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！

申请/专利权人：内蒙古自治区人民医院(内蒙古自治区肿瘤研究所);内蒙古自治区第四医院

摘要：本发明公开了一种基于自监督学习与域对抗神经网络的新冠风险评估方法，包括获取健康人群的血常规检验数据及对应的人员信息构建自监督预训练数据集，从中筛选形成掩码指标数据集；构建新冠筛查模型数据集包括一般人群的血常规检验数据及对应的人员信息、新冠标签和域标签；利用掩码指标数据集和自监督预训练数据集训练自监督预训练模型；迁移学习训练好的自监督预训练模型并进行新冠标签分类学习和域标签分类学习，获得训练好的新冠筛查模型，用于输出新冠分类结果。本发明能够基于小样本揭示疾病的复杂性，同时灵活应对不同医院环境的差异性，高效挖掘疾病特征，有助于在各种医疗场景下实现新冠风险识别，有效提升了模型泛化能力。

主权项：1.一种基于自监督学习与域对抗神经网络的新冠风险评估方法，其特征在于：包括如下步骤：模型训练阶段：构建自监督预训练数据集：获取健康人群的血常规检验数据及对应的人员信息构建自监督预训练数据集，从中筛选指定数量的血常规检验项目作为掩码血常规指标，并执行掩码操作形成掩码指标数据集；所述掩码操作的步骤包括：随机筛选指定数量的血常规检验项目作为掩码血常规指标，并将自监督预训练数据集中相应血常规检验项目的平均值作为掩码血常规指标值，形成掩码指标数据集；构建新冠筛查模型数据集：获取一般人群的血常规检验数据及对应的人员信息、新冠标签和域标签；新冠标签用于区分新冠阳性检测结果和新冠阴性检测结果；域标签用于区分源域大样本数据集和目标域小样本数据集，源域大样本数据集中包含的新冠筛查模型数据集样本数量大于目标域小样本数据集的样本数量；构建自监督预训练模型：以掩码指标数据集作为输入，自监督预训练数据集作为输出训练模型，获得训练好的自监督预训练模型；所述自监督预训练模型为基于残差结构的全连接神经网络，包括：全连接层输入为掩码指标数据集，全连接层对输入数据进行线性变换，并施以ReLU激活函数，生成中间输出；利用残差连接机制，将所述掩码指标数据集与所述中间输出进行元素级相加，形成残差块的输出；将残差块的输出送入最终输出层，通过线性变换得到掩码指标数据集真实值的预测输出；根据MAE指标判断模型是否满足训练要求，若是则训练完成；构建基于域对抗神经网络的新冠筛查模型：迁移学习所述训练好的自监督预训练模型用于提取所述源域大样本数据集的特征向量，并进行新冠标签分类学习；迁移学习所述训练好的自监督预训练模型用于提取所述新冠筛查模型数据集的特征向量，并进行域标签分类学习，获得训练好的新冠筛查模型；所述基于域对抗神经网络的新冠筛查模型包括特征提取器、标签分类器和域判别器：迁移学习所述自监督预训练模型作为特征提取器，并根据新冠标签分类结果进行迭代优化，用于提取血常规数据中与新冠风险具有关联的特征；所述标签分类器采用全连接神经网络结构，将所述源域大样本数据集经特征提取器提取的特征向量输入至以ReLU为激活函数的全连接层，将经过变换的特征送入以sigmoid为激活函数的输出层，获得个体患有新冠的预测概率值；所述域判别器采用全连接神经网络结构，将所述源域大样本数据集和目标域小样本数据集共同经特征提取器提取的特征向量输入至以ReLU为激活函数的全连接层，将经过变换的特征送入以sigmoid为激活函数的输出层，获得样本源自目标域的概率；模型预测阶段：将待预测的血常规检验数据及对应的人员信息作为目标域小样本数据集输入至所述训练好的新冠筛查模型，输出对应的新冠分类结果。

全文数据：

权利要求：

百度查询： 内蒙古自治区人民医院(内蒙古自治区肿瘤研究所) 内蒙古自治区第四医院 基于自监督与域对抗神经网络的新冠风险评估方法及系统