【技术实现步骤摘要】
本申请涉及智能医疗领域，具体的涉及一种基于大小模型协同的多目标临床决策方法、系统、设备及计算机可读存储介质。
技术介绍
1、在医疗领域，人工智能技术的应用已经成为一个重要趋势。尤其是深度学习和神经网络技术，因其在图像识别、自然语言处理、预测建模等方面的显著优势，被广泛应用于临床诊断、疾病预测、健康监测等多个方面。例如，基于深度学习的算法已成功应用于肿瘤识别、糖尿病监测、心脏病预测等关键领域。然而，尽管ai在医疗领域的应用取得了显著进展，但依然面临着一些关键挑战。其中之一是如何构建既精确又高效的预测模型，特别是在数据规模巨大且复杂性高的情况下。为了解决这一问题，神经网络的结构和参数优化成为了研究的热点。传统的神经网络设计往往依赖于领域专家的经验和试错方法，这不仅耗时耗力，而且难以达到最优性能。另一方面，数据隐私和安全在医疗领域尤为重要。在传统的中心化ai模型训练过程中，需要将来自不同源的敏感数据集中处理，这带来了显著的隐私和安全风险。此外，现有技术可能过于关注单一目标（如预测准确性），而忽视了其他重要因素，导致模型过于庞大，难以在资源受限...
【技术保护点】
1.一种基于大小模型协同的多目标临床决策方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述协同演化的计算公式表示为：
3.根据权利要求2所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述多样性度量表示为：
4.根据权利要求1所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述演化算法对神经网络的结构进行优化，对神经网络的结构初始化得到结构种群，对所述结构种群中的每个个体进行遗传操作得到子代个体，计算所述每个子代个体的适应度值并选择适应值最高的个体作为网络...
【技术特征摘要】
1.一种基于大小模型协同的多目标临床决策方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述协同演化的计算公式表示为：
3.根据权利要求2所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述多样性度量表示为：
4.根据权利要求1所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述演化算法对神经网络的结构进行优化，对神经网络的结构初始化得到结构种群，对所述结构种群中的每个个体进行遗传操作得到子代个体，计算所述每个子代个体的适应度值并选择适应值最高的个体作为网络结构的解；其中，所述遗传操作包括下列的一种或几种：交叉、变异，所述交叉采用混合交叉策略，所述变异的操作包括添加层、删除层或更改层。
5.根据权利要求4所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述混合交叉策略包括单点交叉和均匀交叉，所述单点交叉选择一个随机点将两个父代个体的网络结构分成两部分并进行交换，所述均匀交叉随机选择网络层在两个父代个体间交换。
6.根据权利要求1所述的基于大小模型协同的多目标临床决策方法，其特征在于，所述的演化算法对神经网络的参数进行优化，对网络结构的参数初始化得到参数种群，所述参数种群中每个个体进行遗传操作得到更新的子代个体，计算所述子代个体的适应度值并将适应度值最高的个体作为网络参数的解；所述...
【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。