本技術(shù)涉及腫瘤評估的，尤其是涉及一種惡性腫瘤風(fēng)險評估與診斷決策系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、惡性腫瘤作為影響居民身體健康因素的比重越來越大，且惡性腫瘤由于發(fā)展速度快、損害性，對居民的身體健康造成了嚴重的威脅，有效的惡性腫瘤風(fēng)險評估以及篩查，能夠確保及時發(fā)現(xiàn)患癌情況，從而盡早的接收治療。

2、目前，常采用惡性腫瘤風(fēng)險評估方法對居民用戶的惡性腫瘤患病風(fēng)險進行評估，即通過采集居民用戶的身體信息參數(shù)，并將身體信息參數(shù)輸入至風(fēng)險評估模型中進行訓(xùn)練，利用訓(xùn)練好的風(fēng)險評估模型確定用戶的評估得分，當評估得分超過預(yù)設(shè)分值時，即表示當前用戶存在某種惡性腫瘤患病的風(fēng)險，若評估得分不超過預(yù)設(shè)分值時，即表示當前用戶不存在惡性腫瘤患病的風(fēng)險。在對風(fēng)險評估模型進行訓(xùn)練時，往往采用大量的歷史惡性腫瘤患病數(shù)據(jù)進行訓(xùn)練，通過計算不同惡性腫瘤的患病特征的權(quán)重，進而確定不同患病特征所對應(yīng)評估分值。

3、但是，本技術(shù)通過對歷史患者數(shù)據(jù)進行分析得知，在不同時間階段內(nèi)，不同惡性腫瘤的患病特征所對應(yīng)的權(quán)重均不相同，這也就表示不同時代人們的生活習(xí)慣不同，最終導(dǎo)致惡性腫瘤病發(fā)的因素占比也不同，因此若僅根據(jù)風(fēng)險評估模型得到的評估得分去判斷用戶患有惡性腫瘤的風(fēng)險與否的話，存在降低風(fēng)險評估準確性的缺陷。

技術(shù)實現(xiàn)思路

1、為了提高惡性腫瘤風(fēng)險評估的準確性，本技術(shù)提供一種惡性腫瘤風(fēng)險評估與診斷決策系統(tǒng)、設(shè)備及介質(zhì)。

2、第一方面，本技術(shù)提供一種惡性腫瘤風(fēng)險評估與診斷決策系統(tǒng)，采用如下的技術(shù)方案：

3、一種惡性腫瘤風(fēng)險評估與診斷決策系統(tǒng)，包括：

4、信息獲取模塊，用于獲取用戶信息，所述用戶信息為用戶通過目標設(shè)備輸入的個人信息；

5、數(shù)據(jù)處理模塊，用于對所述用戶信息中的用戶數(shù)據(jù)進行處理，得到用戶驗證數(shù)據(jù)；

6、特征提取模塊，用于對所述用戶驗證數(shù)據(jù)進行數(shù)據(jù)特征提取，得到與所述用戶相對應(yīng)的數(shù)據(jù)參數(shù)特征以及與所述數(shù)據(jù)參數(shù)特征對應(yīng)的參數(shù)特征值；

7、特征評估模塊，用于將所述數(shù)據(jù)參數(shù)特征以及所述參數(shù)特征值輸入至預(yù)測模型中進行訓(xùn)練，得到所述用戶在不同時間階段的患病概率值；

8、診斷反饋模塊，用于基于預(yù)設(shè)轉(zhuǎn)換標準對所述患病概率值進行格式轉(zhuǎn)換，得到患病概率信息，并將所述患病概率信息反饋至所述目標設(shè)備。

9、在另一種可能實現(xiàn)的方式中，所述系統(tǒng)還包括：特征數(shù)據(jù)獲取模塊、數(shù)據(jù)確定模塊、數(shù)據(jù)整理模塊、數(shù)據(jù)分析模塊以及模型訓(xùn)練模塊，其中，

10、所述特征數(shù)據(jù)獲取模塊，用于獲取不同種類惡性腫瘤所對應(yīng)的惡性腫瘤因素特征以及患有不同種類惡性腫瘤的患者歷史數(shù)據(jù)；

11、所述數(shù)據(jù)確定模塊，用于根據(jù)所述患者歷史數(shù)據(jù)確定每個惡性腫瘤因素特征所對應(yīng)的因素特征數(shù)據(jù)以及與所述因素特征數(shù)據(jù)所對應(yīng)的時間序列長度；

12、所述數(shù)據(jù)整理模塊，用于根據(jù)所述因素特征數(shù)據(jù)以及所述時間序列長度對所述患者歷史數(shù)據(jù)進行無監(jiān)督時間序列數(shù)據(jù)整理，得到不同種類惡性腫瘤對應(yīng)的患者數(shù)據(jù)矩陣；

13、所述數(shù)據(jù)分析模塊，用于對所述患者數(shù)據(jù)矩陣進行數(shù)據(jù)分析處理，得到不同惡性腫瘤因素特征在未來預(yù)設(shè)時間內(nèi)的權(quán)重值分布以及與所述權(quán)重值分布對應(yīng)的權(quán)重分值；

