【技术实现步骤摘要】
本专利技术涉及帕金森病预测，具体而言，涉及基于肠道菌群数据和深度学习的帕金森病预测方法及系统。
技术介绍
1、帕金森综合征（parkinson's disease, pd）是一种常见的神经退行性疾病，其是由于多巴胺能神经元的退化而导致的运动功能障碍。目前，帕金森病的诊断主要依赖于临床症状评估及神经影像学检查，如脑磁共振成像（mri）和正电子发射断层扫描（pet）。然而，这些诊断方法存在成本高、耗时长、依赖专业设备及医师经验等局限性，难以大规模筛查和早期检测。此外，症状通常在疾病进展至较晚阶段才显现，限制了早期干预的机会。
2、近年来，研究表明肠道菌群在帕金森病的发病过程中起到重要作用，菌群失衡可能与神经炎症和神经元退化相关。因此，开发一种基于肠道菌群特征的帕金森病预测方案，能够提供一种非侵入性、低成本、易于操作的筛查手段，为早期诊断和干预提供潜在的解决方案，显著降低诊断成本，并扩大疾病筛查的可及性和便捷性。但是，现有技术中目前尚未有成熟的基于肠道菌群特征帕金森病预测方案。
技术实现思路
1、为解决上述技术问题至少之一，本专利技术具体提供了一种基于肠道菌群数据和深度学习的帕金森病预测方法、系统、电子设备、计算机存储介质及计算机程序产品。
2、本专利技术提供了一种基于肠道菌群数据和深度学习的帕金森病预测方法，包括如下步骤：
3、收集若干帕金森病患者的第一粪便样本以及健康对照者的第二粪便样本，对各所述第一粪便样本、所述第二粪便样本进行菌群测定，并对菌群
4、将添加了标签的各所述第一菌群丰度矩阵、所述第二菌群丰度矩阵分为训练集和测试集，对构建的深度神经网络模型进行训练及测试，直至达到训练结束条件；
5、采集目标对象的第三粪便样本，对所述第三粪便样本进行菌群测定，并对菌群测定数据进行数据标准化和菌群丰度计算，获得第三菌群丰度矩阵，使用经过训练的所述深度神经网络模型对所述第三菌群丰度矩阵进行分析处理；
6、所述深度神经网络模型输出帕金森病患病风险评分，将所述帕金森病患病风险评分输出。
7、进一步地，所述收集若干帕金森病患者的第一粪便样本以及健康对照者的第二粪便样本，对各所述第一粪便样本、所述第二粪便样本进行菌群测定，包括：
8、收集若干帕金森病患者的第一粪便样本以及健康对照者的第二粪便样本，采用无菌采样管对粪便样本进行储存并立即冷冻；
9、使用16s rrna高通量测序技术对各所述第一粪便样本、所述第二粪便样本进行菌群组成测定，获得对应的菌群测定数据。
10、进一步地，所述深度神经网络模型包括输入层、卷积层、激活函数、池化层、全连接层；
11、以及，所述深度神经网络模型在训练过程中采用如下的交叉熵损失函数：
12、；
13、其中，为交叉熵损失函数值,为真实标签，为模型预测的帕金森病患病风险评分，n为训练样本总数；
14、使用adam优化器更新网络权重，adam优化器的更新规则为：
15、；
16、；
17、；
18、；
19、其中，和分别是第t时间步梯度的一阶动量和二阶动量估计，、分别是第t-1时间步的一阶动量和二阶动量估计，、分别是第t时间步一阶动量和二阶动量的偏差，和为动量参数，、分别是第t时间步、第t-1时间步的梯度更新，为学习率，是一个小常数避免分母为零；
20、采用dropout正则化，在全连接层随机丢弃一定比例的神经元，防止模型过拟合；
21、使用网格搜索优化超参数，选择使模型性能最佳的配置。
22、进一步地，所述对构建的深度神经网络模型进行训练及测试，直至达到训练结束条件，所述方法还包括：
23、使用测试集对经过训练的所述深度神经网络模型进行测试，若测试获得的预测数据与标签数据的偏差低于偏差阈值，则将经过训练的所述深度神经网络模型复制多份，并将复制的各所述深度神经网络模型经由区块链网络发布给多个协同节点；
24、各所述协同节点收集并使用训练数据对接收的所述深度神经网络模型进行微调训练，并将微调训练得到的所述深度神经网络模型的第二关键模型参数反馈给本地节点，由本地节点将各第二关键模型参数与本地节点中的所述深度神经网络模型的第一关键模型参数进行融合，获得目标关键模型参数；
25、将所述目标关键模型参数导入本地节点中的所述深度神经网络模型，并对本地节点中的所述深度神经网络模型进行二次训练，直至达到训练结束条件。
26、进一步地，所述协同节点的第一数量通过下述方式确定：
27、确定收集的各所述第一粪便样本、所述第二粪便样本的总数量即第二数量，以及各所述第一粪便样本对应的帕金森病患者的患病程度等级的聚类数量；
28、将所述第二数量、所述聚类数量代入下述计算公式，计算得出所述协同节点的所述第一数量：
29、；
