一种基于深度学习的疾病风险预测模型构建方法及系统与流程

本发明提出了一种基于深度学习的疾病风险预测模型构建方法及系统，属于医疗数据挖掘。

背景技术：

1、随着生活水平的提高和人口老龄化的加剧，心脑血管疾病已成为威胁人类健康的主要疾病之一。早期预测和预防心脑血管疾病对于提高患者的生活质量和降低医疗成本具有重要意义。然而，传统的疾病风险预测方法通常基于统计学模型，对数据的处理和分析能力有限，难以准确预测个体的疾病风险。

2、近年来，深度学习技术在图像识别、语音识别等领域取得了巨大成功。深度学习技术通过构建多层神经网络，能够自动提取数据的特征，并利用大量数据进行训练，提高模型的预测精度。然而，在疾病风险预测领域，深度学习技术的应用还处于起步阶段，如何构建一个准确、实时的疾病风险预测模型，以及如何评估和优化模型仍面临许多挑战。

技术实现思路

1、本发明提供了一种基于深度学习的疾病风险预测模型构建方法及系统，用以解决上述背景技术中提到的问题：

2、本发明提出的一种基于深度学习的疾病风险预测模型构建方法，所述方法包括：

3、实时获取心脑血管疾病数据，并对获取的数据进行预处理；

4、将预处理后的数据存入云空间，进行标记，对标记后的数据进行备份，将标记前后的数据分别存入不同的存储空间，并对不同存储空间内的数据分别进行处理；获得第一处理结果以及第二处理结果；

5、基于深度学习算法通过所述第一处理结果构建疾病风险预测模型，通过所述第二处理结果对构建的所述疾病风险预测模型进行评估及优化；

6、将评估及优化后的疾病风险预测模型应用于新的个体数据，进行心脑血管疾病风险预测；并输出风险评估结果，将风险评估结果通过可视化方式进行展示。

7、进一步的，所述实时获取心脑血管疾病的数据，并对获取的数据进行预处理；包括

8、通过临床医疗服务系统实时获取心脑血管疾病数据，所述心脑血管疾病数据包括临床数据以及生物标志物数据；

9、对获取的心脑血管疾病数据进行预处理，所述预处理包括数据清洗、去除重复值以及缺失值填充；

10、对预处理后的数据进行标准化以及归一化处理，并对其进行压缩。

11、进一步的，所述将预处理后的数据存入云空间，进行标记，对标记后的数据进行备份，将标记前后的数据分别存入不同的存储空间，并对不同存储空间内的数据分别进行处理；获得第一处理结果以及第二处理结果；包括：

12、所述云空间获取压缩后的数据，将其标记为第一数据，并通过备份算法对所述第一数据进行备份获取第二数据；

13、将第一数据存入第一存储空间，将第二数据存入第二存储空间，对第一存储空间内的数据进行第一处理，对第二存储空间内的数据进行第二处理；

14、根据第一处理的结果获取第一处理结果，根据第二处理的结果获取第二处理结果。

15、进一步的，所述第一处理的步骤包括：

16、所述第一存储空间接收到第一数据后，根据数据类型对所述第一数据进行分段，并将分段后的所述第一数据存储至不同的子空间内；

17、将所述不同的子空间内分段后的第一数据划分为多个数据块，每个数据块表示一个子任务；

18、针对每个子任务，通过多线程并行处理算法，通过不同的计算资源对所述子任务进行并行处理，并获得处理结果；

19、通过合并算法将不同子空间内进行处理的处理结果进行合并，获得第一处理结果。

20、进一步的，所述第二处理的步骤包括：

21、所述第二存储空间接收到第二数据后，通过时间序列将所述第二数据划分为三部分，所述三部分包括第一部分，第二部分以及第三部分，所述第一部分占比65%，第二部分占比20%，第三部分占比15%；所述第一部分用于训练，第二部分用于验证，第三部分用于测试；

