多模态健康数据处理方法、系统、设备和程序产品与流程

本技术属于数据处理，尤其涉及一种多模态健康数据处理方法、系统、设备和程序产品。

背景技术：

1、随着医疗信息化发展，对影像、基因、生理时序等多模态数据进行联合分析的需求日益增长。分布式并行计算是处理此类海量异构数据的常用技术架构。现有技术中，为解决多任务并行处理时的资源竞争问题，一些方案采用了资源隔离策略，例如将不同特性的计算任务分配到独立的计算域中运行。

2、然而，现有技术仍存在以下缺陷。在资源隔离的架构下，各个计算域内的运算参数（如修正因子、补偿系数等）独立调整，参数修正幅度在海量、高并发的计算场景中缺乏限制，导致参数数值超出合理范围，产生无效计算结果，需要反复重算纠错。误差修正采用后置方式，即在整批次数据运算全部完成后对累积误差进行统一补偿，该方式需要占用额外的计算资源执行修正运算。多模态数据的计算中存在多种偏差来源，包括数据脱敏带来的信息损失、数据本身的稀缺性以及不同模态数据组合产生的耦合误差，现有运算逻辑未处理这些偏差的交叉影响，导致运算误差逐批次持续增加。

技术实现思路

1、本技术实施例提供了一种多模态健康数据处理方法、系统、设备和程序产品，可以解决现有技术在处理多模态数据时，因缺乏有效的参数动态管控和误差修正反馈机制，而导致的运算参数易越界溢出、误差修正算力开销大、以及计算精度无法持续收敛的技术问题。

2、第一方面，本技术实施例提供了一种多模态健康数据处理方法，所述方法包括：

3、获取多模态健康数据，对所述多模态健康数据执行预处理，生成统一待运算数据包；

4、基于所述统一待运算数据包携带的标签对所述统一待运算数据包执行分层匹配处理，得到分布式集群中与所述统一待运算数据包对应的分层耦合参数内存容器；

5、基于所述分层耦合参数内存容器加载基础参数，并基于存储于所述分层耦合参数内存容器中的历史分层平均模态失真度生成约束参数；

6、基于所述约束参数对所述基础参数执行预校正，根据所述统一待运算数据包对应的多模态组合类型，调用所述分层耦合参数内存容器存储的偏移补偿数据生成补偿值，并基于所述约束参数中的上限锚点对所述补偿值执行上限约束；

7、基于所述统一待运算数据包、经预校正的所述基础参数以及经上限约束的所述补偿值执行联合求解运算，生成贡献得分和所述分层耦合参数内存容器对应的当前分层平均模态失真度；

8、将所述当前分层平均模态失真度反向传导至所述分层耦合参数内存容器，以触发所述约束参数的更新。

9、在第一方面的一种可能的实现方式中，所述对所述多模态健康数据执行预处理，生成统一待运算数据包，包括：

10、对所述多模态健康数据执行数据接入处理，提取所述多模态健康数据的元数据；所述元数据包括所述标签、生命周期访问频次和数据稀缺等级；

11、对所述多模态健康数据执行脱敏处理，并根据脱敏处理引发的有效特征衰减程度执行量化计算，生成脱敏损耗量化值；

12、将处理后的所述多模态健康数据、所述脱敏损耗量化值以及所述元数据执行绑定封装，生成所述统一待运算数据包。

13、在第一方面的一种可能的实现方式中，所述标签包括数据复用业务场景标签和数据复用深度标签。

14、在第一方面的一种可能的实现方式中，所述分层耦合参数内存容器为分布式集群中物理隔离的独立内存空间，所述分层耦合参数内存容器与所述数据复用业务场景标签和所述数据复用深度标签所指示的分层对应；各所述分层耦合参数内存容器之间的内存数据、所述基础参数以及所述偏移补偿数据相互独立。

15、在第一方面的一种可能的实现方式中，所述基础参数包括模态基础贡献修正因子、生命周期稀缺偏移量和脱敏损耗适配系数；所述模态基础贡献修正因子为适配当前数据复用业务场景与数据复用深度的单模态基础贡献基准修正系数；所述生命周期稀缺偏移量为基于所述生命周期访问频次和所述数据稀缺等级生成的价值偏移修正量；所述脱敏损耗适配系数为用于量化所述脱敏损耗量化值对模态基础贡献的衰减适配权重；

