基于多模态数据的心脑血管疾病风险预测方法、系统及相关设备与流程

本发明涉及心脑血管疾病风险预测领域，尤其涉及一种基于多模态数据的心脑血管疾病风险预测方法、系统及相关设备。

背景技术：

1、心脑血管疾病的风险评估不仅仅依赖于颈动脉斑块的特征，还与多种传统危险因素密切相关。现有的风险评估模型在处理多模态数据时，存在特征提取和融合能力不足的问题。因此，亟需一种新的方法来整合颈动脉影像学参数与传统危险因素，实现全面的心脑血管疾病风险评估。

2、跨模态数据涉及多种模态，不同模态的特征通常具有迥异的物理结构，这使得直接比较其相似性变得困难，从而导致不同模态的数据之间难以建立有效的关联关系。为解决这一数据异构性问题，本发明采用了一种基于矩阵的多模态融合技术。传统的双线性或三线性融合方法能力有限，无法充分发挥多线性融合的全部潜力，并且受限于简单的交互顺序，简单的同时，其融合特征忽略了复杂的局部互相关系。因此，现有方法在处理复杂多模态数据时存在明显的局限性。

技术实现思路

1、为了在颈动脉影像学参数与传统危险因素中捕捉全局的特征关系、局部的互相关系，实现颈动脉影像学参数与传统危险因素的整合，以提高心脑血管疾病风险预测的精度，本发明提出了一种基于多模态数据的心脑血管疾病风险预测方法，包括：

2、收集多个样本数据；所述样本数据为多模态的病患数据；任一模态的病患数据包含一种或多种数据类型；

3、针对样本数据中任一模态的病患数据，当其包括多种数据类型时，分别对各数据类型对应的病患数据进行转换，得到各数据类型对应的数学矩阵，整合得到的数据矩阵，得到该模态对应的特征矩阵；当其仅包括一种数据类型时，转换该模态的病患数据，得到该模态对应的特征矩阵；

4、针对每一样本数据，对其各个模态对应的特征矩阵进行5阶张量积运算，得到高阶张量；

5、通过低秩张量网络运算处理高阶张量z，得到重构的低秩张量；

6、对每一样本数据对应的低秩张量进行风险标签标注；所述风险标签包括：高风险标签与低风险标签；

7、通过标注后的低秩张量构建数据集；

8、利用构建的数据集训练分类器，得到目标模型；

9、获取待预测的低秩张量并输入目标模型，通过目标模型预测待测病患的心脑血管疾病风险。

10、进一步地，所述病患数据的具体模态包括：临床危险因素数据、颈动脉超声影像学数据与跟踪随访数据。

11、进一步地，所述临床危险因素数据对应的病患数据包括：临床危险因素特征；

12、所述颈动脉超声影像学数据对应的病患数据包括：斑块成分特征；

13、所述跟踪随访数据对应的病患数据包括：跟踪随访特征。

14、进一步地，所述临床危险因素特征包括：数值型数据与类别型数据；所述数值型数据包含：高血压血压读数与血糖值；所述类别型数据包括：是否吸烟的二分类别值；

15、所述斑块成分特征包括：斑块存在与否的布尔值、斑块在颈动脉超声影像中的具体位置坐标、斑块的长度与宽度值以及斑块的硬度与光滑度；

16、所述跟踪随访特征包括：身高与体重在预设时长内的变化值。

17、进一步地，所述分类器为支持向量机或随机森林。

18、本发明还提出了一种基于多模态数据的心脑血管疾病风险预测系统，包括：

19、数据获取模块，用于收集多个样本数据；所述样本数据为多模态的病患数据；任一模态的病患数据包含一种或多种数据类型；

20、转换模块，用于针对样本数据中任一模态的病患数据，当其包括多种数据类型时，分别对各数据类型对应的病患数据进行转换，得到各数据类型对应的数学矩阵，整合得到的数据矩阵，得到该模态对应的特征矩阵；当其仅包括一种数据类型时，转换该模态的病患数据，得到该模态对应的特征矩阵；

