本发明属于智能医疗检测
技术领域：
：，具体涉及一种阿尔茨海默症分类及预测系统。
背景技术：
：：阿尔茨海默症(alzheimer’sdisease，ad)是一种慢性神经退行性疾病，是继心脑血管疾病、癌症之后的又一重大健康威胁。阿尔茨海默症是由与记忆相关的大脑区域神经细胞的损坏引发的，其症状主要体现在记忆障碍上。轻度认知障碍(mildcognitiveimpairment,mci)是正常状态与阿尔茨海默症之间的过渡状态，其流行度为阿尔茨海默症的四倍，但引起的记忆缺陷相对于阿尔茨海默症较轻。每年大约有10％到16％轻度认知障碍人群转化为阿尔茨海默症。因此，轻度认知障碍的早期诊断和干预在降低阿尔茨海默症的发病率中起着重要作用。由于该疾病的特殊性，大多数阿尔茨海默症的病因仍然未知。目前阿尔茨海默症通常是根据患者的医学影像和临床评估指标进行诊断的。常用来诊断阿尔茨海默症的医学影像包括计算机断层扫描(ct)、磁共振成像(mri)或正电子发射断层扫描(pet)，通过观察脑部区域形态变化，可帮助诊断阿尔茨海默症和排除其他脑部疾病或痴呆的亚型。临床评估指标中，如脑脊液(csf)中的β-淀粉样蛋白和tau蛋白含量等生物标志物，也可用于解释疾病的原因；此外，包括记忆力测试在内的智力功能评估可以进一步表征阿尔茨海默症的状态，在一定程度上可以提高阿尔茨海默症诊断的准确率。磁共振成像可以在同一扫描过程中提供关于大脑结构和功能的多模态信息，基于此原因，深度学习在计算机辅助诊断阿尔茨海默症和轻度认知障碍中有着突出的效果。其主要是用于区分阿尔茨海默症患者(ad)和健康个体(cn)。更重要且更具挑战性的是区分稳定的轻度认知障碍(stablemci,smci)和向阿尔茨海默症转化的轻度认知障碍(progressmci,pmci)，也即预测轻度认知障碍向阿尔茨海默症的转化。常用的方法包括提取3d医学成像的特征，通过数十个感兴趣的分段区域(roi)进行医学成像的分析和疾病分类；或将大脑图像分为多个标志物，如海马体、内嗅皮层、颞中回等，再根据其形态和大小对疾病分类；或在整个大脑图像中均匀提取多个局部3d补丁，通过3d深度神经网络将图像补丁转换为紧凑的区分特征从而完成分类；或将大脑从冠状面、失状面、轴状面进行切片，通过2d深度神经网络完成特征提取分类。然而这些方法存在许多问题：1)脑部医学影像维度高且由于拍摄角度、成像器械、患者差异等具有高噪声，因此对其建模难度高，而且roi区域和标志物的提取标定需要一定的先验知识，这极大的限制了任务的进展速度。2)大型的3d深度神经网络参数量较高，可能会导致过拟合；而对脑部图像进行切片的做法虽然降低了计算资源的占用，但其破坏了3d图像的空间联系，必然造成信息丢失、分类不准确等问题。3)仅使用医学影像诊断或预测阿尔茨海默症显然不符合临床诊断的实际，应当考虑到人口统计学信息、基因信息、神经心理学测试等临床指标。4)轻度认知障碍向阿尔茨海默症转化是一个时间过程，仅使用基线数据，即患者初次诊断的数据难以确诊疾病或预测疾病的走向，应当考虑纵向数据，即患者每隔一段时间再次观测的数据，提高诊断和预测的效果。技术实现要素：本发明的目的是为了解决现有阿尔茨海默症分类系统只能区分阿尔茨海默症患者、健康个体和轻度认知障碍个体，不能判断轻度认知障碍个体是否会向阿尔茨海默症转化的问题，而提出一种基于多任务学习的阿尔茨海默症分类及预测系统。基于多任务学习的阿尔茨海默症分类及预测系统包括：图像处理主模块、临床指标处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型；所述训练主模块利用训练样本集对搭建好的阿尔茨海默症分类及预测模型进行训练，并获得训练好的阿尔茨海默症分类及预测模型；所述检测主模块用于加载训练好的阿尔茨海默症分类及预测模型，利用验证样本集对训练好的阿尔茨海默症分类及预测模型进行验证；若训练好的阿尔茨海默症分类及预测模型在验证样本集上的分类准确率大于等于80％，则利用训练好的阿尔茨海默症分类及预测模型作为最终模型，将最终模型用于阿尔茨海默症的分类及预测；否则，调整搭建的阿尔茨海默症分类及预测模型的学习率，利用训练样本集对搭建的阿尔茨海默症分类及预测模型进行重新训练，直至获得的训练好的模型在验证样本集上的分类准确率大于等于80％时，获得最终模型；再将最终模型用于阿尔茨海默症的分类及预测。