本发明涉及预测领域，尤其涉及特定疾病的复发概率的预测模型的构建方法。
背景技术：
1、随着医学研究的不断深入和医疗技术的快速发展，对于特定疾病复发概率的预测已成为医学领域的重要研究方向。疾病的复发不仅给患者带来身体上的痛苦和经济上的负担，也给医疗系统带来极大的挑战。因此，开发一种准确、可靠的特定疾病复发概率预测模型，对于提高疾病治疗效果、降低复发风险以及优化医疗资源配置具有重要的现实意义。
2、疾病复发是指患者在接受治疗后，疾病症状再次出现或疾病状态重新恶化的现象。许多疾病，如癌症、心血管疾病、精神类疾病等，都存在较高的复发风险。这些疾病的复发往往与多种因素相关，包括患者的基因背景、生活方式、环境因素、治疗方案等。因此，准确预测疾病的复发概率，对于制定个性化的治疗方案、提高治疗效果、降低复发风险具有重要意义。
3、目前，对于特定疾病复发概率的预测，主要依赖于医生的临床经验、患者的病史信息以及一些传统的统计学方法。然而，这些方法存在许多局限性。首先，医生的临床经验受到主观因素的影响，不同医生对同一患者的预测结果可能存在较大差异。其次，传统的统计学方法往往只能分析单一因素与疾病复发之间的关系，而忽略了多种因素之间的相互作用。此外，这些方法也无法充分考虑患者的个体差异和动态变化过程。
技术实现思路
1、本发明的目的是要提供特定疾病的复发概率的预测模型的构建方法。
2、为达到上述目的，本发明是按照以下技术方案实施的：
3、本发明包括以下步骤：
4、采集特定疾病的患者医疗数据和个性化治疗方案，对所述患者医疗数据进行预处理，通过对比度对所述患者医疗数据进行特征提取获取基线特征；
5、采用偏差量对所述基线特征进行时序分析获得时序数据，根据所述时序数据计算个性化风险指数；
6、根据所述时序数据对所述个性化治疗方案进行影响分析获得预后因素，对所述个性化风险指数进行风险分层获得等级风险；
7、根据所述预后因素和所述等级风险构建特定疾病复发概率预测模型，优化所述特定疾病复发概率预测模型，输出目标模型。
8、进一步的，通过对比度对所述患者医疗数据进行特征提取获取基线特征的方法，包括：
9、将患者医疗数据输入特征提取模型，采用卷积神经网络提取患者医疗数据的初始特征，采用聚类对初始特征进行降维，表达式为：
10、
11、其中第y个聚类的i维的中心值为by(i)，第a个初始特征第i维的值为ga(i)，第a个初始特征为ga，第y个聚类为ly，初始特征ga属于聚类ly的距离为ly(ga)，第y个聚类的i维的降维特征为
12、改进距离，表达式为：
13、
14、其中改进后的距离为转置为t，第y个聚类的偏置为hy，第y个聚类的权重为uy，误差常数为σ；
15、更新特征，表达式为：
16、
17、其中更新后的降维特征为采用网络结构提取降维特征的浅层特征和深层特征，计算描述符距离：
18、ε＝μ1ευ+μ2εs
19、其中浅层特征距离为ευ，深层特征距离为εs，浅层权重为μ1，深层权重为μ2，描述符距离为ε；
20、计算特征点间的对比度：
21、
22、其中第d张图像上的特征点为gd，第p张图像上的特征点为gp，第x个特征点gd在图像上的区域描述符为第x个特征点gp在图像上的区域描述符为第m个特征点gd在图像上的区域描述符为第m个特征点gp在图像上的区域描述符为第x个特征点gp在图像上的局部描述符为第x个特征点gd在图像上的局部描述符为l2范数函数为‖·‖2，特征点gd和特征点gp的比对度为εi(gd,gp)，特征点gd和特征点gp的相似度为φ(gd,gp)，特征点gd和特征点gp的抑制因子为ρd,p，特征点的数量为n；
23、将对比度小于0.357的特征点输出为基线特征。
24、进一步的，采用偏差量对所述基线特征进行时序分析获得时序数据的方法，包括：
25、采用卷积神经网络提取基线特征的时间模式，表达式为：
26、
27、其中提取信息的滑动窗口长度为第j个维度第f个卷积核的基线特征k时间模式向量为时间λ上限为m，第j个维度第个卷积核的时间模式向量为第j个维度第个卷积核的基线特征为
28、计算时间模式与时间状态的相关度：
29、
30、其中权重矩阵为ξι，时间λ的隐藏状态为转置为t，第χ个基线特征的时间模式向量为时间模式与隐藏状态的相关度为
31、计算偏差量：
32、
33、其中激活函数为sigmoid(·)，基线特征的数量为时间λ-1的隐藏状态为时间模式与隐藏状态的相关度为第χ个基线特征的时间模式的偏差量为rλ；
34、将偏差量大于0.279的时间模式输出为时序数据。
35、进一步的，根据所述时序数据计算个性化风险指数的方法，包括：
36、
37、其中第患者的个性化风险指数为观察时间为第患者第时刻的前向心率差为第患者第时刻的偏差量为第患者的遗传率为第患者第时刻的调整系数为
38、进一步的，根据所述时序数据对所述个性化治疗方案进行影响分析获得预后因素的方法，包括：
39、根据个性化治疗方案获取预设疾病的改善度，采用灰色关联度分析计算时序数据和改善度的关联程度；
40、根据关联程度计算灰色关联度，将灰色关联度大于0.74的时序数据输出为个性预后因素；
41、对多个病人的个性预后因素进行统计，将出现概率大于73％的个性预后因素输出为预后因素。
42、进一步的，对所述个性化风险指数进行风险分层获得等级风险的方法，包括：