30、式中，为所述协同节点的所述第一数量；为所述协同节点的最少数量，为基于经验值确定的固定值；为各所述第一粪便样本、所述第二粪便样本的总数量即第二数量；为各所述第一粪便样本对应的帕金森病患者的患病程度等级的所述聚类数量；a、b为无量纲的调整参数，均为常数值；为向上取整。
31、进一步地，将复制的各所述深度神经网络模型经由区块链网络发布给多个协同节点，包括：
32、向各所述协同节点发送协同训练任务，所述协同训练任务中包括深度神经网络模型的副本及微调训练数据量；
33、其中，所述微调训练数据量通过下述方式确定：
34、根据所述协同节点的所述第一数量和微调训练数据经验量确定得出微调训练数据总量，以约束条件为基础对所述微调训练数据总量进行随机划分，获得对应于所述第一数量的各所述微调训练数据量；其中，所述约束条件用于确保各所述微调训练数据量均大于数据量阈值；
35、将各所述微调训练数据量随机分配给各所述协同节点。
36、本专利技术还提供了一种基于肠道菌群数据和深度学习的帕金森病预测系统，所述系统包括处理模块、存储模块；所述处理模块与所述存储模块电连接；所述处理模块调用所述存储模块中存储的可执行的计算机程序代码，以执行如下步骤：
37、收集若干帕金森病患者的第一粪便样本以及健康对照者的第二粪便样本，对各所述第一粪便样本、所述第二粪便样本进行菌群测定，并对菌群测定数据进行数据标准化和菌群丰度计算，分别获得第一菌群丰度矩阵、第二菌群丰度矩阵，为所述第一菌群丰度矩阵、所述第二菌群丰度矩阵分别添加患者标签、健康标签；
38、将添加了标签的各所述第一菌群丰度矩阵、所述第二菌群丰度矩阵分为训练集和测试集，对构建的深度神经网络模型进行训练及测试，直至达到训本文档来自技高网...
【技术保护点】
1.一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：收集若干帕金森病患者的第一粪便样本以及健康对照者的第二粪便样本，对各所述第一粪便样本、所述第二粪便样本进行菌群测定，包括：
3.根据权利要求2所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：所述深度神经网络模型包括输入层、卷积层、激活函数、池化层、全连接层；
4.根据权利要求3所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：对构建的深度神经网络模型进行训练及测试，直至达到训练结束条件，所述方法还包括：
5.根据权利要求4所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：所述协同节点的第一数量通过下述方式确定：
6.根据权利要求5所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：将复制的各所述深度神经网络模型经由区块链网络发布给多个协同节点，包括：
7.一种基于肠道菌群数
8.一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-6任一项所述的方法。
9.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-6任一项所述的方法。
10.一种计算机程序产品，其特征在于：所述计算机程序产品用于被电子设备的处理器调用并运行，以实现如权利要求1-6任一项所述的方法。
...【技术特征摘要】
1.一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：收集若干帕金森病患者的第一粪便样本以及健康对照者的第二粪便样本，对各所述第一粪便样本、所述第二粪便样本进行菌群测定，包括：
3.根据权利要求2所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：所述深度神经网络模型包括输入层、卷积层、激活函数、池化层、全连接层；
4.根据权利要求3所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：对构建的深度神经网络模型进行训练及测试，直至达到训练结束条件，所述方法还包括：
5.根据权利要求4所述的一种基于肠道菌群数据和深度学习的帕金森病预测方法，其特征在于：所述协同节点的第一数量通过下述方式确定：
6.根据权利要求5所述的一种基...
【专利技术属性】
技术研发人员：陈迎春，刘子铭，党平，
申请(专利权)人：上海肠寿医学科技有限公司，
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。