[發(fā)明專利]一種基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測方法及裝置

在審

• 申請?zhí)枺?/td>: 201911044509.5
• 申請日: 2019-10-30
• 公開（公告）號: CN110838364A
• 公開（公告）日: 2020-02-25
• 發(fā)明（設(shè)計(jì)）人: 李偉;倪敏雅;盧心陶;陳婉君
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 楊天嬌

1.一種基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測方法，其特征在于，所述基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測方法，包括：

對樣本數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集；

通過訓(xùn)練集、驗(yàn)證集和測試集上的損失值選擇最佳稀疏自編碼器架構(gòu)，提取稀疏自編碼器隱藏層的特征；

將提取的稀疏自編碼器隱藏層的特征輸入長短期記憶網(wǎng)絡(luò)模型，通過網(wǎng)格搜索找出使長短期記憶網(wǎng)絡(luò)模型精度更高的超參數(shù)，得到訓(xùn)練好的長短期記憶網(wǎng)絡(luò)模型；

利用選擇的稀疏自編碼器和訓(xùn)練好的長短期記憶網(wǎng)絡(luò)模型，預(yù)測樣本的克羅恩病概率。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測方法，其特征在于，所述通過訓(xùn)練集、驗(yàn)證集和測試集上的損失值選擇最佳稀疏自編碼器架構(gòu)，包括：

自定義輸入層、隱藏層、輸出層的神經(jīng)元個(gè)數(shù)構(gòu)造多個(gè)稀疏自編碼器架構(gòu)；

將訓(xùn)練集的數(shù)據(jù)輸入到構(gòu)造的稀疏自編碼器中進(jìn)行訓(xùn)練，訓(xùn)練好后使用驗(yàn)證集的數(shù)據(jù)進(jìn)行驗(yàn)證，保存在驗(yàn)證集上損失最小的模型；

選擇使用最少的輸入層、隱藏層、輸出層神經(jīng)元個(gè)數(shù)時(shí)在測試集上產(chǎn)生最小的損耗的稀疏自編碼器作為采用的稀疏自編碼器架構(gòu)。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測方法，其特征在于，所述稀疏自編碼器的損失函數(shù)為：

其中，x表示輸入，x′表示重構(gòu)輸入，n是輸入層神經(jīng)元數(shù)量，λ表示L1正則化參數(shù)，w_j表示權(quán)重參數(shù)，m表示層數(shù)，β是控制稀疏性懲罰因子的權(quán)重，k表示隱藏層上的神經(jīng)元數(shù)量，ρ表示稀疏性參數(shù)，ρ′_j表示隱藏層中神經(jīng)元j的平均活躍度。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測方法，其特征在于，所述通過網(wǎng)格搜索找出使長短期記憶網(wǎng)絡(luò)模型精度更高的超參數(shù)，包括：

將樣本數(shù)據(jù)中訓(xùn)練集和驗(yàn)證集的數(shù)據(jù)用來執(zhí)行K折交叉驗(yàn)證，依次將每次迭代的樣本數(shù)據(jù)輸入到稀疏自編碼器，提取稀疏自編碼器隱藏層的特征輸入到長短期記憶網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，采用訓(xùn)練K次的結(jié)果的均值作為對模型精度的估計(jì)；

根據(jù)網(wǎng)格搜索所窮舉的超參數(shù)對應(yīng)的模型精度的估計(jì)，選擇出使長短期記憶網(wǎng)絡(luò)模型精度更高的超參數(shù)。

5.一種基于深度學(xué)習(xí)混合模型的克羅恩病預(yù)測裝置，包括處理器以及存儲有若干計(jì)算機(jī)指令的存儲器，其特征在于，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至權(quán)利要求4中任意一項(xiàng)所述方法的步驟。