本发明的有益效果为：本发明提出一种基于多任务学习的阿尔茨海默症分类和预测系统，避免了脑部医学图像复杂的处理过程，并使用了人口统计学信息、基因信息和神经心理学测试临床指标，搭建了参数量较少的多任务学习阿尔茨海默症分类和预测网络模型，可以用于阿尔茨海默症的分类和轻度认知障碍的预测，提升分类效率和准确率。本发明的目的在于提出一种基于多任务学习的阿尔茨海默症分类和预测系统，能够辅助分类阿尔茨海默症及预测一段时间内轻度认知障碍是否向阿尔茨海默症转化。已有的分类系统只能区分阿尔茨海默症患者、健康个体和轻度认知障碍个体，不能判断轻度认知障碍个体是否会向阿尔茨海默症转化，本发明能够克服这些不足。本发明一种基于多任务学习的阿尔茨海默症分类及预测系统具有以下几方面优势：1、本发明仅需要通过预处理后的smri图像作为模型的输入之一，并不需要继续进行复杂的图像处理。避免了在图像处理过程中人工标注和感兴趣区域的划分，降低对先验知识的需求；避免对图像从三个轴面的切分，有效的保留了3d影像内的空间联系，同时也提高了模型训练、分类及预测的准确率。2、本发明中融合多种数据类型，包括smri、临床指标。并引入对阿尔茨海默症进展表示更好的纵向数据，符合实际要求，在阿尔茨海默症分类及预测上有较好的表现。3、本发明中不仅考虑了阿尔茨海默症，同时对轻度认知障碍向阿尔茨海默症转化进行预测，即根据轻度认知障碍患者smri图像和临床指标可以判断其3年内是否会向阿尔茨海默症转化，为阿尔茨海默症的预防提供极大的助力。附图说明图1为本发明的流程图；图2为本发明中的长短期记忆神经网络自编码器特征提取模型；图3a为本发明中convblock卷积模块示意图；图3b为本发明中fcblock全连接层模块示意图；图3c为本发明中sepconvblock深度可分离卷积模块示意图；图3d为本发明中denseblock密集连接模块示意图；图4为本发明中的多任务学习疾病分类和预测神经网络模型。具体实施方式具体实施方式一：本实施方式一种基于多任务学习的阿尔茨海默症分类及预测系统包括：本发明所述一种基于多任务学习的阿尔茨海默症分类和预测系统，是通过以下技术方案实现的，包括：结构磁共振成像(smri)预处理，用于降低原始t1加权图像中的偏差、噪声和强度的影响，并统一图像规格；临床指标选择及特征提取，即选择临床指标进行预处理并提取特征向量；疾病分类及预测模型构建，即构建各功能神经网络模块，对各模块进行参数调整并搭建整体神经网络模型，利用训练样本集对疾病分类及预测模型进行训练；使用验证样本集对训练好的疾病分类及预测模型进行验证；本发明的流程图如图1所示，具体如下：图像处理主模块、临床指标处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型；所述训练主模块利用训练样本集对搭建好的阿尔茨海默症分类及预测模型进行训练，并获得训练好的阿尔茨海默症分类及预测模型；所述检测主模块用于加载训练好的阿尔茨海默症分类及预测模型，利用验证样本集对训练好的阿尔茨海默症分类及预测模型进行验证；若训练好的阿尔茨海默症分类及预测模型在验证样本集上的分类准确率大于等于80％，则利用训练好的阿尔茨海默症分类及预测模型作为最终模型，将最终模型用于阿尔茨海默症的分类及预测；否则，调整搭建的阿尔茨海默症分类及预测模型的学习率，利用训练样本集对搭建的阿尔茨海默症分类及预测模型进行重新训练，直至获得的训练好的模型在验证样本集上的分类准确率大于等于80％时，获得最终模型；再将最终模型用于阿尔茨海默症的分类及预测。