[發明專利]面向遺傳代謝病多中心篩查的神經網絡動態融合方法

在審

• 申請號: 202110320409.1
• 申請日: 2021-03-25
• 公開（公告）號: CN113035349A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 尹建偉;林博;舒強;李瑩;鄧水光;蔣萍萍
• 申請（專利權）人: 浙江大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 萬尾甜;韓介梅

本發明公開了一種面向遺傳代謝病多中心篩查的神經網絡動態融合方法，該方法中除了多個篩查中心外，還需要配備兩種類型的節點：任務節點、計算節點，其中任務節點負責多中心篩查任務的管理、分發、維護；每個篩查中心各需要配備一個計算節點，負責任務節點下發聯合建模任務的計算。本發明方法是面向遺傳代謝病多中心篩查場景的，填補了多中心聯合建模方法的空缺。其次，結合遺傳代謝病多中心篩查建模任務多、神經網絡融合通信負載壓力大的特性，本發明方法采用探測性參數采樣，評估多個計算節點種模型迭代的同步程度，動態調整模型融合的時間節點，提升融合效率，減少通信次數，可以有效降低整體任務的通信負載。

技術領域

本發明屬于多中心篩查模型構建技術領域，涉及一種神經網絡動態融合方法，尤其涉及一種面向遺傳代謝病多中心篩查的神經網絡動態融合方法。

背景技術

近年來，遺傳代謝病的篩查模式已由原來的單中心、單醫院的封閉式獨立篩查，發展為多中心協作的聯合篩查，出現了醫聯體、醫共體等多種聯盟形式，如國家兒童健康與疾病臨床醫學研究中心、國家兒童區域醫療中心等，加強了遺傳代謝病篩查的資源分配、精度和效率。與此同時，人工智能技術的發展給醫療行業帶來了變革，提出了智慧醫療的新模式。通過結合數據挖掘、機器學習等智能算法，基于人工智能的遺傳代謝病篩查流程得到優化升級，輔助醫生進行判讀和診斷，大大提高篩查效率。

目前已有一些醫院和篩查中心作為試點，部署了人工智能輔助診斷平臺，來提升本醫院的篩查質量，但仍然存在兩個問題：首先，在多中心篩查的模式下，暫時還沒有面向遺傳代謝病的人工智能聯合建模方法；其次，神經網絡是現有人工智能輔助診斷平臺中一種常用且有效模型，將其擴展到多中心聯合建模的一個瓶頸是模型融合時大量參數和梯度信息對通信負載的壓力。由于遺傳代謝病是一大類遺傳性疾病，場景中會有很多臨床篩查或臨床科研性質建模任務，但醫院的計算資源客觀上較為有限，無法承受大量聯合建模任務的通信并發，導致多中心聯合建模效率較低。

發明內容

本發明的目的在于針對現有技術的不足，提供一種面向遺傳代謝病多中心篩查的神經網絡動態融合方法，首先該方法是面向遺傳代謝病多中心篩查的場景，提出針對神經網絡模型的動態融合方法，填補了多中心聯合建模方法的空缺。其次，結合遺傳代謝病多中心篩查建模任務多、神經網絡融合通信負載壓力大的特性，本發明方法采用探測性參數采樣，評估多個計算節點種模型迭代的同步程度，動態調整模型融合的時間節點，提升融合效率，減少通信次數，可以有效降低整體任務的通信負載。

本發明采用的技術方案如下：

一種面向遺傳代謝病多中心篩查的神經網絡動態融合方法，該方法是面向遺傳代謝病多中心篩查的場景，除了多個篩查中心外，還需要配備兩種類型的節點：任務節點、計算節點，其中任務節點負責多中心篩查任務的管理、分發、維護，用戶直接與任務節點交互；每個篩查中心各需要配備一個計算節點，負責任務節點下發聯合建模任務的計算，計算節點只與任務節點進行交互，用戶無法直接訪問計算節點；任務節點和計算節點的連接方式是任意主流的網絡拓撲結構。

當用戶發起一個遺傳代謝病多中心篩查任務T時，需要選定參與聯合建模的m個篩查中心；設計神經網絡模型的結構和超參數，以及模型訓練配置，包括全局模型迭代次數E_g，局部模型迭代次數E_l等；配置動態融合方法的參數：“參數探測比例”α，取值為[0，1]的浮點數；“停止更新比例”β，取值為(0，1]的浮點數；“參數高風險比例”γ，取值為(0，1]的浮點數；“無風險迭代次數”E_l^*，取值為[0，E_l]的整數；“緩存間隔次數”δ，取值為[1，E_l-E_l^*]的整數。

進行神經網絡動態融合的過程如下：

1)任務節點根據用戶設計的網絡結構，構造任務T的神經網絡模型f，并初始化全局神經網絡f(w)，其中w為全局神經網絡的參數；將所有計算節點初始化為低風險計算節點；