾病病程预测方法，包括：
[0005]获取疾病的当前次检测的多模态数据和检测时间；
[0006]从所述多模态数据和所述检测时间中提取子特征；
[0007]对提取出的各子特征进行融合，得到当前次的检测融合特征；
[0008]将所述当前次的检测融合特征输入预训练的非等距时序预测模型进行处理，得到病程概率预测值。
[0009]在本申请的一些实施例中，所述预训练的非等距时序预测模型包括特征融合层和概率预测层；所述将所述当前次的检测融合特征输入预训练的非等距时序预测模型进行处理，得到病程概率预测值，包括：
[0010]将所述当前次的检测融合特征输入预训练的非等距时序预测模型；
[0011]通过所述特征融合层将所述当前次的检测融合特征与对应的概率预测特征进行融合，得到用于概率预测的特征；
[0012]通过所述概率预测层处理所述用于概率预测的特征，得到所述病程概率预测值；
[0013]其中，若所述当前次的检测融合特征为第一次的检测融合特征，则所述对应的概率预测特征为预设初始概率预测特征；若所述当前次的检测融合特征为非第一次的检测融合特征，则所述对应的概率预测特征为上一次的概率预测特征。
[0014]在本申请的一些实施例中，所述预训练的非等距时序预测模型的获取步骤包括：
[0015]搭建初始非等距时序预测模型，所述初始非等距时序预测模型包括特征融合层和概率预测层；所述特征融合层用于将当前次的检测融合特征与上一次的概率预测特征进行融合，得到用于概率预测的特征；所述概率预测层用于处理用于概率预测的特征，得到病程概率预测值；
[0016]根据损失函数利用训练集对所述初始非等距时序预测模型进行训练，得到所述预训练的非等距时序预测模型。
[0017]在本申请的一些实施例中，所述搭建初始非等距时序预测模型，包括：
[0018]将预设概率预测特征与第一次的检测融合特征输入所述特征融合层进行特征融合，得到第一次的概率预测特征，并接入所述概率预测层得到第一次的概率预测值；
[0019]在获得第一次的概率预测值后，将所述第一次的概率预测特征与第二次的检测融合特征输入所述特征融合层进行特征融合，获得第二次的概率预测特征，接入所述概率预测层得到第二次的概率预测值；
[0020]依次类推，直到输入第预设数目次的概率预测特征，输出第预设数目次的概率预测值，完成所述初始非等距时序预测模型的搭建。
[0021]在本申请的一些实施例中，所述根据损失函数利用训练集对所述初始非等距时序预测模型进行训练，得到所述预训练的非等距时序预测模型，包括：通过损失函数计算所有的概率预测值与真实病程概率值之间的误差，通过反向传播不断调整模型训练参数，直至所述非等距时序预测模型达到收敛，得到所述预训练的非等距时序预测模型。
[0022]在本申请的一些实施例中，所述疾病为阿兹海默症，所述多模态数据包括APOE基因型、MRI影像、
18
F
‑
AV
‑
1451PET影像、
18
F
‑
AV
‑
45PET影像、MMSE认知量表、CAIDE风险量表和阿兹海默症所处分类阶段；
[0023]从所述多模态数据中提取子特征，包括：
[0024]采用3D CNN从所述MRI影像中提取第一子特征；
[0025]基于所述
18
F
‑
AV
‑
1451PET影像、所述
18
F
‑
AV
‑
45PET影像和所述MRI影像提取第二子特征；
[0026]利用one
‑
hot独热编码分别对所述APOE基因型、所述MMSE认知量表、所述CAIDE风险量表和所述阿兹海默症所处分类阶段进行编码，得到第三子特征。
[0027]在本申请的一些实施例中，所述基于所述
18
F
‑
AV
‑
1451PET影像、所述
18
F
‑
AV
‑
45PET影像和所述MRI影像提取第二子特征，包括：
[0028]利用所述
18
F
‑
AV
‑
1451PET影像获得tau蛋白缠结程度；
[0029]利用所述