具体实施方式二：本实施方式与具体实施方式一不同的是：所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；具体过程为：获取受试个体在基线时间点(初次就诊的时间，称为基线时间点)(baseline)的头部高质量t1加权结构磁共振成像(高质量即是图片中患者的头部位置无明显偏移，且图片无明显伪影；t1加权是mri图像成像的一种形式)；采用spm工具(statisticalparametricmappingtoolbox)对结构磁共振成像进行头骨剥离操作；使用非刚性配准算法，包括仿射变换与非线性变换等，将头骨剥离后的结构磁共振成像配准到标准脑模板空间mni152(montrealneurologicalinstitute152)，统一所有配准到标准脑模板空间mni152后的图像的坐标空间(配准后达到了统一的目的，标准脑模板空间即是统一的坐标空间)；对配准到标准脑模板空间mni152的图像进行平滑处理，选择大小适当的高斯核进行空间平滑(这里配准后的图像体素为1.5，高斯核大小选择图像体素大小的2倍为3)；获得坐标统一的、偏差矫正(spm工具和平滑处理获得)、噪声消除(spm工具和平滑处理获得)和全局强度矫正(spm工具获得)后的t1加权结构磁共振成像即获得预处理后的图像；预处理后的图像作为阿尔茨海默症分类及预测模型的输入。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；并具体过程为：1)、选定临床指标；2)、对选定的临床指标进行预处理；3)、构造长短期记忆神经网络自编码器(lstmautoencoder)提取神经心理学测试纵向数据的特征；临床数据包括基线数据和纵向数据，归一化后的基线数据、神经心理学测试纵向数据的特征作为阿尔茨海默症分类及预测模型的输入。临床指标主要包括人口统计学信息，基因信息和神经心理学测试；其中人口统计学信息和基因信息是基线数据；神经心理学测试是纵向数据。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述1)中选定临床指标；具体过程为：与疾病密切相关的临床指标主要包括人口统计学信息，基因信息和神经心理学测试指标，其中人口统计学信息和基因信息在短期内难以发生变化，而神经心理学测试则会随着疾病的进展产生变化。因此，人口统计学信息、基因信息只选用基线数据，即基线时间点所观测到的数据，神经心理学测试指标选用纵向数据，即每个时间点的数据都将考虑在内。其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述2)中对选定的临床指标进行预处理；具体过程为：量化人口统计学信息和基因信息的基线数据中未使用数字代替的指标项，如年龄或种族(如果本身就是数字的数据，如年龄则保持数字；如果是性别，则“男性”记为1，“女性”记0，也就是用0或1量化)；并对基线数据进行线性函数归一化，归一化的结果为xnorm：式中，x为数据中任一数据，xmin为数据中数值最小的数据，xmax为数据中数值最大的数据。其它步骤及参数与具体实施方式一至四之一相同。具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述3)中构造长短期记忆神经网络自编码器(lstmautoencoder)提取神经心理学测试纵向数据的特征；具体过程为：结合图2，自编码器中的编码器和解码器均是由3层lstm层组成，wei为编码器中第个lstm层参数，wdi为解码器中第个lstm层参数；共有t个时间点，自编码器中的编码器输入为ft，自编码器中的解码器输出重建量为利用重建量与输入量之间的欧氏距离作为目标函数losslstmautoencoder：式中，n为样本数量；优化可训练参数wi，将神经心理学测试纵向数据作为编码器的输入，使目标函数losslstmautoencoder达到最小，得到训练好的自编码器，用自编码器中的编码器来提取神经心理学测试纵向数据的特征；临床数据包括基线数据和纵向数据，归一化后的基线数据、神经心理学测试纵向数据的特征作为阿尔茨海默症分类及预测模型的输入。其它步骤及参数与具体实施方式一至五之一相同。