【技术实现步骤摘要】
本专利技术涉及疾病预测，具体涉及一种基于双向多模态注意力网络的肝性脑病预测模型及方法。
技术介绍
1、基于双向多模态注意力网络的肝性脑病预测方法使用的主要技术是多模态学习技术(multimodal learning)以及深度学习技术(deep learning)，其主要目的是借助病人的临床信息特征(这里指病人的基本信息、临床检验指标)以及脑部组织的成像图，脑组织成像图主要脑部ct和磁共振波谱成像图构成。
2、为了有效利用不同类型的数据信息，多模态模型被设计了出来，它使得模型能够学到不同类型数据的信息，提高模型对数据的理解和表征能力。因为通过应用多模态模型的方法，可以融合不同类型之间的数据信息，使不同类型之间的数据相互补充，进行跨模态的推理，提高模型对复杂数据的理解能力，有效提高模型的性能表现以及降低过拟合风险。所以多模态模型的表现往往优于单一数据类型的数据。多模态方式能够提高信息的丰富性、数据的互补性、跨模态推理能力，同时更好地适应真实场景并应对复杂任务，这些特点使得多模态深度学习模型在各种人工智能应用中具有重要意义。>
3、中国专利本文档来自技高网...
【技术保护点】
1.一种基于双向多模态注意力网络的肝性脑病预测模型，其特征是：包括数据特征提取模块、图像特征提取模块、双向多模态注意力模块、自注意力模块和预测模块，具体包括：
2.一种基于双向多模态注意力网络的肝性脑病预测方法，包括权利要求1所述的一种基于双向多模态注意力网络的肝性脑病预测模型，其特征是：包括以下步骤：
3.根据权利要求2所述一种基于双向多模态注意力网络的肝性脑病预测方法，其特征是：所述步骤S1中，具体包括以下步骤：
4.根据权利要求2所述一种基于双向多模态注意力网络的肝性脑病预测方法，其特征是：所述步骤S2，具体包括以下步骤：p>
5.根据权...
【技术特征摘要】
1.一种基于双向多模态注意力网络的肝性脑病预测模型，其特征是：包括数据特征提取模块、图像特征提取模块、双向多模态注意力模块、自注意力模块和预测模块，具体包括：
2.一种基于双向多模态注意力网络的肝性脑病预测方法，包括权利要求1所述的一种基于双向多模态注意力网络的肝性脑病预测模型，其特征是：包括以下步骤：
3.根据权利要求2所述一种基于双向多模态注意力网络的肝性脑病预测方法，其特征是：所述步骤s1中，具体包括以下步骤：
4.根据权利要求2...
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。