43、采用多基因风险评分获取个体对于预设疾病的易感度，支持向量机根据个性化风险指数和易感度之间的边界进行风险分层，输出等级风险。
44、进一步的，根据所述预后因素和所述等级风险构建特定疾病复发概率预测模型的方法，包括：
45、特定疾病复发概率预测模型包括随机森林算法、灰度共生矩阵、模版匹配算法和cox比例风险算法；
46、随机森林算法将输入数据按照4:1的比例划分成训练集和测试集；
47、灰度共生矩阵通过分析训练集内像素点和邻近像素点的灰色关系提取变化特征；
48、模版匹配算法通过变化特征和预后因素的相关性，筛选出关键特征；
49、cox比例风险算法通过关键特征获取发生概率，根据发生概率评估患者的风险比例；
50、根据风险比例在等级风险中的位置，输出复发影响的复发概率，采用测试机测试特定疾病复发概率预测模型，根据预测复发概率和实际复发概率的方差调整特定疾病复发概率预测模型的参数。
51、进一步的，优化所述特定疾病复发概率预测模型的方法，包括：
52、计算搜索子的适应度：
53、
54、其中第w个搜索子的适应度函数为惩罚因子为θ，第种治疗反应的数量为第w个搜索子的正则化值为h(w)，第种治疗反应的第w个搜索子的表现为
55、当前方有阻挡时，更新搜索子位置，表达式为：
56、
57、其中第w个搜索子在t+1次迭代的位置为第w个搜索子在t次迭代的位置为第w个搜索子在t-1次迭代的位置为全局最差位置为自然系数为θ，偏转系数为调节常数为δ，遗传系数为ρ，自然常数为e；
58、当前方无阻挡时，更新搜索子位置，表达式为：
59、
60、其中偏转角为更新交叉搜索子的位置，表达式为：
61、
62、其中交叉搜索子的上限为l2，交叉搜索子的下限为l1，最大迭代次数为tmax，第w个交叉搜索子在第t+1次迭代的位置为第w个交叉搜索子在第t次迭代的位置为第一交叉权重为v1，第二交叉权重为v2；
63、更新幼搜索子的位置，表达式为：
64、
65、其中第w个幼搜索子的位置在第t+1次迭代的位置为cw(t+1)，第w个幼搜索子的位置在第t次迭代的位置为cw(t)，全局最优位置为0到1的随机数分别为r1、r2；
66、更新入侵搜索子的位置，表达式为：
67、
68、其中第w个入侵索子的位置在第t+1次迭代的位置为第w个入侵索子的位置在第t次迭代的位置为入侵搜索子的最佳位置为正态随机变量为
69、计算搜索子位置的协方差，根据协方差构造协方差矩阵；
70、当协方差矩阵小于最小误差，更新全局最优位置和搜索子的适应度，直到达到最大迭代次数，否则重新计算搜索子位置的协方差。
71、第二方面，本技术实施例还提供一种电子设备，包括：
72、处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
73、第三方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
74、本发明的有益效果是：
75、本发明是特定疾病的复发概率的预测模型的构建方法，与现有技术相比，本发明具有以下技术效果：
76、本发明通过预处理、特征提取、时序分析、计算个性化风险指数、影响分析、风险分层、模型构建和模型优化步骤，可以提高特定疾病的复发概率的预测的准确性，从而提高特定疾病的复发概率的预测的精度，将特定疾病的复发概率的预测模型的构建优化，可以大大节省资源，提高工作效率，可以实现对特定疾病的复发概率的自动预测，实时对特定疾病的复发概率的预测模型的构建进行个性化分析，对特定疾病的复发概率的预测具有重要意义，可以适应不同标准的特定疾病的复发概率的预测模型的构建、不同特定疾病的复发概率的预测需求，具有一定的普适性。
1.特定疾病的复发概率的预测模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，通过对比度对所述患者医疗数据进行特征提取获取基线特征的方法，包括：
3.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，采用偏差量对所述基线特征进行时序分析获得时序数据的方法，包括：
4.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，根据所述时序数据计算个性化风险指数的方法，包括：
5.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，根据所述时序数据对所述个性化治疗方案进行影响分析获得预后因素的方法，包括：
6.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，对所述个性化风险指数进行风险分层获得等级风险的方法，包括：
7.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，根据所述预后因素和所述等级风险构建特定疾病复发概率预测模型的方法，包括：
8.根据权利要求1所述特定疾病的复发概率的预测模型的构建方法，其特征在于，优化所述特定疾病复发概率预测模型的方法，包括：
9.一种电子设备，包括：处理器；以及
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～8任一所述方法。
