一种基于多源异构数据的阿尔茨海默症可解释、个体可视化及群体可视化方法技术

本发明专利技术提供了一种基于多源异构数据的阿尔茨海默症可解释、个体可视化及群体可视化方法，属于可解释性人工智能技术领域。首先使用其他时空点上的脑子块数据训练出卷积神经网络；冻结该卷积神经网络的权重和结构；将当前场景的少量脑子块数据送入已冻结权重和结构的卷积神经网络，使用三维图像解释模块分别定量得到大脑子块预测结果为认知正常和阿尔兹海默症时各像素的风险值，按风险值大小倒序排列；分别选取认知正常类和阿尔兹海默症类的像素的风险值，与预测者的表格型数据拼接成一行数据作为一个样本送入堆叠模型进行训练和测试。本发明专利技术采用基于特征的迁移学习结构，能够同时处理多源异构样本数据的预测和解释。

【技术实现步骤摘要】

本专利技术涉及一种基于多源异构数据的阿尔茨海默症可解释、个体可视化及群体可视化方法，属于可解释性人工智能。

技术介绍

1、当前主要使用的是临床手段完成阿尔茨海默症的筛查。主要筛查方法包括：脑脊液检查、脑电图检查、头颅ct检查、头颅磁共振检查以及生物标志物等检查。这些临床方法久经理论和实践验证，在病理可解释方面具有优势。然而诊断阿尔茨海默症的临床方法存在如下问题：（1）该疾病诊断困难。医生主观决策准确度与其专业技术和经验阅历相关，即便有丰富经验的专家，诊断准确性也普遍低于其他疾病。（2）不具备规避阿尔茨海默症的干预时间。临床方法一旦筛查出病人为阿尔茨海默症患者，这将成为既定事实，对素有不治之症之称的阿尔茨海默症来说，预防比治疗的意义更大。所以，开发出一种预测准确性高、具备阿尔茨海默症早期预警功能且解释性强的数据驱动决策算法势在必行。

2、随着深度学习算法以及（graphics processing unit，图形处理器）gpu的不断迭代升级，使用脑部（magnetic resonance imaging，磁共振成像）mri完成阿尔茨海默症早期预警本文档来自技高网...

【技术保护点】

1.一种基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，包括：

2.根据权利要求1所述的基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，卷积神经网络模型依次包括输入层、五个Block层和输出层，第一Block层、第二Block层、第三Block层、第四Block层包括依次包括3D卷积层、3D最大池化层、3D标准化层、LeakyRelu层、Dropout层，第五Block层依次包括flatten层、全连接层、LeakyRelu层、全连接层，其中3D卷积层的超参数通过遗传算法确定。

3.根据权利要求2所述的基于多源异构数据的阿尔茨海默症可解释方法，其特征在...

【技术特征摘要】

1.一种基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，包括：

2.根据权利要求1所述的基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，卷积神经网络模型依次包括输入层、五个block层和输出层，第一block层、第二block层、第三block层、第四block层包括依次包括3d卷积层、3d最大池化层、3d标准化层、leakyrelu层、dropout层，第五block层依次包括flatten层、全连接层、leakyrelu层、全连接层，其中3d卷积层的超参数通过遗传算法确定。

3.根据权利要求2所述的基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，三维图像解释模块具体如下：

4.根据权利要求1所述的基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，表格型数据包括年龄、教育水平、社会经济地位、简易精神状态检查、临床痴呆评定分数、脑总容量以及白质体积。

5.根据权利要求4所述的基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，堆叠模型分三层，第一层为4个学习器，第二层为3个学习器，第三层为1个学习器；其中，第一层学习器1和学习器2的预测结果作为学习器5的输入，学习器2和学习器3...

【专利技术属性】
技术研发人员：徐山，涂燕晖，程海博，相佳瑞，
申请(专利权)人：山东未来网络研究院紫金山实验室工业互联网创新应用基地，
类型：发明
国别省市：