【技术实现步骤摘要】
本专利技术涉及智能医疗，更具体地，涉及一种基于联邦大模型的复杂疾病间共病临床辅助决策方法、系统、设备和计算机可读存储介质。
技术介绍
1、共病指的是一名患者身上非随机同时出现的两种或两种以上的疾病。与单一疾病相比，共病通常会降低患者的生活质量、增加患者的死亡率和经济支出。共病通常是环境和遗传的共同作用结果，其机制非常复杂。
2、随着电子健康记录、医学影像、基因测序等技术的广泛应用，医疗数据的规模呈现爆炸性增长。这些数据蕴含着巨大的价值，能够支持临床决策、疾病预测、健康管理等多方面的应用，极大地推动了精准医疗的发展，治疗应当以患者为中心，要把患者所有的系统、器官和组织结合起来统一研判，需要整合多种疾病的临床表现综合地来做诊断。
3、但是目前，医疗数据通常分布在不同的医疗机构和设备中，如何有效地整合和利用这些分布式的数据资源，同时避免数据中心化带来的隐私风险和处理效率问题，成为另一个亟需解决的技术难题。其次，现有的数据处理和分析方法在医疗领域的应用存在局限性。传统的机器学习和数据分析方法往往依赖于将数据集中到单一位置的方式，这不仅增加了数据传输和存储的成本，也带来了数据安全和隐私保护的风险。此外，医疗数据的复杂性也对数据处理技术提出了更高的要求。例如，患者的电子健康记录包含了丰富的时序信息，这要求数据处理模型能够有效地处理和分析长序列数据。在这样的背景下，联邦学习作为一种新兴的分布式机器学习方法，应运而生。联邦学习允许多个参与者协作训练共同的模型，而无需直接共享数据，从而有效地解决了数据隐私和中心化存储的问题
4、但是，现有技术在以下方面仍然存在不足：
5、1、在现有技术中，缺乏有效的机制来协调和优化跨多个机构或设备的模型训练，特别是在保持数据隐私的前提下。
6、2、在联邦学习模型训练中，缺少一种既安全又透明的方式来进行数据或参数的交换，这限制了模型的优化和合作训练的可能性。
7、3、现有的神经网络模型可能在处理特定类型的复杂数据（如医疗长序列数据）时表现不佳，这限制了它们在某些应用场景（如临床辅助决策）中的有效性。
8、4、现有技术模型训练的策略仍不足以解决模型训练效率低下的问题。
技术实现思路
1、鉴于上述问题，本专利技术提供一种基于联邦大模型的复杂疾病间共病临床辅助决策方法，利用数据处理和特征提取捕捉时序数据中的信息，并对疾病预测模型的参数提出改进，并进行有效优化，从而构建形成适用于临床的疾病预警模型。
2、一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，包括中央服务器、n个客户端节点，n为大于1的自然数，所述方法包括：
3、客户端节点用本地临床数据集训练本地模型，得到节点参数同时计算得到所述节点参数在本地数据集上的精度，所述节点参数上传至所述中央服务器同时发送至其他客户端，其他客户端接收到节点参数后，计算接收到的节点参数在本地数据集上的平均精度，
4、所述中央服务器接收n个客户端的节点参数，聚合节点参数得到全局参数，将所述全局参数发送至n个客户端；
5、客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数包括下列变量的一种或几种：节点参数在本地数据集上的精度、平均精度。
