一种利用人工智能技术预测疾病病理特征的方法

本发明涉及医学领域，尤其涉及一种利用人工智能技术预测疾病病理特征的方法。

背景技术：

1、在当今医学领域，随着医学图像获取技术的迅速发展，如ct扫描、mri和x光等，我们面临着海量、复杂的医学数据。这些数据中蕴含着丰富的疾病信息，然而，要从中准确、高效地提取疾病病理特征成为一个具有挑战性的问题。然而，传统的医学图像解析和疾病病理特征分析在面对大规模和高维度的医学数据时显得繁琐且容易出现主观判断的问题；因此，发明出一种利用人工智能技术预测疾病病理特征的方法变得尤为重要。

2、经检索，中国专利号cn113793667a公开了基于聚类分析的疾病预测方法、装置及计算机设备，该发明虽然能够考虑到患者信息和病理特征信息的彼此关系和影响，能够使聚类结果更为精准，从而能够为疾病预测提供有力的数据支撑，但是无法在特征空间中进行全面的搜索，无法处理医学图像等复杂数据中存在的不确定性和噪声。容易陷入局部最优解；此外，现有的预测疾病病理特征的方法分析的效率低下，不利于深入挖掘潜在的生物学或医学机制，分析的用户友好性差；为此，我们提出一种利用人工智能技术预测疾病病理特征的方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种利用人工智能技术预测疾病病理特征的方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种利用人工智能技术预测疾病病理特征的方法，该预测方法具体步骤如下：

4、(1)收集大规模的医学图像和患者数据并预处理；

5、(2)将处理后的数据存储至区块链并提取数据关键特征；

6、(3)构建病理特征预测模型并进行病理特征的关联分析；

7、(4)病理特征预测模型进行预测并实时评估模型性能；

8、(5)持续监测病理特征预测模型的性能并实时更新。

9、2、根据权利要求1所述的一种利用人工智能技术预测疾病病理特征的方法，其特征在于，步骤(1)中所述数据预处理具体步骤如下：

10、步骤一：收集来自医疗机构的大规模医学图像和患者数据，并移除图像中的噪声、伪影和不良标记，之后通过高斯滤波去除各组运行数据中的噪声并平滑数据，通过特征工程提取各组数据的特征信息，对提取的特征进行标准化以统一数据格式；

11、步骤二：检测是否存在重复的数据记录，若存在重复数据，则将其删除，再检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并通过knn算法找到的相应的k组数据点的平均值或中位数来替代异常值或缺失值。

12、其特征在于，步骤(2)中所述区块链存储具体步骤如下：

13、步骤1：设立一组分布式的区块链网络，并通过智能合约定义数据的存储结构和处理逻辑，再将智能合约部署到区块链网络中，之后将预处理后的医学数据封装为数据块并形成待写入区块链的区块包，并使用哈希函数生成唯一标识；

14、步骤2：将封装好的区块包发送至智能合约，同时请求将数据写入区块链，区块链网络中的节点通过共识机制验证数据的合法性，并决定是否将数据写入区块，当通过验证，新的区块将被创建，同时新生成的区块通过网络分发到所有的节点。

15、其特征在于，步骤(2)中所述数据关键特征提取具体步骤如下：

16、步骤ⅰ：根据提取各组数据的特征信息创建蒙特卡洛树的根节点，再依据ucb算法选择子节点，直到达到叶子节点后停止选择，若该叶子节点未被完全探索，则在特征空间中为其添加新的特征将其扩展；

17、步骤ⅱ：对新生成的节点进行随机选择，并进行模拟，将模拟的结果反向传播到根节点，更新每个节点的访问次数和奖励值，调整节点的选择策略，重复选择、扩展、模拟、评估和反向传播的步骤，直到达到叶子节点或达到模拟次数上限；

