一种基于信息融合的肌少症风险预测方法

本发明属于肌少症预测，尤其是涉及一种基于信息融合的肌少症风险预测方法。

背景技术：

1、疾病风险预测常用于预测未来某种疾病发病的可能性，能够为临床提供辅助决策支持，且通过高危筛查等途径促进疾病的三级预防，降低疾病发病率和死亡率。

2、肌少症与自然衰老过程相关，大多数肌少症患者不能被及时发现。一方面由于肌少症的诊断需专业化的肌力和肌量测量，诊断过程较繁琐，不适用于大规模人群筛查和临床快速评估；另一方面由于筛查工具不完善，筛检试验的效果并未得到证实，因此尚不能普遍推广。现有的一些筛查方式包括sarc-f量表、sarc-f+cc(小腿围)量表、ishii肌少症评分、迷你肌少症风险评估(msra)，以及肌少症相关的生物标志物例如il-6等。

3、信息融合通过对多源数据进行最佳组合，可以得到更加丰富的特征信息。中国专利“cn202110486200一种基于多模态融合的疾病风险预测方法和系统”提供了基于多模态融合的疾病风险预测方法，对于患者的结构化数据和非结构化数据通过smote算法和分段池化提取融合特征，最终进行疾病的风险预测。不同筛查方式的关注点有差异，sarc-f量表更加注重肌肉功能评估，而忽略了肌肉质量；小腿围(cc)更加注重肌肉质量评估，但忽略了肌肉功能的作用。

4、上述筛查方式单独使用都存在着不足，例如：msra虽然敏感性较高但是其特异性比较低，容易出现错误筛查；sarc-f量表虽然通常特异性较高，但是对于具有认知障碍的人群，其特异性和敏感性都收到影响。

技术实现思路

1、本发明通过编码解码器实现不同筛查方式个性特征和潜在相似特征的提取，融合不同筛查方式的有效特征，避免出现信息冗余，有利于提高肌少症筛查的效率和准确性。

2、本发明的技术方案为：

3、一种基于信息融合的肌少症风险预测方法，包括以下步骤：

4、s1、收集目标人群的人口统计学特征和对应的量表特征，进行预处理和标准化处理，得到用于对风险预测模型进行训练的训练数据，所述量表特征包括sarc-f量表、小腿围、msra-7、ishii评分和sarc-f+emb量表；

5、s2、构建风险预测模型，包括筛查层、自编码解码器、对抗网络、正交投影函数、多头注意力网络和预测网络；

6、设置筛查层共有n层，分别对应n种筛查方式，每层的输入均为训练数据，通过向量嵌入捕获筛查方式的隐藏特征向量，嵌入计算公式为：

7、

8、其中，sn代表第n种筛查方式得到的量表特征，和对应每一种筛查方式的可学习参数，t表示筛查方式的结果表示的维度，d表示得到的嵌入维度；

9、自编码解码器包括n个个性特征自编码解码器和1个共性特征自编码解码器，每个个性特征自编码解码器的输入为全部筛查层的输出，共性特征自编码解码器的输入也为全部筛查层的输出，通过个性特征自编码解码器和共性特征自编码解码器得到全部筛查方式的隐藏个性特征和共性特征

10、

11、

12、其中，ec和ep通过全连接神经网络实现，θc为所有筛查方式所共享的参数，分别对应每一种筛查方式的参数，dh为模型参数，表示得到的个性和共性特征的维度；

13、对抗网络用于让生成的共性特征在分布空间尽可能的接近，个性特征在分布空间尽可能的远，对抗网络包括第一鉴别器d0和第二鉴别器d1，第一鉴别器d0是一个n类的分类器，n为筛查方式的数量，输入特征为共性特征输出特征ω0n*1的每一个维度代表每一个筛查方式对该共性特征的贡献程度；当第一鉴别器d0已经收敛到最优得到对于输入特征i表示此共性特征属于筛查方式i，若越趋近于1，则表示筛查方式i涉及很少的共性，因此记代表着不同筛查方式对共性特征的贡献程度；第二鉴别器d1是一个n类分类器，用于减少模态之间的js散度，输入特征为共性特征输出特征ω1n*1表示此特征属于筛查方式i的概率，第一鉴别器d0的目标函数和第二鉴别器d1的目标函数为：

14、

15、

16、其中x为筛查方式i的共性特征，pxi为筛查方式i的共性特征分布，e(*)表示分布函数的期望值；

17、正交投影函数用于让共性特征空间和个性特征空间有效的分离，先求得个性特征在共性特征上的投影再通过得到与共性特征的正交向量，将投影到上得到最终的投影向量：

18、

19、投影函数proj的定义为：

20、

21、定义个性特征和共性特征的提取损失为lcom：

22、

23、其中α，β，γ为可调节参数，lsim为相似性损失，ldiff为差异性损失，lrec为交叉重建损失：

24、

25、

26、

27、

28、其中，表示第i个筛查方式提取出的潜在相似特征，为和的协方差，表示方差的计算，表示向量的拼接运算；

29、多头注意力网络的输入为个性特征和共性特征用于得到肌少症三要素的隐藏特征并得到最终的融合特征，定义肌少症三要素为肌肉质量mq、肌肉力量ms、肌肉功能mf，隐藏特征获取方法为：

30、对个性特征中的元素通过依次拼接的方式得到矩阵m，定义头注意力为：

31、

32、

33、其中q、k和v分别表示查询向量、键向量和值向量，且记q＝k＝v＝m；将q、k和v向量投影到局部空间中，headi代表第i个头注意力，是缩放系数，kt衡量每一种筛查方式之间的相似性，t表示矩阵转置运算；

34、通过多头自我注意力机制提供集成的作用防止出现过拟合的情况，增强每一个要素隐藏特征的表达能力：

35、

36、

37、

38、其中分别为3个要素的隐藏特征矩阵，表示head公式中的参数；

39、则最终的肌肉质量隐藏特征hmq表示为：

40、

41、其中同理可得肌肉力量隐藏特征和肌肉功能隐藏特征最终得到融合特征为：

42、

43、预测网络用于进行最终的风险预测：

44、yout＝wyh+by

45、其中，tout2*1表示最终预测结果，越接近1表示患有肌少症的概率越高,和by∈r2*1为可学习参数；任务损失采用交叉熵损失函数：

46、

47、其中，yi表示实际标签值，正类为1，负类为0，对应预测结果；

48、s3、利用s1的训练数据对s2构建的风险预测模型进行训练，得到训练好的模型，训练方式为使用随机梯度下降法，通过批量归一化进行模型训练；

49、s4、利用训练好的风险预测模型进行肌少症风险预测，具体为获取目标的人口统计学特征和对应的量表特征，经过s1的方法处理后输入训练好的风险预测模型，从而得到预测结果。

50、本发明的有益效果为：

51、与现有的技术相比：通过融合多个筛查方式的信息，可以得到丰富的信息；通过对筛查方式的特征提取中引入多种损失能够有效的预防融合过程中出现的信息冗余，并加强信息互补，有效的得到融合后的特征表示，提高肌少症风险预测的准确性。