[发明专利]一种基于实例迁移的帕金森病严重性预测方法及装置

说明书

本发明公开了一种基于实例迁移的帕金森病严重性预测方法及装置，方法包括：分析特定目标患者与数据集中其他患者间帕金森病发展趋势的相似性，获取与所述特定目标患者疾病发展趋势相似的患者的集合；统计获取所述相似患者的集合中每个患者的贡献百分比；统计获取所述相似患者的集合中每个患者的单个实例数据的贡献度；根据所述相似患者的集合中每个患者的贡献百分比和单个实例数据的贡献度，选择与所述特定目标患者病情相似的实例数据并迁移至所述特定目标患者的训练数据。上述技术方案通过相似患者迁移和Sh印ley值选出的实例数据能有效地弥补所述特定目标患者数据量小的不足，减少负迁移的产生和提升帕金森病严重性预测模型的准确性。

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于实例迁移的帕金森病严重性预测方法及装置。

背景技术

精准医疗是一种新型医学概念模式，其目的是对特定患者采取个性化精准治疗。相比于传统的诊疗手段，精准医疗以其高效、精准和个性化的突出优势，具有广阔的发展前景。不同帕金森病患者在人口统计学、遗传危险因素、共病、分期和治疗方案等方面具有高度异质性，因此，为了实现精准医疗，必须考虑间患者间存在的高度异质性。在远程监测的背景下，患者异质性意味着每个患者在远程监测信号和疾病严重性之间可能有不同的关系，需要为其建立特定的预测模型。但是，为每个目标患者建立特定的预测模型常常遇到样本量小的问题。

为了弥补特定患者数据量小的不足，目前现有的模型大多采用迁移学习的思想从其他患者的数据中学习对目标患者病情严重性预测具有互补性的信息。但这些方法只选择与特定目标患者的病情具有相似性的患者数据进行迁移，而未考虑患者中的单个实例对特定目标患者病情预测的影响，如果从其他患者的数据中学习过多不相关的信息，则很有可能导致负迁移的产生，降低模型的预测性能。

发明内容

本发明的目的在于提供一种基于实例迁移的帕金森病严重性预测方法及装置，实现了考虑患者中的单个实例对特定目标患者病情预测的影响，并且可以不需要从其他患者的数据中学习过多不相关的信息，避免可能导致负迁移的产生，提高模型的预测性能。

为实现上述目的，采用了以下技术方案：

第一方面，本发明提供了一种基于实例迁移的帕金森病严重性预测方法，包括：

分析特定目标患者与数据集中其他患者间帕金森病发展趋势的相似性，获取与所述特定目标患者疾病发展趋势相似的患者的集合；

统计获取所述相似患者的集合中每个患者的贡献百分比；

统计获取所述相似患者的集合中每个患者的单个实例数据的贡献度；

根据所述相似患者的集合中每个患者的贡献百分比和单个实例数据的贡献度，选择与所述特定目标患者病情相似的实例数据并迁移至所述特定目标患者的训练数据。

可选地，所述特定目标患者与数据集中其他患者间帕金森病发展趋势的相似性采用如下方式得到：

将数据集D中的所有数据按照患者的方式分别划分为源域的患者数据和所述特定目标患者数据T＝{T_train，T_val，T_test}，其中，m表示源域中患者的数量，s_i表示源域中第i个患者的所有实例数据，T_train，T_val和T_test分别表示所述特定目标患者的训练集，验证集和测试集；

将源域S中m个患者的数据分别输入随机森林(Random Forest，RF)回归器中，建立m个特定的预测模型预测的目标值为统一帕金森病评定量表(UnifiedParkinson′s Disease Rating Scale，UPDRS)，其中，表示利用第s_i个患者训练的随机森林RF模型；