【技术实现步骤摘要】
本专利技术涉及医疗辅助和智能医疗，特别是涉及一种基于ai的hae罕见病风险预测方法及装置。
技术介绍
1、罕见病的低发病率使得在大规模人群中筛查这些疾病具有一定的挑战性，且筛查的有效性取决于其成本效益比，而罕见病的筛查通常需要更高的成本和更复杂的技术支持。罕见病通常表现出极大的临床异质性，即使是同一种疾病，也可能在不同患者中有不同的表现。这使得制定统一的筛查标准和检测方法变得较为困难，而传统的人工筛查模式，因为个体理解差异，以及人工筛查需要逐个查看病历，效率比较低，因此，通过一定技术手段来提升筛查效率具有比较迫切的需求。
2、目前，传统的罕见病筛查方法中，例如，通过智能医疗设备采集患者病症情况，接入相关病症数据，并将多样输入数据标准化处理，将标准化处理的病症进行分析，构建数据决策树，对病症数据进行分类筛选，建立表型病症信息与病种对应的关系数据库,将分类筛选数据传输至关系数据库。根据分类筛选的结果，将分类筛选数据信息与关系数据库样本参数进行比对，将比对后的数据差别信息以及病症特征信息，进行数据汇总。将汇总后的数据生成报表在数据库中存储,并在终端设备上显示。该方案通过智能设备采集数据，并对数据进行标准化，通过数据决策树对病症数据分类筛选，最后通过构建关系数据库样本参数进行比对，存储比对后对数据，汇总在终端上展示。
3、然而，该方法没法在患者就诊、医生编辑病历时，对hae罕见病风险患者弹窗提醒，较难做到及时提醒并及时送检，患者离开后再去联系成本较高。此外，该方法较难对hae罕见病风险进行自动分级，难以为临床医生
4、综上所述，现有的罕见病筛查方法智能化程度有待进一步提高，且罕见病的筛查准确率和效率也有待进一步提高。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种智能化程度较高且罕见病筛查准确率和效率较高的基于ai的hae罕见病风险预测方法及装置。
2、本专利技术提供了一种基于ai的hae罕见病风险预测方法，所述方法包括：
3、获取网络上公开的医疗数据，并对所述医疗数据进行预处理，以通过预处理后的所述医疗数据对开源llama3基座模型进行训练微调，所述预处理包括数据清洗和数据划分；
4、从所述开源llama3基座模型中提取hae疾病医疗知识，并将所述hae疾病医疗知识作为训练数据输入至微调后的所述开源llama3基座模型，以输出所述hae疾病医疗知识对应的第一风险概率分布；
5、将所述训练数据作为tinybert模型的输入，以输出所述hae疾病医疗知识对应的第二风险概率分布，并调用交叉熵损失函数计算所述第一风险概率分布与第二风险概率分布之间的差异；
6、通过反向传播算法计算所述差异的梯度，并使用优化器更新所述tinybert模型的参数，以对所述tinybert模型进行迭代训练和微调，得到hae罕见病风险预测模型；
7、将当前患者预处理后的病历数据作为所述hae罕见病风险预测模型的输入，以输出所述病历数据对应的hae罕见病风险预测评分，所述风险预测评分用于表征当前患者hae罕见病的概率。
8、在其中一个实施例中，所述获取网络上公开的医疗数据，并对所述医疗数据进行预处理，以通过预处理后的所述医疗数据对开源llama3基座模型进行训练微调，包括：
9、获取预设的所述开源llama3基座模型的目标任务类型，以从所述医疗数据中选取与所述目标任务类型相关的目标医疗数据；
10、去除所述目标医疗数据中的噪声、重复数据以及无用数据，以对所述目标医疗数据进行数据清洗，并将清洗后的所述目标医疗数据划分为训练集、测试集和验证集；
11、其中，所述目标任务类型为基于病历数据给对应患者进行疾病风险评分，并对风险评分结果进行分级处理，所述训练集用于通过微调超参数对所述开源llama3基座模型进行训练微调，所述验证集用于对所述开源llama3基座模型的指标性能进行监控和评估，所述测试集用于评估微调后的所述开源llama3基座模型的性能。
12、在其中一个实施例中，所述从所述开源llama3基座模型中提取hae疾病医疗知识，并将所述hae疾病医疗知识作为训练数据输入至微调后的所述开源llama3基座模型，以输出所述hae疾病医疗知识对应的第一风险概率分布，包括：
13、以hae疾病风险预测任务作为所述tinybert模型的目标任务，对微调后的所述开源llama3基座模型中的医疗数据进行知识蒸馏，以提取出相应的hae疾病医疗知识；
14、调用微调后的所述开源llama3基座模型对所述hae疾病医疗知识进行预测，以输出每个输入数据对应的硬标签和软标签；
15、其中，所述硬标签为每个输入数据对应的风险评分结果，所述软标签为所述风险评分结果对应的概率分布，所述概率分布用于表征每个输入数据属于预设的风险评分区间的概率。
16、在其中一个实施例中，所述通过反向传播算法计算所述差异的梯度，并使用优化器更新所述tinybert模型的参数，以对所述tinybert模型进行迭代训练和微调，得到hae罕见病风险预测模型，包括：
17、对所述tinybert模型的最后一层进行训练，并在每两个时期通过hae疾病医疗知识的验证集对所述tinybert模型进行性能评估；