16、所述模态基础贡献修正因子、所述生命周期稀缺偏移量和所述脱敏损耗适配系数通过同步锁机制执行联动锁定，所述基础参数执行同步操作，所述同步操作包括同步更新、同步校验和同步调整。

17、在第一方面的一种可能的实现方式中，所述约束参数包括上限锚点和下限锚点；

18、所述基于所述约束参数对所述基础参数执行预校正，根据所述统一待运算数据包对应的多模态组合类型，调用所述分层耦合参数内存容器存储的偏移补偿数据生成补偿值，并基于所述约束参数中的上限锚点对所述补偿值执行上限约束，包括：

19、基于所述上限锚点和所述下限锚点，对所述基础参数执行预校正，对超出所述上限锚点和所述下限锚点所定义区间的参数数值执行截断处理；

20、根据所述统一待运算数据包对应的多模态组合类型，调用所述分层耦合参数内存容器存储的偏移补偿数据，按照分层逐级传导规则执行多级叠加运算，生成补偿值；

21、基于所述上限锚点对所述补偿值的总量执行上限约束。

22、在第一方面的一种可能的实现方式中，采用如下公式计算得到所述贡献得分：

23、h=(m-d×l)+c-t；其中，h为所述贡献得分，m为所述模态基础贡献修正因子，d为所述脱敏损耗适配系数，l为所述生命周期稀缺偏移量，c为所述补偿值，t为单样本模态失真度。

24、第二方面，本技术实施例提供了一种多模态健康数据处理系统，所述系统包括：

25、数据预处理模块，用于获取多模态健康数据，对所述多模态健康数据执行预处理，生成统一待运算数据包；

26、分层匹配模块，用于基于所述统一待运算数据包携带的标签对所述统一待运算数据包执行分层匹配处理，得到分布式集群中与所述统一待运算数据包对应的分层耦合参数内存容器；

27、参数加载与约束生成模块，设置于所述分层耦合参数内存容器内，用于加载基础参数，并基于存储于所述分层耦合参数内存容器中的历史分层平均模态失真度生成约束参数；

28、参数预校正与补偿模块，设置于所述分层耦合参数内存容器内，用于基于所述约束参数对所述基础参数执行预校正，根据所述统一待运算数据包对应的多模态组合类型，调用所述分层耦合参数内存容器存储的偏移补偿数据生成补偿值，并基于所述约束参数中的上限锚点对所述补偿值执行上限约束；

29、联合求解模块，用于基于所述统一待运算数据包、经预校正的所述基础参数以及经上限约束的所述补偿值执行联合求解运算，生成贡献得分和所述分层耦合参数内存容器对应的当前分层平均模态失真度；

30、反馈更新模块，用于将所述当前分层平均模态失真度反向传导至所述分层耦合参数内存容器，以触发所述约束参数的更新。

31、第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的多模态健康数据处理方法。

32、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的多模态健康数据处理方法。

33、第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行上述第一方面中任一项所述的多模态健康数据处理方法。

34、本技术实施例，通过设置物理隔离的分层耦合参数内存容器，将不同分层的计算任务及其所需参数进行隔离，能够避免因共享全局参数而导致的读写冲突和内存阻塞问题，提升系统的并行处理能力。通过基于历史失真度动态生成约束参数（上限锚点和下限锚点），并以此对基础参数的调整进行预校正和截断处理，为所有参数修正提供了动态边界约束，能够防止参数值越界溢出和脏数据的产生。通过在核心运算前生成补偿值以抵消可预见的耦合误差，替代了传统的后置误差修正模式，能够减少修正过程所需的计算步骤。通过将本轮运算产生的当前分层平均模态失真度反向传导以触发下一轮约束参数的更新，形成反馈调控机制，使系统能够根据运算状态调整约束边界，抑制多模态运算误差的持续增加。

35、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。