具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型；具体过程为：搭建多任务学习的阿尔茨海默症分类及预测模型：参考普通卷积神经网络、深度可分离卷积和densenet密集连接网络，多任务学习的阿尔茨海默症分类及预测模型包括fcblock全连接层(fullyconnectedlayer)模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块；全连接层模块包括全连接层、批量归一化层、relu激活函数层、随机失活层；卷积模块包括3d卷积操作层、批量归一化层、relu激活函数层、3d最大池化层、随机失活层；深度可分离卷积模块包括3d分离卷积操作层，批量归一化层、relu激活函数层、随机失活层；密集连接模块包括第一批量归一化层、第一relu激活函数层、第一3d卷积操作层、第一连接层(连接该模块的输入和第一3d卷积操作层的输出)、第二批量归一化层、第二relu激活函数层、第二3d卷积操作层、第二连接层(连接该模块的输入和第二3d卷积操作层的输出)、第三批量归一化层、第三relu激活函数层、第三3d卷积操作层、第三连接层(连接该模块的输入、第二连接层的输出和第三3d卷积操作层的输出)、第四批量归一化层、第四relu激活函数层、3d最大池化层；结合图3a、3b、3c、3d，fcblock全连接层模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块均包含全连接层(或3d(分离)卷积操作(3dconvolution))、批量归一化(batchnormalization,bn)、relu激活函数(rectifiedlinearunit,relu)等一系列操作；在convblock卷积模块和denseblock密集连接模块中使用3d最大池化层(3dmaxpooling)降低输入图像的维度，获得更加重要的特征；fcblock全连接层模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块均使用随机失活(dropout)层，使部分神经元随机失活，可以避免神经网络在训练过程中出现过拟合的问题；denseblock密集连接模块将每次卷积操作后得到的特征进行融合，有利于减少特征信息的丢失，同时也可以减少神经网络参数量；sepconvblock深度可分离卷积模块中的分离卷积操作类似于标准的卷积层，但是通过执行深度操作和点操作，分两步重新组织过程。与标准的卷积层相比效果相似，但参数量减少；整体神经网络是由多个fcblock全连接层模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块相互连接构成的；多任务学习的阿尔茨海默症分类及预测模型具体连接结构为：输入1(预处理后的smri)、卷积模块1、卷积模块2、深度可分离卷积模块1、深度可分离卷积模块2、深度可分离卷积模块3；卷积模块2和深度可分离卷积模块3的输出相加后均分为两部分；部分1接3d卷积操作层1、密集连接模块1、3d卷积操作层2、卷积模块3、卷积模块4；部分2接3d卷积操作层3、密集连接模块2、3d卷积操作层4、卷积模块5、卷积模块6；卷积模块4和卷积模块6的输出连接后接卷积模块7、flatten降维函数、全连接层模块1；输入2(纵向数据特征)、全连接层模块2、全连接层模块3；输入3(归一化的基线数据)、全连接层模块4、全连接层模块5；将全连接层模块1输出、全连接层模块3输出和全连接层模块5输出连接全连接层模块6；全连接层模块6分别连接全连接层1和全连接层2，全连接层1输出1，全连接层2输出2；全连接层1输出1为阿尔茨海默症分类准确率；全连接层2输出2轻度认知障碍转化率；输入1为预处理后的smri；输入2为纵向数据特征；输入3为归一化的基线数据；上述结构即为多任务学习的阿尔茨海默症分类及预测模型；多任务学习的阿尔茨海默症分类及预测模型具有三个输入和两个输出；输入分别为预处理后的结构磁共振成像、归一化后的基线数据和由长短期记忆神经网络自编码器提取到的纵向数据特征；输出分别为阿尔茨海默症患者、健康个体的准确率和预测轻度认知障碍个体向阿尔茨海默症的转化率。