18、步骤ⅲ：通过遍历特征空间并计算每组特征的平均奖励值，以选择具有最高奖励值的特征，将选择的各组特征整合成一组最优的特征集。

19、其特征在于，步骤(3)中所述病理特征预测模型构建具体步骤如下：

20、步骤①：将经过特征工程和蒙特卡洛树搜索的医学图像和患者数据划分为训练集、验证集和测试集，建立病理特征预测模型并依据特征信息确定预测模型神经元数量，同时将各神经元权重初始化为随机值或预设的初始值，并依据预设信息确定学习率以及步长；

21、步骤②：将训练集划分为小批量，通过前向传播将各组训练集分批传递到病理特征预测模型中并计算每组神经元的输出，使用损失函数来比较病理特征预测模型的输出与实际目标值之间的差异，根据损失函数的梯度来计算权重的梯度，通过梯度下降算法更新各神经元权重，重复对该病理特征预测模型进行训练，直至所有训练集都使用完毕；

22、步骤③：使用验证集来评估训练好的模型性能，并通过交叉验证法对不满足预设条件的病理特征预测模型学习率进行调整，当模型在验证集上的性能不再改善或开始恶化时，则选择提前停止训练，并通过测试集评估最终病理特征预测模型的性能。

23、其特征在于，步骤(3)中所述病理特征关联分析具体步骤如下：

24、第一步：基于病理特征数据构建lur链表，计算每一对病理特征之间的相似性分数，并将其存储至对应lur节点中，根据计算得到的相似性分数，对lur链表中的节点进行排序，将相似性高的节点在链表中相邻，以形成高度相关的病理特征组；

25、第二步：根据工作人员设置相似性阈值，筛选出相似性分数高于阈值的节点，之后通过图形网络对lur链表进行可视化分析，再根据apriori算法对于链表中的关联病理特征组之间的关联规则进行挖掘，并对关联分析的结果进行解释，以理解病理特征之间的生物学或医学意义。

26、其特征在于，步骤(4)中所述病理特征预测模型预测具体步骤如下：

27、第1步：通过病理特征预测模型的多组注意力层从不同角度对相同输入的融合数据进行线性变换以提取特征信息，将多组注意力层的输出进行融合，将融合后的特征信息导入后续隐藏层中；

28、第2步：通过各隐藏层计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后依据各神经元权重占比，输出层输出对应疾病信息，并生成关联分析的结果。

29、相比于现有技术，本发明的有益效果在于：

30、1、该利用人工智能技术预测疾病病理特征的方法根据提取各组数据的特征信息创建蒙特卡洛树的根节点，再依据ucb算法选择子节点，直到达到叶子节点后停止选择，若该叶子节点未被完全探索，则在特征空间中为其添加新的特征将其扩展，对新生成的节点进行随机选择，并进行模拟，将模拟的结果反向传播到根节点，更新每个节点的访问次数和奖励值，调整节点的选择策略，重复选择、扩展、模拟、评估和反向传播的步骤，直到达到叶子节点或达到模拟次数上限，通过遍历特征空间并计算每组特征的平均奖励值，以选择具有最高奖励值的特征，将选择的各组特征整合成一组最优的特征集，能够在特征空间中进行全面的搜索，能够有效处理医学图像等复杂数据中存在的不确定性和噪声，避免陷入局部最优解，提高算法的鲁棒性。

31、2、该利用人工智能技术预测疾病病理特征的方法基于病理特征数据构建lur链表，计算每一对病理特征之间的相似性分数，并将其存储至对应lur节点中，根据计算得到的相似性分数，对lur链表中的节点进行排序，将相似性高的节点在链表中相邻，以形成高度相关的病理特征组，根据工作人员设置相似性阈值，筛选出相似性分数高于阈值的节点，之后通过图形网络对lur链表进行可视化分析，再根据apriori算法对于链表中的关联病理特征组之间的关联规则进行挖掘，并对关联分析的结果进行解释，以理解病理特征之间的生物学或医学意义，提高分析的效率，有助于深入挖掘潜在的生物学或医学机制，提高分析的用户友好性，能够发现更加复杂的特征组合和规律。