疾病预测方法及装置与流程

本发明涉及疾病预测技术领域，具体而言，涉及一种疾病预测方法及装置。

背景技术：

阿尔茨海默病(alzheimer’sdisease,简称ad)，是导致痴呆症的主要原因。是由神经斑块与纤维缠结两种变性蛋白质集聚在脑实质内，逐渐破坏脑细胞，损伤脑功能所致。临床表现初期为记忆损害，随着病情加重，认知功能会有所损害，日常生活能力下降,有明显的记忆力下降以及行为的改变。在“世界阿尔兹海默病2016年报告”中，目前全球患有老年痴呆疾病的患者数量大约在4700万，远超于西班牙的人口，随着人口的老龄化，预计到2050年将达到1亿3100万。阿尔兹海默病对经济也产生了巨大的影响，全球总花费大约在818亿美元，预计在2018年将增加至1万亿。阿尔茨海默病是一种不可逆的退行性发展的疾病，医生需要密切监测患者的病情，根据病情来及时调整治疗计划。在临床上，神经科医师常常根据痴呆量表的评分初步判断脑疾病类型和严重程度，常用的量表有简易精神状态检查量表(mini-mentalstateexamination，简称mmse)、临床痴呆量表-glob(theclinicaldementiarating-global,cdr-glob)、临床痴呆量表-sob(theclinicaldementiaratingscalesumofboxes，cdr-sob)、阿尔兹海默病症评估认知分量表(alzheimer'sdiseaseassessmentscale-cognitivesubscale，adas-cog)。目前，通常采用神经影像如结构磁共振成像(magneticresonanceimaging,mri)及正电子发射断层扫描(positronemissiontomography,pet)数据进行临床评分预测。

研究表明，临床评分是医生进行疾病评估最有效的依据，磁共振成像(magneticresonanceimaging,mri)数据非常适合用于预测阿尔茨海默病患者的临床评分。在传统研究中，学者们大多是基于单一时间点的mri数据进行临床评分预测，缺少利用多时间点的数据，具有一定的局限性，针对此，常用的处理方法是将那些缺失数据的受试者从提取的数据中移除，但这种方法会导致可用的受试者数量减少，限制了我们的研究，不适宜使用。还有一种处理方法是通过插值法来填补缺失评分，这种方法依赖于时间的平滑性，一旦受试者的情况突然恶化，预测结果可能会产生偏差。

技术实现要素：

本发明的目的在于提供一种疾病预测方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本发明实施例提供了一种疾病预测方法，所述方法包括：在第一时刻获取对应一种疾病的第一基线数据，其中，所述第一基线数据包括患所述疾病的m个病人的第一时刻医学影像数据和m个第一时刻临床评分，m为正整数；在第一时刻之后的第二时刻，获得所述m个病人中n个病人的第二时刻医学影像数据及k个第二时刻临床评分，n为小于m的正整数，k为小于n的正整数；基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分；基于所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分，预测所述n个病人中的p个病人在第二时刻之后的第三时刻的p个第三时刻临床评分，p为小于等于n的正整数。

第二方面，本发明实施例提供了一种疾病预测装置，所述装置包括：第一获取单元、第二获取单元、第一预测单元以及第二预测单元。第一获取单元，用于在第一时刻获取对应一种疾病的第一基线数据，

其中，所述第一基线数据包括患所述疾病的m个病人的第一时刻医学影像数据和m个第一时刻临床评分，m为正整数；第二获取单元，用于在第一时刻之后的第二时刻，获得所述m个病人中n个病人的第二时刻医学影像数据及k个第二时刻临床评分，n为小于m的正整数，k为小于n的正整数；第一预测单元，用于基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分；第二预测单元，用于基于所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分，预测所述n个病人中的p个病人在第二时刻之后的第三时刻的p个第三时刻临床评分，p为小于等于n的正整数。