其它步骤及参数与具体实施方式一至六之一相同。具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述所有模块(fcblock全连接层模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块)中涉及到的卷积操作是将一个输入张量x与一个权值为w的核进行卷积，然后加上一个偏置项b，最后将结果通过非线性函数传递至下一层；为了提取更丰富的特征，卷积操作使用k个不同权值wk的卷积核(也称为过滤器)来对输入张量x进行卷积操作，得到新的特征图mk：mk＝f(wk×x+bk)(3)其中，×为卷积操作，bk为第k个卷积核的偏置项，f(·)为relu激活函数。其它步骤及参数与具体实施方式一至七之一相同。具体实施方式九：本实施方式与具体实施方式一至八之一不同的是：所述训练主模块利用训练样本集对搭建好的阿尔茨海默症分类及预测模型进行训练，并获得训练好的阿尔茨海默症分类及预测模型；具体过程为：a)、选择目标函数对多任务学习的阿尔茨海默症分类及预测模型参数进行优化；具体过程为：多任务(阿尔茨海默症分类结果和轻度认知障碍转化率2个任务)学习的目标函数选择根据任务种类和性质决定，疾病的分类常采用交叉熵代价函数，即cross-entropy：其中，yi为标签；p(yi)代表该样本为yi的概率；n为样本数量；通过权重a1，a2，...，an对n个相关任务的目标函数进行加和，根据任务之间的难易程度和联系度确定权重a1，a2，...，an，即多任务学习目标函数lossmodel为：lossmodel＝a1l1+a2l2+a3l3+...+anln(5)其中，l1，l2，...，ln为多个任务的目标函数；通过该目标函数实现多个任务同时对神经网络参数进行优化；b)、选择优化器，配置训练参数并训练阿尔茨海默症分类及预测模型，得到训练好的多任务学习的阿尔茨海默症分类及预测模型。其它步骤及参数与具体实施方式一至八之一相同。具体实施方式十：本实施方式与具体实施方式一至九之一不同的是：所述b)中选择优化器，配置训练参数并训练阿尔茨海默症分类及预测模型，得到训练好的多任务学习的阿尔茨海默症分类及预测模型；具体过程为：将预处理后的图像(具体实施方式二得到)和临床指标的特征向量(具体实施方式三得到)随机分为训练样本集和验证样本集两组；使用训练样本数据集训练搭建好的多任务学习神经网络，每个批次输入多个预处理后的结构磁共振成像、归一化后的基线数据和由长短期记忆神经网络自编码器提取到的纵向数据特征，视为完成一个批次的训练，训练样本数据集中的全部数据完成一次训练后，视为完成一轮训练；设定训练轮数为100，当训练轮数达到100后停止训练，并自动保存训练效果最好的一轮结果作为训练好的多任务学习的阿尔茨海默症分类及预测模型；训练采用的目标函数为多任务学习目标函数，优化器采用adam优化器，设置随机失活率(dropoutrate)以防止过拟合，设定学习率为0.0002，学习率设置决定多任务学习神经网络参数更新的快慢；所述多个为大于等于2个。其它步骤及参数与具体实施方式一至九之一相同。采用以下实施例验证本发明的有益效果：实施例一：下面结合具体实施例和附图说明本发明的具体实施方式。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。本发明的实施方式涉及一种基于多任务学习的阿尔茨海默症分类和预测系统包括图像处理主模块、临床指标处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型；所述训练主模块利用训练样本集对搭建好的阿尔茨海默症分类及预测模型进行训练，并获得训练好的阿尔茨海默症分类及预测模型；所述检测主模块用于加载训练好的阿尔茨海默症分类及预测模型，利用验证样本集对训练好的阿尔茨海默症分类及预测模型进行验证；若训练好的阿尔茨海默症分类及预测模型在验证样本集上的分类准确率大于等于80％，则利用训练好的阿尔茨海默症分类及预测模型作为最终模型，将最终模型用于阿尔茨海默症的分类及预测；否则，调整搭建的阿尔茨海默症分类及预测模型的学习率，利用训练样本集对搭建的阿尔茨海默症分类及预测模型进行重新训练，直至获得的训练好的模型在验证样本集上的分类准确率大于等于80％时，获得最终模型；再将最终模型用于阿尔茨海默症的分类及预测。