CN119517383A 预测糖尿病肾病的方法、装置、电子设备和存储介质 （深圳大学总医院）

2获取目标糖尿病患者的调查问卷数据、同一类型的第一次眼底影像和第二次眼底影述调查问卷数据中多种糖尿病肾病关联因素与并发糖尿病肾病诊断之间的关联基于所述目标贝叶斯网络，计算所述目标糖尿病患者并发糖尿病肾病的联合概率分对所述第一次眼底影像和所述第二次眼底影像进行差异特征提取根据所述第一概率值和所述第二概率值，确定所述目标糖尿病通过第一卷积神经网络对所述第一次眼底影像和所述根据所述第一次眼底影像和所述第二次眼底影像的类型，对所通过注意力机制对所述目标差分特征数据进行显著特征捕捉，获得目标差异特征数征提取，获得第一次眼底影像的第一特征数据和第二次眼底影像的第二特征数据的步骤，若所述第一次眼底影像和所述第二次眼底影像的类型为眼底图像影像的第一特征数据和第二次眼底影像的第二特若所述第一次眼底影像和所述第二次眼底影像的类型为荧光血所述第一次眼底影像和所述第二次眼底影像进行血管和/或脉络膜血管的流通属性进行特若所述第一次眼底影像和所述第二次眼底影像的类型为光学相干断别对所述第一次眼底影像和所述第二次眼底影像进行视网膜各层结构和/或微血管的特征根据所述第一次眼底影像和所述第二次眼底影像的类型，确定所述3通过三个线性层对所述目标差分特征数据进行计算，获得查询向量线对所述查询向量线性矩阵和所述键值向量线性矩阵进行点积计算将所述各个注意力特征通道对应的注意力权重与所述值向量线性基于门控机制，将所有所述注意力特征通道对应的第一差异特通过包含非线性变换函数的全连接层将所述目标差异特对所述降维差异特征数据进行并发糖尿病肾病和非并发糖尿病肾病的概率分布计算，获取多个糖尿病患者的第一样本数据；其中，所述第一样本数据包括通过预设的结构学习算法对所述第一样本数据进行因果关系通过最大化似然函数对所述第二贝叶斯网络进行条件概率分布计基于所述目标贝叶斯网络，计算所述目标糖尿病患者并发糖尿病肾病的联合概率分从所述条件概率分布数据中获取所述目标贝叶斯网络中每个节点的目根据所述目标贝叶斯网络中每个节点的目标条件概率，计算所述根据所述调查问卷数据中糖尿病肾病关联因素的数量，计算所述根据所述调查问卷数据中指定种类的糖尿病肾病关联因素的参数数量，计算所述根据所述第一次眼底影像和第二次眼底影像的类型，确定所述4对所述第三置信度与所述第一概率值的相乘结果、以及所述第二概获取模块，用于获取目标糖尿病患者的调查问卷数据、同一类型网络用于指示所述调查问卷数据中多种糖尿病肾病关联因素与并发糖尿病肾病诊断之间计算模块，用于基于所述目标贝叶斯网络，计算所述目标糖尿提取模块，用于对所述第一次眼底影像和所述第二次眼预测模块，用于对所述目标差异特征数据进行并发糖尿病肾病的概率确定模块，用于根据所述第一概率值和所述第二概率值，确定理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1_7任5叶斯网络用于指示所述调查问卷数据中多种糖尿病肾病关联因素与并发糖尿病肾病诊断6查周期采集的眼底影像进行比对分析，并对糖尿病患者进行调查问卷的数据收集和分析，78自行上传的病例数据，也可以包括通过数据挖掘技术获取的目标糖尿病患者的病例数据，（Opticalcoherencetomography，OCT）图像和光学相干断层扫描血管（Optical示调查问卷数据中多种糖尿病肾病关联因素与并发糖尿病肾病诊需要说明的是，贝叶斯网络（BayesianNetwork也被称为贝叶斯有向无环图Network贝叶斯网络是一种概率图模型，它通过有向无环图来表示变量之间的概率依赖9尿病肾病关联因素、以及不同糖尿病肾病关联因素与糖尿病肾病之间的关联关系/因果关斯信息准则（Bayesianinformationcriterion，BIC）、最小描述长度（Minimum算法、变分贝叶斯推断(VariationalBayesInference)算法等计算不同糖尿病肾病关联;P(A,B,C,D)=P(A)*P(B)*P(C)*P(D|A,B)低低否0.05低低是0.1低中否0.15低中是0.25低高否0.3低高是0.4中低否0.2中低是0.35中中否0.4中中是0.6中高否0.5中高是0.7高低否0.35高低是0.5高中否0.5高中是0.75高高否0.6高高是0.85与糖尿病肾病具有强相关性的特征，即为光学相干断层扫描图像类型对应的眼底影像指[0044]步骤S50、对目标差异特征数据进行并发糖尿病肾病的概率预测，得到第二概率一概率值的第一置信度；根据调查问卷数据中指定种类的糖尿病肾病关联因素的参数数概率值的第二置信度越高，根据糖尿病肾病关联因素的数量和参数数量分别对应的权重，可以根据调查问卷数据中糖尿病肾病关联因素的数量和参数数量所分别对应的不同重要[0055]在一种实施方式中，在对第一次眼底影像和第二次眼底结构/模块，因此第一卷积神经网络的预处理能够更精确使二者达到人工智能模型处理的底的特征更符合对应类型眼底影像所擅于呈现的特征，从而提高糖尿病肾病预测的准确进行预处理时，或者在获得符合特征提取要求的第一次眼底影像和第二次眼底影像之后，一次眼底影像和第二次眼底影像进行血管和/或脉络膜血管的流通属性进行特征提取，获底影像进行视网膜各层结构和/或微血管的特征提取，获得第一次眼底影像的第一特征数考价值的特征，通过带有至少一种上述特征标记的第一样本数据对特征提取模型进行训[0068]需要说明的是，以上特征标记均是针对荧光血管造影图的模型，用于分别对第一次眼底影像和第二次眼底影像进行血管和/或脉络膜血管的流通各层结构和/或微血管进行特征提取的模型结构时，通过带这些特征标记的第三样本数据特征的模型，用于分别对第一次眼底影像和第二次眼底影像进行视网膜各层结构和/或微[0072]在一种实施方式中，在通过注意力机制对目标差分特征肾病关联因素的患者参数，与目标调查问卷中多种糖尿病肾病关联因素的答卷值相对应，贝叶斯网络模型中的条件概率分布数据获取到目标贝叶斯网络中每个节点的目标条件概眼底影像进行血管和/或脉络膜血管的流通属性进行特征提取，获得第一次眼底影像的第结构和/或微血管的特征提取，获得第一次眼底影像的第一特征数据和第二次眼底影像的器执行的机器可执行指令，处理器执行机器可执行指令以实现上述预测糖尿病肾病的方方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessor，简称DSP)、专用集成电路(ApplicationSpecificIntegrated便于描述本公开和简化描述，而不是指示或暗