[发明专利]一种风险预测模型训练方法、疾病风险预测模型及方法

说明书

本发明提供一种风险预测模型训练方法，所述方法包括：S1、获取样本人群患疾病的风险数值，其中，风险数值是通过检测样本人群的多项身体指标计算获得；S2、获取所述样本人群中每个人的眼底图像；S3、将所述样本人群中每个人患疾病的风险数值作为标签对其眼底图像进行标注形成样本，并组成训练数据集；S4、用步骤S3得到的训练数据集对神经网络训练至收敛获得风险预测模型。本发明通过深度学习，可直接通过人的眼底图像即可预测其患病风险，是无创安全的，且可实现远程操作，无需进行有创的血液采集，且跳过了身体指标的检测，节约了等待时间，使得预测速度更快。

技术领域

本发明涉及人工智能领域，具体来说，涉及人工智能在医疗领域的应用，更具体地说，涉及一种风险预测模型训练方法、疾病风险预测模型及方法。

背景技术

风险模型常用于医疗领域中进行疾病风险预测，例如用于预测心血管、糖尿病、痴呆等疾病的患病风险。现有的风险模型常用cox函数或其他指数函数来进行风险的计算，而这些函数的输入指标一般为：年龄、性别、收缩压、舒张压、家族糖尿病历史、高密度脂蛋白、三油甘脂、BMI、腰围、空腹血糖、餐后两小时血糖(或者使用葡萄糖耐量试验(OGTT))、血液白细胞计数、受教育年限、是否活跃参与体育运动(Physical activity)、是否携带有APOEε4基因等当中的一种或多种，由此可以看出，很多关键指标都是需要通过有创的血液检测来获得，有时间等待期，对身体有创伤，对于一些无法进行抽血检测的人群不够友好，尤其是无法实现远程预测。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，通过获取人眼底图像实现无创的方式来进行疾病的预测，提供一种基于神经网络的风险预测方法、风险预测模型、风险预测模型训练方法。

根据本发明的第一方面，提供一种风险预测模型训练方法，所述方法包括：S1、获取样本人群患疾病的风险数值，其中，风险数值是通过检测样本人群的多项身体指标计算获得；S2、获取所述样本人群中每个人的眼底图像；S3、将所述样本人群中每个人患疾病的风险数值作为标签对其眼底图像进行标注形成样本，并组成训练数据集；S4、用步骤S3得到的训练数据集对神经网络训练至收敛获得风险预测模型。其中，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种。

优选的，在本发明的一些实施例中，在所述步骤S1中，根据下述公式计算每个人患疾病的风险数值Risk′:

Risk′＝ln(Risk)

其中，Risk为原始风险数值，所述原始风险数值是通过cox函数或其他指数函数对人的身体指标进行计算获得。

在本发明的一些实施例中，所述步骤S4中，采用回归损失设计并采用梯度下降算法训练神经网络，当连续三次训练损失较之前所有训练中的最小损失不下降则结束训练。优选的，采用MSE或MAE损失函数计算损失。

根据本发明的第二方面，提供一种疾病风险预测模型，所述疾病风险预测模型采用如本发明第一方面所述的方法对神经网络进行训练获得。其中，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种心血管疾病、糖尿病、痴呆中的一种或多种。

根据本发明的第三方面，提供一种疾病风险预测方法，所述方法包括：获取待预测的人的眼底图像；采用本发明第一方面所述方法训练的疾病风险预测模型基于眼底图像获得疾病风险数值。其中，所述疾病是心血管疾病、糖尿病、痴呆中的一种或多种心血管疾病、糖尿病、痴呆中的一种或多种。

与现有技术相比，本发明的优点在于：本发明通过深度学习，可直接通过人的眼底图像预测其患病风险，是无创安全的，且可实现远程操作，无需进行有创的血液采集和其他身体指标检测，节约了等待时间，预测更加快速；同时，对人群已有的采用cox函数或其他指数函数预测的风险数值进行改造之后形成数据集训练神经网络风险模型，可以更快的收敛。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：