[发明专利]一种基于深度学习技术利用生理参数预测糖尿病诊断标志物及其重要性的方法

权利要求书

1.一种基于深度学习技术利用生理参数预测糖尿病诊断标志物及其重要性的方法，其特征在于，包括：

S1、训练数据的获取与预处理；

S2、训练含注意力机制的深度学习模型；

S3、利用模型注意力机制的参数得到糖尿病的诊断标志物及其重要性；

上述训练数据的获取与预处理包括：根据患者的体检报告，获取其血液学参数以及尿液学参数，并在不影响原始数据特征的情况下进行预处理并加入略微扰动完成数据扩增；

上述训练含注意力机制的深度学习模型包括：以患者血液学参数与尿液学参数做输入，有无糖尿病作为目标输出，利用梯度下降，反向传播的方法训练深度学习模型，整个深度学习模型采用含注意力机制的长短时记忆网络(LSTM)结构；

上述利用模型注意力机制的参数得到糖尿病的诊断标志物及其重要性包括：根据注意力机制中不同参数的权重，得到与糖尿病有关的生理参数，即诊断标志物，以及不同因子对糖尿病的影响程度。

2.如权利要求1所述的一种基于深度学习技术利用生理参数预测糖尿病诊断标志物及其重要性的方法，其特征在于，S1、训练数据的获取与预处理，包括：

每一个样本均由血液学参数，尿液学参数以及医生诊断结果构成；

在不影响原始数据特征的情况下进行预处理并加入略微扰动完成数据扩增包括：

S11、非数字类生理参数的量化；

对于二值化检验结果，将阴性量化为0，阳性量化为1；对于尿液的颜色，将浅黄色量化为1，黄色为1.5，琥珀色为2，棕色为3，橘黄色为4，红色为5；

S12、加入扰动矩阵；

由多个原始样本组成原始数据矩阵，矩阵中每一行为一个样本，在原始数据矩阵中加入扰动矩阵，形成扩充矩阵，如式1所示；

Train＝A_m×n+D_m×n (1)

式中，Train为训练矩阵，A_m×n为原始训练矩阵，D_m×n随机扰动矩阵，随机扰动矩阵的元素值应远小于原始训练矩阵，随机扰动矩阵的元素值为在0-0.05随机取值，随机扰动矩阵的规模应与原始训练矩阵相同。

3.如权利要求1所述的一种基于深度学习技术利用生理参数预测糖尿病诊断标志物及其重要性的方法，其特征在于，S2、训练含注意力机制的深度学习模型，包括：

深度学习模型为含注意力机制的LSTM结构，该结构包括：

3A、序列输入；

序列输入为使用人体生理参数作为输入；

3B、序列编码；

采用LSTM对输入数据进行编码；

3C、注意力机制；

注意力机制采用全连接的方式，确定每一个生理参数对最终结果的影响程度；

3D、序列解码；

序列解码采用LSTM结构；

3E、根据需求输出；

采用one-hot形式编码输出结果，即使解码目标序列变为one-hot形式，每一个神经元代表着一种健康情况，当样本为健康时，输出为10；当样本为糖尿病时，输出为01；

具体的，分类函数采用softmax函数，其表达式如式4所示，

使用随机梯度下降的方法进行模型全局参数的迭代，损失函数为交叉熵损失函数。

4.如权利要求1所述的一种基于深度学习技术利用生理参数预测糖尿病诊断标志物及其重要性的方法，其特征在于，S3、利用模型注意力机制的参数得到糖尿病的诊断标志物及其重要性，包括：根据注意力机制对输入数据特征的筛选，获得不同生理参数对疾病判断的重要程度，即导出注意力机制对不同生理参数的权重，即可判断不同生理参数对糖尿病判断的重要程度。