基于多源图神经网络融合的患病风险预测方法及系统技术方案

本发明专利技术提供一种基于多源图神经网络融合的患病风险预测方法及系统，属于医疗技术领域。在方法与系统中，结合患者历史诊断信息，基于患病时长信息进行患者特征构建，形成患病风险预测数据集；构建多源疾病关系网络，提出基于图神经网络的疾病网络特征抽取，进行患者患病特征矩阵补全；提出基于多源疾病关系网络融合的患病风险预测模型，实现患病风险的高精度预测。预测。预测。

Disease risk prediction method and system based on multi-source graph neural network fusion

【技术实现步骤摘要】
基于多源图神经网络融合的患病风险预测方法及系统


[0001]本专利技术涉及医疗
，具体涉及一种基于多源图神经网络融合的患病风险预测方法及系统。

技术介绍

[0002]随着电子病历系统的推广，近年来疾病预测研究受到广泛关注并取得重要进展。疾病预测研究的目标之一是预测患者未来可能患某种疾病的风险值，主要分为两类模型：1)静态预测，即不考虑时间限制的情况下对某个结果进行预测，类似于医生对于患者当前症状进行疾病诊断，或者近期发生发展的病情进行预测；2)动态疾病预测，即考虑多个时间节点下的患者情况对患者的某个病情进行预测，如使用历史患病记录预测未来半年出现心力衰竭的风险。
[0003]静态疾病预测模型主要以机器学习方法为主。例如DeepPatient将自动编码器和随机森林结合进行疾病风险预测。Olof等人现基于TF
‑
IDF处理后数据，使用受限玻尔兹曼机得到预测效果最好。Mohan等人提出了一种线性模型混合随机森林HRFLM、准确度为88.7％的心脏病预测模型。不足之处在于，现有疾病预测或诊断研究利用的患者信息较少，往往基于单一时间节点下的病例文本或者图像数据进行诊断，而且这些方法通常缺少对比实验，模型的真实性能效果未知。
[0004]动态疾病预测通常将患者的历史诊断信息嵌入到低维空间，并将患病经历表示为一系列序列特征，结合序列模型预测患者未来患病情况。Yu等人发现基于慢融合的CNN模型在预测心力衰竭和慢阻肺的发病时间性能最佳。 Choi等人构建了一个结合患者历史事件、基于RNN模型的DoctorAI，其预测患病准确率与医生相似。Choi等人提出了基于注意力的GRAM心力衰竭预测模型；Ma等人提出了端到端KAME模型预测患者未来健康状况。Gao等人提出了一种共同注意力记忆网络CAMP用于疾病诊断预测。以上预测模型需要大量训练数据来优化模型参数，当训练样本不足时性能欠佳；同时，这些方法缺少考虑疾病间的潜在关系和疾病自身的医学领域知识，而且现有的方法依旧是以单一模态患者数据预测为主，如何引入多模态数据提升预测性能是目前的热点和难点。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多源图神经网络融合的患病风险预测方法及系统，其利用多源疾病关系网络挖掘潜在疾病关系，从患病时长角度对患者历史诊断记录进行充分学习与表征，进行重大慢性疾病的患病风险预测，以解决上述
技术介绍
中存在的至少一项技术问题。
[0006]为了实现上述目的，本专利技术采取了如下技术方案：
[0007]一方面，本专利技术提供一种基于多源图神经网络融合的患病风险预测方法，该方法通过获取患者的诊断记录数据，经过疾病预测数据集构建、基于历史诊断的患者特征提取、基于图神经网络的疾病表示、基于多层感知机网络的患病风险预测，最终得到患者的患病
风险概率。包括：
[0008]优选的，疾病预测数据集构建包括：对患者的病历记录进行规范，从患病时长角度对患者多诊次的诊断结果进行整合，构建疾病预测数据集。
[0009]优选的，多源疾病关系网络构建包括：构建基于合并病的疾病共现网络、基于疾病编码的疾病关系网络和基于表型—基因型关系的疾病网络。
[0010]优选的，基于历史诊断的患者特征提取包括：借助全连接网络对疾病间的隐含关系进行学习，使用卷积神经网络形成基于历史诊断的患者特征。
[0011]优选的，基于图神经网络的患者特征提取包括：使用图卷积神经网络学习多源疾病关系网络节点特征，结合补全后的患者特征形成多组基于疾病关系网络的患者高维特征。
[0012]优选的，基于多层感知机网络的患病风险预测包括：将基于历史诊断的患者特征与基于疾病网络的患者特征融合，使用多层感知机网络对患病风险进行预测，得到患者下一阶段新增疾病的患病概率；
