【技术实现步骤摘要】
本专利技术涉及深度学习领域，具体来说涉及深度学习领域中的模型构建技术，更具体地说，涉及一种医学任务预测模型构建方法。
技术介绍
1、心血管疾病作为全球范围内的首要致死原因，其高发病率和死亡率对公共卫生构成了严峻挑战。在心血管健康的评估体系中，多通道血压监测占据了举足轻重的地位。血压，作为一个综合性的生理指标，通常涵盖收缩压、舒张压以及平均动脉压等多个维度，每一维度均承载着独特的生理含义与临床价值。这些不同通道的血压数据，对于诊断、治疗及预后评估各类心血管疾病具有不可替代的作用。特别是在手术过程中，多通道血压的持续监测显得尤为重要。手术操作往往伴随着患者生理状态的剧烈变化，血压的急剧波动可能直接诱发脑卒中、心肌梗死等严重心血管事件，进而显著增加术后并发症及死亡风险。因此，通过实时监测并分析手术期间各通道血压数据的变化趋势，能够迅速识别异常情况，及时采取干预措施，有效遏制病情恶化，保障患者安全。
2、近年来，随着人工智能技术的飞速发展，特别是深度学习技术的广泛应用，医学领域迎来了前所未有的变革。在心血管疾病预测方面，深度学习模型凭借其强大的数据处理能力和模式识别能力，显著提高了疾病预测的准确率，为临床决策提供了更为可靠的数据支持。然而，深度学习模型的高度复杂性和非直观性也带来了新的问题——模型决策的可解释性不足。由于深度学习模型的内部结构和决策逻辑极为复杂，其输出结果往往难以被医疗专业人员直观理解和接受，这在很大程度上限制了深度学习技术在临床实践中的深入应用。
3、此外，多通道血压数据的处理过程中，现有的深度
4、综上所述，尽管深度学习模型在心血管疾病预测方面展现出了巨大的潜力，但是采用现有技术所构建的深度学习模型仍面临两方面的挑战：一是模型的可解释性不足，由于深度学习模型的内部结构和决策逻辑极为复杂，这使得医疗专业人员难以直观理解模型的决策过程；二是未能充分利用多通道血压数据之间的独立性，导致深度学习模型的预测精度不高。
技术实现思路
1、因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种医学任务预测模型构建方法。
2、本专利技术的目的是通过以下技术方案实现的。
3、根据本专利技术的第一方面，提供一种医学任务预测模型构建方法，所述方法包括：步骤s1、获取训练数据集，所述训练数据集包括多个预设时间段的时序血压数据，其中，每个时序血压数据包括多个通道的数据，且每个时序血压数据设置有对应的疾病标签；步骤s2、构建初始模型，所述初始模型包括特征提取模块、多通道原型网络模块和全连接层，其中：所述特征提取模块用于对时序血压数据进行特征提取以获取时序血压数据的特征矩阵，其中，所述时序血压数据的特征矩阵包括多个通道的特征子矩阵；所述多通道原型网络模块包括多个protopnet单元，其中，每个protopnet单元上配置有多个全局原型，一个全局原型对应于一种疾病标签对应的时序血压数据中的一个通道的特征片段，且不同全局原型对应于不同的疾病类别，每个protopnet单元用于按照预设的处理方式计算时序血压数据的特征矩阵与该protopnet单元上配置的每一个全局原型之间的相似性以获取目标相似性矩阵，目标相似性矩阵中的一个元素表征时序血压数据的一个通道中与一个全局原型最相似的特征数据与该全局原型之间的相似度分数；所述全连接层用于对多通道原型网络模块得到的多个目标相似性矩阵进行预测处理以获取时序血压数据的疾病分类结果；步骤s3、以时序血压数据作为输入，时序血压数据的疾病分类结果作为预测输出，按照预设的训练规则训练初始模型直至收敛得到医学任务预测模型。
4、在本专利技术的一些实施例中，所述每个时序血压数据包括舒张压、收缩压和平均动脉压三个通道的数据。
5、在本专利技术的一些实施例中，所述特征提取模块为门控transtormer网络。
6、在本专利技术的一些实施例中，所述预设的处理方式为：计算时序血压数据的特征矩阵中每个通道的特征子矩阵与protopnet单元上配置的每一个全局原型之间的相似性，以获取与全局原型数量对应的相似性矩阵，每一个相似性矩阵包括时序血压数据的每一个通道的特征子矩阵与对应全局原型计算后得到的相似性子矩阵，其中，按照如下方式计算相似性子矩阵：
