基于病理特征解耦的分层多病因分析系统、方法、介质及终端

本技术涉及医学影像分析、人工智能辅助诊断、神经退行性疾病早期检测领域，特别是涉及基于病理特征解耦的分层多病因分析系统、方法、介质及终端。

背景技术：

1、随着人口老龄化程度不断加深，轻度认知障碍、痴呆等神经退行性疾病的发病率逐渐升高，对此类疾病进行准确诊断已成为临床辅助诊疗领域的重要研究方向。神经退行性疾病的发生和发展通常伴随脑结构萎缩、代谢异常以及认知功能衰退等变化，而正常生理衰老也可能产生与之相似的影像学表现和生物标志物变化。因此，正常衰老特征与疾病病理特征在特征空间中存在较高程度的重叠。

2、近年来，深度学习技术逐渐应用于医学影像分析及疾病辅助诊断，并在认知状态分类、疾病识别等任务中取得了一定进展。现有诊断方法通常直接从医学影像、生物标志物或临床数据中提取特征，并基于所提取的特征进行疾病分类。然而，该类方法通常缺乏对正常生理衰老特征与疾病病理特征的有效区分，所获得的判别特征可能同时包含年龄相关的生理性变化信息和疾病相关的异常信息，容易使诊断结果受到年龄等混杂因素的影响。

3、特别是在轻度认知障碍等疾病早期阶段，患者的病理变化相对隐匿，与正常生理衰老的表现较为相似。若直接利用未经解耦处理的混合特征进行建模，诊断模型可能将正常的年龄相关变化识别为疾病异常，或者将早期病理变化归因于正常衰老，从而影响疾病诊断的准确性和特异性。此外，混合特征难以直观反映疾病相对于正常衰老状态的病理偏离程度，也不利于对诊断结果进行解释。

4、另一方面，真实临床环境中的老年患者可能同时受到多种病理因素影响。以痴呆为例，同一患者可能同时存在阿尔茨海默病、血管性病变、路易体病变等多种异常，由多种病理机制共同作用形成混合型痴呆。不同病理因素之间可能相互叠加或相互影响，使得疾病表现更加复杂。

5、现有智能辅助诊断方法通常将疾病诊断设置为互斥的单分类任务，即默认一个患者对应一种主要病因，并从多个候选疾病类别中输出单一诊断结果。该类方法难以适应多种病因并存的临床情形，无法充分识别患者可能存在的多个潜在病因及其关联关系，容易出现病因漏诊或病因归属不准确的问题，进而影响后续治疗方案制定及预后评估。

6、因此，如何降低正常生理衰老等混杂因素对疾病诊断的干扰，获得能够表征疾病异常的病理特征，并基于所述病理特征识别患者可能同时存在的多种病因，是神经退行性疾病智能辅助诊断领域亟待解决的技术问题。

技术实现思路

1、鉴于以上所述现有技术的缺点，本技术的目的在于提供基于病理特征解耦的分层多病因分析系统、方法、介质及终端，旨在解决现有人工智能辅助诊断方法中正常衰老特征与病理特征容易混淆、传统单病因分类模型难以识别多病因共存状态的技术问题。

2、为实现上述目的及其他相关目的，本技术的第一方面提供一种基于病理特征解耦的分层多病因分析系统，包括：预处理模块，用于获取目标受试者的多源医学数据，对所述多源医学数据进行预处理和特征提取，得到所述目标受试者的原始医学特征；认知状态判断模块，用于根据所述目标受试者的人口学信息确定正常参考群体，并基于所述正常参考群体的特征分布对所述原始医学特征进行病理特征解耦，得到表征所述目标受试者相对于所述正常参考群体的异常变化的病理偏离特征；对所述病理偏离特征进行多模态特征融合，得到所述目标受试者的全局病理表征；基于所述全局病理表征进行认知状态分期，得到所述目标受试者的认知状态判断结果；病因判断模块，用于根据所述认知状态判断结果确定是否触发病因推理，在触发所述病因推理时，基于所述全局病理表征分别进行多种候选病因的独立判断，得到各所述候选病因对应的病因判断结果；诊断信息生成模块，用于基于所述认知状态判断结果以及各候选病因对应的病因判断结果，确定目标受试者对应的单一病因或者多病因共病，并输出综合辅助诊断信息。

3、于本技术的第一方面的一些实施例中，所述多源医学数据包括脑部影像数据、临床量表数据、生物标志物数据和人口学信息中的任一种或多种；其中，对所述多源医学数据进行预处理和特征提取，得到所述目标受试者的原始医学特征，包括：分别对不同来源的所述多源医学数据进行规范化处理；对规范化处理后的各类医学数据进行特征提取，得到与各类医学数据分别对应的模态特征；将各所述模态特征作为所述原始医学特征。

