本發(fā)明涉及醫(yī)療輔助和智能醫(yī)療，特別是涉及一種基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、罕見(jiàn)病的低發(fā)病率使得在大規(guī)模人群中篩查這些疾病具有一定的挑戰(zhàn)性，且篩查的有效性取決于其成本效益比，而罕見(jiàn)病的篩查通常需要更高的成本和更復(fù)雜的技術(shù)支持。罕見(jiàn)病通常表現(xiàn)出極大的臨床異質(zhì)性，即使是同一種疾病，也可能在不同患者中有不同的表現(xiàn)。這使得制定統(tǒng)一的篩查標(biāo)準(zhǔn)和檢測(cè)方法變得較為困難，而傳統(tǒng)的人工篩查模式，因?yàn)閭€(gè)體理解差異，以及人工篩查需要逐個(gè)查看病歷，效率比較低，因此，通過(guò)一定技術(shù)手段來(lái)提升篩查效率具有比較迫切的需求。

2、目前，傳統(tǒng)的罕見(jiàn)病篩查方法中，例如，通過(guò)智能醫(yī)療設(shè)備采集患者病癥情況，接入相關(guān)病癥數(shù)據(jù)，并將多樣輸入數(shù)據(jù)標(biāo)準(zhǔn)化處理，將標(biāo)準(zhǔn)化處理的病癥進(jìn)行分析，構(gòu)建數(shù)據(jù)決策樹(shù)，對(duì)病癥數(shù)據(jù)進(jìn)行分類(lèi)篩選，建立表型病癥信息與病種對(duì)應(yīng)的關(guān)系數(shù)據(jù)庫(kù),將分類(lèi)篩選數(shù)據(jù)傳輸至關(guān)系數(shù)據(jù)庫(kù)。根據(jù)分類(lèi)篩選的結(jié)果，將分類(lèi)篩選數(shù)據(jù)信息與關(guān)系數(shù)據(jù)庫(kù)樣本參數(shù)進(jìn)行比對(duì)，將比對(duì)后的數(shù)據(jù)差別信息以及病癥特征信息，進(jìn)行數(shù)據(jù)匯總。將匯總后的數(shù)據(jù)生成報(bào)表在數(shù)據(jù)庫(kù)中存儲(chǔ),并在終端設(shè)備上顯示。該方案通過(guò)智能設(shè)備采集數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，通過(guò)數(shù)據(jù)決策樹(shù)對(duì)病癥數(shù)據(jù)分類(lèi)篩選，最后通過(guò)構(gòu)建關(guān)系數(shù)據(jù)庫(kù)樣本參數(shù)進(jìn)行比對(duì)，存儲(chǔ)比對(duì)后對(duì)數(shù)據(jù)，匯總在終端上展示。

3、然而，該方法沒(méi)法在患者就診、醫(yī)生編輯病歷時(shí)，對(duì)hae罕見(jiàn)病風(fēng)險(xiǎn)患者彈窗提醒，較難做到及時(shí)提醒并及時(shí)送檢，患者離開(kāi)后再去聯(lián)系成本較高。此外，該方法較難對(duì)hae罕見(jiàn)病風(fēng)險(xiǎn)進(jìn)行自動(dòng)分級(jí)，難以為臨床醫(yī)生對(duì)罕見(jiàn)病風(fēng)險(xiǎn)患者進(jìn)行分級(jí)管理。且未提供基于ai的歷史患者批量智能的篩查方法，篩查效率比較低，準(zhǔn)確率也較低。

4、綜上所述，現(xiàn)有的罕見(jiàn)病篩查方法智能化程度有待進(jìn)一步提高，且罕見(jiàn)病的篩查準(zhǔn)確率和效率也有待進(jìn)一步提高。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供一種智能化程度較高且罕見(jiàn)病篩查準(zhǔn)確率和效率較高的基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法及裝置。

2、本發(fā)明提供了一種基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法，所述方法包括：

3、獲取網(wǎng)絡(luò)上公開(kāi)的醫(yī)療數(shù)據(jù)，并對(duì)所述醫(yī)療數(shù)據(jù)進(jìn)行預(yù)處理，以通過(guò)預(yù)處理后的所述醫(yī)療數(shù)據(jù)對(duì)開(kāi)源llama3基座模型進(jìn)行訓(xùn)練微調(diào)，所述預(yù)處理包括數(shù)據(jù)清洗和數(shù)據(jù)劃分；