本发明实施例提供的一种疾病预测方法及装置，包括在第一时刻获取对应一种疾病的第一基线数据，其中，所述第一基线数据包括患所述疾病的m个病人的第一时刻医学影像数据和m个第一时刻临床评分，m为正整数；在第一时刻之后的第二时刻，获得所述m个病人中n个病人的第二时刻医学影像数据及k个第二时刻临床评分，n为小于m的正整数，k为小于n的正整数；基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分；基于所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分，预测所述n个病人中的p个病人在第二时刻之后的第三时刻的p个第三时刻临床评分，p为小于等于n的正整数，预测精度高。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的电子设备的结构框图；

图2为本发明实施例提供的疾病预测方法的流程图；

图3为本发明实施例提供的疾病预测方法中步骤s220的流程图；

图4为本发明实施例提供的疾病预测装置的结构框图。

图标：100-电子设备；102-存储器；104-存储控制器；106-处理器；108-外设接口；110-输入输出模块；112-音频模块；114-显示模块；116-射频模块；300-疾病预测装置；320-第一获取单元；330-第二获取单元；340第-一预测装置；350-第二预测装置。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1示出了一种可应用于本发明实施例中的电子设备100的结构框图。如图1所示，电子设备100可以包括存储器102、存储控制器104、一个或多个(图1中仅示出一个)处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116和疾病预测装置。

存储器102、存储控制器104、处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。图片哈希码生成及图片检索方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器102中的软件功能模块，例如所述图片哈希码生成及图片检索装置包括的软件功能模块或计算机程序。

存储器102可以存储各种软件程序以及模块，如本申请实施例提供的图片哈希码生成及图片检索方法及装置对应的程序指令/模块。处理器106通过运行存储在存储器102中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的图片哈希码生成及图片检索方法。

存储器102可以包括但不限于随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。

处理器106可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口108将各种输入/输入装置耦合至处理器106以及存储器102。在一些实施例中，外设接口108、处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出模块110用于提供给用户输入数据实现用户与电子设备100的交互。所述输入输出模块110可以是，但不限于，鼠标和键盘等。

音频模块112向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示模块114在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示模块114可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器106进行计算和处理。

射频模块116用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通信网络或者其他设备进行通信。

可以理解，图1所示的结构仅为示意，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

于本发明实施例中，电子设备100可以作为用户终端，或者作为服务器。用户终端可以为pc(personalcomputer)电脑、平板电脑、手机、笔记本电脑、智能电视、机顶盒、车载终端等终端设备。

请参阅图2，本发明实施例提供了一种疾病预测方法，所述方法可以包括步骤s200、步骤s210、步骤s220和步骤s230。

步骤s200：在第一时刻获取对应一种疾病的第一基线数据，其中，所述第一基线数据包括患所述疾病的m个病人的第一时刻医学影像数据和m个第一时刻临床评分，m为正整数。

步骤s210：在第一时刻之后的第二时刻，获得所述m个病人中n个病人的第二时刻医学影像数据及k个第二时刻临床评分，n为小于m的正整数，k为小于n的正整数。

步骤s220：基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分。

步骤s230：基于所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分，预测所述n个病人中的p个病人在第二时刻之后的第三时刻的p个第三时刻临床评分，p为小于等于n的正整数。

作为一种实施方式，基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分，所述方法包括：

步骤s221：基于所述第一基线数据以及第一模型，获取第一时刻权重矩阵。

其中，所述第一模型为基于步骤s221，进一步地，将所述第一基线数据带入中，计算使其最小时，获得所述第一时刻权重矩阵，其中，表示所述m个病人在第t个时间点的临床评分，表示所述m个病人在第t个时间点的医学影像数据，表示权重矩阵，wt表示第t个时间点的权重矩阵，t为采样点数，ρ0表示第一预设常数，

步骤s222：基于所述第一基线数据以及第二模型，获取所述m个病人的第一时刻医学影像数据中与所述疾病相关的第一时刻特征矩阵。

具体地，为了研究纵向磁共振成像(magneticresonanceimaging,mri)数据的时间特性，在第一模型中添加平滑项来构造第一目标函数，以减少权重随时间变化的差异，其中，所述第一目标函数为其中ρ1为第二预设常数。