18
F
‑
AV
‑
45PET影像获得β
‑
淀粉样蛋白沉积程度；
[0030]通过对所述MRI影像进行ROI体积和厚度测量，获得海马体体积、内嗅皮质厚度、内侧颞叶体积和杏仁核体积；
[0031]对所述海马体体积、所述内嗅皮质厚度、所述内侧颞叶体积、所述杏仁核体积、所述tau蛋白缠结程度和所述β
‑
淀粉样蛋白沉积程度进行编码，得到第二子特征。
[0032]在本申请的一些实施例中，所述对提取出的各子特征进行融合，得到当前次的检测融合特征，包括：
[0033]利用预训练的多模态特征融合模型对提取出的各子特征进行融合，得到当前次的检测融合特征。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疾病病程预测方法，其特征在于，包括：获取疾病的当前次检测的多模态数据和检测时间；从所述多模态数据和所述检测时间中提取子特征；对提取出的各子特征进行融合，得到当前次的检测融合特征；将所述当前次的检测融合特征输入预训练的非等距时序预测模型进行处理，得到病程概率预测值。2.根据权利要求1所述的方法，其特征在于，所述预训练的非等距时序预测模型包括特征融合层和概率预测层；所述将所述当前次的检测融合特征输入预训练的非等距时序预测模型进行处理，得到病程概率预测值，包括：将所述当前次的检测融合特征输入预训练的非等距时序预测模型；通过所述特征融合层将所述当前次的检测融合特征与对应的概率预测特征进行融合，得到用于概率预测的特征；通过所述概率预测层处理所述用于概率预测的特征，得到所述病程概率预测值；其中，若所述当前次的检测融合特征为第一次的检测融合特征，则所述对应的概率预测特征为预设初始概率预测特征；若所述当前次的检测融合特征为非第一次的检测融合特征，则所述对应的概率预测特征为上一次的概率预测特征。3.根据权利要求1所述的方法，其特征在于，所述预训练的非等距时序预测模型的获取步骤包括：搭建初始非等距时序预测模型，所述初始非等距时序预测模型包括特征融合层和概率预测层；所述特征融合层用于将当前次的检测融合特征与上一次的概率预测特征进行融合，得到用于概率预测的特征；所述概率预测层用于处理所述用于概率预测的特征，得到病程概率预测值；根据损失函数利用训练集对所述初始非等距时序预测模型进行训练，得到所述预训练的非等距时序预测模型。4.根据权利要求3所述的方法，其特征在于，所述搭建初始非等距时序预测模型，包括：将预设概率预测特征与第一次的检测融合特征输入所述特征融合层进行特征融合，得到第一次的概率预测特征，并接入所述概率预测层得到第一次的概率预测值；在获得第一次的概率预测值后，将所述第一次的概率预测特征与第二次的检测融合特征输入所述特征融合层进行特征融合，获得第二次的概率预测特征，接入所述概率预测层得到第二次的概率预测值；依次类推，直到输入第预设数目次的概率预测特征，输出第预设数目次的概率预测值，完成所述初始非等距时序预测模型的搭建。5.根据权利要求3所述的方法，其特征在于，所述根据损失函数利用训练集对所述初始非等距时序预测模型进行训练，得到所述预训练的非等距时序预测模型，包括：通过损失函数计算训练集所有的概率预测值与真实病程概率值之间的误差，通过反向传播不断调整模型训练参数，直至所述非等距时序预测模型达到收敛，得到所述预训练的非等距时序预测模型。6.根据权利要求1所述的方法，其特征在于，所述疾病为阿兹海默症，所述多模态数据包括APOE基因型、MRI影像、
18
F
‑
AV
‑
1451PET影像、
18
F
‑
AV
‑
45PET影像、MMSE认知量表、CAIDE
风险量表和阿兹海默症所处分类阶段；从所述多模态数据中提取子特征，包括：采用3...

【专利技术属性】
技术研发人员：郑悦闻，李鹏飞，李青，王飞，张路霞，
申请(专利权)人：浙江省北大信息技术高等研究院，
类型：发明
国别省市：