-
公开(公告)号：CN117153393B
公开(公告)日：2024-07-12
申请号：CN202311105379.8
申请日：2023-08-30
Applicant: 哈尔滨工业大学
IPC: G16H50/30 , G16H10/60 , G16H15/00 , G06F18/241 , G06F18/2132 , G06N3/0455 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于多模态融合的心血管疾病风险预测方法。获取医疗数据集中的病患体征数据；对病人在医院期间产生的各类文本报告进行聚合；将获取的病患体征数据使用图神经网络GNN‑encoder作为时序主干的网络，进行时序特征的提取；将聚合的各类文本报告中病患文本报告使用基于预训练的分层BioBERT模型作为语言主干网络，进行文本特征的提取；将时序特征和文本特征拼接在一起，通过一个自注意力深度融合网络，得到融合后的特征作为病患身体状况在特征空间上的嵌入向量；构造一个基于多层感知机的二元分类器，得到是否患有心血管疾病的二分类结果；构造一个基于多层感知机的多元分类器，得到预测的病人所患亚型。本发明用以解决医学文本数据集存在的文本报告过长，难以在不损失全文信息的同时有效提取语义特征的问题。
-
公开(公告)号：CN117079815A
公开(公告)日：2023-11-17
申请号：CN202311052024.7
申请日：2023-08-21
Applicant: 哈尔滨工业大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06N3/042 , G06N3/045 , G06N3/048 , G06N3/082 , G06F18/2415 , G06F123/02
Abstract: 本发明涉及一种基于图神经网络的心血管疾病风险预测模型构建方法，属于风险预测技术领域。解决心血管疾病风险预测无法处理时序数据，无法掘时序数据信息的问题。将研究对象的体征数值矩阵映射到高维特征空间；在每一层的迭代中，根据观测值激活节点，计算节点间的注意力权重，捕捉关键特征；得到注意力权重、边的权重，删除权重最低的边；对每个节点使用自注意力机制加权聚合每个时刻的特征向量；将所有节点特征拼接形成图的特征嵌入，不同节点的特征进行组合；利用图层级特征嵌入预测研究对象患有心血管疾病的概率，利用图神经网络进行风险评估。对不规则采样的时间序列进行建模预测，通过图神经网络提取节点的依赖关系等，提高预测准确率。
-
公开(公告)号：CN117153393A
公开(公告)日：2023-12-01
申请号：CN202311105379.8
申请日：2023-08-30
Applicant: 哈尔滨工业大学
IPC: G16H50/30 , G16H10/60 , G16H15/00 , G06F18/241 , G06F18/2132 , G06N3/0455 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于多模态融合的心血管疾病风险预测方法。获取医疗数据集中的病患体征数据；对病人在医院期间产生的各类文本报告进行聚合；将获取的病患体征数据使用图神经网络GNN‑encoder作为时序主干的网络，进行时序特征的提取；将聚合的各类文本报告中病患文本报告使用基于预训练的分层BioBERT模型作为语言主干网络，进行文本特征的提取；将时序特征和文本特征拼接在一起，通过一个自注意力深度融合网络，得到融合后的特征作为病患身体状况在特征空间上的嵌入向量；构造一个基于多层感知机的二元分类器，得到是否患有心血管疾病的二分类结果；构造一个基于多层感知机的多元分类器，得到预测的病人所患亚型。本发明用以解决医学文本数据集存在的文本报告过长，难以在不损失全文信息的同时有效提取语义特征的问题。
