CN117954082A - 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 - Google Patents
基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 Download PDFInfo
- Publication number
- CN117954082A CN117954082A CN202410347965.1A CN202410347965A CN117954082A CN 117954082 A CN117954082 A CN 117954082A CN 202410347965 A CN202410347965 A CN 202410347965A CN 117954082 A CN117954082 A CN 117954082A
- Authority
- CN
- China
- Prior art keywords
- model
- client
- federal
- disease
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 105
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000000203 mixture Substances 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010070559 Distributive shock Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于智能医疗领域，具体涉及一种基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统，方法包括客户端节点用本地临床数据集训练本地模型，得到节点参数上传至所述中央服务器同时发送至其他客户端，所述中央服务器接收n个客户端的节点参数，聚合节点参数得到全局参数，将所述全局参数发送至n个客户端，客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数为性价比，性价比受到客户端的节点参数在本地数据集上的精度、其他客户端参数在本地数据集上的精度影响。本发明优化了联邦学习的训练效率，增强了模型的整体性能和效率。
Description
技术领域
本发明涉及智能医疗技术领域，更具体地，涉及一种基于联邦大模型的复杂疾病间共病临床辅助决策方法、系统、设备和计算机可读存储介质。
背景技术
共病指的是一名患者身上非随机同时出现的两种或两种以上的疾病。与单一疾病相比，共病通常会降低患者的生活质量、增加患者的死亡率和经济支出。共病通常是环境和遗传的共同作用结果，其机制非常复杂。
随着电子健康记录、医学影像、基因测序等技术的广泛应用，医疗数据的规模呈现爆炸性增长。这些数据蕴含着巨大的价值，能够支持临床决策、疾病预测、健康管理等多方面的应用，极大地推动了精准医疗的发展，治疗应当以患者为中心，要把患者所有的系统、器官和组织结合起来统一研判，需要整合多种疾病的临床表现综合地来做诊断。
但是目前，医疗数据通常分布在不同的医疗机构和设备中，如何有效地整合和利用这些分布式的数据资源，同时避免数据中心化带来的隐私风险和处理效率问题，成为另一个亟需解决的技术难题。其次，现有的数据处理和分析方法在医疗领域的应用存在局限性。传统的机器学习和数据分析方法往往依赖于将数据集中到单一位置的方式，这不仅增加了数据传输和存储的成本，也带来了数据安全和隐私保护的风险。此外，医疗数据的复杂性也对数据处理技术提出了更高的要求。例如，患者的电子健康记录包含了丰富的时序信息，这要求数据处理模型能够有效地处理和分析长序列数据。在这样的背景下，联邦学习作为一种新兴的分布式机器学习方法，应运而生。联邦学习允许多个参与者协作训练共同的模型，而无需直接共享数据，从而有效地解决了数据隐私和中心化存储的问题。然而，联邦学习本身也面临着一系列挑战，如如何保证模型训练的效率和效果，如何处理不同参与者之间的协调和信任问题等。
但是，现有技术在以下方面仍然存在不足：
1、在现有技术中，缺乏有效的机制来协调和优化跨多个机构或设备的模型训练，特别是在保持数据隐私的前提下。
2、在联邦学习模型训练中，缺少一种既安全又透明的方式来进行数据或参数的交换，这限制了模型的优化和合作训练的可能性。
3、现有的神经网络模型可能在处理特定类型的复杂数据（如医疗长序列数据）时表现不佳，这限制了它们在某些应用场景（如临床辅助决策）中的有效性。
4、现有技术模型训练的策略仍不足以解决模型训练效率低下的问题。
发明内容
鉴于上述问题，本发明提供一种基于联邦大模型的复杂疾病间共病临床辅助决策方法，利用数据处理和特征提取捕捉时序数据中的信息，并对疾病预测模型的参数提出改进，并进行有效优化，从而构建形成适用于临床的疾病预警模型。
一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，包括中央服务器、n个客户端节点，n为大于1的自然数，所述方法包括：
客户端节点用本地临床数据集训练本地模型，得到节点参数同时计算得到所述节点参数在本地数据集上的精度，所述节点参数上传至所述中央服务器同时发送至其他客户端，其他客户端接收到节点参数后，计算接收到的节点参数在本地数据集上的平均精度，
所述中央服务器接收n个客户端的节点参数，聚合节点参数得到全局参数，将所述全局参数发送至n个客户端；
客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数包括下列变量的一种或几种：节点参数在本地数据集上的精度、平均精度。
进一步，所述中央服务器接收客户端的所述节点参数，计算客户端的节点参数在中央服务器验证数据集上的精度平均值得到中央验证精度均值，聚合不同的节点参数得到全局参数，将所述全局参数和中央验证精度均值发送至n个客户端；客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数的变量还包括中央验证精度均值。
进一步，发送至不同客户端的所述节点参数的决定因素包括下列因素中的一种或几种：所述节点参数在本地数据集上的精度、不同客户端的节点参数在本地数据集上的精度、所述客户端的模型性能。
进一步，所述客户端的模型性能的测量因素包括下列因素中的一种或几种：所述客户端的节点参数在本地数据集上的精度、所述全局参数在本地数据集上的精度。