14、所述模型訓(xùn)練模塊，用于創(chuàng)建預(yù)測模型，并將所述惡性腫瘤因素特征、權(quán)重值分布以及權(quán)重分值輸入至所述預(yù)測模型中進行訓(xùn)練，得到訓(xùn)練后的預(yù)測模型。

15、在另一種可能實現(xiàn)的方式中，所述數(shù)據(jù)分析模塊在對所述患者數(shù)據(jù)矩陣進行數(shù)據(jù)分析處理，得到不同惡性腫瘤因素特征在未來預(yù)設(shè)時間內(nèi)的權(quán)重值分布以及與所述權(quán)重值分布對應(yīng)的權(quán)重分值時，具體用于：

16、判斷所述惡性腫瘤因素特征是否為不可控因素特征，若是，則汲取定義所述患者數(shù)據(jù)矩陣中與所述惡性腫瘤因素特征對應(yīng)的數(shù)據(jù)為第一序列數(shù)據(jù)，將所述患者數(shù)據(jù)矩陣中剩余的惡性腫瘤因素特征對應(yīng)的數(shù)據(jù)定義為第二序列數(shù)據(jù)；

17、按照時間序列監(jiān)測計算所述第一序列數(shù)據(jù)以及所述第二序列數(shù)據(jù)中每一惡性腫瘤因素特征對應(yīng)的數(shù)據(jù)發(fā)展情況，得到與所述第一序列數(shù)據(jù)相對應(yīng)自由關(guān)聯(lián)系數(shù)以及與所述第二序列數(shù)據(jù)相對應(yīng)的可控關(guān)聯(lián)系數(shù)；

18、基于所述自由關(guān)聯(lián)系數(shù)以及所述預(yù)設(shè)權(quán)重標準對所述第一序列數(shù)據(jù)中每個惡性腫瘤因素特征在不同單位時間內(nèi)的權(quán)重值進行計算，得到所述第一序列數(shù)據(jù)中不同惡性腫瘤因素特征的第一時間權(quán)重組；

19、基于所述可控關(guān)聯(lián)系數(shù)以及所述預(yù)設(shè)權(quán)重標準對所述第二序列數(shù)據(jù)中每個惡性腫瘤因素特征在不同單位時間內(nèi)的權(quán)重值進行計算，得到所述第二序列數(shù)據(jù)中不同惡性腫瘤因素特征的第二時間權(quán)重組；

20、分別將所述第一時間權(quán)重組以及所述第二時間權(quán)重組與所述患者數(shù)據(jù)矩陣進行數(shù)據(jù)對應(yīng)結(jié)合處理，生成預(yù)測數(shù)據(jù)矩陣；

21、對所述預(yù)測數(shù)據(jù)矩陣進行數(shù)據(jù)處理，得到不同惡性腫瘤因素特征在未來預(yù)設(shè)時間內(nèi)的權(quán)重值分布以及與所述權(quán)重值分布對應(yīng)的權(quán)重分值。

22、在另一種可能實現(xiàn)的方式中，所述數(shù)據(jù)分析模塊在對所述預(yù)測數(shù)據(jù)矩陣進行數(shù)據(jù)處理，得到不同惡性腫瘤因素特征在未來預(yù)設(shè)時間內(nèi)的權(quán)重值分布以及與所述權(quán)重值分布對應(yīng)的權(quán)重分值時，具體用于：

23、對所述預(yù)測數(shù)據(jù)矩陣進行數(shù)據(jù)處理，得到第一訓(xùn)練矩陣；

24、將所述第一訓(xùn)練矩陣輸入至預(yù)設(shè)算法模型中進行數(shù)據(jù)推算，得到不同惡性腫瘤因素特征在未來預(yù)設(shè)時間內(nèi)的權(quán)重值分布以及與所述權(quán)重值分布對應(yīng)的權(quán)重分值。

25、在另一種可能實現(xiàn)的方式中，所述數(shù)據(jù)分析模塊在分別將所述第一時間權(quán)重組以及所述第二時間權(quán)重組與所述患者數(shù)據(jù)矩陣進行數(shù)據(jù)對應(yīng)結(jié)合處理，生成預(yù)測數(shù)據(jù)矩陣時，具體用于：

26、分別將所述第一時間權(quán)重組以及所述第二時間權(quán)重組與所述患者數(shù)據(jù)矩陣進行對應(yīng)整合，生成整合數(shù)據(jù)矩陣；

27、對所述整合數(shù)據(jù)矩陣進行基本數(shù)據(jù)分布探查，獲取不同所述惡性腫瘤因素特征在單位時間內(nèi)的權(quán)重值變化的相對周期性規(guī)律，并基于所述相對周期性規(guī)律確定時間周期長度；

28、基于所述時間周期長度對所述整合數(shù)據(jù)矩陣進行有監(jiān)督時間序列數(shù)據(jù)整理，得到整理數(shù)據(jù)矩陣；

29、基于所述整理數(shù)據(jù)矩陣對未來預(yù)設(shè)時間段內(nèi)的權(quán)重值組的變化趨勢進行預(yù)判，生成預(yù)測矩陣數(shù)據(jù)。

