帕金森患者步态的预后效果的预测模型训练的方法和设备技术

本申请公开了一种帕金森患者步态的预后效果的预测模型训练的方法和设备。所述方法包括：获取帕金森患者的预前步态特征和用药信息，并将预前步态特征和用药信息输入所述预测模型；基于预前步态特征和所述用药信息，使用预测模型中的辅助网络模型进行权重计算获得每个帕金森患者对应的权重；基于预前步态特征和所述用药信息，使用预测模型中的主干网络提取特征并计算初始损失函数；将权重作为初始损失函数的系数获得总损失函数；以及利用总损失函数反向训练主干网络模型和辅助网络模型，以对预测帕金森患者步态的预后效果的预测模型进行训练。利用本申请的方案，可以提高预测模型的稳定性和精度，获得准确的关于患者步态的预后效果的预测结果。预后效果的预测结果。预后效果的预测结果。

【技术实现步骤摘要】
帕金森患者步态的预后效果的预测模型训练的方法和设备


[0001]本申请一般涉及人工智能
更具体地，本申请涉及一种用于对预测帕金森患者步态的预后效果的预测模型进行训练的方法、设备和计算机可读存储介质。进一步地，本申请还涉及一种用于预测帕金森患者步态的预后效果的方法、设备和计算机可读存储介质。

技术介绍

[0002]帕金森病（Parkinson's Disease，“PD”）是中老年人常见的中枢神经系统退行性疾病，其临床表现主要包括静止性震颤、运动迟缓、肌强直和姿势步态障碍，药物治疗是PD最主要的治疗手段。然而，治疗PD的药物具有一定副作用，长期服用药物或者服用的药物种类不适合，可能并不能起到治疗效果，反而给PD患者身体造成伤害，使得PD患者痛苦。因此，提前知晓治疗效果（或者说预后效果），以便及时停止或者改变PD患者的治疗方案，减轻PD患者的痛苦成为亟需解决的问题。
[0003]随着深度学习的不断发展，通过训练的深度网络模型来进行预测治疗效果有望解决上述问题，但现有的模型训练往往直接在全部训练样本上训练，这存在无法有效处理训练样本的不平衡问题。例如通过直接在全部训练样本上训练，会使得模型偏向多样本的学习而较少关注少样本而忽略少样本中的重要特征，从而影响模型性能，导致模型稳定性较差、精度较低。
[0004]有鉴于此，亟需提供一种用于对预测帕金森患者步态的预后效果的预测模型进行训练的方案，以便提高预测模型的稳定性和精度，从而能够获得有关帕金森患者步态的预后效果的准确的预测结果。