18、当性能评估结果之间的差异低于第一阈值时，则对所述tinybert模型的上一层进行逐步解冻，以避免初期过拟合；
19、其中，每个时期为所述hae疾病医疗知识在所述tinybert模型中进行一次正向传播和一次反向传播的过程。
20、在其中一个实施例中，所述方法还包括：
21、对所述tinybert模型中的每个神经元在训练集中被激活的频率进行统计，并移除被激活的频率低于第二阈值的神经元，所述第二阈值为神经元在所述训练集中的平均激活频率。
22、在其中一个实施例中，所述将当前患者预处理后的病历数据作为所述hae罕见病风险预测模型的输入，以输出所述病历数据对应的hae罕见病风险预测评分，包括：
23、获取当前患者对应的所述当前病历数据和历史病历数据，并对所述当前病历数据和历史病历数据进行预处理，得到数据集结果；
24、调用所述hae罕见病风险预测模型对所述数据集结果进行预测，以输出所述当前患者对应的hae罕见病风险对应的概率值。
25、在其中一个实施例中，所述方法还包括：
26、按照所述概率值的大小对所述概率值进行排序，得到概率值序列，并通过isotonic回归将所述概率值序列拟合为相应的单调非递减函数，以对所述概率值进行校准。
27、在其中一个实施例中，所述将当前患者预处理后的病历数据作为所述hae罕见病风险预测模型的输入，以输出所述病历数据对应的hae罕见病风险本文档来自技高网...
【技术保护点】
1.一种基于AI的HAE罕见病风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述获取网络上公开的医疗数据，并对所述医疗数据进行预处理，以通过预处理后的所述医疗数据对开源Llama3基座模型进行训练微调，包括：
3.根据权利要求2所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述从所述开源Llama3基座模型中提取HAE疾病医疗知识，并将所述HAE疾病医疗知识作为训练数据输入至微调后的所述开源Llama3基座模型，以输出所述HAE疾病医疗知识对应的第一风险概率分布，包括：
4.根据权利要求3所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述通过反向传播算法计算所述差异的梯度，并使用优化器更新所述TinyBERT模型的参数，以对所述TinyBERT模型进行迭代训练和微调，得到HAE罕见病风险预测模型，包括：
5.根据权利要求4所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的基于AI的HAE罕见病
7.根据权利要求6所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述方法还包括：
8.根据权利要求1所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述将当前患者预处理后的病历数据作为所述HAE罕见病风险预测模型的输入，以输出所述病历数据对应的HAE罕见病风险预测评分，之后包括：
9.根据权利要求8所述的基于AI的HAE罕见病风险预测方法，其特征在于，所述第一风险等级为所述HAE罕见病风险预测评分超过第三阈值时对应的风险等级，所述第二风险等级为所述HAE罕见病风险预测评分处于第三阈值与第四阈值之间时对应的风险等级，所述第三风险等级为所述HAE罕见病风险预测评分低于第四阈值时对应的风险等级，且所述第三阈值和第四阈值均为根据临床需要和统计进行预设得到的。
10.一种基于AI的HAE罕见病风险预测装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于ai的hae罕见病风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于ai的hae罕见病风险预测方法，其特征在于，所述获取网络上公开的医疗数据，并对所述医疗数据进行预处理，以通过预处理后的所述医疗数据对开源llama3基座模型进行训练微调，包括：
3.根据权利要求2所述的基于ai的hae罕见病风险预测方法，其特征在于，所述从所述开源llama3基座模型中提取hae疾病医疗知识，并将所述hae疾病医疗知识作为训练数据输入至微调后的所述开源llama3基座模型，以输出所述hae疾病医疗知识对应的第一风险概率分布，包括：
4.根据权利要求3所述的基于ai的hae罕见病风险预测方法，其特征在于，所述通过反向传播算法计算所述差异的梯度，并使用优化器更新所述tinybert模型的参数，以对所述tinybert模型进行迭代训练和微调，得到hae罕见病风险预测模型，包括：
5.根据权利要求4所述的基于ai的hae罕见病风险预测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：万智，石锐，龚力，苏志鹄，李萌萌，陆清，郑兵，张奇，
申请(专利权)人：四川大学华西医院，
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。