进一步，所述节点参数通过区块链网络发送至所述不同客户端，每个客户端维护一个区块链副本，所述区块链网络上保存了下列信息中的一种或几种：客户端节点参数更新、客户端参数发送、客户端参数接收、客户端信用评分、全局参数更新。
进一步，所述客户端信用评分的决定因素包括下列因素中的一种或几种：参数发送接收历史、非正常参数发送接收记录和响应行为。
进一步，其他客户端接收到节点参数后根据发送客户端信用评分和所述其他客户端信用评分判断是否接收所述来自发送客户端的参数，并根据判断结果自动执行。
进一步，其他客户端接收到节点参数后根据博弈论判断是否接收所述发送客户端的参数，所述博弈论的效用函数基于客户端的节点参数在本地数据集上的精度和所述客户端的性价比得到。
进一步，所述博弈论的效用函数表示为：
其中，是客户端在时刻的模型评分，所述模型评分由所述客户端的节点参数
在本地数据集上的精度决定，表示客户端i的性价比。
进一步，根据客户端的所述节点参数在本地数据集上的精度调整所述客户端在全局参数更新中的权重。
进一步，使用强化学习模拟系统动态调整客户端的所述参数交换行为，所述强化学习模拟系统包括状态空间、动作空间和奖励函数，所述状态空间中由所述n个客户端的状态构成，所述客户端的状态包括下列变量中的一种或几种：所述客户端的本地数据集、所述节点参数在本地数据集上的精度、所述本地数据集上的期望精度，所述动作空间包括客户端在给定状态下采取的参数交换调整行为，所述奖励函数由参数交换后的预期性价比提升和实际性价比提升决定。
进一步，所述奖励函数的计算公式表示为：
其中， R( )表示奖励函数，表示客户端i在t时刻的状态，表示客户端i在t时
刻采取的动作，是执行参数交换后预期性价比提升，是实际执行参数
交换后的实际性价比提升，和是调节这两个因素的权重系数。
进一步，所述本地模型包括下列模型中的一种或几种：多层感知机、卷积神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、长短时记忆网络、Elman神经网络、门控循环单元、双向循环神经网络、递归神经网络、Hopfield网络、回声状态网络。
进一步，所述Elman神经网络为临床疾病的不同方面设计子网络，再集成子网络的输出形成最终的结果，所述子网络包括输入层、隐藏层、承接层、输出层，所述Elman神经网络的步骤包括：
第1步，数据输入不同的子网络的输入层；
第2步，根据承接层状态和所述输入层的数据得到不同子网络的隐藏层的状态，所述承接层状态为不同子网络上一时间步的隐藏层状态的集合；
第3步，基于所述隐藏层的状态计算不同子网络的输出层状态；
第4步，将所述不同子网络的输出层状态加权求和后应用激活函数得到合成状态，所述合成状态经过一个前馈神经网络得到所述Elman网络的输出结果。
进一步，不同子网络的隐藏层的状态表示为：
其中，为第个子网络在时间步的隐藏状态，为第个子网络在时间步
的输入数据；为第个子网络的隐藏层权重矩阵；为第个子网络的承接层权重矩阵；为不同子网络上一时间步的承接层状态的集合。
进一步，采用时间注意力机制的方式对所述承接层状态进行时间注意力增强，利
用时间注意力权重对承接层状态进行加权的方式可以表示为：
其中，表示时间注意力权重，表示不同子网络上一时间步的承接层状
态的集合， 表示时间注意力增强后的上一时间步的承接层状态的集合。
一种基于联邦大模型的复杂疾病间共病临床辅助决策方法，所述方法包括：
获取患者的医疗数据；
将所述医疗数据输入训练好的联邦学习模型输出预测结果，所述训练好的联邦学习模型使用上述基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法得到。
一种基于联邦大模型的复杂疾病间共病临床辅助决策系统，所述系统包括计算机程序，所述计算机程序被处理器执行时实现任意一项所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法或实现所述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
一种基于联邦大模型的复杂疾病间共病临床辅助决策设备，包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现任意一项所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的任一步骤或实现所述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任意一项所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的任一步骤或实现所述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
本申请的优势：
1. 本申请通过客户端参数交换优化了联邦学习的训练效率，增强了模型的整体性能和效率；
2. 本申请利用区块链技术建立分布式信用评估和参数交换验证系统，不仅提供了一个安全的参数交换平台，还保证了交换行为的不可篡改和可追溯性。
3. 本申请在联邦学习架构中集成博弈理论，优化客户端之间的参数交换过程。
4. 本申请构建强化学习模拟系统来动态调整每个客户端进行参数交换的主动性，可以根据实时反馈持续优化参数交换策略，进一步提高模型训练效率。
5. 本申请对Elman神经网络模型进行了改进，使其更适合处理复杂的医学数据，特别是通过引入时间注意力机制，提高了模型处理序列数据的能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的示意流程图；
图2是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策方法的示意流程图；
图3是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建系统的示意流程图；
图4是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策系统的示意流程图；
图5是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策方法设备的示意框图；
图6是本发明实施例提供的基于联邦大模型的复杂疾病间共病的示意图；
