1.一种多模态骨质疏松分层预警方法，其特征在于，包括：
接收三层输入特征，这三层输入特征分别为个体信息、实验室检查指标和腰椎ct图像特征；
对三层输入特征进行数据清洗、显著性与相关性检测及数据标准化预处理；
从预处理的三层输入特征中筛选出各层最优输入特征并形成输入特征集，经多模态骨质疏松分层预警模型，输出骨质疏松预警结果；
其中，多模态骨质疏松分层预警模型是svm分类器，svm分类器的优化过程为：使用遗传算法同时进行超参数优化和各层最优输入特征选择。
2.如权利要求1所述的多模态骨质疏松分层预警方法，其特征在于，针对三层输入特征中的连续特征，采用曼-惠特尼u检验比较连续特征在两组间的差异；
或针对三层输入特征中的连续特征，采用pearson相关性检验检测连续特征间的相关性；
或对三层输入特征中的连续特征做标准化处理，将特征数据转化为标准正态分布。
3.如权利要求1所述的多模态骨质疏松分层预警方法，其特征在于，针对三层输入特征中的类别特征，采用卡方检验分别比较类别特征在两组间的差异；
或对三层输入特征中的类别特征进行onehot编码，避免对无序特征进行排序。
4.如权利要求1所述的多模态骨质疏松分层预警方法，其特征在于，在svm分类器的优化过程中，每一个个体都代表问题的一个基本可行解，解码每个个体即可得到对应的参数值与选择的特征子集；将解码结果输入到svm分类器中，根据10次十折交叉验证的结果来评价svm分类器的性能。
5.如权利要求4所述的多模态骨质疏松分层预警方法，其特征在于，评价svm分类器的性能的制备包括敏感性、特异性、敏感性和特异性的调和均值、准确率和roc分析。
6.如权利要求5所述的多模态骨质疏松分层预警方法，其特征在于，为了确定每代中的优秀个体，评价个体的优劣程度的适用度函数为敏感性和特异性的调和均值，适用度函数为敏感性和特异性乘积的二倍与敏感性和特异性之和的比值。
7.如权利要求1所述的多模态骨质疏松分层预警方法，其特征在于，svm分类器的超参数包括惩罚系数c和高斯核参数g，c越大，对误分类样本的惩罚越大，模型越容易过拟合，反之容易欠拟合；g越大，支持向量越少，模型越容易过拟合，反之容易欠拟合。
8.一种多模态骨质疏松分层预警系统，其特征在于，包括：
输入特征接收模块，其用于接收三层输入特征，这三层输入特征分别为个体信息、实验室检查指标和腰椎ct图像特征；
预处理模块，其用于对三层输入特征进行数据清洗、显著性与相关性检测及数据标准化预处理；
预警输出模块，其用于从预处理的三层输入特征中筛选出各层最优输入特征并形成输入特征集，经多模态骨质疏松分层预警模型，输出骨质疏松预警结果；
其中，多模态骨质疏松分层预警模型是svm分类器，svm分类器的优化过程为：使用遗传算法同时进行超参数优化和各层最优输入特征选择。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的多模态骨质疏松分层预警方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的多模态骨质疏松分层预警方法中的步骤。