4、從所述開(kāi)源llama3基座模型中提取hae疾病醫(yī)療知識(shí)，并將所述hae疾病醫(yī)療知識(shí)作為訓(xùn)練數(shù)據(jù)輸入至微調(diào)后的所述開(kāi)源llama3基座模型，以輸出所述hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的第一風(fēng)險(xiǎn)概率分布；

5、將所述訓(xùn)練數(shù)據(jù)作為tinybert模型的輸入，以輸出所述hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的第二風(fēng)險(xiǎn)概率分布，并調(diào)用交叉熵?fù)p失函數(shù)計(jì)算所述第一風(fēng)險(xiǎn)概率分布與第二風(fēng)險(xiǎn)概率分布之間的差異；

6、通過(guò)反向傳播算法計(jì)算所述差異的梯度，并使用優(yōu)化器更新所述tinybert模型的參數(shù)，以對(duì)所述tinybert模型進(jìn)行迭代訓(xùn)練和微調(diào)，得到hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型；

7、將當(dāng)前患者預(yù)處理后的病歷數(shù)據(jù)作為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型的輸入，以輸出所述病歷數(shù)據(jù)對(duì)應(yīng)的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分，所述風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分用于表征當(dāng)前患者h(yuǎn)ae罕見(jiàn)病的概率。

8、在其中一個(gè)實(shí)施例中，所述獲取網(wǎng)絡(luò)上公開(kāi)的醫(yī)療數(shù)據(jù)，并對(duì)所述醫(yī)療數(shù)據(jù)進(jìn)行預(yù)處理，以通過(guò)預(yù)處理后的所述醫(yī)療數(shù)據(jù)對(duì)開(kāi)源llama3基座模型進(jìn)行訓(xùn)練微調(diào)，包括：

9、獲取預(yù)設(shè)的所述開(kāi)源llama3基座模型的目標(biāo)任務(wù)類(lèi)型，以從所述醫(yī)療數(shù)據(jù)中選取與所述目標(biāo)任務(wù)類(lèi)型相關(guān)的目標(biāo)醫(yī)療數(shù)據(jù)；

10、去除所述目標(biāo)醫(yī)療數(shù)據(jù)中的噪聲、重復(fù)數(shù)據(jù)以及無(wú)用數(shù)據(jù)，以對(duì)所述目標(biāo)醫(yī)療數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，并將清洗后的所述目標(biāo)醫(yī)療數(shù)據(jù)劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；

11、其中，所述目標(biāo)任務(wù)類(lèi)型為基于病歷數(shù)據(jù)給對(duì)應(yīng)患者進(jìn)行疾病風(fēng)險(xiǎn)評(píng)分，并對(duì)風(fēng)險(xiǎn)評(píng)分結(jié)果進(jìn)行分級(jí)處理，所述訓(xùn)練集用于通過(guò)微調(diào)超參數(shù)對(duì)所述開(kāi)源llama3基座模型進(jìn)行訓(xùn)練微調(diào)，所述驗(yàn)證集用于對(duì)所述開(kāi)源llama3基座模型的指標(biāo)性能進(jìn)行監(jiān)控和評(píng)估，所述測(cè)試集用于評(píng)估微調(diào)后的所述開(kāi)源llama3基座模型的性能。

12、在其中一個(gè)實(shí)施例中，所述從所述開(kāi)源llama3基座模型中提取hae疾病醫(yī)療知識(shí)，并將所述hae疾病醫(yī)療知識(shí)作為訓(xùn)練數(shù)據(jù)輸入至微調(diào)后的所述開(kāi)源llama3基座模型，以輸出所述hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的第一風(fēng)險(xiǎn)概率分布，包括：

13、以hae疾病風(fēng)險(xiǎn)預(yù)測(cè)任務(wù)作為所述tinybert模型的目標(biāo)任務(wù)，對(duì)微調(diào)后的所述開(kāi)源llama3基座模型中的醫(yī)療數(shù)據(jù)進(jìn)行知識(shí)蒸餾，以提取出相應(yīng)的hae疾病醫(yī)療知識(shí)；

14、調(diào)用微調(diào)后的所述開(kāi)源llama3基座模型對(duì)所述hae疾病醫(yī)療知識(shí)進(jìn)行預(yù)測(cè)，以輸出每個(gè)輸入數(shù)據(jù)對(duì)應(yīng)的硬標(biāo)簽和軟標(biāo)簽；