图7是本发明实施例提供的Elman神经网络的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S101、S102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的示意流程图，具体地，所述方法包括如下步骤：
S101：客户端节点用本地临床数据集训练本地模型，得到节点参数同时计算得到所述节点参数在本地数据集上的精度，所述节点参数上传至所述中央服务器同时发送至其他客户端，其他客户端接收到节点参数后，计算接收到的节点参数在本地数据集上的平均精度；
本发明提出一种基于可信联邦训练大模型的分布性休克临床辅助决策方法，如图6所示，在基于可信联邦训练大模型的分布性休克临床辅助决策模型应用系统中，该系统由多个客户端（节点）组成，每个客户端包含不同类型的本地数据，各客户端通过联邦学习的方式共同训练大模型，以实现分布性休克临床辅助决策。系统内的客户端可以通过参数交换模块进行参数交换，在参数交换的过程中，确保个体客户端的数据隐私和安全，同时不断优化大模型。在联邦学习环境下，各客户端参与者共同参与模型的训练，但不共享原始数据。此外，在本发明的联邦学习架构中集成博弈理论，以模拟和优化客户端之间的参数交换的过程，同时采用为了增强多客户端参数交换的安全性和透明度，本发明利用区块链技术建立一个分布式信用评估和参数交换验证系统，构造可信的联邦训练框架，不仅提供了一个安全的参数交换平台，还通过智能合约自动执行参数交换，保证了参数交换行为的不可篡改和可追溯性。
在一个实施例中，所述参数交换包括发出客户端发送节点参数和接收客户端接收节点参数。
在一个实施例中，中央服务器向所有客户端下发初始化的全局参数后，每个客户
端需利用本地数据训练临床辅助决策模型，设第个客户端在时刻的模型测试精度为，
所述模型测试精度可以通过历史数据训练得到：
其中，是基于联邦大模型的复杂疾病间共病临床辅助决策模型的精度计算函
数，是第个客户端在时刻的本地数据（注：本地数据可能会更新，且有多个历史版本），是模型参数。
进一步地，设为第个客户端在时刻的模型性能，其变化受本地数据和中央服
务器下发的模型影响，可以表示为：
其中，和分别是本地模型和中央服务器模型的性能权重，和分别是客
户端的节点参数和中央服务器发送的全局参数在本地数据集的测试精度。在一个实施例
中，和分别为0.4和0.6。
参与者将其本地模型的参数上传至中央服务器，参数包括权重、偏差等，但不包括
数据。同时，为提高模型的优化效率，各客户端之间也进行参数的交换共享。设表示时刻第个客户端向其他客户端输出的参数，可以表示为：
其中，是第个客户端在时刻的节点参数在本地数据集上的精度，{ }表
示取该集合内最大值所对应的模型参数，第个客户端在时刻的模型性能，
表示遍历时刻其他客户端发送到第i个客户端的参数。
在一个实施例中，建立一个分布式信用评估和参数交换验证系统，此系统不仅提供了一个安全的参数交换平台，还通过智能合约自动执行参数交换，能够保证参数交换行为的不可篡改和可追溯性。
在一个实施例中，建立一个基于区块链的客户端参数交换网络，每个客户端节点维护一个区块链副本，每个参数交换行为或信用评分更新被记录为一个区块。
进一步地，使用区块链技术实时更新和记录每个客户端的信用评分，评分基
于参数交换历史、非正常参数交换记录和响应行为3个指标，评分方式可以表示为：
其中，是参数交换历史得分，是基于非正常参数交换记录的得分，是
基于响应行为的得分；是权重系数。在一个实施例中，分别为0.1，0.7，
0.2。
在一个实施例中，在区块链网络中，参数交换可以通过智能合约自动执行，智能合约根据以下公式确定是否进行参数交换的条件：
其中，是参数交换的条件，和是参数交换双方的信用评分。
在一个实施例中，参数交换的条件为该客户端的本地精度低于预设阈值时。
在一个具体实施例中，分布式信用评估和参数交换验证系统能够保证参数交换的完整性和模型训练的透明度，区块链记录每次参数交换和模型更新，确保参数交换的过程和行为不可篡改且易于验证，可以表示为：
其中，是第个客户端在时刻的区块，是交换的参数，是第i个客户端
在时刻t的模型参数，是前一个区块的哈希值。
在一个实施例中，构建一个强化学习模拟系统来动态调整每个客户端进行参数交
换的主动性，系统由一个状态空间，一个动作空间，和一个奖励函数组成。
状态空间的组成为，表示第个客户端在时刻的状态，包括当前数据量、模型
精度、期望精度3个因素，可以表示为：
其中，是当前数据量，是模型精度，是期望精度。
动作空间的组成为，代表在当前状态下，客户端可以采取的参数交换主动性
调整行为，如，增加、减少或保持当前的参数交换频率。
奖励函数的组成为，基于参数交换行为对系统的影响来定义奖励，奖励
函数鼓励有效参数交换的行为：
其中，是执行参数交换后预期性价比提升，是实际执行参数
交换后的性价比提升，和是调节这两个因素的权重系数。在一个具体实施例中，
和分别为0.8和0.2。所述性价比的影响因素包括下列因素中的一种或几种：客户端的
节点参数在本地数据集上的精度、其他各客户端发送的参数在本地数据集上的平均
精度和各客户端发送的节点参数在中央服务器验证数据集上的平均精度。
在一个实施例中，利用博弈理论优化参数交换策略，确保在参数交换过程中实现效用最大化。博弈论中基本三要素包括：①博弈参与者：博弈参与者又称决策者，指具有独立决策能力的个体；②策略空间：策略空间定义为参与者可选择的动作集合；③效用函数：效用函数是整个博弈模型的关键，用于刻画参与者在选定动作下的量化收益。
在一个实施例中，在博弈过程中，每个客户端的策略包括其交换权重和偏置参
数。博弈的目标是找到一个策略组合使得所有客户端的效用最大化，即，每个客户端的效用
函数基于其模型评分定义，可以表示为：
其中，是客户端在时刻的模型评分，所述模型评分由模型在本地训练时的精
度进行决定。
在一个具体实施例中，在时刻（指第次迭代）时，A1客户端利用更新后的模型在
本地进行测试，得到精度为85%，则模型评分为0.85。
S102：所述中央服务器接收n个客户端的节点参数，聚合节点参数得到全局参数，将所述全局参数发送至n个客户端；
在一个实施例中，所述中央服务器接收客户端的所述节点参数，计算客户端的节点参数在中央服务器验证数据集上的精度平均值得到中央验证精度均值，聚合不同的节点参数得到全局参数，将所述全局参数和中央验证精度均值发送至n个客户端。
在一个实施例中，每个客户端的模型评分用于调整其在模型更新中的权重，模
型参数更新公式调整为：
其中，是客户端在时刻的模型评分，所述模型评分由模型在本地训练时的精