21、高阶运算模块，针对每一样本数据，对其各个模态对应的特征矩阵进行5阶张量积运算，得到高阶张量；

22、重构模块，用于通过低秩张量网络运算处理高阶张量z，得到重构的低秩张量；

23、标注模块，用于对每一样本数据对应的低秩张量进行风险标签标注；所述风险标签包括：高风险标签与低风险标签；

24、数据集构建模块，用于通过标注后的低秩张量构建数据集；

25、训练模块，用于利用构建的数据集训练分类器，得到目标模型；

26、预测模块，用于获取待预测的低秩张量并输入目标模型，通过目标模型预测待测病患的心脑血管疾病风险。

27、进一步地，所述病患数据的具体模态包括：临床危险因素数据、颈动脉超声影像学数据与跟踪随访数据。

28、进一步地，所述临床危险因素数据对应的病患数据包括：临床危险因素特征；

29、所述颈动脉超声影像学数据对应的病患数据包括：斑块成分特征；

30、所述跟踪随访数据对应的病患数据包括：跟踪随访特征；

31、所述临床危险因素特征包括：数值型数据与类别型数据；所述数值型数据包含：高血压血压读数与血糖值；所述类别型数据包括：是否吸烟的二分类别值；

32、所述斑块成分特征包括：斑块存在与否的布尔值、斑块在颈动脉超声影像中的具体位置坐标、斑块的长度与宽度值以及斑块的硬度与光滑度；

33、所述跟踪随访特征包括：身高与体重在预设时长内的变化值。

34、本发明还提出了一种电子设备，包括：处理器，以及存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上文所述的方法。

35、本发明还提出了一种存储有计算机指令的非瞬时机器可读介质，所述计算机指令用于使所述计算机执行上文所述的方法。

36、与现有技术相比，本发明至少含有以下有益效果：

37、（1）本发明针对样本数据中任一模态的病患数据，当其包括多种数据类型时，分别对各数据类型对应的病患数据进行转换，得到各数据类型对应的数学矩阵，整合得到的数据矩阵，得到该模态对应的特征矩阵；当其仅包括一种数据类型时，转换该模态的病患数据，得到该模态对应的特征矩阵；针对每一样本数据，对其各个模态对应的特征矩阵进行5阶张量积运算，得到高阶张量；通过低秩张量网络运算处理高阶张量z，得到重构的低秩张量；对每一样本数据对应的低秩张量进行风险标签标注；利用构建的数据集训练分类器，得到目标模型；通过目标模型预测待测病患的心脑血管疾病风险；其通过5阶张量积运算处理多种模态的数据，捕捉不同模态之间的复杂关系，同时捕捉局部的互相关系，实现了颈动脉影像学参数与传统危险因素的整合，提高了心脑血管疾病风险预测的精度；

38、（2）本发明通过低秩张量网络运算处理高阶张量z，得到重构的低秩张量，即本发明在降维的同时保留重要信息，以减少计算复杂度，通过标注后的低秩张量构建数据集，提高了模型处理高维多模态数据的效率。

技术特征：

1.一种基于多模态数据的心脑血管疾病风险预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于多模态数据的心脑血管疾病风险预测方法，其特征在于，所述病患数据的具体模态包括：临床危险因素数据、颈动脉超声影像学数据与跟踪随访数据。

3.根据权利要求2所述的一种基于多模态数据的心脑血管疾病风险预测方法，其特征在于，

4.根据权利要求3所述的一种基于多模态数据的心脑血管疾病风险预测方法，其特征在于，

5.根据权利要求3所述的一种基于多模态数据的心脑血管疾病风险预测方法，其特征在于，所述分类器为支持向量机或随机森林。

6.一种基于多模态数据的心脑血管疾病风险预测系统，其特征在于，包括：

7.根据权利要求6所述的一种基于多模态数据的心脑血管疾病风险预测系统，其特征在于，所述病患数据的具体模态包括：临床危险因素数据、颈动脉超声影像学数据与跟踪随访数据。

8.根据权利要求7所述的一种基于多模态数据的心脑血管疾病风险预测系统，其特征在于，

9.一种电子设备，包括：处理器，以及存储程序的存储器，其特征在于，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1至5中任一项所述的方法。

10.一种存储有计算机指令的非瞬时机器可读介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1至5中任一项所述的方法。

技术总结
本发明公开了基于多模态数据的心脑血管疾病风险预测方法、系统及相关设备，涉及心脑血管疾病风险预测领域，本发明针对每一样本数据，对其各个模态对应的特征矩阵进行5阶张量积运算，得到高阶张量；通过低秩张量网络运算处理高阶张量，得到重构的低秩张量；对每一样本数据对应的低秩张量进行风险标签标注；利用构建的数据集训练分类器，得到目标模型；通过目标模型预测待测病患的心脑血管疾病风险；其通过5阶张量积运算处理多种模态的数据，捕捉不同模态之间的复杂关系，同时捕捉局部的互相关系，实现了颈动脉影像学参数与传统危险因素的整合。

技术研发人员：邢立莹,刘爽,马贺,秦思文,郑翠
受保护的技术使用者：纽智医疗科技（宁波）有限公司
技术研发日：
技术公布日：2024/11/18