技术特征：
1.一种基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，该系统包括数据采集模块、数据预处理模块、数据归一化模块、迁移学习方法的模型训练模块、模型预测模块和报告生成模块；其中，所述数据采集模块用于采集青少年患者样本的临床检查数据和病理检查数据以及青少年患者样本对应的恶化标签、成年患者样本的临床检查数据和病理检查数据，以及成年患者样本对应的恶化标签；所述数据预处理模块用于对青少年患者和成年患者的临床检查数据和病理检查数据进行数据增强，并剔除有数据缺失的样本，最终得到用于后续模型训练及预测的临床检查数据特征和病理检查数据特征表示，再将临床检查数据特征和病理检查数据特征二者进行直接拼接组合，构成临床数据特征，作为后续模型训练及测试的输入数据，患者的临床数据特征表示为f＝[f1,f2,
…
,f
n
]，其中，f
i
表示第i个特征，n表示共有n个特征；将恶化标签处理为1和0的二分类标签y，作为后续模型训练及测试的标签，其中1表示患者iga肾病恶化，0表示iga肾病没有恶化；其中，患者包括青少年患者和成年患者；所述数据归一化模块用于将得到的患者临床数据特征f进行数据归一化操作，最终得到用于后续模型训练及测试的数据集，所述数据集中的每一个数据样本包括患者归一化后的临床数据特征及该患者对应的恶化标签，所述数据集由训练集和测试集两部分构成，其中训练集由成年患者的全部数据集样本以及青少年患者的70％的数据集样本构成，测试集由青少年患者的30％的数据集样本构成；所述数据归一化指通过如下公式将临床数据特征f映射到0-1之间，避免因为数据范围相差过大，增加模型训练的难度；上式中，f
i
表示对应患者的临床数据特征表示为f中的第i个特征，f
min
表示包括青少年患者和成年患者在内的所有患者中第i个特征的最小值，f
max
表示包括青少年患者和成年患者在内的所有患者中第i个特征的最大值；x
i
表示第i个特征被归一化之后的标准特征值，最终归一化之后的临床数据特征表示为x＝[x1,x2,
…
,x
n
]；并将成年患者的恶化情况的概率表示为所述迁移学习方法的模型训练模块通过迁移学习方法，训练构建的面向青少年的iga肾病预测模型，用于后续的青少年患者样本恶化概率预测；所述面向青少年的iga肾病预测模型采用迭代训练方法进行训练，对于一个给定的输入的训练集数据样本，将临床数据特征分别输入面向青少年的iga肾病预测模型中的肾病预测分类器和数据域分类器中，其中，数据域分类器用于判断输入的数据样本是来自成年患者还是青少年患者，当输入数据样本为成年患者时，肾病预测分类器用于判断成年患者的患病情况；当输入数据样本为青少年患者时，面向青少年的iga肾病预测模型只需要计算数据域分类器的损失函数最终，使用所述肾病预测分类器的损失函数对所述面向青少年的iga肾病预测模型进行训练；当面向青少年的iga肾病预测模型的精度满足预设阈值要求，停止训练；其中，所述面向青少年的iga肾病预测模型在训练过程中，使用损失函数其中，为肾病预测分类损失函数，该损失函数用于对比模型预测的成
年患者的恶化概率与成年患者的恶化标签，因此仅适用于成年患者样本，为数据域分类器的对抗损失函数；的表示如下：上式中，y表示成年患者数据集样本的真实的恶化标签，表示成年患者数据集样本的模型预测的肾病恶化概率；所述数据域分类器的对抗损失函数如下：上式中，d
i
′
表示第i
′
个训练集数据样本的数据域标签，当d
i
′
＝0时，表示来自成年患者的数据域，即源域；而当d
i
′
＝1时，表示来自青少年患者的数据域，即目标域；p
i
′
表示对第i
′
个样本的所属的数据域的预测概率，log表示以e为底的对数；则最终的面向青少年的iga肾病预测模型的损失函数表示如下：所述模型预测模块使用所述迁移学习方法的模型训练模块中训练得到的面向青少年的iga肾病预测模型来预测临床样本的iga肾病恶化概率；在采用训练得到的面向青少年的iga肾病预测模型进行预测时，只需要使用肾病预测分类器，对于测试集数据样本，输入数据预处理模块得到待测试的青少年患者数据集样本的临床数据特征，将得到的青少年患者数据集样本的临床数据特征直接输入肾病预测分类器中，训练得到的面向青少年iga肾病预测模型即可通过肾病预测分类器输出青少年患者的iga肾病恶化概率；所述报告生成模块用于输出待测试的青少年患者的iga肾病恶化情况分析报告，并将报告上传到基于迁移学习的青少年iga肾病的预测分析系统平台，用于患者在终端进行查询。2.根据权利要求1所述的基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，青少年患者数量和成年患者数量为1∶1。3.