度进行决定，是第个客户端的权重因子，表示其模型评分占所有客户端模型评分总和
的比例。
在一个实施例中，本地客户端与中央服务器的模型为改进的Elman神经网络模型，Elman神经网络是一种时间递归神经网络，是一种带有反馈连接的网络，其中每一个隐藏层节点在当前时刻的激活值不仅仅取决于当前时刻的输入，还取决于上一时刻隐藏层的激活值。这种结构使得Elman神经网络能够存储记忆，并处理序列数据。传统的Elman神经网络模型基本结构包括四个主要部分：
输入层：将实际观测数据输入网络。
隐藏层：处理输入数据，并有能力存储先前的状态信息。
承接层：保存上一时间步的隐藏层状态。
输出层：产生最终的预测结果或分类。
如图7所示，代表输入向量，代表输出，代表承接层的上下文单
元，即上一时刻的隐藏层状态，代表不同层之间的权重，代表偏置项。Elman
神经网络的隐藏层的值计算方式可以表示为：
其中，是当前时刻隐藏层的激活值，是Sigmoid激活函数，是输入层到隐
藏层的权重矩阵，是承接层到隐藏层的权重矩阵，是当前时刻的输入，是上
一时刻的隐藏层值（上下文），是隐藏层的偏置。
Elman神经网络的承接层的更新方式可以表示为：
承接层在每个时间步直接被设置为隐藏层的值。
Elman神经网络的输出层的值计算方式计算：
其中，是输出层的激活函数，是隐藏层到输出层的权重矩阵，是输出层的偏
置。
在训练过程中，网络的目标是通过调整权重和偏置来最小化输出与目标输出之间的差异。
本发明利用Elman神经网络进行分布性休克临床辅助决策，但在现有模型在处理医学数据时，存在模型和数据的局限性，如在处理长序列时的记忆能力不足，或者在高度非线性的医学数据上的泛化能力有限。基于此，本发明将复杂的医学决策问题分解成多个小问题。
在一个实施例中，将病情的不同方面（如症状、生化指标、医学影像等）分开处理，并为每个方面设计专门的子网络。进一步地，将分解后的问题的解决方案合成一个整体，设计一个集成的网络结构，其中包括多个专门处理不同数据类型的子网络，再通过某种方式将子网络的输出合并起来，形成对最终决策的贡献。在一个实施例中，合并方式为加权或非线性融合。此外，在模型的结构确定时，通过逻辑推理确定子网络的连接方式。
在一个具体实施例中，改进的Elman神经网络的构建过程如下：
第1步，定义新的网络组件，以便更好地处理和记忆医学数据：
设为第个子网络在时间步的隐藏状态；
设为对应于第个子网络的输入数据；
设为第个子网络的隐藏层权重矩阵；
设为第个子网络的承接层权重矩阵；
设为所有子网络上一时间步的承接层状态的集合。
第2步，为每个子网络定义一个更新规则：
其中，是第个子网络的激活函数，是第个子网络的隐藏层的偏置。在一个实
施例中，为sigmoid函数，可以表示为：
在一个实施例中，为ReLU函数，可以表示为：
第3步，对于所有子网络上一时间步的承接层状态的集合，计算方式可以表
所示为：
其中，c是子网络的数量，u(k)表示承接层的更新。
在一个实施例中，采用时间注意力机制的方式对承接层状态的集合进行时
间注意力增强，所述注意力机制可以使网络模型在处理序列数据时更加关注于某些重要的
信息，对于分析病人的历史医疗记录和实时生理信号尤其有用。模型在计算当前隐藏状态
时，会根据每个时间步的重要性进行加权，利用时间注意力权重对承接层状态进行加
权的方式可以表示为：
其中，为时间注意力权重。
在一个实施例中，在计算时间注意力权重时，定义每个特征输入的注意力权重，用于加权输入特征，则注意力权重的计算方式可以表示为：
其中，是注意力权重矩阵，是偏置项。是注意力得分向量，用于转换加权特
征后的向量到得分。函数用于归一化所有特征的注意力得分，使得所有得分之和为
1。
进一步地，使用来加权输入特征，得到加权输入，可以表示为：
基于此，模型在计算隐藏状态时会更加关注那些具有较高注意力得分的特征，则
时间注意力权重的计算方式可以表示为：
其中，和是可学习的时间注意力参数，是时间注意力的偏置项。
第4步，定义一个合成层，负责将所有子网络的隐藏层状态合成一个整体可以
表示为：
其中，是合成层的激活函数，是第个子网络在合成层中的权重。
在一个实施例中，子网络在合成层中的权重由人为预设，设置为0.2。
在一个实施例中，子网络在合成层中的权重是通过学习得到的，具体为交叉验证
的方式进行学习得到。在又一实施例中，是通过学习得到的，且定义一个额外的网络来确
定其值，如，设有一个小网络来从数据中学习这些权重，可以表示为：
其中，是一个简单的前馈神经网络。
第5步，输出层可以定义为：
其中，是输出层的激活函数，是合成层到输出层的权重矩阵，是输出层的偏
置项。
在一个实施例中，输出是多维的或者有特定的约束条件。如，在医学诊断中，要输出的是患病的概率，则使用sigmoid函数确保输出值在0和1之间。
在一个实施例中，各客户端的模型及中央服务器的模型用于患者的历史医疗数据来预测其心脏病发作的风险，则本地客户端的数据类型涵盖大量患者的历史医疗记录，包括：
时间序列数据：如心电图（ECG）、血压和心率等连续监测数据；
临床检查数据：如血液检验结果、胆固醇水平等；
个体特征数据：如年龄、性别、病史、家族病史等。
所有数据都经过了预处理和标准化，缺失值被适当处理。
本地客户端通过本发明所提出的联邦学习框架进行模型的训练、参数的聚合、参数的交换等操作，得到训练好的模型，训练好的模型将被集成到一个临床辅助决策系统中。当有新患者的数据输入时，会进行如下步骤：
数据输入：将患者的实时数据和历史记录输入模型；
时间注意力评估：模型根据过去的数据点对当前时刻的预测进行加权，确定过去哪些时刻对当前风险评估最关键；
风险预测：模型综合特征和时间注意力权重，计算当前患者心脏病发作的风险；
结果解释：系统提供一个风险评分，并指出了影响评分的主要特征和时间点，帮助医生理解模型的决策依据；
辅助决策：医生根据模型提供的风险评分和解释，结合自己的专业知识和经验，对患者进行进一步的诊断和治疗决策。
S103：客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数包括下列变量的一种或几种：节点参数在本地数据集上的精度、平均精度。
在一个实施例中，客户端的本地模型训练的目标函数的变量还包括节点参数在本地数据集上的精度、其他客户端的参数在本地数据集上的平均精度。
在一个实施例中，各客户端接收到聚合后的全局参数和中央验证集的平均精度
后，各客户端进行模型性价比优化，每个客户端的性价比包括在客户端的节点参数在本
地数据集上的精度、其他各客户端发送的参数在本地数据集上的平均精度和各