15、其中，所述硬標(biāo)簽為每個(gè)輸入數(shù)據(jù)對(duì)應(yīng)的風(fēng)險(xiǎn)評(píng)分結(jié)果，所述軟標(biāo)簽為所述風(fēng)險(xiǎn)評(píng)分結(jié)果對(duì)應(yīng)的概率分布，所述概率分布用于表征每個(gè)輸入數(shù)據(jù)屬于預(yù)設(shè)的風(fēng)險(xiǎn)評(píng)分區(qū)間的概率。

16、在其中一個(gè)實(shí)施例中，所述通過(guò)反向傳播算法計(jì)算所述差異的梯度，并使用優(yōu)化器更新所述tinybert模型的參數(shù)，以對(duì)所述tinybert模型進(jìn)行迭代訓(xùn)練和微調(diào)，得到hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型，包括：

17、對(duì)所述tinybert模型的最后一層進(jìn)行訓(xùn)練，并在每?jī)蓚€(gè)時(shí)期通過(guò)hae疾病醫(yī)療知識(shí)的驗(yàn)證集對(duì)所述tinybert模型進(jìn)行性能評(píng)估；

18、當(dāng)性能評(píng)估結(jié)果之間的差異低于第一閾值時(shí)，則對(duì)所述tinybert模型的上一層進(jìn)行逐步解凍，以避免初期過(guò)擬合；

19、其中，每個(gè)時(shí)期為所述hae疾病醫(yī)療知識(shí)在所述tinybert模型中進(jìn)行一次正向傳播和一次反向傳播的過(guò)程。

20、在其中一個(gè)實(shí)施例中，所述方法還包括：

21、對(duì)所述tinybert模型中的每個(gè)神經(jīng)元在訓(xùn)練集中被激活的頻率進(jìn)行統(tǒng)計(jì)，并移除被激活的頻率低于第二閾值的神經(jīng)元，所述第二閾值為神經(jīng)元在所述訓(xùn)練集中的平均激活頻率。

22、在其中一個(gè)實(shí)施例中，所述將當(dāng)前患者預(yù)處理后的病歷數(shù)據(jù)作為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型的輸入，以輸出所述病歷數(shù)據(jù)對(duì)應(yīng)的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分，包括：

23、獲取當(dāng)前患者對(duì)應(yīng)的所述當(dāng)前病歷數(shù)據(jù)和歷史病歷數(shù)據(jù)，并對(duì)所述當(dāng)前病歷數(shù)據(jù)和歷史病歷數(shù)據(jù)進(jìn)行預(yù)處理，得到數(shù)據(jù)集結(jié)果；

24、調(diào)用所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)所述數(shù)據(jù)集結(jié)果進(jìn)行預(yù)測(cè)，以輸出所述當(dāng)前患者對(duì)應(yīng)的hae罕見(jiàn)病風(fēng)險(xiǎn)對(duì)應(yīng)的概率值。

25、在其中一個(gè)實(shí)施例中，所述方法還包括：

26、按照所述概率值的大小對(duì)所述概率值進(jìn)行排序，得到概率值序列，并通過(guò)isotonic回歸將所述概率值序列擬合為相應(yīng)的單調(diào)非遞減函數(shù)，以對(duì)所述概率值進(jìn)行校準(zhǔn)。

27、在其中一個(gè)實(shí)施例中，所述將當(dāng)前患者預(yù)處理后的病歷數(shù)據(jù)作為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型的輸入，以輸出所述病歷數(shù)據(jù)對(duì)應(yīng)的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分，之后包括：

28、基于所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分，將所述當(dāng)前患者分為不同的風(fēng)險(xiǎn)等級(jí)，所述風(fēng)險(xiǎn)等級(jí)至少包括第一風(fēng)險(xiǎn)等級(jí)、第二風(fēng)險(xiǎn)等級(jí)以及第三風(fēng)險(xiǎn)等級(jí)。

29、在其中一個(gè)實(shí)施例中，所述第一風(fēng)險(xiǎn)等級(jí)為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分超過(guò)第三閾值時(shí)對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)，所述第二風(fēng)險(xiǎn)等級(jí)為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分處于第三閾值與第四閾值之間時(shí)對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)，所述第三風(fēng)險(xiǎn)等級(jí)為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分低于第四閾值時(shí)對(duì)應(yīng)的風(fēng)險(xiǎn)等級(jí)，且所述第三閾值和第四閾值均為根據(jù)臨床需要和統(tǒng)計(jì)進(jìn)行預(yù)設(shè)得到的。

