非酒精性脂肪肝的风险预测模型及其构建方法

本发明属于医疗健康预测领域，具体地说是一种非酒精性脂肪肝的风险预测模型及其构建方法。

背景技术：

1、非酒精性脂肪肝是一种以肝细胞内脂肪过度沉积为主要病理特征的代谢性肝病，其疾病谱包括单纯性脂肪肝、非酒精性脂肪性肝炎、肝纤维化、肝硬化乃至肝细胞癌。该病与肥胖、胰岛素抵抗、2型糖尿病、血脂异常等代谢综合征组分密切相关，已成为全球范围内最常见的慢性肝病之一。目前，非酒精性脂肪肝的诊断主要依赖肝脏超声、瞬时弹性成像等影像学检查，以及血清肝酶水平检测。在风险评估方面，现有技术多采用基于单一生物标志物的阈值判断方法，或使用回归模型对多个危险因素进行线性加权评分，如脂肪肝指数、肝脂肪变性指数等。

2、然而，现有风险评估方法未充分考虑多源医学数据之间的异质性分布差异。具体而言，来自不同检测手段、不同时间点、不同医疗机构的数据在特征分布上存在显著差异，例如影像学数据与血清学数据的统计特性不同，空腹血糖与餐后血糖的动态波动规律各异。现有方法通常将所有数据源等权对待或采用固定权重融合，当某一数据源存在噪声、缺失或分布偏移时，会直接影响风险评估结果的准确性和稳定性。因此，如何在考虑多源数据异质性的前提下实现自适应融合，构建准确且鲁棒的非酒精性脂肪肝风险预测模型，是本领域亟待解决的技术问题。

技术实现思路

1、为了解决上述技术问题，本发明提供一种非酒精性脂肪肝的风险预测模型及其构建方法，以解决现有技术中风险评估方法因未考虑多源医学数据之间的异质性分布差异而导致风险评估结果准确性低、鲁棒性差的问题。

2、本发明提供一种非酒精性脂肪肝的风险预测模型的构建方法，包括以下步骤：

3、s1、获取受试者的多源医学数据，所述多源医学数据至少包括代谢指标序列、生活方式时序数据以及生物学标志物数据中的至少两类；针对每一数据源，分别提取其动态变化特征与静态基线特征；计算不同数据源之间的异质性指数，并基于该异质性指数构建自适应加权融合函数，生成统一的风险表征向量；

4、s2、构建包含多个风险锚点的参考框架，每个风险锚点对应一个预设的非酒精性脂肪肝风险亚型；将所述风险表征向量与各风险锚点进行比对，计算多维距离度量，并根据最小距离原则确定受试者的当前风险层级归属；

5、s3、基于所述风险表征向量，通过微分运算提取核心风险驱动力，所述核心风险驱动力包括代谢负荷累积量、炎症应激水平和胰岛素抵抗演变速率；构建风险驱动力驱动的非线性演变模型，预测受试者在预设时间窗口内的风险状态转移概率；

6、s4、基于历史预测误差反馈，动态调整所述自适应加权融合函数的融合权重以及所述非线性演变模型的模型参数；根据预测结果生成受试者的风险分析报告，所述风险分析报告包含当前风险层级、未来风险演变轨迹以及关键风险驱动因子的贡献度排序。

7、优选的，所述异质性指数的计算方式如下：

8、

9、其中，和表示不同的数据源索引，和分别表示从数据源和数据源提取的特征向量，表示协方差，表示方差，表示两个数据源特征分布之间的kl散度，和分别表示数据源和数据源的特征向量的经验概率分布，为尺度调节系数，取值范围为；

10、所述自适应加权融合函数构建如下：

11、

12、其中，表示数据源的总数量，和表示数据源的索引，表示统一的风险表征向量，表示第数据源的特征向量，表示第数据源的自适应融合权重，表示第数据源与其他所有数据源的平均异质性指数，为温度系数，取值范围为。