30、在另一種可能實現(xiàn)的方式中，所述數(shù)據(jù)分析模塊在對所述預(yù)測數(shù)據(jù)矩陣進行數(shù)據(jù)處理，得到第一訓(xùn)練矩陣時，具體用于：

31、計算所述預(yù)測數(shù)據(jù)矩陣中所包含的特征數(shù)據(jù)的正態(tài)分布均值以及正態(tài)分布方差，并基于所述正態(tài)分布均值以及所述正態(tài)分布方差確定所述預(yù)測數(shù)據(jù)矩陣的3σ范圍；

32、判斷所述特征數(shù)據(jù)是否在所述3σ范圍之外，若所述特征數(shù)據(jù)在所述3σ范圍之外，則確定所述特征數(shù)據(jù)所在所述預(yù)測數(shù)據(jù)矩陣的第一矩陣序列，根據(jù)所述第一矩陣序列計算序列平均值，并用所述序列平均值對所述特征數(shù)據(jù)進行替換，得到替換后的第二矩陣序列，并對所述第二矩陣序列進行缺失值處理；

33、對所述預(yù)測數(shù)據(jù)矩陣中的第二矩陣序列進行序列的歸一化處理，得到第一訓(xùn)練矩陣。

34、在另一種可能實現(xiàn)的方式中，所述系統(tǒng)還包括：權(quán)重確定模塊以及權(quán)重重置模塊，其中，

35、所述權(quán)重確定模塊，用于確定不同所述惡性腫瘤因素特征在未來預(yù)設(shè)時間段內(nèi)所探測得知的實際權(quán)重分布以及實際權(quán)重分值；

36、所述權(quán)重重置模塊，用于分別判斷所述實際權(quán)重分布以及實際權(quán)重分值是否與所述權(quán)重值分布以及權(quán)重分值一致，若不一致，則基于所述實際權(quán)重分布以及實際權(quán)重分值對所述權(quán)重分布以及所述權(quán)重分值進行反歸一處理，將所述權(quán)重分布以及所述權(quán)重分值恢復(fù)到所述際權(quán)重分布以及實際權(quán)重分值。

37、在另一種可能實現(xiàn)的方式中，所述系統(tǒng)還包括：患病確定模塊以及建議生成模塊，其中，

38、所述患病確定模塊，用于基于所述患病概率信息確定所述用戶的患病特征以及與所述患病特征相對應(yīng)的風(fēng)險等級；

39、所述建議生成模塊，用于將所述患病特征以及風(fēng)險等級輸入至訓(xùn)練后的預(yù)防模型中，得到預(yù)防建議信息，并將所述預(yù)防建議信息發(fā)送至所述目標設(shè)備。

40、第二方面，本技術(shù)提供一種電子設(shè)備，采用如下的技術(shù)方案：

41、一種電子設(shè)備，該電子設(shè)備包括：

42、一個或多個處理器；

43、存儲器；

44、一個或多個應(yīng)用程序，其中一個或多個應(yīng)用程序被存儲在存儲器中并被配置為由一個或多個處理器執(zhí)行，一個或多個程序配置用于：執(zhí)行根據(jù)第一方面任一種可能的實現(xiàn)方式所示的一種惡性腫瘤風(fēng)險評估與診斷決策系統(tǒng)。

45、第三方面，本技術(shù)提供一種計算機可讀存儲介質(zhì)，采用如下的技術(shù)方案：

46、一種計算機可讀存儲介質(zhì)，包括：存儲有能夠被處理器加載并執(zhí)行實現(xiàn)第一方面任一種可能的實現(xiàn)方式所示的一種惡性腫瘤風(fēng)險評估與診斷決策系統(tǒng)的計算機程序。

47、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

48、通過采用上述技術(shù)方案，在對用戶進行惡性腫瘤患病評估時，獲取用戶輸入至目標設(shè)備的用戶個人，然后對用戶信息中的用戶數(shù)據(jù)進行處理，得到用戶驗證數(shù)據(jù)，并對用戶驗證數(shù)據(jù)進行數(shù)據(jù)特征提取，得到與用戶相對應(yīng)的數(shù)據(jù)參數(shù)特征以及與數(shù)據(jù)參數(shù)特征對應(yīng)的參數(shù)特征值，然后將數(shù)據(jù)參數(shù)特征以及參數(shù)特征值輸入至預(yù)測模型中進行訓(xùn)練，得到用戶在不同時間階段的患病概率值，然后基于預(yù)設(shè)轉(zhuǎn)換標準對患病概率值進行格式轉(zhuǎn)換，得到患病概率信息，并將患病概率信息反饋至目標設(shè)備，用戶通過查看目標設(shè)備反饋的信息，即可得知用戶自身在不同時間階段所對應(yīng)的患病概率值，從而達到了提高惡性腫瘤風(fēng)險評估準確性的效果。