根据权利要求2所述的基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，所述临床检查数据，即通过相关医疗仪器对青少年患者或成年患者采集血液样本进行血液检查和采集尿液样本进行尿液检查得到的化验单数据，包含血肌酐、肾小球滤过率、血压、尿酸的数据；所述病理检查数据，即通过对青少年患者或成年患者的肾脏进行切片进行活体检查得到的与所患肾脏病相关的数据，包含m、e、s、t、c五类指标，其中，m表示系膜细胞增生：超过50％的肾小球存在系膜细胞增生则为m1，否则为m0；e表示毛细血管内皮细胞增生：如果有毛细血管内皮细胞增生则为e1，否则为e0；s表示肾小球节段硬化：如果有肾小球节段硬化或黏连为s1，否则为s0；t表示肾小管萎缩或肾间质纤维化：t0表示肾小管萎缩或肾间质纤维化的比例小于25％，t1表示肾小管萎缩或肾间质纤维化的比例大于25％且小于50％，t2表示肾小管萎缩或肾间质纤维化的比例超过50％；c表示细胞性或纤维细胞性新月体：c0表
示不存在细胞性或纤维细胞性新月体，c1表示存在小于25％的肾小球存在细胞性或纤维细胞性新月体，c2表示存在超过25％的肾小球细胞性或纤维细胞性新月体；所述恶化标签，即iga肾病是否恶化，即是否达到终末期肾病或肾小球滤过率egfr下降大于50％，其中，终末期肾病指egfr＜15ml/min/1.73m2或开始进行肾脏替代治疗的时间持续3个月以上。4.根据权利要求3所述的基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，所述数据增强包含对样本数据的增广。5.根据权利要求4所述的基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，所述模型的精度是指模型准确率，即测试集中分类正确的样本数占测试集中的总的样本数的比例。6.根据权利要求5所述的基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，所述迁移学习是指将某个数据域上学习到的知识或模式应用到与源域有差异但相关的数据域或问题中，由于成年患者和青少年患者的体质年龄差异，并不能将在成年患者上训练得到的肾病预测模型直接用于青少年患者，通过迁移学习方法，获得成年患者和青少年患者对于肾病的域不变的特征，将来自源域的成年患者的肾病恶化模式，结合青少年的自身临床以及病理特征，应用到青少年患者的iga肾病恶化预测中；所述面向青少年的iga肾病预测模型包含肾病预测分类器和数据域分类器，将成年患者的临床数据特征和青少年患者的临床数据特征输入肾病预测分类器和数据域分类器后，通过对抗学习方式，利用肾病预测分类器、数据域分类器，以及面向青少年的iga肾病预测模型的损失函数，保留成年患者和青少年患者的域不变的特征；所述域不变的特征，指克服青少年患者和成年患者的数据分布差异，如因年龄不同而临床数据指标表示不同的数据特征，而对于判断肾病恶化概率起着关键表示作用的特征；保留域不变的特征，即消除了成年患者和青少年患者的有差异和独有的特征，而保留与iga肾病有相关度和相似性的特征；所述肾病预测分类器是一个具有多层感知器的全连接神经网络，输入数据预处理模块得到的成年患者或青少年患者归一化临床数据特征通过肾病预测分类器，输出iga肾病情况的恶化概率；所述数据域分类器是一个二分类的神经网络，用于判别输入数据域分类器的特征是来自于源域还是目标域，在输入数据预处理模块得到的归一化临床数据特征后，输出分类器的判断结果，0表示源域，1表示目标域；数据域分类器仅在所述面向青少年的iga肾病预测模型的训练阶段使用，目的是获取域不变的通用特征，在使用所述面向青少年的iga肾病预测模型进行预测青少年患者肾病情况的时候不需要；所述对抗学习方式，指通过肾病预测分类器和数据域分类器之间的对抗，数据域分类器需要域相关的成年患者和青少年患者的临床数据特征才能够准确区分出样本来自哪个数据域，而肾病预测分类器则需要域不变的临床数据特征，才能有效地预测成年和青少年患者的iga肾病恶化概率，通过对抗学习的方式，学习得到成年患者和青少年患者的域不变的特征，用于预测青少年患者的iga肾病恶化概率。7.根据权利要求6所述的基于迁移学习的青少年iga肾病的预测分析系统，其特征在于，所述终端包括手机、平板。
技术总结
本发明公开了一种基于迁移学习的青少年IgA肾病的预测分析系统，该系统包括依次连接的数据采集模块、数据预处理模块、数据归一化模块、迁移学习方法的模型训练模块、模型预测模块和报告生成模块；数据采集模块采集数据；数据预处理模块用于数据增强等；数据归一化模块将数据进行归一化；模型训练模块训练肾病预测模型；模型预测模块预测肾病恶化概率；报告生成模块输出肾病恶化情况分析报告。本发明将成年患者中传统肾病检查中的临床数据与青少年患者的临床数据结合起来，检查效果更准确，运用人工智能算法自动比较分析，提高青少年患者预测效率；通过比较不同年龄的患者的检查数据，有助于医生掌握疾病发展规律，有利于治疗与预后。与预后。与预后。
技术研发人员：段立新 李文 刘丹蕾 魏凡越
受保护的技术使用者：电子科技大学
技术研发日：2022.07.26
技术公布日：2022/11/25