基于HOUR理论与深度学习的时序状态评估方法及系统

本发明属于数据处理，尤其涉及一种基于hour理论与深度学习的时序状态评估方法及系统。

背景技术：

1、在生物信息处理技术领域，对多生物标志物时序数据进行综合处理与分析是一个具有广泛应用需求的技术方向。以临床监护场景为例，检测会产生多种类型的生物标志物时序数据，例如但不限于包括反映炎症反应水平的c反应蛋白、降钙素原、白介素-6、白介素-8、白介素-10、血清淀粉样蛋白a等炎症相关标志物数据，反映凝血功能状态的d-二聚体、纤维蛋白原、国际标准化比值等凝血相关标志物数据，反映免疫细胞功能的淋巴细胞计数、中性粒细胞计数等免疫相关标志物数据，以及反映组织损伤程度的铁蛋白、乳酸脱氢酶等损伤相关标志物数据。

2、在重症医学领域中，hour（host/organ unregulated response）理论是理解重症患者多系统失调反应的理论框架。该理论认为，机体在面对严重打击（如感染、创伤）时，初始为保护性的反应可能因持续刺激或干预不当而失控，导致神经、内分泌、炎症、免疫、凝血、代谢生物能等多个系统的级联失调反应。其中，炎症-免疫-凝血三者并非先后发生，而是同步激活、相互放大的正反馈网络关系，构成了多生物标志物之间复杂的耦合结构。

3、上述不同类型生物标志物之间并非彼此独立，而是存在内在的生理相关性。以炎症反应为例，炎症相关标志物的变化可伴随凝血相关标志物的相应变化，免疫相关标志物的变化可伴随炎症相关标志物的相应变化，组织损伤相关标志物的变化又可伴随炎症相关标志物的进一步变化，形成多轴联动的级联效应。这些相关性构成了各项生物标志物数据之间复杂的耦合结构。在数据处理层面，若能将上述多生物标志物数据按照其相关性进行系统性融合分析，应当能够从数据中提取出比仅依赖单一标志物或孤立分析多项标志物更为全面的特征信息。

4、此外，上述各项生物标志物在时间响应顺序上亦存在固有的先后关联关系。例如，白介素-6在应激刺激后1-2小时内即快速升高，早于c反应蛋白和降钙素原；降钙素原在2-4小时内升高，反映病原体感染的特异性反应；血清淀粉样蛋白a在3-6小时内快速升高，其早期敏感性优于c反应蛋白；c反应蛋白在6-8小时开始升高，24-48小时达峰。上述时间动力学规律构成了各项生物标志物之间除相互作用关系外的另一重要结构信息，为后续利用深度学习模型进行连续时间演化和预测提供了生理学基础。

5、然而，现有技术中大多数是基于固定阈值或单一标志物进行数据处理与状态评估的方案。例如，公开号为cn113096792a的专利申请公开了一种基于机器学习的智能健康监测与预警方法及系统，通过设定阈值参数进行预警判断，该方案虽然引入了机器学习技术，但其预警逻辑仍基于单一固定阈值的判定，无法根据个体差异进行自适应调整，且对各项生物标志物独立处理，未能利用标志物之间的相关性信息和时序动态趋势信息。公开号为cn115547502a的专利申请公开了一种基于时序数据的风险预测装置，采用循环神经网络对临床时序数据进行处理，该方案假设输入数据为等间隔采样序列，无法有效处理临床场景中普遍存在的不规则采样和缺失值问题，且仅对各项标志物独立建模，未能考虑标志物之间的耦合关系。

6、上述方案的共同缺陷在于：固定阈值方法缺乏个体化适应能力且未能利用时序动态趋势信息；传统时序模型无法有效处理不规则采样数据；均未能利用生物标志物之间的相关性信息和耦合结构。这些缺陷导致数据处理结果仅能反映目标对象状态的某一侧面或部分侧面的信息，无法生成能够全面反映目标对象的综合状态信息。

7、因此，亟需一种数据处理方案，能够基于多生物标志物的时序检测数据，对目标对象进行全面的综合状态评估。

技术实现思路

1、鉴于以上现有技术的不足，发明的目的在于提供一种基于hour理论与深度学习的时序状态评估方法及系统。

2、本发明的第一方面，提出了一种基于hour理论与深度学习的时序状态评估方法，包括：获取目标对象的多项生物标志物的时序检测数据；所述时序检测数据包括在多个检测时间点下对所述多项生物标志物中的至少一项进行检测所获得的检测值；将所述时序检测数据输入至时序编码模块，所述时序编码模块根据各检测时间点之间的时间间隔自适应地更新隐状态，输出由各检测时间点对应的隐状态构成的隐状态序列；将所述隐状态序列输入至第一深度学习模块，所述第一深度学习模块基于神经网络和预定义的先验项，对所述隐状态进行连续时间演化，输出各生物标志物在未来预设时间窗口内的预期浓度时序估计值；所述先验项基于hour理论中各项生物标志物的半衰期信息定义；以所述多项生物标志物为节点，以所述多项生物标志物之间的生理相互作用为边，依据所述hour理论定义边类型，构建异构图，并将所述预期浓度时序估计值作为各节点的当前节点特征；将各节点的当前节点特征输入至第二深度学习模块，所述第二深度学习模块通过注意力机制更新各节点的特征表示，并基于更新后的节点特征输出动态阈值矩阵；所述动态阈值矩阵的元素为各生物标志物对落入预设分级区间的概率分布；所述预设分级区间用于指示风险等级；基于所述预期浓度时序估计值与所述动态阈值矩阵，生成对应的状态评估结果。

