本发明专利技术涉及人工智能领域，揭露了一种糖尿病并发症风险预测方法，包括获取历史糖尿病患者的临床医学数据和肠道微生物测序数据；基于测序数据计算肠道菌群之间的进化距离，根据进化距离获取丰度矩阵；将丰度矩阵输入预测模型，得到表征向量；将表征向量和历史糖尿病患者的临床指标进行合并和卷积，得到预测概率；将预测概率和历史糖尿病患者的真实标签进行对比，调整预测模型的模型参数，得到优化模型；基于当前糖尿病患者的并发症查询需求，通过优化模型预测当前糖尿病患者的并发症风险。本发明专利技术还提出一种糖尿病并发症风险预测装置、电子设备以及存储介质。本发明专利技术可以提升糖尿病并发症风险预测的准确性。症风险预测的准确性。症风险预测的准确性。
【技术实现步骤摘要】
糖尿病并发症风险预测方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能领域，尤其涉及一种糖尿病并发症风险预测方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]糖尿病是一种慢性代谢性疾病，在糖尿病漫长的发病时间内，由于高血糖的影响，会损害病患身体中的很多器官和组织，常常会导致各种并发症也陆续出现在病患的身上，如中风、心脏病、视网膜病变等。
[0003]肠道微生物对病患的糖代谢有着一定影响，然而现有的研究大多基于临床数据对糖尿病并发症风险进行预测，因为数据单一导致预测结果存在局限性。若是将临床数据和微生物数据融合起来分析，会使得预测性能极大的提升。然而肠道微生物维度较高，通常在数十万的数量级，而样本量则很低，降低了预测性能。此外微生物组数据的系统发育结构，即物种之间的进化关系对于疾病预测也具有重要的价值，现有的研究经常会忽略这一信息，从而导致无法对微生物数据进行有效利用。
技术实现思路
[0004]本专利技术提供一种糖尿病并发症风险预测方法、装置及计算机可读存储介质，其主要目的在于提升糖尿病并发症风险预测的准确性。
[0005]为实现上述目的，本专利技术提供的一种糖尿病并发症风险预测方法，包括：
[0006]获取历史糖尿病患者的临床医学数据和肠道微生物测序数据；
[0007]基于所述肠道微生物测序数据计算肠道菌群之间的进化距离，并根据所述进化距离获取多个菌群丰度矩阵；
[0008]将所述多个菌群丰度矩阵进行排序，并输入预设的并发症风险预测模型，获取所述并发症风险的表征向量；
[0009]将所述表征向量和所述历史糖尿病患者的临床指标进行合并和卷积，得到所述历史糖尿病患者患并发症的预测概率；
[0010]将所述预测概率和所述历史糖尿病患者的真实标签进行对比，调整所述并发症风险预测模型的模型参数，得到优化模型；
[0011]基于当前糖尿病患者的并发症查询需求，通过所述优化模型预测所述当前糖尿病患者的并发症风险。
[0012]可选地，所述获取历史糖尿病患者的临床医学数据和肠道微生物测序数据，包括：
[0013]查询历史糖尿病患者的身份信息，并基于所述身份信息获取所述历史糖尿病患者的病例数据；
[0014]从所述历史糖尿病患者的病例数据中提取临床医学数据，以及获取所述历史糖尿病患者的肠道微生物样本；
[0015]对所述肠道微生物样本进行DNA提取，得到肠道菌群DNA；
[0016]通过高通量测序法对所述肠道菌群DNA进行测序，都得到肠道微生物测序数据。
[0017]可选地，所述基于所述肠道微生物测序数据计算肠道菌群之间的进化距离包括：
[0018]获取预设的数据分析系统，并将所述肠道微生物测序数据输入至所述数据分析系统中构建肠道菌群进化树；
[0019]通过所述肠道菌群进化树计算菌群之间的最短路径，得到所述肠道菌群的进化距离。
[0020]可选地，所述将所述表征向量和所述历史糖尿病患者的临床指标进行合并和卷积，得到所述历史糖尿病患者患并发症的预测概率，包括：
[0021]将所述临床指标向量化，得到临床指标向量，并将所述表征向量和所述临床指标向量合并，构建联合向量；
[0022]通过卷积提取所述联合向量的特征，得到特征向量；
[0023]对所述特征向量进行激活，并映射至预设的概率区间，得到所述历史糖尿病患者患并发症的预测概率。
[0024]可选地，所述将所述预测概率和所述历史糖尿病患者的真实标签进行对比，调整所述并发症风险预测模型的模型参数，得到优化模型，包括：
[0025]通过交叉熵计算所述预测概率和所述真实标签的损失值；
[0026]通过最小化损失函数对所述损失值进行反向传播，根据所述损失值调整所述并发症风险预测模型的参数，得到得到调整参数的优化模型。
[0027]可选地，所述通过卷积提取所述联合向量的特征，得到特征向量，包括：
[0028]将所述联合向量通过第一全连接层，提取所述联合向量中的初步特征，得到初步特征向量；
[0029]将所述初步特征向量通过第二全连接层，对所述初步特征向量进行抽象特征提取和映射，得到抽象特征向量；
[0030]将所述抽象特征向量通过第三全连接层，对所述抽象特征向量进行压缩和整合，得到所述特征向量。
