确定模型的方法、装置、存储介质及电子设备与流程

本公开涉及计算机，具体地，涉及一种确定模型的方法、装置、存储介质及电子设备。

背景技术：

1、大型人群队列研究是解决目前医学和健康重大问题的有效方法之一，例如弗明汉心脏研究、护士健康研究等，为揭示各种疾病特别是慢性病的病因、疾病预防控制和疾病预测提供宝贵的科学依据。然而，队列数据通常是由每个医院或医疗中心出于各自的科研目的，并考虑到隐私保护和数据安全性等问题，分别对临床相关数据进行处理并独立存储在各自私有的数据中心里。在医学人工智能领域，医疗机构本地的队列数据量通常不足以训练出可靠的分类器，根据本地队列数据构建出的模型仅能解决本地问题。

技术实现思路

1、本公开的目的是提供一种确定模型的方法、装置、存储介质及电子设备。

2、第一方面，本公开提供一种确定模型的方法，应用于模型确定系统，所述系统包括预设区块链以及与所述预设区块链通信的多个医疗数据处理终端，每个所述医疗数据处理终端上部署有待训练的预设医疗分类模型，不同的医疗数据处理终端用于处理不同的医疗数据；所述方法包括：

3、针对每个所述医疗数据处理终端，根据该医疗数据处理终端对应的目标医疗数据确定该医疗数据处理终端上部署的所述预设医疗分类模型的第一模型参数；

4、根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数，通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数；

5、根据所述目标医疗数据和所述第二模型参数确定该医疗数据处理终端对应的目标医疗分类模型。

6、可选地，所述预设区块链部署有参数计算网络，所述参数计算网络包括注意力机制层，所述根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数，通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数包括：

7、根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数通过所述注意力机制层对该医疗数据处理终端计算得到的所述第一模型参数进行参数更新后，得到该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数。

8、可选地，所述根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数通过所述注意力机制层对该医疗数据处理终端计算得到的所述第一模型参数进行参数更新包括：

9、计算每个所述第一模型参数分别与该医疗数据处理终端计算得到的所述第一模型参数之间的相关度，所述相关度表征目标处理终端计算的第一模型参数对该医疗数据处理终端对应的模型参数的影响程度，所述目标处理终端为任一所述医疗数据处理终端；

10、根据所述相关度和每个所述医疗数据处理终端分别计算得到的所述第一模型参数对该医疗数据处理终端计算得到的所述第一模型参数进行参数更新后，得到所述第二模型参数。

11、可选地，所述参数计算网络还包括与所述注意力机制层连接的线性层，所述根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数通过所述注意力机制层对该医疗数据处理终端计算得到的所述第一模型参数进行参数更新之前，所述方法还包括：

12、通过所述线性层对每个所述医疗数据处理终端分别计算得到的所述第一模型参数进行特征提取，得到目标参数特征；

13、所述根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数通过所述注意力机制层对该医疗数据处理终端计算得到的所述第一模型参数进行参数更新包括：

14、根据每个所述第一模型参数分别对应的所述目标参数特征通过所述注意力机制层对该医疗数据处理终端计算得到的所述第一模型参数进行参数更新。

15、可选地，所述线性层包括前馈神经网络，所述通过所述线性层对每个所述医疗数据处理终端分别计算得到的所述第一模型参数进行特征提取，得到目标参数特征包括：

16、针对每个所述医疗数据处理终端，将该医疗数据处理终端计算得到的所述第一模型参数输入所述前馈神经网络后，得到所述前馈神经网络输出的所述目标参数特征。

17、可选地，所述参数计算网络还包括标准化层，所述根据所述目标医疗数据和所述第二模型参数确定该医疗数据处理终端对应的目标医疗分类模型之前，所述方法还包括：

18、通过所述标准化层对所述第二模型参数进行标准化处理，得到第三模型参数；

19、所述根据所述目标医疗数据和所述第二模型参数确定该医疗数据处理终端对应的目标医疗分类模型包括：

20、根据所述目标医疗数据和所述第三模型参数确定该医疗数据处理终端对应的目标医疗分类模型。

21、可选地，所述参数计算网络还包括位置编码层，所述通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数之前，所述方法还包括：

22、通过所述位置编码层按照预设编码算法对所述第一模型参数进行编码，得到所述第一模型参数对应的节点标识，所述节点标识为计算得到所述第一模型参数的医疗数据处理终端的节点标识；

23、所述通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数包括：

24、根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数，以及每个第一模型参数分别对应的节点标识，通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数。

25、可选地，所述根据所述目标医疗数据和所述第二模型参数确定该医疗数据处理终端对应的目标医疗分类模型包括：

26、将所述预设医疗分类模型的模型参数更新为所述第二模型参数后得到待定医疗分类模型；

27、在确定所述待定医疗分类模型满足预设模型收敛条件的情况下，将所述待定医疗分类模型作为所述目标医疗分类模型。

28、可选地，所述方法还包括：

29、在确定所述待定医疗分类模型不满足所述预设模型收敛条件的情况下，循环执行模型确定步骤，直至所述待定医疗分类模型满足所述预设模型收敛条件；

30、所述模型确定步骤包括：

31、根据所述目标医疗数据对所述待定医疗分类模型进行模型训练后，得到第四模型参数；

32、通过所述预设区块链对该医疗数据处理终端计算得到的所述第四模型参数进行参数更新后，得到该医疗数据处理终端对应的第五模型参数；

33、将该医疗数据处理终端上所述待定医疗分类模型的模型参数更新为所述第五模型参数后得到新的待定医疗分类模型，并将所述新的待定医疗分类模型作为更新后的所述待定医疗分类模型。

34、可选地，所述方法还包括：

35、获取目标医学分类任务对应的医疗输入数据；

36、通过该医疗数据处理终端上部署的所述目标医疗分类模型对所述医疗输入数据进行医学分类，得到所述医疗输入数据对应的目标类型。

37、第二方面，本公开提供一种确定模型的装置，应用于模型确定系统，所述系统包括预设区块链以及与所述预设区块链通信的多个医疗数据处理终端，每个所述医疗数据处理终端上部署有待训练的预设医疗分类模型，不同的医疗数据处理终端用于处理不同的医疗数据；所述装置包括：

38、第一确定模块，用于针对每个所述医疗数据处理终端，根据该医疗数据处理终端对应的目标医疗数据确定该医疗数据处理终端上部署的所述预设医疗分类模型的第一模型参数；

39、第二确定模块，用于根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数，通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数；

40、第三确定模块，用于根据所述目标医疗数据和所述第二模型参数确定该医疗数据处理终端对应的目标医疗分类模型。

41、第三方面，本公开提供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时实现本公开第一方面所述方法的步骤。

42、第四方面，本公开提供一种电子设备，包括：

43、存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

44、通过上述技术方案，针对每个所述医疗数据处理终端，根据该医疗数据处理终端对应的目标医疗数据确定该医疗数据处理终端上部署的所述预设医疗分类模型的第一模型参数；根据每个所述医疗数据处理终端分别计算得到的所述第一模型参数，通过所述预设区块链确定该医疗数据处理终端上部署的所述预设医疗分类模型的第二模型参数；根据所述目标医疗数据和所述第二模型参数确定该医疗数据处理终端对应的目标医疗分类模型，这样，基于群体学习的原理，通过预设区块链构建去中心化的模型确定系统，该模型确定系统不仅保证了各个医疗机构本地队列数据的安全可信，也能实现各个医疗数据处理终端分别对应的模型参数的可信传输与共享，从而解决了医疗分类模型在跨中心队列数据研究上的联合训练问题。

45、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。