22、将划分为三部分的第二数据分别存储至不同的子空间；

23、将不同子空间内存储的第二数据根据数据类型划分为多个数据块，每个数据块表示一个子任务；通过独立的处理线程和/或进程对所述子任务进行并行处理，获得处理结果；

24、通过合并算法将所述处理结果进行合并，获得合并后的第二处理结果。

25、进一步的，所述基于深度学习算法通过所述第一处理结果构建疾病风险预测模型，通过所述第二处理结果对构建的所述疾病风险预测模型进行评估及优化，包括：

26、对第一处理结果进行特征选择，选取与心脑血管疾病相关的特征，并将第一处理结果按照6：4的比例划分训练集以及验证集；

27、通过逻辑回归以及支持向量机构建疾病风险预测模型，在所述训练集上对所述疾病风险预测模型进行训练，并通过交叉验证对所述疾病风险预测模型进行选择与调参；

28、通过验证集对训练后的疾病风险预测模型的指标进行评估，并根据对指标的评估结果，分析模型存在的问题以及改进空间；

29、根据模型评估结果，对模型进行优化；

30、根据第二处理结果处理后获得的训练集对优化后的模型进行重新训练，并通过超参数对模型进行调优；

31、在训练过程中通过第二处理结果处理后获得的验证集对模型进行评估，通过验证集的性能指标来选择模型的参数配置；

32、训练以及验证完成后，根据第二处理结果处理后获得的测试集对经过训练和验证的模型进行最终评估；通过测试集的结果来检验模型的表现，并对模型进行进一步的优化和改进。

33、进一步的，所述将评估及优化后的疾病风险预测模型应用于新的个体数据，进行心脑血管疾病风险预测；并输出风险评估结果，将风险评估结果通过可视化方式进行展示；包括：

34、收集新的个体数据，并对所述个体数据预处理；

35、将新的个体数据输入到评估及优化后的疾病风险预测模型中进行风险预测；

36、将模型预测的风险评估结果输出，所述风险评估结果包括预测的患病概率以及风险等级；

37、将风险评估结果通过可视化方式进行展示所述可视化方式包括条形图、饼图以及折线图；

38、根据风险评估结果，给出相应的结果解释和健康建议。帮助个体了解自己的健康状况并采取预防措施。例如，对于高风险个体，可以建议他们进行更频繁的体检、改善饮食、增加运动量等；对于中风险个体，可以建议他们进行规律的体检和血压、血脂、血糖监测等。同时，可以提供在线咨询和健康管理服务，帮助个体更好地管理自己的健康。

39、本发明提出的一种基于深度学习的疾病风险预测模型构建系统，所述系统包括：

40、数据获取模块：实时获取心脑血管疾病数据，并对获取的数据进行预处理；

41、数据处理模块：将预处理后的数据存入云空间，进行标记，对标记后的数据进行备份，将标记前后的数据分别存入不同的存储空间，并对不同存储空间内的数据分别进行处理；获得第一处理结果以及第二处理结果；

42、模型构建模块：基于深度学习算法通过所述第一处理结果构建疾病风险预测模型，通过所述第二处理结果对构建的所述疾病风险预测模型进行评估及优化；

43、风险评估模块：将评估及优化后的疾病风险预测模型应用于新的个体数据，进行心脑血管疾病风险预测；并输出风险评估结果，将风险评估结果通过可视化方式进行展示。

44、本发明提出的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现如上述任一所述的一种基于深度学习的疾病风险预测模型构建方法。

45、本发明提出的一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现如上述任一所述的一种基于深度学习的疾病风险预测模型构建方法。

46、本发明有益效果：通过实时获取心脑血管疾病的临床数据和生物标志物数据，并对数据进行预处理，确保数据的准确性和完整性；通过将预处理后的数据存入云空间，并备份为第二数据，将数据分别存入不同的存储空间，并对不同存储空间内的数据进行处理，提高数据处理的效率和可靠性；基于深度学习算法利用第一处理结果构建疾病风险预测模型，通过第二处理结果对构建的模型进行评估和优化。特征选择、训练集和验证集的划分、逻辑回归和支持向量机等算法的应用，能够有效构建准确的疾病风险预测模型；将评估和优化后的疾病风险预测模型应用于新的个体数据，进行心脑血管疾病风险预测，并输出风险评估结果。通过可视化方式展示结果，使医生和患者能够直观地了解预测结果；根据模型评估结果对模型进行优化，并通过第二处理结果处理后获得的训练集和测试集对模型进行重新训练和评估。不断优化和改进模型，提高模型的准确性和可靠性。同时，根据数据类型将第一数据进行划分存储，并将其用于构建疾病风险预测模型。由于不同类型的数据可能具有不同的特征和重要性，划分存储可以更好地利用数据的特点，提高模型的准确性；通过将第二数据根据时间序列划分为训练集、验证集和测试集，可以更好地模拟模型在不同时间段的应用情况。利用第二数据对第一数据构建的模型进行评估和优化，可以及时发现模型的问题，并进行改进；第一数据用于构建初步的疾病风险预测模型，而第二数据用于对模型进行评估和优化。通过迭代优化，可以不断改进模型的性能，提高模型对心脑血管疾病的预测准确性和可靠性；通过使用第二数据对模型进行评估和优化，可以减少模型在训练集上的过拟合问题，提高模型的泛化能力。这样模型不仅可以准确预测已知数据，也能够对未知数据进行较好的预测。