客户端发送的节点参数在中央服务器验证数据集上的平均精度。
在一个具体实施例中，性价比的计算方式可以表示为：
其中，表示客户端i在时刻t的性价比，表示客户端的节点参数在本地数据
集上的精度，其他各客户端发送的参数在本地数据集上的精度的平均值，各客户
端发送的节点参数在中央服务器验证数据集上的精度的平均值。
图2是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策方法的示意流程图。
一种基于联邦大模型的复杂疾病间共病临床辅助决策方法，所述方法包括：
S201：获取患者的医疗数据；
S202：将所述医疗数据输入训练好的联邦学习模型输出预测结果，所述训练好的联邦学习模型使用上述基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法得到。
图3是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建系统的示意流程图。
一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建系统，包括：
客户端：
全局参数接收模块301：用于接收中央服务器发送的全局参数；
训练模块302：用于客户端节点用本地临床数据集训练本地模型，得到节点参数同时计算得到所述节点参数在本地数据集上的精度，客户端上传所述节点参数后接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数包括下列变量的一种或几种：节点参数在本地数据集上的精度、平均精度；
参数上传模块303：所述节点参数上传至所述中央服务器；
参数交换模块304：所述节点参数发送至其他客户端，并接收其他客户端发送的节点参数，计算接收到的节点参数在本地数据集上的平均精度；
中央服务器：
服务器接收模块311：用于所述中央服务器接收n个客户端的节点参数；
参数聚合模块312：用于聚合所述n个客户端的节点参数得到全局参数；
参数下发模块313：用于将所述全局参数发送至n个客户端。
图4是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策系统的示意流程图；
一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建系统，包括：
数据获取模块401：获取患者的医疗数据；
决策模块402：将所述医疗数据输入训练好的联邦学习模型输出预测结果，所述训练好的联邦学习模型上述的构建方法得到。
图5是本发明实施例提供的一种基于联邦大模型的复杂疾病间共病临床辅助决策设备的示意框图。
一种基于联邦大模型的复杂疾病间共病临床辅助决策设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时实现上述的基于联邦大模型的复杂疾病间共病临床辅助决策的步骤或实现上述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
一种计算机可读存储介质，所述计算机可读取存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任意一项上述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的任一步骤或实现上述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (20)
1.一种基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，包括中央服务器、n个客户端节点，n为大于1的自然数，所述方法包括：
客户端节点用本地临床数据集训练本地模型，得到节点参数同时计算得到所述节点参数在本地数据集上的精度，所述节点参数上传至所述中央服务器同时发送至其他客户端，其他客户端接收到节点参数后，计算接收到的节点参数在本地数据集上的平均精度；
所述中央服务器接收n个客户端的节点参数，聚合节点参数得到全局参数，将所述全局参数发送至n个客户端；
客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数包括下列变量的一种或几种：节点参数在本地数据集上的精度、平均精度。
2.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述中央服务器接收客户端的所述节点参数，计算客户端的节点参数在中央服务器验证数据集上的精度平均值得到中央验证精度均值，聚合不同的节点参数得到全局参数，将所述全局参数和中央验证精度均值发送至n个客户端；客户端接收到所述全局参数后，使用所述全局参数更新本地模型，更新的目标函数的变量还包括中央验证精度均值。
3.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，发送至不同客户端的所述节点参数的决定因素包括下列因素中的一种或几种：所述节点参数在本地数据集上的精度、不同客户端的节点参数在本地数据集上的精度、所述客户端的模型性能。
4.根据权利要求3所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述客户端的模型性能的测量因素包括下列因素中的一种或几种：所述客户端的节点参数在本地数据集上的精度、所述全局参数在本地数据集上的精度。
5.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述节点参数通过区块链网络发送至所述不同客户端，每个客户端维护一个区块链副本，所述区块链网络上保存了下列信息中的一种或几种：客户端节点参数更新、客户端参数发送、客户端参数接收、客户端信用评分、全局参数更新。
6.根据权利要求5所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述客户端信用评分的决定因素包括下列因素中的一种或几种：参数发送接收历史、非正常参数发送接收记录和响应行为。
7.根据权利要求5所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，其他客户端接收到节点参数后根据发送客户端信用评分和所述其他客户端信用评分判断是否接收所述来自发送客户端的参数，并根据判断结果自动执行。
