尿毒症预测模型的训练方法、装置、电子设备及存储介质与流程

本技术涉及计算机，尤其是涉及一种尿毒症预测模型的训练方法、装置、电子设备及存储介质。

背景技术：

1、肾炎是一种肾脏疾病，肾炎如果发展到了肾衰竭晚期，则就是人们所讲的尿毒症。现有技术中，在对尿毒症预测模型进行训练时，通常仅使用临床病理数据对尿毒症预测模型进行训练，而尿毒症不仅仅与临床病理数据有关，因此，当仅使用临床病理数据对尿毒症预测模型进行训练时，会出现该模型预测的准确率低的问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种尿毒症预测模型的训练方法、装置、电子设备及存储介质，以提高尿毒症预测模型进行预测的准确率。

2、第一方面，本技术实施例提供了一种尿毒症预测模型的训练方法，包括：

3、获取训练样本数据；所述训练样本数据包括第一类肾炎患者的患病标签训练数据，以及，每个所述第一类肾炎患者的临床病理训练数据和基因训练数据；所述患病标签训练数据用于表征所述第一类肾炎患者是否患有尿毒症；

4、针对每一个所述第一类肾炎患者，生成该第一类肾炎患者的临床病理训练数据对应的训练特征向量，以及，基因训练数据对应的特权信息向量；

5、根据每个所述第一类肾炎患者对应的所述训练特征向量、所述特权信息向量，以及，所述第一类肾炎患者的患病标签训练数据，对待训练的基于特权信息的支持向量机模型进行训练，得到训练好的基于特权信息的支持向量机模型；所述训练好的基于特权信息的支持向量机模型用于预测肾炎患者是否患有尿毒症。

6、结合第一方面，本技术实施例提供了第一方面的第一种可能的实施方式，其中，还包括：

7、获取测试样本数据；所述测试样本数据包括第二类肾炎患者的临床病理测试数据和患病标签测试数据；所述患病标签测试数据用于表征所述第二类肾炎患者是否患有尿毒症；

8、根据所述测试样本数据，确定所述训练好的基于特权信息的支持向量机模型的准确度；

9、根据所述准确度，对所述训练好的基于特权信息的支持向量机模型进行更新。

10、结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第二种可能的实施方式，其中，所述确定所述训练好的基于特权信息的支持向量机模型的准确度，包括：

11、针对每个所述第二类肾炎患者，生成该第二类肾炎患者的临床病理测试数据对应的测试特征向量；

12、针对每个所述第二类肾炎患者，将该第二类肾炎患者对应的所述测试特征向量作为所述训练好的基于特权信息的支持向量机模型的输入，得到对应的该第二类肾炎患者患有尿毒症的预测结果；

13、根据每个所述第二类肾炎患者患有尿毒症的预测结果以及每个所述第二类肾炎患者的患病标签测试数据，确定所述训练好的基于特权信息的支持向量机模型的准确度。

14、结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述准确度，对所述训练好的基于特权信息的支持向量机模型进行更新，包括：

15、若所述准确度大于设定阈值，则确定所述训练好的基于特权信息的支持向量机模型为最优的基于特权信息的支持向量机模型；

16、若所述准确度不大于设定阈值，则对所述训练好的基于特权信息的支持向量机模型中的参数进行调整，并重复执行第一方面和第一方面的第一种可能的实施方式中记载的步骤。

17、结合第一方面，本技术实施例提供了第一方面的第四种可能的实施方式，其中，还包括：

18、获取待预测的目标肾炎患者的目标临床病理数据；

19、将用于表征所述目标临床病理数据的目标临床病理特征向量输入到所述训练好的基于特权信息的支持向量机模型中，得到所述目标肾炎患者患有尿毒症的目标预测结果；

20、根据所述目标肾炎患者的个人身份信息和所述目标预测结果，生成所述目标肾炎患者的目标检查报告；

21、将所述目标检查报告同步至检查报告查询系统。

22、结合第一方面的第四种可能的实施方式，本技术实施例提供了第一方面的第五种可能的实施方式，其中，还包括：

23、确定获取到所述目标肾炎患者的基因数据时，将所述目标肾炎患者的基因数据、临床病理数据以及患病标签作为训练样本数据。

24、第二方面，本技术实施例还提供一种尿毒症预测模型的训练装置，包括：第一获取模块，用于获取训练样本数据；所述训练样本数据包括第一类肾炎患者的患病标签训练数据，以及，每个所述第一类肾炎患者的临床病理训练数据和基因训练数据；所述患病标签训练数据用于表征所述第一类肾炎患者是否患有尿毒症；