为了消除医学影像数据xt中的离群值，因此，在第一目标函数的基础上结合相关熵理论来构建第二模型，其中，所述第二模型为将所述第一基线数据带入所述第二模型，计算使其最小化时，即计算目标函数获取所述第一时刻目标权重矩阵，其中，ρ2为第三预设常数。

基于所述第一时刻目标权重矩阵，获取所述m个病人的第一时刻医学影像数据中与所述第一时刻目标权重矩阵对应的所述第一时刻特征矩阵。

具体地，将所述第一基线数据带入所述第二模型，计算使其最小化时，获取所述第一时刻目标权重矩阵，其中，求解所述第一时刻目标权重矩阵可以采用加速梯度法(acceleratedgradientmethods,agm)。agm不同于传统的梯度法，传统的梯度法每次迭代过程中只使用最近的点作为当前的搜索点，而agm算法利用前两个点的一个线性组合作为新的搜索点，使其收敛速度更快。其中，所述第一时刻目标权重矩阵的详细求解过程为：

首先，将目标函数f(w)划分为平滑部分fs(w)和非平滑部分fns(w)，其中，fns(w)＝ρ0||w||2,1，继而构造f(w)的逼近函数g(w)＝fs(wk)+fs'(wk)(w-wk)，其中，wk表示w在第k次迭代后权重矩阵，其中，w1＝w0，fs'(wk)表示fs(w)在w＝wk处对fs(w)求一阶偏导，l>0，l为第四预设值。

定义第k次迭代的搜索矩阵uk，其中，uk是wk和wk-1的一种仿射组合，uk＝wk+βk(wk-wk-1)，其中，α-1＝0,α0＝1，α-1,α0参数α的初始值，αk,βk分别表示第k次迭代后的参数值。

因此，w第k+1次迭代后的权重矩阵可以表示为：其中wj和vj分别表示w和v的第j行，lk为第k次迭代后的值，参数l的初始化为l＝l0。遵循aremijo-goldstein准则，通过线搜索得到lk，因此，wk+1的求解问题，转换为d个独立的问题，即通过求解：最大迭代次数k1为预设参数。

步骤s223：基于所述第一时刻特征矩阵，获取第一时刻特征编码矩阵。

步骤s224：基于所述第一时刻特征编码矩阵以及第三模型，获取第一时刻加权矩阵。

步骤s225：基于所述第一时刻加权矩以及所述第一时刻权重矩阵，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分。

所述基于所述第一时刻特征矩阵，获取第一时刻特征编码矩阵，包括：

将所述第一时刻特征矩阵带入深度多项式网络(deeppolynomialnetwork，dpn)的一级多项函数，获得第一层网络对应的构建矩阵。

具体地，经过特征选择后，所述第一时刻特征矩阵中第i位病人的医学影像数据为其中d1<d，因此，所述第一时刻特征矩阵可以表示为：其中，yi为标签值。将所述第一时刻特征矩阵一次输入dpn的一级多项式函数，获取第一层网络对应的构建矩阵{<z,[1x'1]><z,[1x'2]>…<z,[1x'm]>}，其中，z为x'通过奇异值分解(singularvaluedecomposition，svd)获取的一组使得{<z,[1x'1]><z,[1x'2]>…<z,[1x'm]>}线性独立的解向量。对于每一层的第j1＝1,2,…,d1个节点，第j1个节点函数为因此，第一网络对应的构建矩阵为f¹，其中，

基于所述第一层网络对应的特征矩阵以及lemma定理，获取第l层网络对应的构建矩阵，其中，l＝2,…,l。

具体地，由lemma定理可知，第l层网络对应的构建矩阵可以由所述第一层网络对应的构建矩阵和第l-1层网络对应的构建矩阵获取，第l层网络对应的构建矩阵为：其中，|f¹|表示矩阵f¹的列数，fi表示矩阵f的第i列，表示矩阵a与矩阵b的hadamard乘积运算。

