基于深度学习的疾病风险评估方法及系统与流程

本发明涉及疾病风险评估，更具体地说，本发明涉及基于深度学习的疾病风险评估方法及系统。

背景技术：

1、疾病风险预测是指使用统计学、机器学习或其他预测模型来评估个体患某种疾病的可能性，预测通常基于个体的健康数据、生活方式、遗传信息等因素进行分析和计算，而疾病风险预测常用于预测是否患有癌症，消化道癌症（包括胃癌、肠癌等）是较为常见的类型之一，尽管现有技术已经能够通过预测模型对患有消化道癌症的风险进行预测和评估，但这一领域仍然面临一些挑战和问题。

2、例如，公开号为cn117169504a的中国专利提供了用于胃癌相关参数检测的生物标志物及相关预测系统及应用，分别采用不同的生物标志物构建胃癌的诊断模型，可用于高效地预测个体是否患胃癌，公开号为cn116519954a的中国专利提供了一种结直肠癌检测模型构建方法、系统及生物标志物，通过分析结直肠癌患者和正常人的血液中具有显著性差异的蛋白质，筛选出能单独及组合作为生物标志物用于早期预示结直肠癌发生风险的蛋白质，以及包含以上生物标志物的用于预测个体是否是结直肠癌。

3、上述专利虽然都公开了通过标志物预测患癌风险的内容，但是上述专利大多进行单一的预测，而缺乏较为综合的评估，此外，在医学领域，标志物的特异性和敏感性是疾病预测中非常重要的两个特性，然而，现有技术较少能同时考虑这两个因素，导致预测的准确性无法得到有效提升。

4、鉴于此，本发明提出基于深度学习的疾病风险评估方法及系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供基于深度学习的疾病风险评估方法及系统。

2、为实现上述目的，本发明提供如下技术方案：

3、基于深度学习的疾病风险评估方法，包括：

4、s10：获取待检测患者的胃部疾病特征数据和肠道疾病特征数据，基于胃部疾病特征数据计算胃部疾病影响系数，基于肠道疾病特征数据计算肠道疾病影响系数，基于胃部疾病影响系数和肠道疾病影响系数确定病患状态，病患状态包括患胃部疾病、患肠道疾病和未患病；

5、s20：当病患状态为患胃部疾病或患肠道疾病的情况下，获取待检测患者的病历数据，根据病历数据确定先验概率；

6、s30：基于病患状态获取待检测患者的标志物特征数据，基于标志物特征数据确定标志物区间序列，将标志物区间序列和病患状态输入到预构建的患癌概率预测模型中，获得实时敏感性概率和实时特异性概率；

7、s40：基于先验概率、实时敏感性概率和实时特异性概率计算阳性患癌概率，根据阳性患癌概率确定评估结果。

8、进一步地，胃部疾病特征数据包括胃蛋白酶原i/ii比值、胃泌素g-17值和癌抗原ca72-4浓度值，基于胃部疾病特征数据计算胃部疾病影响系数的方法包括：

9、gdf=；

10、式中，gdf为胃部疾病影响系数，为胃泌素g-17值，为癌抗原ca72-4浓度值，为胃蛋白酶原i/ii比值，为双曲余弦函数，是以2为底的对数函数，为反正切函数，为常数。

11、进一步地，肠道疾病特征数据包括外周血中性粒细胞与白细胞浓度比值、淋巴细胞与白细胞浓度比值、癌抗原ca19-9浓度值和癌胚抗原cea浓度值，基于肠道疾病特征数据计算肠道疾病影响系数的方法包括：

12、idf=；

13、式中，idf为肠道疾病影响系数，是以10为底的对数函数，为癌胚抗原cea浓度值，为双曲正弦函数，为外周血中性粒细胞与白细胞浓度比值，为淋巴细胞与白细胞浓度比值，为癌抗原ca19-9浓度值，为自然常数，、均为权重因子。

