[發明專利]一種乳腺癌風險評估方法、系統、介質及設備

有效

• 申請號: 202011030248.4
• 申請日: 2020-09-27
• 公開（公告）號: CN112164462B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 張智軍;陳博釗
• 申請（專利權）人: 華南理工大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種乳腺癌風險評估方法、系統、介質及設備，該方法包括下述步驟：輸入身體指標測量數據樣本；構建S型動態收斂差分神經網絡，設定S型動態收斂差分神經網絡輸入層與隱含層之間各個連接權重分量隨機初始化且保持不變，隱含層與輸出層之間各個連接權重分量隨機初始化并進行訓練；采用多種不同類型的變換函數訓練出對應多種不同的S型動態收斂差分神經網絡模型；完成訓練的S型動態收斂差分神經網絡模型對輸入的身體指標測量數據樣本進行預判，得到預判結果；采用基于少數服從多數的投票原則對預判結果進行評估，得出最終的乳腺癌風險評估結果。本發明提高了模型訓練效率，同時運用綜合評估機制能有效保證風險評估結果的可靠性。

技術領域

本發明涉及人工智能預測評估技術領域，具體涉及一種乳腺癌風險評估方法、系統、介質及設備。

背景技術

在現有的統計學習模型中，神經網絡因其優異的學習擬合樣本的能力而得以廣泛應用，然而以往絕大多數傳統神經網絡訓練方法采用梯度下降思維優化層間權重，隨著訓練過程的不斷進行，神經網絡層數的增加可能會導致梯度彌散現象，而且在對乳腺癌風險評估的過程中以往只采用單個神經網絡模型，評估結果的可靠性難以保證，這些缺陷在智能化評估風險的過程中受到很大制約。

發明內容

為了克服現有技術存在的缺陷與不足，本發明提供一種乳腺癌風險評估方法，本發明基于神經動力學方法訓練S型動態收斂差分神經網絡模型，用于評估乳腺癌患病風險，這種方法沒有涉及梯度計算等復雜運算，大大提高了模型訓練效率，同時運用綜合評估機制能夠有效保證風險評估結果的可靠性。

本發明的第二目的在提供一種乳腺癌風險評估系統。

本發明的第三目的在于提供一種存儲介質。

本發明的第四目的在于提供一種計算設備。

為了達到上述目的，本發明采用以下技術方案：

一種乳腺癌風險評估方法，包括下述步驟：

輸入身體指標測量數據樣本；

構建S型動態收斂差分神經網絡，設定輸入神經元個數為所需測量的身體指標數目，所述S型動態收斂差分神經網絡包括輸入層、隱含層和輸出層，設定輸入層與隱含層之間各個連接權重分量隨機初始化且保持不變，隱含層與輸出層之間各個連接權重分量隨機初始化并進行訓練；

采用多種不同類型的變換函數訓練出對應多種不同的S型動態收斂差分神經網絡模型；

采用完成訓練的S型動態收斂差分神經網絡模型對輸入的身體指標測量數據樣本進行預判，得到預判結果；

采用基于少數服從多數的投票原則對預判結果進行評估，得出最終的乳腺癌風險評估結果。

為了到達上述第二目的，本發明采用以下技術方案：

一種乳腺癌風險評估系統，包括：身體指標輸入模塊、神經網絡搭建模塊、神經網絡訓練模塊、預判模塊和綜合評估模塊；

所述身體指標輸入模塊用于輸入身體指標測量數據樣本；

所述神經網絡搭建模塊用于構建S型動態收斂差分神經網絡，設定輸入神經元個數為所需測量的身體指標數目；

所述S型動態收斂差分神經網絡包括輸入層、隱含層和輸出層，設定輸入層與隱含層之間各個連接權重分量隨機初始化且保持不變，隱含層與輸出層之間各個連接權重分量隨機初始化并進行訓練；

所述神經網絡訓練模塊用于采用多種不同類型的變換函數訓練出對應多種不同的S型動態收斂差分神經網絡模型；

所述預判模塊用于采用完成訓練的S型動態收斂差分神經網絡模型對輸入的身體指標測量數據樣本進行預判，得到預判結果；