一种域自适应的高血压预测方法及系统

本发明涉及人工智能与医疗健康交叉，具体涉及一种域自适应的高血压预测方法及系统。

背景技术：

1、高血压作为一种常见的慢性心血管疾病，是引发心脑血管事件、肾功能衰竭等严重并发症的主要危险因素。对高血压进行早期、精准的风险预测与诊断，对于制定个性化干预策略、降低心血管疾病发病率具有重要的临床意义。随着医疗信息化与人工智能技术的快速发展，利用机器学习和深度学习算法对高血压风险进行智能化预测已成为当前医疗健康领域的研究热点。

2、在现有的高血压预测技术演进过程中，早期研究主要依赖传统的机器学习模型（如决策树、随机森林、支持向量机及逻辑回归等）。此类方法通常基于收集到的基础体检或人口统计学特征进行分类预测。然而，传统机器学习模型极其依赖人工特征工程，难以自动捕捉复杂医疗数据中高维特征之间的隐式关联，其拟合能力与泛化性能受到较大限制。

3、为了克服传统机器学习的局限性，近年来基于深度学习的高血压预测方案被广泛应用。其中，循环神经网络（rnn）及其变体长短期记忆网络（lstm）被引入用于建模医疗特征数据，其能够有效捕捉特征序列中的短程依赖关系与局部演化规律。另一方面，transformer架构凭借其独特的多头自注意力机制，在捕获数据间全局跨特征交互与长程关联方面表现出显著优势。然而，现有的深度学习预测模型普遍将lstm或transformer作为单一独立架构进行构建，导致模型在特征表征能力上存在天然缺陷：单一lstm架构缺乏对全局跨特征交互关系的有效建模，而单一transformer架构则在提取局部特征短程关联时效率不足，二者均难以同时兼顾特征的局部时序演化与全局结构关联。

4、更为关键的是，现有的高血压预测模型在实际临床应用与跨场景部署中面临着严峻的技术瓶颈，具体表现在以下几个方面：

5、首先，现有技术方案在模型训练完成后，其输入特征空间便被固定和封闭。在推理或临床应用阶段，模型无法灵活接纳或融合新增的临床变量，如家族遗传风险、动态生活习惯及实时睡眠质量等。这种固化的输入空间使得模型在部署至不同医疗机构或具体临床场景时，难以适配差异化的诊断需求与临床上下文，导致模型的领域自适应能力严重不足。

6、其次，现有的深度学习模型通常采用端到端的黑盒预测机制。模型直接输出分类结果或风险概率，却无法给出明确的决策依据，医生难以直观理解各个输入特征或临床因子对最终预测结果的具体贡献度。这种缺乏可解释性的决策过程，极大地限制了深度学习辅助诊断系统在严肃临床场景中的可信度与接受度。

7、此外，在面对临床私有数据与公开数据存在数据分布差异，即域偏移的真实场景时，现有技术缺乏有效的机制在不牺牲原有基础模型泛化精度的前提下平滑融合特定场景的临床先验因子，导致预测模型在私有临床数据集上的特征扩展性与预测稳定性较差。

8、这些使得现有高血压预测方案在面对临床复杂个体差异时，往往由于缺乏对关键遗传及生活方式因子的有效整合，极易导致预测结果不准确，出现较高的假阳性率。这种高假阳性不仅会增加不必要的临床复查成本，还可能给受检者带来不必要的心理负担，无法满足临床高精度筛查与诊断的实际需求。

9、综上所述，现有高血压预测技术在特征提取能力的全面性、临床先验因子的动态融合与域自适应能力、以及预测结果的可解释性方面仍存在明显的不足，亟需一种能够兼顾高效特征表征、具备动态临床因子融合能力、预测决策透明可释且更加准确稳定的高血压预测方法及系统。

技术实现思路

1、本发明的目的在于克服现有高血压预测技术中特征提取能力不全面、输入空间固化导致无法动态融合临床先验因子、模型黑盒化缺乏可解释性以及假阳性率高、预测精度与域自适应能力不足等技术缺陷，提供一种域自适应的高血压预测方法及系统。

2、为了实现上述发明目的，本发明的技术方案围绕基础模型特征提取与临床先验因子动态融合的双层架构展开。首先，构建了长短期记忆网络（lstm）与transformer编码器的级联结构架构。该架构利用lstm层建模输入特征序列中的短程依赖关系与局部演化规律，利用transformer编码器层中的多头自注意力机制捕获全局跨特征交互与长程结构关联，通过二者互补联合表征基础体检与人口统计学特征。其次，本发明还设计了基于临床先验因子的域自适应百分比校准与量化加权融合机制。在模型架构中预留外部先验知识的结构化融合接口，在推理阶段动态引入目标临床场景下的两项临床先验因子，即家族遗传风险值和近三个月睡眠质量评分，并通过设计可量化的权重赋值函数，将基础模型预测概率与两项临床先验因子的贡献度进行线性加权融合，生成最终的域自适应预测概率。第三，本发明还提出了适配不同临床场景的网格搜索优化机制。本发明通过在预设的候选搜索空间内对基础模型权重系数、家族遗传权重系数以及睡眠质量权重系数进行遍历搜索与约束优化，利用目标临床私有验证集上的f1分数或阳性精确度作为评价指标，自动化获取该特定临床场景下的最优权重配置。

3、具体地，本发明的第一方面提供了一种域自适应的高血压预测方法，该方法首先获取待测对象的基础特征向量，并将所述基础特征向量输入训练好的基础预测模型中，以输出基础高血压预测概率向量。同时，采集所述待测对象的临床先验动态因子，并将所述临床先验动态因子量化映射为概率权重向量。随后，将所述基础高血压预测概率向量与所述概率权重向量进行线性加权融合，计算生成融合概率向量。最后根据所述融合概率向量确定所述待测对象的高血压预测诊断结果。该方案通过将数据驱动的模型输出与临床先验知识进行概率维度的线性融合，克服了传统单一预测模型过度依赖数据分布、难以融入专家经验的局限，显著提升了模型在临床实际应用中的决策合理性与泛化能力。

4、进一步，在上述域自适应的高血压预测方法中，所述基础预测模型采用了级联设置的长短期记忆网络层与transformer编码器层。具体实施时，将所述基础特征向量重塑为特征序列输入所述长短期记忆网络层，利用其时序建模机制提取特征间的局部依赖关系并输出隐状态序列。进而将所述隐状态序列输入所述transformer编码器层，利用其多头自注意力机制捕捉特征间的全局交互关系，输出全局特征张量。通过将长短期记忆网络与transformer进行级联，兼顾了局部短程演化规律与全局跨特征长程关联的提取，有效避免了高维生理特征信息的丢失，大幅增强了模型对复杂健康数据的表征能力。

5、进一步，在上述级联预测模型中，所述基础预测模型还包括连接于所述transformer编码器层后端的全连接分类层。在特征映射时，抽取所述全局特征张量中预设时间步的特征向量送入所述全连接分类层，经由分类映射与激活函数归一化处理，最终输出所述基础高血压预测概率向量。如此通过提取序列代表性时间步的特征向量并进行平滑的概率映射，实现了从高维全局特征张量向二维类别概率分布的精准转换，保障了基础模型预测概率分布的严谨性与平滑性。

6、优选地，在临床先验因子的处理方面，所述临床先验动态因子具体包括家族遗传风险值与睡眠质量评分。在将所述临床先验动态因子映射为概率权重向量时，根据采集到的家族遗传风险值生成对应的遗传贡献权重向量，同时根据睡眠质量评分生成对应的睡眠贡献权重向量。将定性或离散的临床关键先验指标，例如遗传与睡眠转化为与模型输出同维度的二维概率向量，为后续代数维度的无缝融合奠定了统一的数据表征基础。

7、进一步，在多源信息的融合机制上，将所述基础高血压预测概率向量与所述概率权重向量进行线性加权融合具体表现为：对所述基础高血压预测概率向量、所述遗传贡献权重向量以及所述睡眠贡献权重向量执行线性加权求和，计算得到所述融合概率向量。在此过程中，所述基础高血压预测概率向量、所述遗传贡献权重向量以及所述睡眠贡献权重向量各自对应的权重系数之和严格满足归一化约束条件。如此通过引入归一化约束的多源线性加权求和机制，合理平衡了模型置信度与各项先验因子的贡献占比，有效消除了量纲差异对多源决策融合的负面干扰。

8、进一步，为了使模型能够灵活适配不同的具体临床场景，在将所述基础高血压预测概率向量与所述概率权重向量进行线性加权融合之前，还获取目标临床场景的私有数据集，并从所述私有数据集中构建验证集。接着在预设的候选搜索空间内遍历多组候选权重组合，并分别在所述验证集上评估各组候选权重组合对应的目标分类评价指标。最终将使所述目标分类评价指标最优的候选权重组合确定为所述目标临床场景下的最优权重系数。通过引入基于私有验证集的网格搜索优化机制，赋予了系统自动寻找最优场景权重的能力，极大地增强了预测模型在跨医院、跨科室部署时的域自适应调优能力与场景迁移稳定性。

9、优选地，在基础数据的采集与预处理环节，在获取待测对象的基础特征向量之前，首先采集包含多项离散型特征与数值型特征的基础健康数据。随后对所述离散型特征执行数值编码映射，对所述数值型特征执行消除量纲差异的标准化变换，最终组合构建出所述基础特征向量。如此通过对异构健康数据进行规范化的类别编码映射与标准化的消除量纲处理，确保了输入特征格式的一致性与数值分布的稳定性，从而加速了后续神经网络的梯度收敛并提高了特征提取效率。

10、在最终的决策输出环节，根据所述融合概率向量确定所述待测对象的高血压预测诊断结果具体包括：首先对所述融合概率向量执行再归一化处理，使其各分量之和满足严谨的概率语义。随后比较再归一化后的高血压阳性概率值与预设的判定阈值，并根据比较结果精准确定并输出高血压阳性或非高血压阳性的诊断结果。通过对代数加权后的向量进行概率语义重塑与双门限校验，能够确保输出概率值的物理语义合法性，为临床诊断提供了高可靠性且直观明确的二分类决策依据。

11、基于同一发明构思，本发明的另一方面还提供了一种域自适应的高血压预测系统，该系统主要包括基础特征获取模块、级联预测模块、先验向量化模块、加权融合模块以及决策输出模块。其中，基础特征获取模块用于获取待测对象的基础特征向量。级联预测模块与所述基础特征获取模块相连，其内部级联设置有长短期记忆网络层、transformer编码器层及全连接分类层，用于对所述基础特征向量进行特征提取并输出基础高血压预测概率向量。先验向量化模块用于采集待测对象的临床先验动态因子并将其映射为概率权重向量。加权融合模块分别与所述级联预测模块和所述先验向量化模块相连，用于将所述基础高血压预测概率向量与所述概率权重向量进行加权融合并输出融合概率向量。决策输出模块与所述加权融合模块相连，用于根据所述融合概率向量确定并输出高血压预测诊断结果。该系统通过明确的模块化划分与流式数据互通，实现了从数据获取、高阶特征抽象、先验知识注入到最终决策输出的全流程硬件级高效协同运行。

12、进一步地，所述域自适应的高血压预测系统还集成了网格搜索优化模块，该网格搜索优化模块与所述加权融合模块相连，专门用于获取目标临床场景的私有验证集，并在预设的候选搜索空间内遍历多组候选权重组合，进而根据所述私有验证集上的分类评价指标，自动确定并动态更新所述加权融合模块中的权重系数。该模块的加入使得预测系统具备了硬件层面的域自适应参数自学习能力，能够快速针对异构终端或具体部署场景的数据特性完成融合权重的自动化校准，显著降低了系统的现场维护成本与部署门槛。

13、本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

14、1、本发明通过构建长短期记忆网络与transformer编码器的级联架构，实现了特征序列局部时序依赖与全局跨特征交互的联合表征。其中，长短期记忆网络层能够精准捕捉特征间的短程演化规律，而transformer编码器层通过多头自注意力机制建模长程全局关联，二者形成互补增强。在相同公开测试集上，本发明基础模型的预测准确率达到了0.96，显著高于现有单一长短期记忆网络或单一transformer模型约0.85的准确率水平，验证了级联架构在特征提取与全局特征表征能力上的实质性提升。

15、2、本发明具备卓越的临床先验因子动态融合与域自适应能力。现有技术方案的输入特征空间在模型训练完成后即被固化，无法在推理阶段接纳任何新增的临床变量，导致模型部署后难以适配不同医疗场景下差异化的预测需求。本发明通过在模型架构中预留外部先验知识的结构化融合接口，设计了百分比校准模块，使模型能够在推理阶段动态纳入家族遗传风险值和近三个月睡眠质量评分两项临床先验因子，并通过可调的权重系数实现多源信息的量化整合。这一机制从根本上打破了传统模型输入空间固化的架构约束，显著提升了预测系统在不同临床私有场景下的泛化性与特征扩展性。

16、3、本发明显著提升了预测结果的临床可解释性与透明度。现有深度学习模型多为典型的黑盒系统，临床医生无法理解预测结果的决策依据。本发明通过线性加权融合公式，将基础模型概率、家族遗传贡献以及睡眠质量贡献三项来源以明确的权重系数进行组合，使得每一项因子对最终预测结果的贡献度均能够完全可量化地呈现。医生可以通过各因子的权重占比直观理解模型的整体决策逻辑，克服了传统模型系统的不可知性，极大地增强了人工智能辅助诊断系统在严肃临床场景中的可信度与临床可接受度。

17、4、本发明能够有效解决传统高血压预测容易出现的假阳性问题，降低临床误诊与不必要的医疗复查成本。结合在临床私有测试集上的实验数据表明，本发明所提出的百分比校准模块与网格搜索权重优化机制，能够使阳性预测精确度稳定维持在0.875的高水平，同时f1分数与召回率均达到临床要求，充分证明了本方案在不牺牲原有模型预测精度的前提下平滑融合额外临床先验特征参数的优异性能，具备极高的实际临床部署可行性与稳定性。