4、于本技术的第一方面的一些实施例中，所述脑部影像数据包括同一目标受试者的多个模态的脑部影像；其中，所述对所述脑部影像数据进行规范化处理，包括：将各所述脑部影像配准至所述目标受试者的个体结构影像空间，得到个体空间配准影像；将所述个体空间配准影像对齐至标准模板空间，得到空间标准化影像；对所述空间标准化影像进行重采样、裁剪和图像强度标准化处理，得到用于特征提取的多模态脑部影像张量。

5、于本技术的第一方面的一些实施例中，基于所述正常参考群体的特征分布对所述原始医学特征进行病理特征解耦，得到病理偏离特征，包括：获取所述正常参考群体中各认知正常样本对应的正常样本特征；根据各所述正常样本特征确定与所述目标受试者的人口学信息相对应的正常特征分布；基于所述正常特征分布对所述目标受试者的原始医学特征进行个体归一化，以从所述原始医学特征中分离生理衰老相关特征，得到所述病理偏离特征。

6、于本技术的第一方面的一些实施例中，对所述病理偏离特征进行多模态特征融合，得到所述目标受试者的全局病理表征，包括：对不同模态对应的所述病理偏离特征进行表征学习，得到各模态对应的病理表征；利用视觉变换器网络对各所述病理表征进行关联建模和融合，得到包含不同模态病理信息的所述全局病理表征。

7、于本技术的第一方面的一些实施例中，基于所述全局病理表征进行认知状态分期，得到所述目标受试者的认知状态判断结果，包括：将所述全局病理表征输入认知状态分期头，得到所述目标受试者分别对应于认知正常状态、轻度认知障碍状态和痴呆状态的状态判断信息；根据所述状态判断信息确定所述目标受试者所属的认知状态，并将所确定的认知状态作为所述认知状态判断结果。

8、于本技术的第一方面的一些实施例中，根据所述认知状态判断结果确定是否触发病因推理，包括：在所述认知状态判断结果指示所述目标受试者处于认知正常状态时，输出所述认知状态判断结果；在所述认知状态判断结果指示所述目标受试者处于轻度认知障碍状态或者痴呆状态时，通过状态门控机制将所述全局病理表征传递至分别对应于多种候选病因的病因诊断头，以触发所述病因推理。

9、为实现上述目的及其他相关目的，本技术的第二方面提供一种基于病理特征解耦的分层多病因分析方法，包括：获取目标受试者的多源医学数据，对所述多源医学数据进行预处理和特征提取，得到所述目标受试者的原始医学特征；根据所述目标受试者的人口学信息确定正常参考群体，并基于所述正常参考群体的特征分布对所述原始医学特征进行病理特征解耦，得到表征所述目标受试者相对于所述正常参考群体的异常变化的病理偏离特征；对所述病理偏离特征进行多模态特征融合，得到所述目标受试者的全局病理表征；基于所述全局病理表征进行认知状态分期，得到所述目标受试者的认知状态判断结果；根据所述认知状态判断结果确定是否触发病因推理，在触发所述病因推理时，基于所述全局病理表征分别进行多种候选病因的独立判断，得到各所述候选病因对应的病因判断结果；基于所述认知状态判断结果以及各候选病因对应的病因判断结果，确定目标受试者对应的单一病因或者多病因共病，并输出综合辅助诊断信息。

10、为实现上述目的及其他相关目的，本技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于病理特征解耦的分层多病因分析方法。

11、为实现上述目的及其他相关目的，本技术的第四方面提供一种计算机程序产品，所述计算机程序产品中包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得所述计算机实现所述基于病理特征解耦的分层多病因分析方法。

12、为实现上述目的及其他相关目的，本技术的第五方面提供一种电子终端，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序以实现所述基于病理特征解耦的分层多病因分析方法。

13、如上所述，本技术的基于病理特征解耦的分层多病因分析系统、方法、介质及终端，具有以下有益效果：本发明在疾病诊断前对原始医学特征进行病理特征解耦，并在此基础上构建符合临床诊疗逻辑的分层多病因推理机制，实现对疾病状态、单一病因及混合病因的联合诊断。针对正常衰老特征与病理特征高度重叠所导致的诊断混淆问题，本发明设计病理特征解耦（pathological feature decoupling，pfd）模块。该模块构建包含认知正常样本特征及其人口学信息的动态参考记忆库（memory bank），并根据待诊断受试者的年龄、性别等属性检索相匹配的正常参考群体，以建立个体化健康基线；进而基于所述正常参考群体的特征分布对受试者的原始医学特征进行归一化处理，将其转换为相对于同龄、同性别正常人群的病理偏离度，从而减少正常衰老及个体生理差异的干扰，使后续诊断聚焦于与疾病发展相关的特异性病理信号。