[发明专利]一种应用于阿尔茨海默氏症的患病风险评估方法

权利要求书

1.一种应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：包括如下步骤：

S1、获取过往患者的病情描述数据，病情描述数据包括脑部影像数据、精神心理测评数据、语言数据和电子病历数据；

S2、对脑部影像数据进行预处理，从过往患者的病情描述数据中提取特征数据；

S3、构建患病风险评估模型M，包括如下步骤：

S31、根据特征数据搭建双线性残差网络框架和混合注意力模块；

S32、将混合注意力模块嵌入双线性残差网络框架得到深度双线性残差网络评估模型M₁；

S33、基于深度双线性残差网络评估模型M₁，添加多核函数得到双线性-残差-多核函数模型M₂；

S34、特征数据输入双线性-残差-多核函数模型M₂，经分类训练后得到患病风险评估模型M；

S4、获取目标对象的病情描述数据，提取病情描述数据特征，将特征输入患病风险评估模型M进行评估目标对象是否存在患病风险。

2.根据权利要求1所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：预处理包括格式转化、图像分割、配准与空间标准化、平滑处理和图像数据增强。

3.根据权利要求2所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：图像分割采用cat12工具箱将脑部图像数据分割成灰质、白质和脑脊液三个区域，再按区域分割为若干8-12mm*8-12mm*8-12mm的图像样本。

4.根据权利要求2所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：图像数据增强包括利用imromate函数旋转图像数据角度和图像数据加入高斯白噪声。

5.根据权利要求1所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：提取病情描述数据特征采取Fisher算法从病情描述数据中提取特征向量w^*，步骤如下：

步骤一、将数据划分为i个类子集X₀、X₁...X_i，计算各类子集的均值向量u_i，其表达式为：

步骤二、计算各类子集的类内离散矩阵S_wi和类内总离散矩阵S_w,其表达式为：

S_w＝S_w0+S_w1+...+S_wi；

步骤三、根据类内总离散矩阵S_w计算逆矩阵S_w^-1和特征向量w^*,其表达式为：

6.根据权利要求1所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：双线性残差网络框架以卷积神经网络为基础添加残差学习模块搭建而成。

7.根据权利要求1所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：混合注意力模块采用通道注意力模块与空间注意力模块拼接所制。

8.根据权利要求1所述的应用于阿尔茨海默氏症的患病风险评估方法，其特征在于：多核函数采用多项式核函数、高斯核函数与Sigmoid核函数以线性组合的方式构成，其核函数表达式分别为：

其中，σ、r均为偏值，τ₁、τ₂和τ₃为权重值，τ₁、τ₂和τ₃的取值范围均为0-1，且τ₁、τ₂和τ₃之和为1；

其线性组合表达式为：

k_w*＝k₁+k₂+k₃。