[0013]第二方面，本专利技术提供一种基于多源图神经网络融合的患病风险预测系统，包括：
[0014]疾病风险预测集与疾病关系网络构建模块，通过获取患者的诊断记录数据，对患者的病历记录进行规范，从患病时长角度对患者多诊次的诊断结果进行整合，构建疾病预测数据集。构建多源疾病关系网络，主要包括：基于合并病的疾病共现网络、基于疾病编码的疾病关系网络和基于表型—基因型关系的疾病网络。
[0015]患病风险预测模块，利用构建好的基于多源图神经网络融合的患病风险预测模型，对患者进行患病风险预测，得到最终的患病风险；其中，患病风险预测模型首先借助全连接网络对患者原始特征进行补全，结合卷积神经网络实现基于历史诊断的患者特征提取；借助图卷积神经网络模型结合多源疾病关系网络提取基于疾病网络的患者特征；将两部分患者特征融合，经过患病风险预测后，得到患者下一阶段新增目标疾病的患病概率；
[0016]第三方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的基于多源图神经网络融合的患病风险预测方法。
[0017]第四方面，本专利技术提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的基于多源图神经网络融合的患病风险预测方法。
[0018]第五方面，本专利技术提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于多源图神经网络融合的患病风险预测方法。
[0019]本专利技术有益效果：首次提出结合患者历史诊断信息，基于患病时长信息进行患者特征构建，形成患病风险预测数据集；首次提出结合图表示学习和多源疾病关系网络进行患者患病特征矩阵补全；首次提出基于多源疾病关系网络融合的患病风险预测模型，实现患病风险的高精度预测。
[0020]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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的附图。
[0022]图1为本专利技术实施例所述的预测数据集示意图。
[0023]图2为本专利技术实施例所述的多源疾病关系网络构建示意图。
[0024]图3为本专利技术实施例所述的基于患病时长数据的患病风险预测模型示意图。
具体实施方式
[0025]下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0026]本
技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源图神经网络融合的患病风险预测方法，其特征在于，包括：通过获取患者的诊断记录数据，对患者的病历记录进行规范，从患病时长角度对患者多诊次的诊断结果进行整合，构建疾病预测数据集，构建多源疾病关系网络；利用构建好的基于多源图神经网络融合的患病风险预测模型，对患者进行患病风险预测，得到最终的患病风险；其中，患病风险预测模型首先借助全连接网络对患者原始特征进行补全，结合卷积神经网络实现基于历史诊断的患者特征提取；借助图卷积神经网络模型结合多源疾病关系网络提取基于疾病网络的患者特征；将两部分患者特征融合，经过患病风险预测后，得到患者下一阶段新增目标疾病的患病概率。2.根据权利要求1所述的基于多源图神经网络融合的患病风险预测方法，其特征在于，疾病预测数据集构建，包括：对患者的病历记录进行规范，从患病时长角度对患者多诊次的诊断结果进行整合，构建疾病预测数据集。3.根据权利要求1所述的基于多源图神经网络融合的患病风险预测方法，其特征在于，构建多源疾病关系网络，主要包括：基于合并病的疾病共现网络、基于疾病编码的疾病关系网络和基于表型—基因型关系的疾病网络。4.根据权利要求1所述的基于多源图神经网络融合的患病风险预测方法，其特征在于，基于历史诊断的患者特征提取，包括：借助全连接网络对疾病间的隐含关系进行学习，使用卷积神经网络抽取基于历史诊断的患者隐含特征。5.根据权利要求1所述的基于多源图神经网络融合的患病风险预测方法，其特征在于，基于图神经网络的患者特征提取，包括：使用图卷积神经网络学习多源疾病关系网络节点特征，结合补全后的患者特征形成基于疾病关系网络的患者高维特征。6.一种基于多源图神经...

【专利技术属性】
技术研发人员：周雪忠，田昊宇，杨扩，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：