神经退行性疾病的早期筛查方法及装置

摘要: 本发明涉及医学人工智能与表格数据深度学习,特别是涉及一种神经退行性疾病的早期筛查方法及装置。背景技术:1、神经退行性疾病包括阿尔茨海默病、帕金森病和肌萎缩侧索硬...
神经退行性疾病的早期筛查方法及装置

本发明涉及医学人工智能与表格数据深度学习,特别是涉及一种神经退行性疾病的早期筛查方法及装置。

背景技术:

1、神经退行性疾病包括阿尔茨海默病、帕金森病和肌萎缩侧索硬化症等。上述疾病的早期筛查对于扩大治疗窗口、改善患者长期预后以及降低医疗系统负担具有重要意义。磁共振成像、正电子发射断层扫描等神经影像技术具有较高诊断价值,但在社区、家庭和大规模持续筛查场景中存在设备成本高、可及性有限、检测频率受限等问题。

2、随着自然人机交互技术的发展,书写、语音、步态等行为或生理信号能够在较低成本条件下被采集,并进一步被转换为结构化表格特征。例如,书写测试可以形成笔迹运动学指标,语音测试可以形成声学统计指标,步态测试可以形成步高、步频、摆动相位和变异性等指标。基于上述表格数据构建自动筛查模型,有利于形成非侵入、低成本、可扩展的神经退行性疾病早期筛查方案。

3、然而,神经退行性疾病筛查表格数据通常具有以下技术难点。第一,特征来源异构,不同特征可能来自书写、语音、步态、姿态估计或其他传感通道,特征之间缺乏图像或文本那样的天然空间序列结构。第二,特征之间存在冗余和重叠,不同描述符可能反映相近的生理或行为变化,如果直接参与交互建模,容易放大冗余噪声并掩盖微弱病理线索。第三,疾病相关信号既包含局部特征组内的细粒度缺陷,也包含跨特征组的关联规则,还包含全特征空间中的全局依赖,单一交互路径难以同时兼顾上述信息。

4、现有表格数据学习方法主要包括基于树的集成模型、核方法、深度表格模型以及特征交叉模型。随机森林、xgboost、catboost和lightgbm等树模型能够处理不规则分布并对噪声具有一定鲁棒性,但其分裂驱动机制难以进行端到端可微优化,也不利于充分表示复杂高阶特征依赖。danets、tabpfn、t2g-former等深度表格模型能够学习密集表示,但常通过隐式聚合或自注意机制处理交互,难以清晰枚举和保持对医疗筛查具有意义的显式高阶特征组合。deepfm、fibinet、eulernet等特征交叉模型增强了特征交互能力,但通常沿用单分支或双分支管道,或者在预设特征空间内进行交互,未能充分解决异质特征域的动态划分与冗余解耦问题。

5、与经典的特征交叉模型相比,deepfm主要通过因子分解机与深度网络结合实现显式和隐式交互,但未对异构特征进行数据驱动分组;fibinet采用双线性交互增强特征组合,但缺少由冗余约束驱动的组内、组间分离建模;eulernet可在复杂空间中建模高阶交互,但难以隔离表格医学数据中的冗余疾病信号;dlf等多分支模型能够增强显式和隐式交互,但通常仍在预设或原始特征空间中进行交互,未将互信息和相关系数共同用于端到端分组约束。

技术实现思路

1、鉴于上述问题,本发明提供用于克服上述问题或者至少部分地解决上述问题的一种神经退行性疾病的早期筛查方法及装置,解决了现有技术中神经退行性疾病早期筛查表格数据依赖启发式特征分组、组内冗余难以抑制、组间关联难以显式挖掘以及全局依赖和局部缺陷难以平衡建模等技术问题。

2、本发明提供了如下方案:

3、一种神经退行性疾病的早期筛查方法,包括:

4、获取受试者自然人机交互测试产生的表格特征数据,并对所述表格特征数据进行预处理,得到输入特征矩阵;

5、基于所述输入特征矩阵在批量维度上的统计量和可学习映射参数生成分组逻辑值,并通过gumbel-softmax函数生成可微分组矩阵;

6、根据所述可微分组矩阵、特征互信息矩阵和特征相关系数矩阵构建冗余解耦损失,所述冗余解耦损失用于约束同一特征组内的信息重叠和相关性;

7、根据所述可微分组矩阵得到多个特征组,将多个所述特征组分别输入组内分支和组间分支,同时将预处理模块输出的完整输入特征表示输入全特征分支,以形成由分组路径和全特征路径并行构成的三分支网络架构;

8、通过所述组内分支对各特征组分别执行隐式交互建模,通过所述组间分支中的双线性注意块对不同特征组的组表示执行乘性交叉、注意加权、维度保持投影和残差输出,通过所述全特征分支对完整特征表示执行全局交互建模;

9、对所述组内分支、所述组间分支和所述全特征分支的输出进行门控加权融合,得到用于神经退行性疾病早期筛查的风险评分。

10、优选地:所述对表格特征数据进行预处理包括:

11、根据输入特征与训练标签之间的互信息选择预设数量的特征;

