1.一种数据预测的方法，其特征在于，所述方法包括：
获取图像数据，所述图像数据为包含病灶的医学影像数据；
基于预设的多任务梯度集成神经网络模型对图像数据对应的征象进行预测，得到预测结果，所述预设的多任务梯度集成神经网络模型为能迭代地学习分类错误的样本的集成算法模型。
2.根据权利要求1所述的数据预测的方法，其特征在于，在所述基于预设的多任务梯度集成神经网络模型对图像数据对应的征象进行预测之前，所述方法还包括：
获取训练样本，所述训练样本包含预设数量的样本数据及其对应的样本标注数据，所述预设数量的样本数据为包含病灶的医学影像样本数据，所述样本标注数据为对预设数量的样本数据进行病灶征象标注的图像数据；
基于训练样本对预设的多任务梯度集成神经网络算法进行训练得到预设的多任务梯度集成神经网络模型。
3.根据权利要求1所述的数据预测的方法，其特征在于，在所述基于预设的多任务梯度集成神经网络模型对图像数据对应的征象进行预测之前，所述方法还包括：
获取训练样本，所述训练样本包含预设数量的样本数据及其对应的征象评测值，所述预设数量的样本数据为包含病灶的医学影像样本数据，所述征象评测值为对预设数量的样本数据对应的征象进行评测的所有评测值；
基于训练样本对预设的多任务梯度集成神经网络算法进行训练得到预设的多任务梯度集成神经网络模型。
4.根据权利要求2或3所述的数据预测的方法，其特征在于，对预设的多任务梯度集成神经网络算法进行训练得到预设的多任务梯度集成神经网络模型还包括：
基于深度神经网络训练神经网络分类器；并且，
基于梯度集成确定每一次迭代的神经网络分类器。
5.根据权利要求4所述的数据预测的方法，其特征在于，所述基于梯度集成确定每一次迭代的神经网络分类器包括：
基于当前迭代次数之前得到的所有分类器的集成结果的梯度下降最快的方向确定当前迭代次数对应的神经网络分类器。
6.根据权利要求5所述的数据预测的方法，其特征在于，所述深度神经网络为三维密集连接的卷积网络3ddensenet。
7.根据权利要求1所述的数据预测的方法，其特征在于，所述医学影像数据为ct图像数据为电子计算机断层扫描ct图像数据或核磁共振成像mri图像数据。
8.一种数据预测的装置，其特征在于，所述装置包括：
第一获取单元，用于获取图像数据，所述图像数据为包含病灶的医学影像数据；
预测单元，用于基于预设的多任务梯度集成神经网络模型对图像数据对应的征象进行预测，得到预测结果，所述预设的多任务梯度集成神经网络模型为能迭代地学习分类错误的样本的集成算法模型。
9.根据权利要求8所述的数据预测的装置，其特征在于，所述装置还包括：
第二获取单元，用于在所述基于预设的多任务梯度集成神经网络模型对图像数据对应的征象进行预测之前，获取训练样本，所述训练样本包含预设数量的样本数据及其对应的样本标注数据，所述预设数量的样本数据为包含病灶的医学影像样本数据，所述样本标注数据为对预设数量的样本数据进行病灶征象标注的图像数据；
训练单元，用于基于训练样本对预设的多任务梯度集成神经网络算法进行训练得到预设的多任务梯度集成神经网络模型。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至权利要求7中任一项所述的数据预测的方法。