[发明专利]一种基于多标签学习的体检后慢性疾病预后系统

权利要求书

1.一种基于多标签学习的体检后慢性疾病预后系统，其特征在于，该系统包括数据获取模块、数据预处理模块、基础预测模型构建模块和本地预测模块；

所述数据获取模块用于获取体检用户的体检数据，所述体检数据包括基本生理指标和常规化验指标；将体检用户所有上述指标表示为特征向量X＝[x₁，x₂，...x_p]^T，p为指标总数；记录当次体检的发生时间t₀；提取该用户体检前后在电子病历中存在的慢疾病诊断数据中各类慢病诊断最早发生时间数据T＝[t₁，t₂，...t_q]^T，q为系统预设的慢病种类数；以上数据中，X，t₀为必需数据，T中的各个分量在诊断不存在时设置为null；

所述数据预处理模块的处理过程具体如下：

对X中各分量x_i做基于该分量的标准化处理φ_i，使该分量上所有数据的标准差为1，均值为0；将标准化处理后的特征向量记为X′＝[x′₁，x′₂，...x′_p]^T；

其中x_i′为标准化后的数据，λ_i为分量x_i上所有数据的均值，σ_i为分量x_i上所有数据的标准差；

对T基于底数α进行指数化操作，0＜α＜1，从而生成预后指数向量Y＝[y₁，y₂，...y_q]^T：

所述基础预测模型构建模块用于构建针对体检场景的多标签学习模型，构建过程如下：

(1)构建多层神经网络，通过多层神经网络完成从输入到输出的数据处理，网络的具体超参数包括：网络层数K、每层网络的节点个数n₁，n₂，...n_K、相邻两层间的激活函数，其中n₁＝p，n_K＝q；将相邻两层间的传递权矩阵记为W₁，W₂，...W_K-1；将最后一层的节点输出值记为预测预后指数C＝[c₁，c₂，...c_q]^T；

(2)设计损失函数E：

该损失函数可以看作是为三项不同目的而设置的损失函数的加权平均值，其中，N表示单批次梯度下降中使用的数据样本量，的上标k表示该损失函数分量通过该批次梯度下降中第k个样本计算获得，表示三类损失函数各自的权重值；

a)E₀为单标签损失函数，表征疾病预测的预后指数c_i与实际预后指数y_i的差异：

b)E₁为间距损失函数，表征两种不同慢性疾病的预测预后指数差值Δc_i，j与实际预后指数差值Δy_i，j间的差异：

c)E₂为排序损失函数，表征两种不同慢性疾病的预测发生顺序与实际发生顺序间的差异：

(3)参数学习：针对样本医疗机构的体检数据，通过矩阵式超参数扫描构建若干个模型M₁，M₂，...M_L，基于小批量梯度下降对各个模型进行参数学习，并通过多折交叉验证确定最优参数，将最优预测模型作为向其他医疗机构迁移的基础预测模型M_best，并将M_best固化至基础预测模型构建模块内；

所述本地预测模块布置在某具体医疗机构中，包括本地模型训练单元和预测单元；

所述本地模型训练单元：接收基础预测模型构建模块提供的最优预测模型M_best，通过数据采集模块获取该医疗机构的体检数据X，t₀，T，通过数据预处理模块生成X′，Y；以M_best的模型参数为初始参数，基于X′，Y进行与M_best训练方法相同的模型训练，并在参数收敛后将训练好的本地预测模型固化至本地预测模块内；

所述预测单元：该单元基于新体检者的体检数据，根据本地预测模型进行慢性疾病预后，输出对多个慢性疾病发生情况的预测预后指数C＝[c₁，c₂，...c_q]^T，之后，通过y(t_i)的反函数t′_i＝y^-1(c_i)获得所对应慢病的未来预期发生时间t′_i。

2.根据权利要求1所述的一种基于多标签学习的体检后慢性疾病预后系统，其特征在于，医疗机构将体检数据以.csv文件存储在本地；选定样本医疗机构，通过样本医疗机构的体检数据生成封装基础预测模型M_best；本地医疗机构的体检数据通过接口服务发送至本地预测模块，并通过接口响应返回对应慢病的未来预期发生时间。