8.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，其他客户端接收到节点参数后根据博弈论判断是否接收所述发送客户端的参数，所述博弈论的效用函数基于客户端的节点参数在本地数据集上的精度和所述客户端的性价比得到。
9.根据权利要求8所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述博弈论的效用函数表示为：
其中，是客户端/>在/>时刻的模型评分，所述模型评分由所述客户端的节点参数在本地数据集上的精度决定，/>表示客户端i的性价比。
10.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，根据客户端的所述节点参数在本地数据集上的精度调整所述客户端在全局参数更新中的权重。
11.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，使用强化学习模拟系统动态调整客户端的所述参数交换行为，所述强化学习模拟系统包括状态空间、动作空间和奖励函数，所述状态空间中由所述n个客户端的状态构成，所述客户端的状态包括下列变量中的一种或几种：所述客户端的本地数据集、所述节点参数在本地数据集上的精度、所述本地数据集上的期望精度，所述动作空间包括客户端在给定状态下采取的参数交换调整行为，所述奖励函数由参数交换后的预期性价比提升和实际性价比提升决定。
12.根据权利要求11所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述奖励函数的计算公式表示为：
其中，R( )表示奖励函数，表示客户端i在t时刻的状态，/>表示客户端i在t时刻采取的动作，/>是执行参数交换/>后预期性价比提升，/>是实际执行参数交换/>后的实际性价比提升，/>和/>是调节这两个因素的权重系数。
13.根据权利要求1所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述本地模型包括下列模型中的一种或几种：多层感知机、卷积神经网络、反馈型神经网络、自注意力模型、生成对抗网络、自编码器、深度强化学习模型、预训练模型、长短时记忆网络、Elman神经网络、门控循环单元、双向循环神经网络、递归神经网络、Hopfield网络、回声状态网络。
14.根据权利要求13所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，所述Elman神经网络为临床疾病的不同方面设计子网络，再集成子网络的输出形成最终的结果，所述子网络包括输入层、隐藏层、承接层、输出层，所述Elman神经网络的步骤包括：
第1步，数据输入不同的子网络的输入层；
第2步，根据承接层状态和所述输入层的数据得到不同子网络的隐藏层的状态，所述承接层状态为不同子网络上一时间步的隐藏层状态的集合；
第3步，基于所述隐藏层的状态计算不同子网络的输出层状态；
第4步，将所述不同子网络的输出层状态加权求和后应用激活函数得到合成状态，所述合成状态经过一个前馈神经网络得到所述Elman网络的输出结果。
15.根据权利要求14所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，不同子网络的隐藏层的状态表示为：
其中，为第/>个子网络在时间步/>的隐藏状态，/>为第/>个子网络在时间步/>的输入数据；/>为第/>个子网络的隐藏层权重矩阵；/>为第/>个子网络的承接层权重矩阵；/>为不同子网络上一时间步的承接层状态的集合。
16.根据权利要求14所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法，其特征在于，采用时间注意力机制的方式对所述承接层状态进行时间注意力增强，利用时间注意力权重对承接层状态进行加权的方式可以表示为：
其中，表示时间注意力权重，/>表示不同子网络上一时间步的承接层状态的集合，/> 表示时间注意力增强后的上一时间步的承接层状态的集合。
17.一种基于联邦大模型的复杂疾病间共病临床辅助决策方法，其特征在于，所述方法包括：
获取患者的医疗数据；
将所述医疗数据输入训练好的联邦学习模型输出预测结果，所述训练好的联邦学习模型根据权利要求1-16的构建方法得到。
18.一种基于联邦大模型的复杂疾病间共病临床辅助决策系统，其特征在于，所述系统包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-16任意一项所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法或实现权利要求17所述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
19.一种基于联邦大模型的复杂疾病间共病临床辅助决策设备，其特征在于，包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现权利要求1-16任意一项所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的任一步骤或实现权利要求17所述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-16任意一项所述的基于联邦大模型的复杂疾病间共病临床辅助决策模型的构建方法的任一步骤或实现权利要求17所述的基于联邦大模型的复杂疾病间共病临床辅助决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410347965.1A CN117954082B (zh) | 2024-03-26 | 2024-03-26 | 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410347965.1A CN117954082B (zh) | 2024-03-26 | 2024-03-26 | 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117954082A true CN117954082A (zh) | 2024-04-30 |
| CN117954082B CN117954082B (zh) | 2024-06-18 |
Family