7、
8、其中，表示时序血压数据中第个通道的特征子矩阵与全局原型计算得到的相似性子矩阵；表示时序血压数据中第个通道的特征子矩阵；表示特征子矩阵中的一个特征点；表示第个protopnet单元中的第个全局原型；表示一个小数；表示特征点与全局原型之间的欧式距离的平方；对每一个相似性矩阵进行最大池化处理，并将所有经池化处理后的相似性矩阵进行拼接得到目标相似性矩阵。
9、在本专利技术的一些实施例中，所述预设的训练规则为按照如下方式对初始模型进行两阶段训练：第一阶段训练以时序血压数据作为输入，时序血压数据的疾病分类结果作为预测输出，执行多轮迭代训练并以第一目标函数更新初始模型参数，得到中间模型；第二阶段训练以时序血压数据作为输入，时序血压数据的疾病分类结果作为预测输出，执行多轮迭代训练并以第二目标函数更新中间模型参数直至收敛得到医学任务预测模型；其中，在每轮迭代训练过程中按照预设的匹配方式更新中间模型的多通道原型网络模块中的每一个protopnet单元的每一个全局原型。
10、在本专利技术的一些实施例中，所述第一目标函数为：
11、
12、其中，表示交叉熵损失函数，表示时序血压数据的数量，表示时序血压数据的疾病标签，表示第个时序血压数据的疾病标签，表示时序血压数据的预测输出，表示第个时序血压数据的预测输出；
13、所述第二目标函数为：
14、
15、其中，
16、
17、其中，
18、
19、
20、
21、其中，表示第二目标函数，表示多通道损失，表示protopnet单元的数量，表示第个protopnet单元的权重参数，表示第个protopnet单元，表示第个protopnet单元的第一损失，表示第个protopnet单元的第二损失，表示第个protopnet单元的第三损失，表示在第个protopnet单元中挑选出与第个时序血压数据的疾病标签类别一致的全局原型，表示特征子矩阵属于第个时序血压数据的特征矩阵，表示经特征提取后的第个时序血压数据的特征矩阵，表示在第个protopnet单元中挑选出与第个时序血压数据的疾病标签类别不一致的全局原型，表示特征子矩阵中的一个特征点，表示特征点与全局原型之间的欧式距离的平方，全局原型与全局原型之间的欧式距离的平方，表示第个protopnet单元中的第个全局原型，全局原型与全局原型对应于不同本文档来自技高网...
【技术保护点】
1.一种医学任务预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述每个时序血压数据包括舒张压、收缩压和平均动脉压三个通道的数据。
3.根据权利要求2所述的方法，其特征在于，所述特征提取模块为门控Transtormer网络。
4.根据权利要求3所述的方法，其特征在于，所述预设的处理方式为：
5.根据权利要求4所述的方法，其特征在于，所述预设的训练规则为按照如下方式对初始模型进行两阶段训练：
6.根据权利要求5所述的方法，其特征在于，所述第一目标函数为：
7.根据权利要求6所述的方法，其特征在于，所述预设的匹配方式为：
8.一种医学任务预测方法，其特征在于，所述方法包括：
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求1-8任一所述方法的步骤。
10.一种电子设备，其特征在于，包括：
【技术特征摘要】
1.一种医学任务预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述每个时序血压数据包括舒张压、收缩压和平均动脉压三个通道的数据。
3.根据权利要求2所述的方法，其特征在于，所述特征提取模块为门控transtormer网络。
4.根据权利要求3所述的方法，其特征在于，所述预设的处理方式为：
5.根据权利要求4所述的方法，其特征在于，所述预设的训练规则为按照如...
【专利技术属性】
技术研发人员：陈益强，张景伟，杨晓东，
申请(专利权)人：中国科学院计算技术研究所，
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。