结构磁共振成像(smri)预处理，用于降低原始t1加权图像中的偏差、噪声和强度的影响，并统一图像规格；临床指标选择及特征提取，即选择临床指标进行预处理并提取特征向量；疾病预测模型构建，即构建各功能神经网络模块，对各模块进行参数调整并搭建整体神经网络模型；训练神经网络模型并测试效果，即利用训练样本对疾病及预测模型训练，并使用测试样本进行测试；使用完成测试的疾病分类预测模型来区分阿尔茨海默症患者、健康个体并预测一段时间内轻度认知障碍个体的转化。基于多任务学习的阿尔茨海默症分类和预测系统的工作过程如下：首先通过标准的结构磁共振成像处理对原始t1加权图像的偏差、噪声和强度进行校正，并配准到mni152空间。然后根据医学相关文献选择临床指标进行预处理并通过长短期记忆神经网络自编码器提取特征。其次使用功能神经网络模块构建多任务学习阿尔茨海默症的预测模型并进行训练测试。最后将处理后的图像、数据及提取到的特征输入多任务学习神经网络来区分阿尔茨海默症患者、健康个体并预测一段时间内轻度认知障碍个体的转化。本实施例所述一种基于多任务学习的阿尔茨海默症分类及预测系统按照以下进行：执行一、对受试个体的原始t1加权结构磁共振成像预处理。a1、获取受试个体在基线时间点的高质量t1加权结构磁共振成像，这些图片在生成时即经过成像器械初步处理，包括梯度变形(gradwrap)、b1非均匀性校正(b1non-uniformity)和n3偏置场校正(n3biasfieldcorrection)，数据格式nifti，扩展名为.nii。a2、采用spm工具对结构磁共振成像进行头骨剥离操作。a3、使用非刚性配准算法，包括仿射变换与非线性变换等，将头骨剥离后的结构磁共振成像配准到标准脑模板空间mni152，统一所有图像的坐标空间。a4、对配准到标准mni152空间的图像进行平滑处理，采用3mm半高宽的高斯核进行空间平滑，获得坐标统一的、偏差、噪声和全局强度矫正后的t1加权结构磁共振成像。执行二、选择临床指标进行预处理并构造长短期记忆神经网络自编码器提取纵向数据特征。b1、通过参阅相关医学文献并咨询经验丰富的医师，选定临床指标为人口统计学中的年龄、性别、受教育年限，基因信息中的apoeε4等位基因数量，神经心理学测试中精神功能活动问卷(faq)、迷你精神状态检查(mmse)、莱式听觉语言学习测试(ravlt)和阿尔茨海默症评定量表(adas13)。其中，人口统计学信息、基因信息指标只选用基线数据，即最初时间点所观测到的数据，神经心理学测试指标选用纵向数据，即每个时间点的数据都将考虑。b2、根据诊断表中信息，量化基线数据中未使用数字代替的指标项：年龄，置男性为1，女性为0。并对基线数据年龄、性别、受教育年限和apoeε4等位基因数量进行线性函数归一化，归一化的结果xnorm：式中，x为数据中任一数据，xmin为数据中数值最小的数据，xmax为数据中数值最大的数据。b3、构造长短期记忆神经网络自编码器提取神经心理学测试中纵向数据的特征。结合图2，本实施方式中自编码器的层数i＝2，we1、we2分别为编码器中第1、2个lstm层参数，wd1、wd2为解码器中第1、2个lstm层参数；共有五个时间点，即t＝5，分别为baseline、m06、m12、m24、m36，输入为f5，输入即为由同一时间点的神经心理学测试数据组成的向量，重建量为利用重建量与输入量之间的欧氏距离作为目标函数losslstmautoencoder：式中，n为样本数量；优化可训练参数wi，训练完成后使用长短期记忆神经网络自编码器中的编码器作为神经心理学测试纵向数据特征提取器。