ID=90803296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410347965.1A Active CN117954082B (zh) | 2024-03-26 | 2024-03-26 | 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117954082B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118430835A (zh) * | 2024-07-02 | 2024-08-02 | 中国人民解放军总医院 | 一种基于大小模型协同的多目标临床决策方法及系统 |
| CN118568666A (zh) * | 2024-07-09 | 2024-08-30 | 中国人民解放军总医院 | 基于联邦学习和大小模型协同的跨模态知识融合计算方法 |
| CN118568666B (zh) * | 2024-07-09 | 2024-10-25 | 中国人民解放军总医院 | 基于联邦学习和大小模型协同的跨模态知识融合计算方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113571203A (zh) * | 2021-07-19 | 2021-10-29 | 复旦大学附属华山医院 | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统 |
| CN113837761A (zh) * | 2021-11-26 | 2021-12-24 | 北京理工大学 | 一种基于区块链和可信执行环境的联邦学习方法及系统 |
| CN115952532A (zh) * | 2022-10-26 | 2023-04-11 | 北京理工大学 | 一种基于联盟链联邦学习的隐私保护方法 |
| CN116386860A (zh) * | 2022-12-22 | 2023-07-04 | 东北林业大学 | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 |
| CN116598012A (zh) * | 2023-04-19 | 2023-08-15 | 浙江大学 | 一种基于联邦学习价值评估的慢性病医疗保健方法和系统 |
| CN116662910A (zh) * | 2023-06-28 | 2023-08-29 | 哈尔滨理工大学 | 一种基于联邦学习的多临床分期疾病辅助分类方法及系统 |
| CN116741388A (zh) * | 2023-08-14 | 2023-09-12 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
| CN116759100A (zh) * | 2023-08-22 | 2023-09-15 | 中国人民解放军总医院 | 基于联邦学习构建慢性心血管疾病大模型方法 |
| WO2023245640A1 (zh) * | 2022-06-24 | 2023-12-28 | 亚信科技（中国）有限公司 | 基于区块链的联邦学习设备、方法和系统 |
| CN117475447A (zh) * | 2023-11-13 | 2024-01-30 | 广州医科大学附属第三医院（广州重症孕产妇救治中心、广州柔济医院） | 一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统 |
| WO2024028196A1 (en) * | 2022-08-02 | 2024-02-08 | F. Hoffmann-La Roche Ag | Methods for training models in a federated system |
-
2024
- 2024-03-26 CN CN202410347965.1A patent/CN117954082B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113571203A (zh) * | 2021-07-19 | 2021-10-29 | 复旦大学附属华山医院 | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统 |
| CN113837761A (zh) * | 2021-11-26 | 2021-12-24 | 北京理工大学 | 一种基于区块链和可信执行环境的联邦学习方法及系统 |
| WO2023245640A1 (zh) * | 2022-06-24 | 2023-12-28 | 亚信科技（中国）有限公司 | 基于区块链的联邦学习设备、方法和系统 |
| WO2024028196A1 (en) * | 2022-08-02 | 2024-02-08 | F. Hoffmann-La Roche Ag | Methods for training models in a federated system |
| CN115952532A (zh) * | 2022-10-26 | 2023-04-11 | 北京理工大学 | 一种基于联盟链联邦学习的隐私保护方法 |
| CN116386860A (zh) * | 2022-12-22 | 2023-07-04 | 东北林业大学 | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 |
| CN116598012A (zh) * | 2023-04-19 | 2023-08-15 | 浙江大学 | 一种基于联邦学习价值评估的慢性病医疗保健方法和系统 |
| CN116662910A (zh) * | 2023-06-28 | 2023-08-29 | 哈尔滨理工大学 | 一种基于联邦学习的多临床分期疾病辅助分类方法及系统 |
| CN116741388A (zh) * | 2023-08-14 | 2023-09-12 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
| CN116759100A (zh) * | 2023-08-22 | 2023-09-15 | 中国人民解放军总医院 | 基于联邦学习构建慢性心血管疾病大模型方法 |
| CN117475447A (zh) * | 2023-11-13 | 2024-01-30 | 广州医科大学附属第三医院（广州重症孕产妇救治中心、广州柔济医院） | 一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统 |
