一种基于图联邦对比表示学习的医疗数据分析分类方法、系统及介质技术方案

本发明专利技术公开了一种基于图联邦对比表示学习的医疗数据分析分类方法、系统及介质，所述方法在图联邦学习开始时，每个拥有临床数据的医疗机构和服务器分配相同的初始模型；每个医疗机构利用持有的图结构数据在本地通过对比学习方法进行模型训练；医疗机构将本地模型参数发送给中央聚合服务器，服务器负责聚合所有参与方的模型参数并将聚合后的参数发送回医疗机构；重复本地训练、参数聚合和融合步骤，通过多轮迭代，不断改进数据分析分类模型参数，以适应多个参与训练的医疗机构的数据特征；另外将通过简化的基于图联邦对比表示学习方法学习到的节点的嵌入表示输入到机器学习分类器中，进行节点分类，建立更加全面和准确的疾病分类器。

【技术实现步骤摘要】

本专利技术涉及智慧医疗领域，尤其涉及一种基于图联邦对比表示学习的医疗数据分析分类方法、系统及介质。

技术介绍

1、医疗健康领域的数据涉及患者病历、诊断信息、治疗方案等多方面内容，该数据是高度复杂和多样化的。在医疗健康领域，图数据分析方法扮演着重要角色，它能够有效地处理医疗数据中的关联和结构性信息。对于流行病学研究而言，图数据分析有助于理解疾病在人群中的传播模式和关联，通过分析患者之间的交互、接触以及病历信息，对于遗传病学研究而言，图数据分析可以用于研究疾病的遗传传播、家族史对疾病风险的影响等方面。因此可以更好地预测疾病传播路径，除此之外医疗记录和治疗方案的图分析可以揭示出患者的诊疗路径，帮助医疗机构优化治疗流程，提高患者治疗的效率和质量。

2、然而在当前处理医疗健康数据的方法中，面临着数据隐私和集中存储的挑战。传统的数据处理方法比如利用图卷积网络进行自闭症图谱障碍和阿尔兹海默症疾病识别的算法，往往涉及将敏感的医疗数据集中存储在中央服务器或云平台上，会带来隐私泄露的风险。此外，对于分布在不同机构的数据，数据整合和共享也面临着技术和法律层面的限制。本文档来自技高网...

【技术保护点】

1.一种基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，步骤(2)具体如下：

3.根据权利要求2所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，步骤(23)具体如下：

4.根据权利要求3所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，所述交叉熵损失函数为BCE损失函数LBCE为

5.根据权利要求4所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，步骤(3)中服对所有客户端的本地模型的参数进行聚合，...

【技术特征摘要】

1.一种基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，步骤(2)具体如下：

3.根据权利要求2所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，步骤(23)具体如下：

4.根据权利要求3所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，所述交叉熵损失函数为bce损失函数lbce为

5.根据权利要求4所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，步骤(3)中服对所有客户端的本地模型的参数进行聚合，采用的是联邦平均方法，聚合公式为

6.根据权利要求5所述基于图联邦对比表示学习的医疗数据分析分类方法，其特征在于，...

【专利技术属性】
技术研发人员：杨凯，丁培锦，
申请(专利权)人：扬州大学，
类型：发明
国别省市：