30、本發(fā)明還提供了一種基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)裝置，所述裝置包括：

31、大模型微調(diào)模塊，用于獲取網(wǎng)絡(luò)上公開(kāi)的醫(yī)療數(shù)據(jù)，并對(duì)所述醫(yī)療數(shù)據(jù)進(jìn)行預(yù)處理，以通過(guò)預(yù)處理后的所述醫(yī)療數(shù)據(jù)對(duì)開(kāi)源llama3基座模型進(jìn)行訓(xùn)練微調(diào)，所述預(yù)處理包括數(shù)據(jù)清洗和數(shù)據(jù)劃分；

32、知識(shí)蒸餾模塊，用于從所述開(kāi)源llama3基座模型中提取hae疾病醫(yī)療知識(shí)，并將所述hae疾病醫(yī)療知識(shí)作為訓(xùn)練數(shù)據(jù)輸入至微調(diào)后的所述開(kāi)源llama3基座模型，以輸出所述hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的第一風(fēng)險(xiǎn)概率分布；

33、輸出差異計(jì)算模塊，用于將所述訓(xùn)練數(shù)據(jù)作為tinybert模型的輸入，以輸出所述hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的第二風(fēng)險(xiǎn)概率分布，并調(diào)用交叉熵?fù)p失函數(shù)計(jì)算所述第一風(fēng)險(xiǎn)概率分布與第二風(fēng)險(xiǎn)概率分布之間的差異；

34、小模型微調(diào)模塊，用于通過(guò)反向傳播算法計(jì)算所述差異的梯度，并使用優(yōu)化器更新所述tinybert模型的參數(shù)，以對(duì)所述tinybert模型進(jìn)行迭代訓(xùn)練和微調(diào)，得到hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型；

35、hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模塊，用于將當(dāng)前患者預(yù)處理后的病歷數(shù)據(jù)作為所述hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型的輸入，以輸出所述病歷數(shù)據(jù)對(duì)應(yīng)的風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分，所述風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分用于表征當(dāng)前患者h(yuǎn)ae罕見(jiàn)病的概率。

36、本發(fā)明還提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上述任一種所述的基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法。

37、本發(fā)明還提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述的基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法。

38、本發(fā)明還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述的基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法。

39、上述基于ai的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)方法及裝置，通過(guò)獲取網(wǎng)絡(luò)上公開(kāi)的醫(yī)療數(shù)據(jù)，并對(duì)該醫(yī)療數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)劃分的預(yù)處理，以通過(guò)預(yù)處理后的醫(yī)療數(shù)據(jù)對(duì)開(kāi)源llama3基座模型進(jìn)行訓(xùn)練微調(diào)。再?gòu)拈_(kāi)源llama3基座模型中提取hae疾病醫(yī)療知識(shí)，并將hae疾病醫(yī)療知識(shí)作為訓(xùn)練數(shù)據(jù)輸入至微調(diào)后的開(kāi)源llama3基座模型，以輸出hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的一個(gè)風(fēng)險(xiǎn)概率分布。將訓(xùn)練數(shù)據(jù)作為tinybert模型的輸入，以輸出hae疾病醫(yī)療知識(shí)對(duì)應(yīng)的另一個(gè)風(fēng)險(xiǎn)概率分布，并調(diào)用交叉熵?fù)p失函數(shù)計(jì)算這兩個(gè)風(fēng)險(xiǎn)概率分布之間的差異。隨后，通過(guò)反向傳播算法計(jì)算所述差異的梯度，并使用優(yōu)化器更新tinybert模型的參數(shù)，以對(duì)tinybert模型進(jìn)行迭代訓(xùn)練和微調(diào)，得到hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型。最后，將當(dāng)前患者預(yù)處理后的病歷數(shù)據(jù)作為hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)模型的輸入，以輸出病歷數(shù)據(jù)對(duì)應(yīng)的hae罕見(jiàn)病風(fēng)險(xiǎn)預(yù)測(cè)評(píng)分以表征當(dāng)前患者h(yuǎn)ae罕見(jiàn)病的概率。該方法基于ai的方式，識(shí)別患者所有在院病歷信息（從入院到出院）進(jìn)行hae風(fēng)險(xiǎn)預(yù)測(cè)，在保證篩查全面性的同時(shí)，不容易因?yàn)槿斯なд`而遺漏信息，提高了罕見(jiàn)病風(fēng)險(xiǎn)的篩查效率和篩查準(zhǔn)確率，且智能化程度較高。