Non-Patent Citations (3)
| Title |
|---|
| ALMALKI, J 等: "A comprehensive secure system enabling healthcare 5.0 using federated learning, intrusion detection and blockchain", 《PEERJ COMPUTER SCIENCE》, 10 January 2024 (2024-01-10), pages 1 - 26 * |
| 何昆仑 等: "人工智能大模型医学应用研究", 《中国科学:生命科学》, vol. 54, no. 3, 20 March 2024 (2024-03-20), pages 482 - 506 * |
| 王义凯: "基于联邦学习的糖尿病并发症预测研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, 15 January 2024 (2024-01-15), pages 2 - 3 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118430835A (zh) * | 2024-07-02 | 2024-08-02 | 中国人民解放军总医院 | 一种基于大小模型协同的多目标临床决策方法及系统 |
| CN118430835B (zh) * | 2024-07-02 | 2024-09-27 | 中国人民解放军总医院 | 一种基于大小模型协同的多目标临床决策方法及系统 |
| CN118568666A (zh) * | 2024-07-09 | 2024-08-30 | 中国人民解放军总医院 | 基于联邦学习和大小模型协同的跨模态知识融合计算方法 |
| CN118568666B (zh) * | 2024-07-09 | 2024-10-25 | 中国人民解放军总医院 | 基于联邦学习和大小模型协同的跨模态知识融合计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117954082B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Artificial intelligence in healthcare: review, ethics, trust challenges & future research directions | |
| CN117457147B (zh) | 康复患者个性化护理计划方法及系统 | |
| CN117954082B (zh) | 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 | |
| CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
| CN116992980B (zh) | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 | |
| CN109525384A (zh) | 利用神经网络进行拟合的dpa攻击方法及系统、终端 | |
| CN112037922A (zh) | 病理数据的分析方法、装置、计算机设备和存储介质 | |
| CN116741388B (zh) | 基于联邦学习构建心血管急危重症大模型的方法 | |
| CN103324981B (zh) | 基于神经网络的放化疗规范化质量控制的量化方法 | |
| CN118098471A (zh) | 一种医疗信息处理方法及装置 | |
| CN117877763B (zh) | 基于智能腕带的护理用通信系统及方法 | |
| CN111477336A (zh) | 传染病诊断数据的融合方法、系统及存储介质 | |
| CN116304706A (zh) | 一种基于lstm模型匹配认知训练最适参数的方法 | |
| CN110349668A (zh) | 一种基于bp神经网络的治疗方案辅助决策方法及其系统 | |
| Mohammed et al. | A Novel Predictive Analysis to Identify the Weather Impacts for Congenital Heart Disease Using Reinforcement Learning | |
| CN118213075A (zh) | 老年全麻患者术后亚谵妄综合症多模态预测识别系统 | |
| CN118280522B (zh) | 多模态数据融合的个性化冠状动脉介入治疗规划系统 | |
| Bhatia et al. | Use of soft computing techniques in medical decision making: A survey | |
| Reddy et al. | A Beginner's Guide to Federated Learning | |
| CN111680798A (zh) | 联合学习模型系统和方法、装置和计算机可读存储介质 | |
| CN117457202A (zh) | 一种鼻咽癌患者营养风险筛查系统 | |
| Hua et al. | [Retracted] Development of Basketball Tactics Basic Cooperation Teaching System Based on CNN and BP Neural Network | |
| CN115171896A (zh) | 一种重症患者长期死亡风险预测系统及方法 | |
| Mo et al. | Interval type-2 fuzzy risk evaluation and prevention for parallel breast cancer treatment system | |
| Dong et al. | Readmission prediction of diabetic patients based on AdaBoost-RandomForest mixed model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |