一种心血管风险预测模型的构建方法、系统、程序产品与流程

本发明涉及智慧医疗领域，具体涉及一种心血管风险预测模型的构建方法、系统、程序产品。

背景技术：

1、心血管疾病严重威胁人类健康，利用人工智能技术结合多种检查数据进行心血管风险预测，已成为智慧医疗领域的重要研究方向。眼底图像能够反映视网膜微血管的状态，心电数据能够反映心脏的电生理活动，结构化临床检验数据能够提供患者的基础生理指标，多模态数据联合分析可以提高心血管风险预测的准确性。

2、然而，现有多模态临床人工智能系统通常假设训练与推理阶段所有模态数据齐全，且同一模态的数据格式统一，在真实临床场景中存在两类突出问题：

3、其一为模态缺失问题。不同医院、不同病例的检查项目完整度存在差异，部分病例可能缺少眼底检查、心电检查或部分实验室检验项目，现有系统往往因此无法给出预测结果，或需要为每种模态组合单独训练模型，导致模型数量随模态组合增加，扩展性差。部分现有方法虽然采用零值填充、均值填充等方式处理缺失模态，但填充值可能被模型错误解释为真实检查结果，进而影响风险评估结果的可靠性。

4、其二为同一模态数据格式异构问题。以心电数据为例，其在临床实践中既可能以数字化波形形式存在，也可能以纸质打印件的扫描件或拍照图像形式存在。将心电图像准确还原为数字化波形本身是一项尚未完全解决的技术难题，若强制要求先完成图像到波形的数字化转换再输入统一模型，会引入额外的转换误差来源，且难以保证系统在各类图像质量下的稳定性。

5、因此，如何提供一种能够同时应对模态缺失和心电数据格式异构、无需为每种数据完整度或数据格式组合单独训练模型的心血管风险预测方案，是本领域亟待解决的技术问题。

技术实现思路

1、针对上述问题，本发明提出了以下方案：

2、本发明提供了一种心血管风险预测模型的构建方法，所述构建方法包括如下步骤：

3、s1：获取多个病例的多模态检查数据及对应的心血管风险标签，构建训练样本集；

4、每个病例的多模态检查数据包括眼底图像、心电数据以及结构化临床检验数据这三种模态中的至少一种；

5、s2：针对每一个病例生成属性标记，所述属性标记包括心电数据格式标记、模态可得性标记向量、模态质量标记向量；

6、所述心电数据格式标记用于表示心电数据的格式类型，具体为：

7、

8、其中，表示心电数据格式标记；

9、表示心电数据为数字化波形格式；

10、表示心电数据为图像格式；

11、所述模态可得性标记向量，用于表示各个模态是否存在或满足最低处理条件，具体为：

12、其中，表示模态可得性标记向量；

13、分别表示眼底图像、心电数据、结构化临床检验数据是否存在或满足最低处理条件；用数值0表示不存在或不满足最低处理条件；用数值1表示存在且满足最低处理条件；

14、所述模态质量标记向量，用于标识各个模态的质量评分，具体为：

15、

16、其中，表示模态质量标记向量；

17、分别表示眼底图像、心电数据、结构化临床检验数据的质量评分；

18、s3:使用训练样本集对待训练预测模型进行训练，得到心血管风险预测模型；

19、所述待训练预测模型包括心电双分支编码模块、统一特征投影模块、眼底特征编码器、临床特征编码器、动态加权融合模块和风险预测网络；

20、所述心电双分支编码模块包括两个独立的编码分支，分别为数字化波形分支、图像分支；

21、所述数字化波形分支用于接收为的病例的心电数据，并输出数字心电特征；

22、所述图像分支用于接收为的病例的心电数据，并输出图像心电特征；

23、所述统一特征投影模块用于将数字心电特征或图像心电特征映射至统一维度的特征空间，得到心电特征向量;

24、所述眼底特征编码器用于接收眼底图像数据，并输出眼底特征向量；

25、所述临床特征编码器用于接收结构化临床检验数据，并输出临床特征向量；

26、所述动态加权融合模块用于计算任一病例各模态数据的融合权重：

27、

28、其中，分别表示、、的权重；

29、为防除零常量；

30、为可训练门控网络；

31、所述动态加权融合模块用于接收输出融合特征；

32、所述风险预测网络用于接收，输出心血管风险评估结果；当全部为0时，所述风险预测网络直接输出数据不足标识。

33、优选的，训练时以预设概率随机选择一个或多个模态，将被选中模态对应的置零。

34、优选的，所述数字化波形分支采用面向时间序列设计的心电特征编码器；所述图像分支采用面向图像设计的心电特征编码器。

35、优选的，的具体结构为两层的多层感知机。

36、优选的，存在以下约束：在固定的前提下关于单调不减，即。

37、优选的，融合特征为：

38、

39、其中表示向量拼接。

40、本发明还提供了一种心血管风险预测系统，包括:

41、存储器，用于存放计算机程序；

42、处理器，用于执行存储器上所存放的程序时，使用心血管风险预测模型进行预测，所述心血管风险预测模型根据上述的方法得到。

43、本发明还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法。

44、有益效果：

45、（1）由心电数据格式标记、心电双分支编码模块和统一特征投影模块产生的有益效果：通过格式标记自动路由，两个独立编码分支分别适配数字化波形与心电图像的数据形态，统一投影使下游模块与格式解耦，从而以单一模型处理两种心电数据格式，无需先将心电图像数字化还原，避免了图像到波形转换环节引入的额外误差；

46、（2）由模态可得性标记向量和带掩码的融合权重公式产生的有益效果：缺失模态的融合权重被强制置零，其对融合特征的贡献被硬性切断，无需零值或均值填充，避免了填充值被模型错误解释为真实检查结果的问题，单一模型即可处理任意模态缺失组合，显著提升了模型的临床可部署性与可扩展性；

47、（3）由模态质量标记向量和可训练门控网络的单调性约束产生的有益效果：质量评分将数据可靠性引入权重计算，单调性约束保证门控网络无法通过增大门控得分抵消质量惩罚，形成"缺失必置零、低质受抑制、可用模态之间再自适应分配"的两层机制，兼顾了权重分配的可靠性与病例级自适应性；

48、（4）由融合特征中拼接模态可得性标记向量和模态质量标记向量产生的有益效果：使风险预测网络在进行风险评估的同时显式感知证据的完整程度和可靠程度，提高了模型在模态缺失、质量波动及不同模态组合情况下的适应能力与预测可靠性；

49、（5）由训练阶段的模态随机屏蔽策略产生的有益效果：训练与推理对缺失模态的处理方式完全一致，并迫使模型学习不同模态组合下的预测方式，降低了门控网络将权重长期压向单一强势模态而出现权重坍缩的风险；

50、（6）由"全部模态不可用时输出数据不足标识"产生的有益效果：避免在证据不足的情况下输出误导性的风险评估结论。