买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜福建师范大学申请的专利基于图自监督迁移学习的跨域疾病预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119418912B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510012095.7，技术领域涉及：G16H50/20；该发明授权基于图自监督迁移学习的跨域疾病预测方法是由林丽美;李伟阳;黄艳泽;汪晓丁设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本基于图自监督迁移学习的跨域疾病预测方法在说明书摘要公布了：本发明公开了基于图自监督迁移学习的跨域疾病预测方法，方法为：处理功能磁共振成像数据和临床表型数据；由受试者的功能磁共振成像数据建模构成脑特征结构拓扑图；对脑特征结构拓扑图的节点采样得到子图并选择亲密度得分最高的个子图；将目标子图的节点特征映射到低维向量空间得到节点嵌入矩阵；节点嵌入矩阵转化为重建矩阵，计算原始特征向量与重建特征向量的欧几里得距离得到生成学习评分；在目标节点与相邻子图之间构建比较关系并计算对比学习评分；生成学习评分和对比学习评分加权和得到疾病类别的预测概率值；待迁移的数据输入至预测模型得到对应疾病类别的预测结果。本发明提高跨域疾病预测准确性与效率。

本发明授权基于图自监督迁移学习的跨域疾病预测方法在权利要求书中公布了：1.基于图自监督迁移学习的跨域疾病预测方法，其特征在于：其包括以下步骤：步骤1，处理来自不同机构的功能磁共振成像数据和临床表型数据；步骤2，对预处理后的功能磁共振成像数据和表型数据进行建模，定义由受试者群体的功能磁共振成像数据构成的连通的脑特征结构拓扑图；其中，表示脑特征结构拓扑图的节点集合，具体对应于受试者群体；表示脑特征结构拓扑图的边集合，具体对应于具有相似性的功能磁共振成像图像构成的连边集合；表示脑特征结构拓扑图的边权重集合，具体对应于相似性程度；步骤3，采用重启随机游走算法对脑特征结构拓扑图中的节点进行采样得到多个子图，采样得到的每个子图大小为固定值，即每个子图包含个节点，然后评估多个子图内目标节点的相邻节点的亲密度评分；选择亲密度评分最高的个子图作为目标节点的个子图视图，其中，表示选取的子图个数；表示选取的第个子图，；每个选定的子图的亲密度评分的计算方法如下： ，其中，表示以节点为目的节点的子图的亲密度评分，；为子图中除外的其余节点；是一个常数参数；表示按列归一化的邻接矩阵，表示边的加权关系，即边的权重值，为两个节点和之间存在的一条边；是对角矩阵；的对角线上有为单位矩阵；步骤4，将目标节点的子图视图的节点特征映射到低维向量空间中得到节点嵌入矩阵；步骤5，将节点嵌入矩阵转化为重建矩阵，计算目标节点的原始特征向量与通过解码器重建的特征向量之间的欧几里得距离来得到生成学习评分；步骤6，引入一个多视图比较学习模块，在目标节点与目标节点的相邻上下文子图之间构建比较关系，利用图中的结构信息计算对比学习评分；步骤6的具体步骤为：步骤6-1，将图神经网络编码器的输出节点嵌入矩阵作为比较学习模块的输入，对每个节点的原始特征向量进行转化得到节点的嵌入向量；单个节点的特征转换方法为，其中，为节点的特征向量；是编码训练过程中使用的参数的权重矩阵；为激活函数；步骤6-2，使用平均池化函数将得到的子图的节点的嵌入矩阵聚合成一个固定维度的向量表示，函数如下: ，其中，是子图中的节点数；是对所有个子图的索引；表示选取矩阵的第行；步骤6-3，选择作为节点的正例，对应的负例为，为打乱顺序的特征矩阵；正负样本对的评分如下： ， ，其中，为表示可学习的参数矩阵，正例和负例在计算时使用同样的权重矩阵，以计算出正样本和负样本的得分；正样本对对应的分数为，负样本对对应的分数为，表示节点，表示节点的第个子图且为激活函数；步骤6-4，计算最终对比学习评分，通过计算节点的个选定子图的正负样本得分的平均值作为当前节点的对比学习评分；步骤7，将生成学习评分和对比学习评分进行加权和计算得到受试者对应疾病类别的预测概率值，形成预测模型；步骤8，将待迁移的目标域的功能磁共振成像数据和临床表型数据输入至预测模型中，输出对应目标域患者的对应疾病类别的预测结果，以完成医学跨域的辅助诊断。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福建师范大学，其通讯地址为：350108 福建省福州市大学城科技路1号福建师范大学旗山校区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。