25、第一生成模块，用于针对每一个所述第一类肾炎患者，生成该第一类肾炎患者的临床病理训练数据对应的训练特征向量，以及，基因训练数据对应的特权信息向量；

26、训练模块，用于根据每个所述第一类肾炎患者对应的所述训练特征向量、所述特权信息向量，以及，所述第一类肾炎患者的患病标签训练数据，对待训练的基于特权信息的支持向量机模型进行训练，得到训练好的基于特权信息的支持向量机模型；所述训练好的基于特权信息的支持向量机模型用于预测肾炎患者是否患有尿毒症。

27、结合第二方面，本技术实施例提供了第二方面的第一种可能的实施方式，其中，还包括：

28、第二获取模块，用于获取测试样本数据；所述测试样本数据包括第二类肾炎患者的临床病理测试数据和患病标签测试数据；所述患病标签测试数据用于表征所述第二类肾炎患者是否患有尿毒症；

29、第一确定模块，用于根据所述测试样本数据，确定所述训练好的基于特权信息的支持向量机模型的准确度；

30、更新模块，用于根据所述准确度，对所述训练好的基于特权信息的支持向量机模型进行更新。

31、结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第二种可能的实施方式，其中，所述第一确定模块在用于确定所述训练好的基于特权信息的支持向量机模型的准确度时，具体用于：

32、针对每个所述第二类肾炎患者，生成该第二类肾炎患者的临床病理测试数据对应的测试特征向量；

33、针对每个所述第二类肾炎患者，将该第二类肾炎患者对应的所述测试特征向量作为所述训练好的基于特权信息的支持向量机模型的输入，得到对应的该第二类肾炎患者患有尿毒症的预测结果；

34、根据每个所述第二类肾炎患者患有尿毒症的预测结果以及每个所述第二类肾炎患者的患病标签测试数据，确定所述训练好的基于特权信息的支持向量机模型的准确度。

35、结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第三种可能的实施方式，其中，所述更新模块在用于根据所述准确度，对所述训练好的基于特权信息的支持向量机模型进行更新时，具体用于：

36、若所述准确度大于设定阈值，则确定所述训练好的基于特权信息的支持向量机模型为最优的基于特权信息的支持向量机模型；

37、若所述准确度不大于设定阈值，则对所述训练好的基于特权信息的支持向量机模型中的参数进行调整，并重复调用第二方面和第二方面的第一种可能的实施方式中记载的装置。

38、结合第二方面，本技术实施例提供了第二方面的第四种可能的实施方式，其中，还包括：

39、第三获取模块，用于获取待预测的目标肾炎患者的目标临床病理数据；

40、输入模块，用于将用于表征所述目标临床病理数据的目标临床病理特征向量输入到所述训练好的基于特权信息的支持向量机模型中，得到所述目标肾炎患者患有尿毒症的目标预测结果；

41、第二生成模块，用于根据所述目标肾炎患者的个人身份信息和所述目标预测结果，生成所述目标肾炎患者的目标检查报告；

42、同步模块，用于将所述目标检查报告同步至检查报告查询系统。

43、结合第二方面的第四种可能的实施方式，本技术实施例提供了第二方面的第五种可能的实施方式，其中，还包括：

44、第二确定模块，用于确定获取到所述目标肾炎患者的基因数据时，将所述目标肾炎患者的基因数据、临床病理数据以及患病标签作为训练样本数据。

45、第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可能的实施方式中的步骤。

46、第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中的步骤。

47、本技术实施例提供的一种尿毒症预测模型的训练方法、装置、电子设备及存储介质，考虑到尿毒症与遗传有一定的关系，因此本技术通过使用临床病理训练数据和基因训练数据对待训练的基于特权信息的支持向量机模型进行训练，相比于现有技术中仅使用临床病理数据对预测模型进行训练的方式，本方法有利于提高模型预测的准确率。

48、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。