b4、将神经心理学测试纵向数据作为输入，通过训练好的长短期记忆神经网络自编码器中的编码器提取特征向量。执行三、构建多任务学习神经网络，初始化参数并训练神经网络。c1、构造神经网络模块。参考普通卷积神经网络、深度可分离卷积和densenet密集连接网络，构造fcblock全连接层模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块。结合图3，所有这些模块均包含3d(分离)卷积操作或全连接层、批量归一化、relu激活函数等一系列操作；在convblock和denseblock中使用大小为3×3×3，步长strides＝2的3d最大池化层降低输入图像的维度，获得更加重要的特征；dropout在所有模块中都有使用，使部分神经元随机失活，可以避免神经网络在训练过程中出现过拟合的问题。denseblock将每次卷积操作后得到特征进行融合以减少特征信息的丢失，同时也可以减少神经网络参数量；sepconvblock中的分离卷积操作类似于标准的卷积层，但是通过执行深度操作和点操作，分两步重新组织过程，与标准的卷积层相比效果相似，但参数量减少。通过使用denseblock和sepconvblock，可以使整体神经网络中的参数量下降，从而使神经网络维持在轻量级。所有模块中涉及到的卷积操作是将一个输入张量x与一个权值为w的核进行卷积，然后加上一个偏置项b，最后将结果通过非线性函数传递至下一层。为了提取更丰富的特征，使用k个不同权值wk的卷积核(也称为过滤器)来对输入张量x进行卷积操作，得到新的特征图mk：mk＝f(wk×x+bk)其中，×为卷积操作，bk为第k个卷积核的偏置项，f(·)为relu激活函数。c2、搭建整体神经网络。结合图4，整体神经网络结构是由fcblock全连接层模块、convblock卷积模块、sepconvblock深度可分离卷积模块和denseblock密集连接模块相互连接构成的。该神经网络具有三个输入和两个输出，输入分别为预处理后的结构磁共振成像、归一化后的基线数据(年龄、性别、受教育年限和apoeε4等位基因数量)和由lstmautoencoder提取到的纵向数据(faq、mmse、ravlt、adas13)特征，输出分别为阿尔茨海默症患者、健康个体的准确率和预测3年内轻度认知障碍个体向阿尔茨海默症的转化率。c3、选择目标函数。本实施方式中为多任务学习，任务一为阿尔茨海默症患者、健康个体的分类，任务二为预测3年内轻度认知障碍个体向阿尔茨海默症的转化。根据任务性质，两个任务的目标函数均选择为二值交叉熵函数，即binarycross-entropy：其中，yi为标签，即ad或pmci个体的标签为1，cn或smci个体的标签为0；p(yi)代表该样本为ad或pmci的概率；n为样本数量；将两个任务的目标函数通过权重a加和，即为本实施方式中的目标函数lossmodel为：lossmodel＝a1l1+l2其中l1为任务一的目标函数，l2为任务二的目标函数，权重a＝0.25。通过该目标函数可以实现任务一和任务二同时对神经网络参数进行优化。c4、选择优化器，配置训练参数并训练神经网络。使用训练样本数据集训练搭建好的多任务学习神经网络，每个批次输入6个个体的图像和临床指标数据，全部个体训练过后记为1轮，训练总轮数为100轮。目标函数取c3中的函数，优化器采用adam，随机失活率设置为0.1，学习率设置为训练时选取效果最佳的模型保存，即为多任务学习的阿尔茨海默症分类及预测模型。执行四、使用训练好的多任务学习模型进行测试并实际应用。d1、选取未在训练样本中出现的个体作为测试样本，避免测试结果出错。d2、测试模型效果。将测试样本输入训练好的多任务学习的阿尔茨海默症分类及预测模型，得到测试的准确率较其他方式更高。d3、将测试完成后的多任务学习模型用来对阿尔茨海默症和健康两个阶段进行分类，对轻度认知障碍进行预测是否会向阿尔茨海默症转化。本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。当前第1页12当前第1页12