13、优选的，所述风险锚点，其中表示风险锚点的索引，表示锚点中心向量，表示协方差矩阵，表示风险锚点的有效影响半径；

14、所述多维距离度量为马氏距离与局部密度因子的加权组合：

15、

16、其中，表示第个风险锚点所在区域的局部数据密度，通过核密度估计方法计算，表示所有锚点中的最大局部密度；

17、所述当前风险层级归属根据以下公式确定：

18、

19、若不满足任何锚点的半径约束，则判定为边缘风险状态。

20、优选的，所述核心风险驱动力的提取方式如下：

21、所述代谢负荷累积量定义为：

22、

23、其中，表示时间，表示积分变量，表示胰岛素抵抗指数的时间序列，表示血糖水平，表示甘油三酯水平，为衰减因子，取值范围为；

24、所述炎症应激水平定义为：

25、

26、其中，和表示肝酶水平，表示c反应蛋白水平，和为可调参数，，；

27、所述胰岛素抵抗演变速率定义为：

28、

29、其中，表示稳态模型评估的胰岛素抵抗指数的时间序列，表示对时间的一阶导数。

30、优选的，所述非线性演变模型具体如下：

31、

32、其中，表示时刻的风险状态值，取值范围为，表示风险累积辅助变量，表示均值为、方差为的高斯白噪声，，，，为模型参数，；

33、所述风险状态转移概率通过对上述微分方程系统在时间窗口内进行数值积分得到：

34、

35、其中，表示标准正态分布的累积分布函数，，表示状态对应的均值和标准差，表示预测时间窗口，取值范围为，所述状态，选自低风险稳态、中风险演进态和高风险预警态中的不同状态；

36、其中，所述低风险稳态对应，所述中风险演进态对应，所述高风险预警态对应。

37、优选的，所述自适应校准中定义预测误差函数：

38、

39、其中，表示时间窗口长度，表示预测的风险表征向量，表示实际观测的风险表征向量，表示欧氏距离的平方，表示正则化项，，表示模型参数的索引，为正则化系数，，表示融合权重集合，、表示模型参数集合；

40、融合权重的动态更新规则为：

41、

42、其中，表示数据源的索引，表示迭代次数的索引且，表示学习率，，表示动量系数，，表示上一次权重更新的方向。

43、优选的，所述关键风险驱动因子的贡献度排序通过以下方式计算：

44、对于任一输出结果，所述输出结果为风险层级或转移概率，第个风险驱动因子的贡献度定义为：

45、

46、其中，表示风险驱动因子的索引，，表示第个输入特征，表示输出对第个输入特征的期望梯度，通过蒙特卡洛采样方法近似计算，表示该特征的标准差；

47、最终输出的贡献度排序列表为：

48、

49、其中，表示风险驱动因子的总数量，所述贡献度排序用于向临床医生提供可解释的决策支持信息。

50、本发明还提供一种非酒精性脂肪肝的风险预测模型，采用上述的方法构建而成。

51、本发明还提供一种非酒精性脂肪肝的风险预测装置，包括：

52、数据获取模块，配置为获取受试者的多源医学数据；

53、异质性量化模块，配置为计算不同数据源之间的异质性指数并进行自适应加权融合；

54、风险锚点比对模块，配置为将受试者的风险表征向量与预构建的风险锚点进行比对，确定当前风险层级；

55、演变预测模块，配置为基于风险驱动力驱动的非线性演变模型预测未来风险状态转移概率；

56、自适应校准模块，配置为基于历史预测误差反馈动态调整融合权重和模型参数；

57、输出模块，配置为生成并输出受试者的风险分析报告。

58、优选的，所述风险锚点比对模块中预构建的风险锚点按照以下规则动态更新：

59、当新增受试者数据量达到预设阈值时，触发风险锚点的重新计算：

60、

61、其中，表示风险锚点的索引，表示原有的第个风险锚点，表示原有第个锚点所覆盖的数据点数量，表示新落入该锚点影响范围内的数据点集合，表示新数据点的数量；

62、同时，检测是否存在新的数据密集区域，若存在且与现有所有锚点的最小距离大于预设阈值，则创建新的风险锚点：

63、

64、其中，表示新检测到的密集区域的中心向量，表示该密集区域的局部密度，和为预设阈值，，。

65、与现有技术相比，本发明具有如下有益效果：

66、通过引入异质性指数与自适应加权融合机制，实现了多源医学数据的智能化整合。该机制能够自动识别不同数据源之间的分布差异，对噪声较大或质量较低的数据源赋予较低的融合权重，从而有效提升风险表征向量的鲁棒性和准确性，解决了传统等权融合方法易受异常数据干扰的技术问题。

67、本发明通过构建风险锚点参考框架，实现了可解释的风险层级定位。每个风险锚点对应一个具有临床意义的非酒精性脂肪肝风险亚型，使风险评估结果不再局限于抽象的数值分数，而是能够直接映射到具体的病理特征和临床表型，显著增强了评估结果的可解释性，为临床医生的诊断决策提供了直观的参考依据。

68、本发明通过构建基于微分方程系统的非线性演变模型，实现了疾病进展动态过程的有效刻画；模型中引入的代谢负荷累积量、炎症应激水平和胰岛素抵抗演变速率，分别对应非酒精性脂肪肝发生、发展和恶化的核心病理环节，具有明确的生物学意义，能够更准确地捕捉疾病演变的内在规律。

69、本发明通过建立自适应校准机制，实现了模型参数的动态优化。该机制能够根据历史预测误差反馈实时调整融合权重和模型参数，使模型能够适应不同人群特征和医疗环境下的数据分布差异，具有良好的泛化能力和自适应性。