基于l层网络对应的构建矩阵，获取所述第一时刻特征编码矩阵，即第一时刻特征编码矩阵中的第l层网络对应的特征编码矩阵为其中

作为一种实施方式，所述第三模型为所述基于所述第一时刻特征编码矩阵以及第三模型，获取第一时刻加权矩阵，其中，gl表示第l层网络对应的加权系数，包括：

将所述第一时刻特征编码矩阵中的第l层网络对应的特征编码矩阵进行支持向量回归(supportvectorregression，svr)预测，获取第l层网络对应的第一时刻临床预测评分rl，其中，l＝1,2,…,l。

将l层网络对应的第一时刻临床预测评分r、所述m个第一时刻临床评分y带入所述第三模型，计算使其最小化时，获取所述第一时刻加权矩阵g，其中，r＝[r1r2…rl]为层网络对应的第一时刻临床预测评分，rl表示第l层网络对应的第一时刻临床预测评分。

进一步地，所述基于所述第一时刻加权矩以及第一时刻权重矩阵，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分，包括：

基于所述第一时刻权重矩阵以及所述n个病人的第二时刻医学影像数据中除与所述k个第二时刻临床评分对应的第二时刻医学图像数据，获取第二时刻初始特征编码矩阵。

具体地，将所述第一时刻权重矩阵、所述n个病人的第二时刻医学影像数据中除与所述k个第二时刻临床评分对应的第二时刻医学图像数据带入所述第二模型中进行计算，获取第二时刻初始特征编码矩阵。

基于所述第一时刻加权矩对所述第二时刻初始特征编码矩阵进行加权处理，获取第二时刻特征编码矩阵，可以理解的是，将所述第二时刻初始特征编码矩阵中第l层网络对应的初始特征编码矩阵乘以加权系数gl，获取第二时刻特征编码矩阵。

基于所述第二时刻特征编码矩阵，获取所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分。

具体地，将所述第二时刻特征编码矩阵中的每层网络对应的特征编码矩阵进行支持向量回归(supportvectorregression，svr)预测，获取对应的第二时刻临床预测评分。

基于所述第二时刻临床预测评分、所述第一时刻加权矩阵以及所述第三模型，获取所述n-k个病人的第二时刻临床评分。

作为一种实施方式，所述基于所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分，预测所述n个病人中的p个病人在第二时刻之后的第三时刻的p个第三时刻临床评分，包括：

将所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分带入所述第二模型中进行计算，获取第二时刻权重矩阵。

基于所述第二时刻权重矩阵、所述第一时刻加权矩阵以及所述p个病人在第三时刻的医学影像数据，获取所述p个第三时刻临床评分。

请参阅图4，本发明实施例提供了一种疾病预测装置300，所述疾病预测装置300可以包括第一获取单元320、第二获取单元330、第一预测单元340和第二预测单元350。

第一获取单元320，用于基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分。

第二获取单元330，用于在第一时刻之后的第二时刻，获得所述m个病人中n个病人的第二时刻医学影像数据及k个第二时刻临床评分，n为小于m的正整数，k为小于n的正整数。

第一预测单元340，用于基于所述第一基线数据，预测所述n个病人中除所述k个第二时刻临床评分以外的n-k个病人的第二时刻临床评分。

第二预测单元350，用于基于所述第一基线数据，所述n个病人的第二时刻医学影像数据，所述k个第二时刻临床评分以及所述n-k个病人的第二时刻临床评分，预测所述n个病人中的p个病人在第二时刻之后的第三时刻的p个第三时刻临床评分，p为小于等于n的正整数。

以上各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器102内。以上各单元同样可以由硬件例如集成电路芯片实现。

本发明实施例提供的疾病预测装置300，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述图片检索方法实施例中相应内容。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。