[0031]可选地，所述根据所述进化距离获取多个菌群丰度矩阵，包括：
[0032]将所述肠道菌群的进化距离在预构建的二维平面上进行排序，构建所述肠道菌群的丰度矩阵，得到多个菌群丰度矩阵。
[0033]为了解决上述问题，本专利技术还提供一种糖尿病并发症风险预测装置，所述装置包括：
[0034]数据获取模块，用于获取历史糖尿病患者的临床医学数据和肠道微生物测序数据；
[0035]概率预测模块，用于基于所述肠道微生物测序数据计算肠道菌群之间的进化距离，并根据所述进化距离获取多个菌群丰度矩阵；将所述多个菌群丰度矩阵进行排序，并输入预设的并发症风险预测模型，获取所述并发症风险的表征向量；将所述表征向量和所述历史糖尿病患者的临床指标进行合并和卷积，得到所述历史糖尿病患者患并发症的预测概率；
[0036]模型优化模块，用于将所述预测概率和所述历史糖尿病患者的真实标签进行对比，调整所述并发症风险预测模型的模型参数，得到优化模型；
[0037]风险预测模块，用于基于当前糖尿病患者的并发症查询需求，通过所述优化模型预测所述当前糖尿病患者的并发症风险。
[0038]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0039]至少一个处理器；以及，
[0040]与所述至少一个处理器通信连接的存储器；其中，
[0041]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的糖尿病并发症风险预测方法。
[0042]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的糖尿病并发症风险预测方法。
[0043]本专利技术实施例通过历史糖尿病患者的肠道微生物测序数据计算肠道菌群之间的进化距离，得到多个菌群丰度矩阵，之后将菌群丰度矩阵进行排序，输入至并发症风险预测模型得到并发症风险的表征向量，然后将表征向量和历史糖尿病患者的临床指标结合进行计算，得到历史糖尿病患者患并发症的预测概率，实现对并发症发病概率的初步预测，将预测概率和历史糖尿病患者的真实标签进行对比，调整并发症风险预测模型的参数，得到优化模型，以达成训练优化并发症风险预测模型的目的，最后基于当前糖尿病患者的并发症需求，通过优化模型预测当前糖尿病患者的并发症风险。因此本专利技术提出的糖尿病并发症风险预测方法、装置、电子设备及计算机可读存储介质，可以解决数据单一的情况下导致对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种糖尿病并发症风险预测方法，其特征在于，所述方法包括：获取历史糖尿病患者的临床医学数据和肠道微生物测序数据；基于所述肠道微生物测序数据计算肠道菌群之间的进化距离，并根据所述进化距离获取多个菌群丰度矩阵；将所述多个菌群丰度矩阵进行排序，并输入预设的并发症风险预测模型，获取所述并发症风险的表征向量；将所述表征向量和所述历史糖尿病患者的临床指标进行合并和卷积，得到所述历史糖尿病患者患并发症的预测概率；将所述预测概率和所述历史糖尿病患者的真实标签进行对比，调整所述并发症风险预测模型的模型参数，得到优化模型；基于当前糖尿病患者的并发症查询需求，通过所述优化模型预测所述当前糖尿病患者的并发症风险。2.如权利要求1所述的糖尿病并发症风险预测方法，其特征在于，所述获取历史糖尿病患者的临床医学数据和肠道微生物测序数据，包括：查询历史糖尿病患者的身份信息，并基于所述身份信息获取所述历史糖尿病患者的病例数据；从所述历史糖尿病患者的病例数据中提取临床医学数据，以及获取所述历史糖尿病患者的肠道微生物样本；对所述肠道微生物样本进行DNA提取，得到肠道菌群DNA；通过高通量测序法对所述肠道菌群DNA进行测序，都得到肠道微生物测序数据。3.如权利要求1中所述的糖尿病并发症风险预测方法，其特征在于，所述基于所述肠道微生物测序数据计算肠道菌群之间的进化距离，包括：获取预设的数据分析系统，并将所述肠道微生物测序数据输入至所述数据分析系统中构建肠道菌群进化树；通过所述肠道菌群进化树计算菌群之间的最短路径，得到所述肠道菌群的进化距离。4.如权利要求1所述的糖尿病并发症风险预测，其特征在于，所述将所述表征向量和所述历史糖尿病患者的临床指标进行合并和卷积，得到所述历史糖尿病患者患并发症的预测概率，包括：将所述临床指标向量化，得到临床指标向量，并将所述表征向量和所述临床指标向量合并，构建联合向量；通过卷积提取所述联合向量的特征，得到特征向量；对所述特征向量进行激活，并映射至预设的概率区间，得到所述历史糖尿病患者患并发症的预测概率。5.如权利要求1中所述的糖尿病并发症风险预测方法，其特征在于，所述将所述预测概率和所述历史糖尿病患者的真实标签进行对比，调整所述并发症风险预测模型的模型参数，得到优化模型，包括：通过...
【专利技术属性】
技术研发人员：刘小双，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。