6、进一步，所述中央服务器接收客户端的所述节点参数，计算客户端的节点参数在中央服务器验证数据集上的精度平均值得到中央验证精度均值，聚合不同的节点参数得到全局参数，将所述全局参数和中央验证精度均值发送至n个客户端；客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数的变量还包括中央验证精度均值。
7、进一步，发送至不同客户端的所述节点参数的决定因素包括下列因素中的一种或几种：所述节点参数在本地数据集上的精度、不同客户端的节点参数在本地数据集上的精度、所述客户端的模型性能。
8、进一步，所述客户端的模型性能的测量因素包括下列因素中的一种或几种：所述客户端的节点参数在本地数据集上的精度、所述全局参数在本地数据集上的精度。
9、进一步，所述节点参数通过区块链网络发送至所述不同客户端，每个客户端维护一个区块链副本，所述区块链网络上保存了下列信息中的一种或几种：客户端节点参数更新、客户端参数发送、客户端参数接收、客户端信用评分、全局参数更新。
10、进一步，所述客户端信用评分的决定因素包括下列因素中的一种或几种：参数发送接收历史、非正常参数发送接收记录和响应行为。
11、进一步，其他客户端接收到节点参数后根据发送客户端信用评分和所述其他客户端信用评分判断是否接收所述来自发送客户端的参数，并根据判断结果自动执行。
12、进一步，其他客户端接收到节点参数后根据博弈论判断是否接收所述发送客户端的参数，所述博弈论的效用函数基于客户端的节点参数在本地数据集上的精度和所述客户端的性价比得到。
13、进一步，所述博弈论的效用函数表示为：
14、
15、其中，是客户端在时刻的模型评分，所述模型评分由所述客户端的节点参数在本地数据集上的精度决定，表示客户端i的性价比。
16、进一步，根据客户端的所述节点参数在本地数据集上的精度调整所述客户端在全局参数更新中的权重。
17、进一步，使用强化学习模拟系统动态调整客户端的所述参数交换行为，所述强化学习模拟系统包括状态空间、动作空间和奖励函数，所述状态空间中由所述n个客户端的状态构成，所述客户端的状态包括下列变量中的一种或几种：所述客户端的本地数据集、所述节点参数在本地数据集上的精度、所述本地数据集上的期望精度，所述动作空间包括客户端在给定状态下采取的参数交换调整行为，所述奖励函数由参数交换后的预期性价比提升和实际性价比提升决定。
18、进一步，所述奖励函数的计算公式表示为：
19、
20、其中， r( )表示奖励函数，表示客户端i在t时刻的状态，表示客户端i在t时刻采取的动作，是执行参数交换后预期性价比提升，是实际执行参数交换后的实际性价比提升，和是调节这两个因素的权重系数。
21、进一步，所述本地模型包括下列模型中的一种或几种：多层感知机、卷积神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、长短时记忆网络、elman神经网络、门控循环单元、双向循环神经网络、递归神经网络、hopfield网络、回声状态网络。
22、进一步，所述elman神经网络为临床疾病的不同方面设计子网络，再集成子网络的输出形成最终的结果，所述子网络包括输入层、隐藏层、承接层、输出层，所述elman神经网络的步骤包括：
23、第1步，数据输入不同的子网络的输入层；
24、第2步，根据承接层状态和所述本文档来自技高网...