14、进一步地，基于胃部疾病影响系数和肠道疾病影响系数确定病患状态的方法包括：

15、若胃部疾病影响系数小于预设胃部疾病影响系数阈值，并且肠道疾病影响系数小于预设肠道疾病影响系数阈值时，则病患状态为未患病；

16、若胃部疾病影响系数大于或等于预设胃部疾病影响系数阈值，并且肠道疾病影响系数小于预设肠道疾病影响系数阈值时，则病患状态为患胃部疾病；

17、若胃部疾病影响系数小于预设胃部疾病影响系数阈值，并且肠道疾病影响系数大于或等于预设肠道疾病影响系数阈值时，则病患状态为患肠道疾病。

18、进一步地，根据病历数据确定先验概率的方法包括：

19、遍历病历数据，根据映射关系确定病患年龄对应的第一概率、患病人数对应的第二概率，以及不良嗜好数量对应的第三概率，将第一概率、第二概率和第三概率之和作为先验概率。

20、进一步地，基于标志物特征数据确定标志物区间序列的方法包括：

21、遍历标志物特征数据，确定标志物特征数据中每个元素所对应的标志物浓度区间，将所获得的标志物浓度区间进行集合，以此生成标志物区间序列。

22、进一步地，患癌概率预测模型的构建方法包括：

23、获取样本数据集，所述样本数据集中包括历史标志物区间序列、历史病患状态、历史敏感性概率和历史特异性概率，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史标志物区间序列和历史病患状态作为回归网络的输入数据，以样本训练集中的历史敏感性概率和历史特异性概率作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时敏感性概率和实时特异性概率的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的初始回归网络作为患癌概率预测模型。

24、进一步地，基于先验概率、实时敏感性概率和实时特异性概率计算阳性患癌概率的方法包括：

25、phr=；

26、式中，phr为阳性患癌概率，为实时敏感性概率，为先验概率，为实时特异性概率。

27、基于深度学习的疾病风险评估系统，其用于实现上述的基于深度学习的疾病风险评估方法，包括：

28、区分模块：用于获取待检测患者的胃部疾病特征数据和肠道疾病特征数据，基于胃部疾病特征数据计算胃部疾病影响系数，基于肠道疾病特征数据计算肠道疾病影响系数，基于胃部疾病影响系数和肠道疾病影响系数确定病患状态，病患状态包括患胃部疾病、患肠道疾病和未患病；

29、先验模块：用于当病患状态为患胃部疾病或患肠道疾病的情况下，获取待检测患者的病历数据，根据病历数据确定先验概率；

30、概率生成模块：用于基于病患状态获取待检测患者的标志物特征数据，基于标志物特征数据确定标志物区间序列，将标志物区间序列和病患状态输入到预构建的患癌概率预测模型中，获得实时敏感性概率和实时特异性概率；

31、评估模块：用于基于先验概率、实时敏感性概率和实时特异性概率计算阳性患癌概率，根据阳性患癌概率确定评估结果。

32、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述基于深度学习的疾病风险评估方法。

33、相比于现有技术，本发明的有益效果为：

34、本发明获取待检测患者的胃部疾病特征数据和肠道疾病特征数据，基于胃部疾病特征数据计算胃部疾病影响系数，基于肠道疾病特征数据计算肠道疾病影响系数，基于胃部疾病影响系数和肠道疾病影响系数对病患的状态进行快速的区分，实现了较为综合的评估，再根据病历数据确定先验概率，基于病患状态获取待检测患者的标志物特征数据，基于标志物特征数据确定标志物区间序列，将标志物区间序列和病患状态输入到预构建的患癌概率预测模型中，获得实时敏感性概率和实时特异性概率，最后基于先验概率、实时敏感性概率和实时特异性概率计算阳性患癌概率，根据阳性患癌概率确定评估结果，本发明在对患者进行评估的过程中，考虑了标志物的特异性和敏感性，使得评估的准确地得到有效提升。