12、归一化参数在训练集上计算,并应用于训练集和测试集。

13、优选地:所述自然人机交互测试产生的表格特征数据包括笔迹速度、压力、停顿时间、轨迹几何统计量、音高周期熵、mfcc、共振峰、抖动、步高、步频、摆动相位、步态变异性中的至少一种。

14、优选地:所述可微分组矩阵中特征组数量根据输入特征矩阵的奇异值能量阈值确定,组表示维度根据主成分累计解释方差阈值确定。

15、优选地:所述构建冗余解耦损失的步骤具体包括:

16、计算特征两两之间的互信息矩阵和相关系数矩阵,将所述相关系数矩阵配置为绝对相关系数矩阵,并将所述互信息矩阵和所述相关系数矩阵的对角元素置零;

17、对于第个特征组,记其在分组矩阵中的分配向量为,通过以下公式进行二次型加权,得到组内信息重叠惩罚和组内相关性惩罚;

18、

19、式中:为平衡系数,为特征总数,为互信息矩阵,为相关系数矩阵,为转置符号。

20、优选地:总训练损失由下式表示:

21、

22、式中:为分类任务损失,为冗余解耦损失权重。

23、优选地:所述组间分支中的双线性注意块执行以下步骤:

24、通过乘性交叉单元计算二阶因子分解机交互项,获得组间成对交互信号;

25、通过注意权重单元采用senet结构产生组级注意分数,并对组表示v进行重加权得到;

26、枚举所有满足

的无序特征组对,通过可学习双线性权重矩阵;

27、计算双线性交叉张量以及;

28、将信号复制到匹配维度,并与双线性注意信号进行拼接,得到拼接特征;

29、通过维度保持单元将拼接特征通过一维卷积、批量归一化和relu函数压缩回原组表示维度,并通过残差输出单元传递至下一层。

30、优选地:所述双线性注意块的堆叠层数设置为2层,以形成三阶组间特征交叉,在计算复杂度近似线性增长的前提下平衡表达能力与样本效率。

31、优选地:所述门控加权融合步骤具体包括:

32、通过基于sigmoid函数的门控权重计算单元,根据全特征输出、组内输出和组间输出生成动态分支权重;

33、当局部特征缺陷占主导时,组内分支权重自适应增大;当跨组关联占主导时,组间分支权重自适应增大;

34、对三条分支的输出进行加权求和,得到早期筛查风险评分。

35、一种神经退行性疾病的早期筛查装置,用于执行上述的神经退行性疾病的早期筛查方法,所述装置包括:

36、预处理单元,用于获取受试者自然人机交互测试产生的表格特征数据,并对所述表格特征数据进行预处理,得到输入特征矩阵;

37、可微分组矩阵生成单元,用于基于所述输入特征矩阵在批量维度上的统计量和可学习映射参数生成分组逻辑值,并通过gumbel-softmax函数生成可微分组矩阵;

38、冗余解耦损失构建单元,用于根据所述可微分组矩阵、特征互信息矩阵和特征相关系数矩阵构建冗余解耦损失,所述冗余解耦损失用于约束同一特征组内的信息重叠和相关性;

39、三分支处理单元,用于根据所述可微分组矩阵得到多个特征组,将多个所述特征组分别输入组内分支和组间分支,同时将预处理模块输出的完整输入特征表示输入全特征分支,以形成由分组路径和全特征路径并行构成的三分支网络架构;

40、三路特征交互建模单元,用于通过所述组内分支对各特征组分别执行隐式交互建模,通过所述组间分支中的双线性注意块对不同特征组的组表示执行乘性交叉、注意加权、维度保持投影和残差输出,通过所述全特征分支对完整特征表示执行全局交互建模;

41、输出单元,用于对所述组内分支、所述组间分支和所述全特征分支的输出进行门控加权融合,得到用于神经退行性疾病早期筛查的风险评分。

42、根据本发明提供的具体实施例,本发明公开了以下技术效果:

43、本技术实施例提供的一种神经退行性疾病的早期筛查方法及装置,该方法通过数据驱动分组模块替代人工启发式分组,将特征划分过程纳入端到端训练,使特征分组能够随任务目标自适应更新,减少了对领域人工规则的依赖。

44、通过冗余解耦损失同时约束互信息和相关系数,有助于降低组内冗余和信息重叠,使各个特征组更紧凑且具有相对独立的判别能力。

45、通过全特征分支、组内分支和组间分支并行建模,分别捕获全局依赖、局部缺陷和跨组关联规则,并且组内分支和组间分支共同受数据驱动分组结果约束,能够平衡疾病信号的共性和多样性,避免单一路径交互造成信息遗漏。

46、通过双线性注意块实现可解释的显式组间特征交叉,并通过维度保持和残差连接支持多阶堆叠,使组间交叉深度增加时计算复杂度近似线性增长,而非指数增长。

47、适用于书写、语音、步态等不同自然人机交互来源的医学表格数据,可作为早期筛查或风险评估中的计算机模型组件,提高异构、小样本、冗余特征场景下的筛查鲁棒性。

48、当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。