【技术保护点】
1.一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，包括中央服务器、n个客户端节点，n为大于1的自然数，所述方法包括：
2.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述中央服务器接收客户端的所述节点参数，计算客户端的节点参数在中央服务器验证数据集上的精度平均值得到中央验证精度均值，聚合不同的节点参数得到全局参数，将所述全局参数和中央验证精度均值发送至n个客户端；客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数的变量还包括中央验证精度均值。
3.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，发送至不同客户端的所述节点参数的决定因素包括下列因素中的一种或几种：所述节点参数在本地数据集上的精度、不同客户端的节点参数在本地数据集上的精度、所述客户端的模型性能。
4.根据权利要求3所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述客户端的模型性能的测量因素包括下列因素中的一种或几种：
5.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述节点参数通过区块链网络发送至所述不同客户端，每个客户端维护一个区块链副本，所述区块链网络上保存了下列信息中的一种或几种：客户端节点参数更新、客户端参数发送、客户端参数接收、客户端信用评分、全局参数更新。
6.根据权利要求5所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述客户端信用评分的决定因素包括下列因素中的一种或几种：参数发送接收历史、非正常参数发送接收记录和响应行为。
7.根据权利要求5所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，其他客户端接收到节点参数后根据发送客户端信用评分和所述其他客户端信用评分判断是否接收所述来自发送客户端的参数，并根据判断结果自动执行。
8.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，其他客户端接收到节点参数后根据博弈论判断是否接收所述发送客户端的参数，所述博弈论的效用函数基于客户端的节点参数在本地数据集上的精度和所述客户端的性价比得到。
9.根据权利要求8所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述博弈论的效用函数表示为：
10.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，根据客户端的所述节点参数在本地数据集上的精度调整所述客户端在全局参数更新中的权重。
11.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，使用强化学习模拟系统动态调整客户端的所述参数交换行为，所述强化学习模拟系统包括状态空间、动作空间和奖励函数，所述状态空间中由所述n个客户端的状态构成，所述客户端的状态包括下列变量中的一种或几种：所述客户端的本地数据集、所述节点参数在本地数据集上的精度、所述本地数据集上的期望精度，所述动作空间包括客户端在给定状态下采取的参数交换调整行为，所述奖励函数由参数交换后的预期性价比提升和实际性价比提升决定。
12.根据权利要求11所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述奖励函数的计算公式表示为：
13.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述本地模型包括下列模型中的一种或几种：多层感知机、卷积神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、长短时记忆网络、Elman神经网络、门控循环单元、双向循环神经网络、递归神经网络、Hopfield网络、回声状态网络。
14.根据权利要求13所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述Elman神经网络为临床疾病的不同方面设计子网络，再集成子网络的输出形成最终的结果，所述子网络包括输入层、隐藏层、承接层、输出层，所述Elman神经网络的步骤包括：
15.根据权利要求14所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，不同子网络的隐藏层的状态表示为：
16.根据权利要求14所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征...
【技术特征摘要】
1.一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，包括中央服务器、n个客户端节点，n为大于1的自然数，所述方法包括：
2.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述中央服务器接收客户端的所述节点参数，计算客户端的节点参数在中央服务器验证数据集上的精度平均值得到中央验证精度均值，聚合不同的节点参数得到全局参数，将所述全局参数和中央验证精度均值发送至n个客户端；客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数的变量还包括中央验证精度均值。
3.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，发送至不同客户端的所述节点参数的决定因素包括下列因素中的一种或几种：所述节点参数在本地数据集上的精度、不同客户端的节点参数在本地数据集上的精度、所述客户端的模型性能。
4.根据权利要求3所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述客户端的模型性能的测量因素包括下列因素中的一种或几种：所述客户端的节点参数在本地数据集上的精度、所述全局参数在本地数据集上的精度。
5.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述节点参数通过区块链网络发送至所述不同客户端，每个客户端维护一个区块链副本，所述区块链网络上保存了下列信息中的一种或几种：客户端节点参数更新、客户端参数发送、客户端参数接收、客户端信用评分、全局参数更新。
6.根据权利要求5所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述客户端信用评分的决定因素包括下列因素中的一种或几种：参数发送接收历史、非正常参数发送接收记录和响应行为。
7.根据权利要求5所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，其他客户端接收到节点参数后根据发送客户端信用评分和所述其他客户端信用评分判断是否接收所述来自发送客户端的参数，并根据判断结果自动执行。
8.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，其他客户端接收到节点参数后根据博弈论判断是否接收所述发送客户端的参数，所述博弈论的效用函数基于客户端的节点参数在本地数据集上的精度和所述客户端的性价比得到。
9.根据权利要求8所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述博弈论的效用函数表示为：
10.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，根据客户端的所述节点参数在本地数据集上的精度调整所述客户端在全局参数更新中的权重。
11.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，使用强化学习模拟系统动态调整...
【专利技术属性】
技术研发人员：何昆仑，孙宇慧，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。