技术实现思路
<br/>[0005]为了至少解决如上所提到的一个或多个技术问题，本申请在多个方面中提出了用于对预测帕金森患者步态的预后效果的预测模型进行训练的方案。
[0006]在第一方面中，本申请提供一种用于对预测帕金森患者步态的预后效果的预测模型进行训练的方法，其中所述预测模型包括主干网络模型和辅助网络模型，并且所述方法包括：获取帕金森患者的预前步态特征和用药信息，并将所述预前步态特征和所述用药信息输入所述预测模型；基于所述预前步态特征和所述用药信息，使用所述预测模型中的辅助网络模型进行权重计算获得每个所述帕金森患者对应的权重；基于所述预前步态特征和所述用药信息，使用所述预测模型中的主干网络提取特征并计算初始损失函数；将所述权重作为所述初始损失函数的系数获得总损失函数；以及利用所述总损失函数反向训练所述主干网络模型和所述辅助网络模型，以对预测帕金森患者步态的预后效果的预测模型进行训练。
[0007]在一个实施例中，其中所述预前步态特征经由与所述帕金森患者的步态相关的量表表征，并且所述量表包括H&amp;Y量表、TUG量表或者Berg量表中的一种或者多种；所述用药信
息至少包括药物类型和药物剂量。
[0008]在另一个实施例中，其中在将所述预前步态特征和所述用药信息输入所述预测模型之前，还包括：使用特征融合模型对所述预前步态特征和所述用药信息执行特征融合操作，以获得融合特征。
[0009]在又一个实施例中，所述方法还包括：选择大于预设阈值的权重作为所述初始损失函数的系数，以获得所述总损失函数。
[0010]在又一个实施例中，其中通过以下操作获得所述总损失函数：对权重执行归一化操作，以获得权重归一化结果；以及将所述权重归一化结果作为所述初始损失函数的系数，以获得所述总损失函数。
[0011]在又一个实施例中，其中利用所述总损失函数反向训练所述主干网络模型和所述辅助网络模型包括：固定所述辅助网络模型的参数，计算所述总损失函数的第一梯度；以及根据所述总损失函数的第一梯度反向更新所述主干网络模型。
[0012]在又一个实施例中，其中利用所述总损失函数反向训练所述主干网络模型和所述辅助网络模型还包括：固定所述主干网络模型的参数，计算所述总损失函数的第二梯度；以及根据所述总损失函数的第二梯度反向更新所述辅助网络模型。
[0013]在第二方面中，本申请提供一种用于预测帕金森患者步态的预后效果的方法，包括：获取待进行预测的帕金森病患者的预前步态特征和用药信息；以及将所述预前步态特征和所述用药信息输入至根据前述第一方面中的多个实施例所述的方法训练完成的预测模型中进行预测，以输出预测帕金森患者步态的预后效果的预测结果。
[0014]在第三方面中，本申请提供一种用于对预测帕金森患者步态的预后效果的预测模型进行训练以及用于预测帕金森患者步态的预后效果的设备，包括：处理器；以及存储器，其中存储有用于对预测帕金森患者步态的预后效果的预测模型进行训练的以及用于预测帕金森患者步态的预后效果的程序指令，当所述程序指令由所述处理器执行时，使得所述设备实现前述第一方面中的多个实施例以及实现前述第二方面中的实施例。
[0015]在第四方面中，本申请提供一种计算机可读存储介质，其上存储有用于对预测帕金森患者步态的预后效果的预测模型进行训练的以及用于预测帕金森患者步态的预后效果的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现前述第一方面中的多个实施例以及实现前述第二方面中的实施例。
[0016]通过如上所提供的用于对预测帕金森患者步态的预后效果的预测模型进行训练的方案，本申请实施例通过使用辅助网络模型基于帕金森患者的预前步态特征和用药信息计算每个样本（也即每个帕金森患者）对应的权重，并将权重作为主干网络基于预前步态特征和用药信息提取特征计算的初始损失函数的系数，进而利用分配系数后的总损失函数训练预测模型。基于此，能够自适应调整每个样本的重要性，使得预测模型关注重要特征，从而极大地提升预测模型的性能和精度。进一步地，本申请实施例还通过选择高于阈值的权重作为初始损失函数的系数，有助于预测模型更加关注重要特征，提高预测性能。更进一步地，本申请实施例还通过固定辅助网络模型或者主干网络的参数，单独训练主干网络或者辅助网络模型，可以降低训练的复杂度，提升训练效率。
[0017]此外，本申请实施例还通过利用训练完成的预测模型预测帕金森患者步态的预后效果，由此可以尽早且准确地了解经过干预（例如药物治疗）后的帕金森患者步态是否发生
变化，对于未发生变化的帕金森患者及时停止或者改变干预方案，以便改善帕金森患者步态的预后效果，减轻帕金森患者的痛苦。
附图说明
[0018]通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是示出根据本申请实施例的用于对预测帕金森患者步态的预后效果的预测模型进行训练的方法的示例性流程框图；图2是示出根据本申请实施例的用于对预测帕金森患者步态的预后效果的预测模型进行训练的示例性示意图；图3是示出根据本申请实施例的用于对预测帕金森患者步态的预后效果的预测模型进行训练的又一示例性示意图；图4是示出根据本申请实施例的用于预测帕金森患者步态的预后效果的方法的示例性示意图；以及图5是示出根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对预测帕金森患者步态的预后效果的预测模型进行训练的方法，其中所述预测模型包括主干网络模型和辅助网络模型，其特征在于，所述方法包括：获取帕金森患者的预前步态特征和用药信息，并将所述预前步态特征和所述用药信息输入所述预测模型；基于所述预前步态特征和所述用药信息，使用所述预测模型中的辅助网络模型进行权重计算获得每个所述帕金森患者对应的权重；基于所述预前步态特征和所述用药信息，使用所述预测模型中的主干网络提取特征并计算初始损失函数；将所述权重作为所述初始损失函数的系数获得总损失函数；以及利用所述总损失函数反向训练所述主干网络模型和所述辅助网络模型，以对预测帕金森患者步态的预后效果的预测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述预前步态特征经由与所述帕金森患者的步态相关的量表表征，并且所述量表包括H&amp;Y量表、TUG量表或者Berg量表中的一种或者多种；所述用药信息至少包括药物类型和药物剂量。3.根据权利要求2所述的方法，其特征在于，在将所述预前步态特征和所述用药信息输入所述预测模型之前，还包括：使用特征融合模型对所述预前步态特征和所述用药信息执行特征融合操作，以获得融合特征。4.根据权利要求1所述的方法，其特征在于，还包括：选择大于预设阈值的权重作为所述初始损失函数的系数，以获得所述总损失函数。5. 根据权利要求1或4所述的方法，其特征在于，通过以下操作获得所述总损失函数：对权重执行归一化操作，以获得权重归一化结果；以及将所述权重归一化结果作为所述初始损失函数的系数，以获得所述总损失函数。6. 根据权利要求1所述的方法，其特征在于，利用所述总损失函数反向训...

【专利技术属性】
技术研发人员：王振常，魏璇，王郅翔，石铭俊，魏巍，
申请(专利权)人：首都医科大学附属北京友谊医院，
类型：发明
国别省市：