[发明专利]一种基于深度神经网络的AD特征参数筛选方法及系统

说明书

本发明公开了一种基于深度神经网络的AD特征参数筛选方法及系统。该方法包括：获取AD初始特征参数；将所述初始特征参数作为深度神经网络模型的输入；对所述深度学习神经网络模型进行输入层节点刺激，得到输入层对应刺激的神经元节点值和刺激前后模型输出值的相对变化值；将所述输入层对应刺激的神经元节点值和所述刺激前后模型输出值的相对变化值进行线性拟合；根据拟合结果对所述初始特征参数进行筛选，确定AD特征参数。本发明通过改变输入层参数值并于对应预测结果进行线性拟合得出关于输出的高相关量，相比于现有方法运算量低、无需进行协方差等复杂计算，使得所采用模型对AD特征参数的筛选更加快速、精准。

技术领域

本发明涉及人工智能领域，特别是涉及一种基于深度神经网络的AD特征参数筛选方法及系统。

背景技术

随着人工智能在医学领域的应用发展，深度学习技术在构建非常规模型的复杂问题的分类和特征提取上具有很好的效果。采用深度学习技术进行阿尔兹海默症(Alzheimerdisease，AD)的分类能够得到较高的分类准确率，对于多模态信息融合效果以及超参数和核函数选择提供了一种解决方案。由于导致AD病症的具体特征参数的研究尚不清晰，因而在进行AD分类时特征参数的设置成为一大难题。

超参数优化一直是限制网络模型性能提升的难题，目前神经网络模型越来越复杂，超参数的种类也越来越多，往往造成不能根据超参数之间的关系选择合适的超参数组合。目前比较常用的超参数优化方法为Bayesian优化方法，该方法可以在尽可能的真实评估次数下从决策空间中找到好的决策组合，主要思路是根据历史数据构建了整个问题过程的代理模型而不对真实问题进行评估，并通过代理模型预测的不确定性来决定下一步采样点，通过不断迭代后寻找一个近似最优解。目前Bayesian优化中主要的代理模型为高斯过程(Gaussian Process，GPs)，但是一般每次只优化单个问题，或者以牺牲硬件为代价并行运行确保在一定时间内充分利用数据信息等问题。单任务学习单独地从零开始学习，忽略了其他相似任务的相关信息来深入研究数据特征，并且经常会遇到噪声大、数据维度较高或数据量偏小等对结果影响较大的问题。通常需要大量的观测数据来训练得到足够精确的单任务代理模型，但现实生活中很难达到要求，导致根据数据训练的模型有一定的局限性，也就造成了模型预测不够准确。随着数据量的增多，高斯过程中协方差函数计算复杂度呈指数增长，导致计算成本高、运行时间长等问题。

发明内容

本发明的目的是提供一种基于深度神经网络的AD特征参数筛选方法及系统，通过节点刺激筛选出使模型输出值变化较大且敏感的数据，即能够筛选出更能精确对AD病症进行分类的AD特征参数。

为实现上述目的，本发明提供了如下方案：

一种基于深度神经网络的AD特征参数筛选方法，包括：

获取AD初始特征参数；将所述初始特征参数作为深度神经网络模型的输入；

对所述深度学习神经网络模型进行输入层节点刺激，得到输入层对应刺激的神经元节点值和刺激前后模型输出值的相对变化值；

将所述输入层对应刺激的神经元节点值和所述刺激前后模型输出值的相对变化值进行线性拟合；

根据拟合结果对所述初始特征参数进行筛选，确定AD特征参数。

可选地，所述AD初始特征参数包括脑区体素、代谢物浓度以及个体特征。

可选地，所述对所述深度学习神经网络模型进行输入层节点刺激，包括：

按照原神经元节点特征值的0.6-1.4倍进行改变。

可选地，所述拟合结果表示输入层神经元节点的变化对所述深度学习神经网络模型的输出值的影响程度。

本发明还提供了一种基于深度神经网络的AD特征参数筛选系统，包括：