3、根据本公开实施例的第二个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上所述的方法。

4、根据本公开实施例的第三个方面，提供了一种基于hour理论与深度学习的时序状态评估系统，包括：检测数据获取模块，用于获取目标对象的多项生物标志物的时序检测数据；所述时序检测数据包括在多个检测时间点下对所述多项生物标志物中的至少一项进行检测所获得的检测值；隐状态序列构建模块，用于将所述时序检测数据输入至时序编码模块，所述时序编码模块根据各检测时间点之间的时间间隔自适应地更新隐状态，输出由各检测时间点对应的隐状态构成的隐状态序列；未来浓度预测模块，用于将所述隐状态序列输入至第一深度学习模块，所述第一深度学习模块基于神经网络和预定义的先验项，对所述隐状态进行连续时间演化，输出各生物标志物在未来预设时间窗口内的预期浓度时序估计值；所述先验项基于hour理论中各项生物标志物的半衰期信息定义；异构图构建模块，用于以所述多项生物标志物为节点，以所述多项生物标志物之间的生理相互作用为边，依据所述hour理论定义边类型，构建异构图，并将所述预期浓度时序估计值作为各节点的当前节点特征；动态阈值矩阵构建模块，用于将各节点的当前节点特征输入至第二深度学习模块，所述第二深度学习模块通过注意力机制更新各节点的特征表示，并基于更新后的节点特征输出动态阈值矩阵；所述动态阈值矩阵的元素为各生物标志物对落入预设分级区间的概率分布；所述预设分级区间用于指示风险等级；状态评估模块，用于基于所述预期浓度时序估计值与所述动态阈值矩阵，生成对应的状态评估结果。

5、根据本公开实施例的第四个方面，提供了一种基于hour理论与深度学习的时序状态评估系统，包括：处理器；存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：获取目标对象的多项生物标志物的时序检测数据；所述时序检测数据包括在多个检测时间点下对所述多项生物标志物中的至少一项进行检测所获得的检测值；将所述时序检测数据输入至时序编码模块，所述时序编码模块根据各检测时间点之间的时间间隔自适应地更新隐状态，输出由各检测时间点对应的隐状态构成的隐状态序列；将所述隐状态序列输入至第一深度学习模块，所述第一深度学习模块基于神经网络和预定义的先验项，对所述隐状态进行连续时间演化，输出各生物标志物在未来预设时间窗口内的预期浓度时序估计值；所述先验项基于hour理论中各项生物标志物的半衰期信息定义；以所述多项生物标志物为节点，以所述多项生物标志物之间的生理相互作用为边，依据所述hour理论定义边类型，构建异构图，并将所述预期浓度时序估计值作为各节点的当前节点特征；将各节点的当前节点特征输入至第二深度学习模块，所述第二深度学习模块通过注意力机制更新各节点的特征表示，并基于更新后的节点特征输出动态阈值矩阵；所述动态阈值矩阵的元素为各生物标志物对落入预设分级区间的概率分布；所述预设分级区间用于指示风险等级；基于所述预期浓度时序估计值与所述动态阈值矩阵，生成对应的状态评估结果。

6、本技术通过获取目标对象的多项生物标志物的时序检测数据，为后续不规则采样数据的自适应编码处理提供了原始数据基础；通过时序编码模块根据各检测时间点之间的时间间隔自适应地更新隐状态，为不规则采样的多生物标志物时序数据提供了无需插值预处理的自适应编码基础；通过第一深度学习模块基于神经网络和预定义的先验项对所述隐状态进行连续时间演化，且所述先验项基于hour理论中各项生物标志物的半衰期信息定义，使连续时间预测过程融合了已知的生理学先验知识，提升了数据稀疏区域的预测合理性；通过以所述多项生物标志物为节点，以所述多项生物标志物之间的生理相互作用为边，依据所述hour理论定义边类型构建异构图，且不依赖外部数据库，使跨标志物耦合关系的建模兼具生理学可解释性和部署便捷性；通过第二深度学习模块的注意力机制更新各节点的特征表示，并基于更新后的节点特征输出动态阈值矩阵，使各生物标志物的分级阈值能够根据个体差异和时序动态自适应调整，且以概率分布形式输出分级结果，实现了对固定阈值的替代；通过基于所述预期浓度时序估计值与所述动态阈值矩阵生成对应的状态评估结果，使评估结果融合了未来趋势预测和跨标志物耦合概率信息，为多生物标志物时序数据的综合状态评估提供了全面的量化依据；从而实现了基于多生物标志物时序数据对目标对象进行全面的综合状态评估，克服了现有技术中数据处理结果仅能反映目标对象状态的某一侧面或部分侧面信息的技术缺陷。