一种基于生成对抗网络的罕见病检测方法技术

本发明专利技术公开了一种基于生成对抗网络的罕见病检测方法，其特点是该方法包括：1）患者医疗记录的收集；2）数据预处理；3）医疗记录事件的编码；4）医疗事件序列的嵌入；5）序列数据的编码与表示；6）生成对抗网络的设计及训练；7）半监督学习；8）疾病预测与结果输出等步骤。本发明专利技术与现有技术相比具有在医疗应用中帮助早期发现罕见病并提高诊断的准确性，特别是在数据稀缺和类别不平衡情况下能够取得显著效果，尤其适用于从电子健康记录中提取和处理复杂的时间序列数据，提高检测的精度，方法简便，效果显著，具有良好的运用前景和商业开发价值。

【技术实现步骤摘要】

本专利技术涉及深度学习模型，特别是一种基于生成对抗网络(gans)的罕见病检测方法。

技术介绍

1、罕见病由于其低发病率和复杂的病理特点，长期以来在医疗诊断中面临巨大挑战。现有的医疗诊断手段通常依赖医生的经验和现有医学知识，但罕见病的案例数量稀少，临床医生往往缺乏足够的认知，导致误诊或漏诊。对于罕见病患者，确诊往往需要多次就诊，经历长时间的诊断延迟。

2、随着医疗数据的增加，机器学习技术逐渐被应用于疾病检测领域，其中一些经典的机器学习方法，如逻辑回归、随机森林和支持向量机，在处理常见病诊断方面表现良好。然而，这些方法在处理高维医疗记录、特别是长时间序列数据时，表现出了一定的局限性。首先，这些传统方法通常依赖于手工特征提取，而这种特征工程在面对罕见病复杂的临床数据时效率低下。其次，罕见病数据存在显著的类别不平衡现象，导致传统模型在处理小样本数据时泛化能力不足。

3、近年来，深度学习模型，特别是基于长短期记忆网络(lstm)和生成对抗网络(gans)的模型，在处理时间序列数据和生成样本方面显示了潜力。lstm模型能够有效捕捉时间序列中的本文档来自技高网...

【技术保护点】

1.一种基于生成对抗网络的罕见病检测方法，其特征在于，采用长短期记忆网络进行序列建模，结合生成对抗网络生成模拟医疗事件序列，罕见病检测具体包括下述步骤：

2.根据权利要求1所述的基于生成对抗网络的罕见病检测方法，其特征在于，所述标准化医疗事件采用国际疾病分类对诊断、处方和医疗操作数据进行进行统一编码。

3.根据权利要求1所述的基于生成对抗网络的罕见病检测方法，其特征在于，所述长短期记忆网网络由一层隐藏层构成，隐藏层大小设置为256，序列长度为300，通过时间池化操作提取整个序列的隐藏状态，得到固定长度的序列特征表示。

4.根据权利要求1所述的基于生成对...

【技术特征摘要】

1.一种基于生成对抗网络的罕见病检测方法，其特征在于，采用长短期记忆网络进行序列建模，结合生成对抗网络生成模拟医疗事件序列，罕见病检测具体包括下述步骤：

2.根据权利要求1所述的基于生成对抗网络的罕见病检测方法，其特征在于，所述标准化医疗事件采用国际疾病分类对诊断、处方和医疗操作数据进行进行统一编码。

3.根据权利要求1所述的基于生成对抗网络的罕见病检测方法，其特征在于，所述长短期记忆网网络由一层隐藏层构成，隐藏层大小设置为256，序列长度为300，通过时间池化操作提取整个序列的隐藏状态，得到固定长度的序列特征表示。

4.根据权利要求1所述的基于生成对抗网络...

【专利技术属性】
技术研发人员：王国豪，王祥丰，沈楚云，金博，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：