本發(fā)明涉及智能醫(yī)療領(lǐng)域，更具體地，涉及一種基于淋巴腫瘤micm表型分型的人工智能特征提取方法、系統(tǒng)、設(shè)備、介質(zhì)和程序產(chǎn)品。

背景技術(shù)：

1、結(jié)構(gòu)化報(bào)告規(guī)范在醫(yī)療大數(shù)據(jù)時(shí)代中是勢(shì)在必行。不僅在血液腫瘤臨床診療和科學(xué)研究等方面建立良好的數(shù)據(jù)基礎(chǔ)，也可以在與臨床、與患者的溝通過程中起到更好的橋梁作用，推進(jìn)血液腫瘤治療中心逐步邁向標(biāo)準(zhǔn)化、數(shù)據(jù)化和智能化，在血液腫瘤治療領(lǐng)域開展有深度的臨床科研和創(chuàng)新治療手段。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問題，本發(fā)明提供一種基于淋巴腫瘤micm表型分型的人工智能特征提取方法，利用數(shù)據(jù)處理和特征提取捕捉時(shí)序數(shù)據(jù)中的信息，并對(duì)疾病預(yù)測(cè)模型的參數(shù)提出改進(jìn)，并進(jìn)行有效優(yōu)化，從而構(gòu)建形成適用于臨床的疾病預(yù)警模型。

2、本技術(shù)(第一方面)公開一種基于淋巴腫瘤micm表型分型的人工智能特征提取方法，包括：

3、s101：獲取待測(cè)者的診斷報(bào)告；

4、s102：基于所述診斷報(bào)告得到結(jié)構(gòu)化診斷報(bào)告；

5、s103：將所述結(jié)構(gòu)化診斷報(bào)告向量化得到向量化診斷報(bào)告；

6、s104：所述向量化診斷報(bào)告輸入基于量子編碼的transformer中進(jìn)行特征提取得到micm表型分型特征；所述基于量子編碼的transformer將輸入數(shù)據(jù)轉(zhuǎn)換為量子態(tài)后提取量子態(tài)特征信息，將量子態(tài)特征信息轉(zhuǎn)換為回非量子態(tài)數(shù)據(jù)后輸出micm表型分型特征。

7、進(jìn)一步，所述基于量子編碼的transformer包括輸入層、量子編碼層、量子門層和輸出層；所述基于量子編碼的transformer的處理步驟包括：

8、第1步：所述輸入層為所述向量化診斷報(bào)告的每個(gè)向量配置初始量子態(tài)得到初始量子態(tài)的向量；

9、第2步：所述量子編碼層將所述初始量子態(tài)的向量進(jìn)行量子編碼得到量子編碼的向量；

10、第3步：所述量子編碼的向量經(jīng)過量子門層進(jìn)行前向傳播得到前向傳播提取的量子態(tài)特征；

11、第4步：所述輸出層將所述提取的量子態(tài)特征映射回非量子態(tài)得到所述micm表型分型特征；

12、可選的，所述步驟在第2步和第3步之間還包括第3’步：通過動(dòng)態(tài)量子拓?fù)鋬?yōu)化策略優(yōu)化量子編碼的向量的量子比特之間的相關(guān)性距離。

13、進(jìn)一步，所述每個(gè)向量配置初始量子態(tài)的方式表示為：

14、

15、式中，表示初始量子態(tài)，αi是復(fù)數(shù)振幅，|i>是量子比特的基態(tài)，n是表征向量所用的量子比特的數(shù)量；

16、可選的，所述量子編碼層的轉(zhuǎn)換可以表示為：

17、ψenc＝u(θ)|ψ>

18、式中，ψenc表示編碼后的量子態(tài)，u(θ)是依據(jù)輸入數(shù)據(jù)特性調(diào)整的量子門，θ表示量子門的參數(shù)，|ψ>是初始量子態(tài)；

19、可選的，所述量子門層表示為：

20、ψpro＝upro(γ)ψenc

21、式中，ψpro表示前向傳播后的量子態(tài)，upro(γ)是前向傳播過程中使用的量子門，γ為量子門參數(shù)；

22、可選的，所述輸出層表示為：

23、

24、式中，ψdec表示解碼后得到的micm表型分型特征，ψpro是表示前向傳播后提取到的量子態(tài)特征信息，是量子編碼操作的共軛轉(zhuǎn)置，用于將量子態(tài)特征信息映射為所述micm表型分型特征；

25、可選的，所述量子門u(θ)表示為：

26、u(θ)＝e-iθh

27、式中，h是哈密頓量；

28、可選的，使用動(dòng)態(tài)量子拓?fù)鋬?yōu)化策略調(diào)整得到調(diào)整后的哈密頓量，使用所述調(diào)整后的哈密頓量得到所述量子門u(θ)；

29、可選的，所述動(dòng)態(tài)量子拓?fù)鋬?yōu)化策略動(dòng)態(tài)的調(diào)整方式可以表示為：

30、

31、λjk＝softmax(-djk/τte)

32、式中，softmax()為預(yù)設(shè)的softmax分類函數(shù)，hdqto為動(dòng)態(tài)調(diào)整后的哈密頓量；λjk為量子比特j和k之間的耦合強(qiáng)度，和為作用于量子比特j和k的pauli-z操作，djk表示量子比特j和k之間的特征相關(guān)性距離，τte是溫度參數(shù)。

33、進(jìn)一步，所述基于量子編碼的transformer的構(gòu)建步驟包括：

34、初始的量子編碼的transformer包括初始輸入層、初始量子編碼層、初始量子門層和初始輸出層，所述初始量子編碼層和初始量子門層的參數(shù)為隨機(jī)初始化的參數(shù)；

35、訓(xùn)練集的向量化診斷報(bào)告經(jīng)過初始的量子編碼的transformer得到初始micm表型分型特征后，基于所述初始micm表型分型特征得到模型預(yù)測(cè)輸出，比較訓(xùn)練集的實(shí)際值和模型預(yù)測(cè)輸出之間的差異到損失函數(shù)，迭代訓(xùn)練所述損失函數(shù)直到達(dá)到停止條件得到所述基于量子編碼的transformer；

36、所述停止條件包括達(dá)到預(yù)設(shè)的最大迭代次數(shù)；

37、可選的，基于初始micm表型分型特征計(jì)算得到損失函數(shù)表示為：

38、

39、式中，l表示損失函數(shù)，i∈[1,m]，i表示訓(xùn)練集中的第i個(gè)樣本，m表示訓(xùn)練集中的總樣本數(shù)目，yi是第i個(gè)樣本的目標(biāo)輸出，ψdec,i表示第i個(gè)樣本的micm表型分型特征，f(ψdec,i)是模型的預(yù)測(cè)的第i個(gè)樣本的輸出；

40、可選的，所述初始量子編碼層的參數(shù)的更新方式表示為：

41、

42、式中，θnew和θold分別表示更新后和更新前的初始量子編碼層參數(shù)，ηrate是學(xué)習(xí)率，是損失函數(shù)關(guān)于初始量子編碼層參數(shù)θ的梯度；

43、可選的，所述初始量子門層的參數(shù)的更新方式表示為：

44、

45、式中，γnew和γold分別表示更新后和更新前的初始量子門層的參數(shù)，η2是學(xué)習(xí)率，是損失函數(shù)關(guān)于初始量子門層參數(shù)γ的梯度。

46、可選的，所述停止條件包括量子糾纏度小于預(yù)設(shè)的閾值：經(jīng)過量子門層進(jìn)行前向傳播得到前向傳播提取的量子態(tài)特征后，計(jì)算得到不同量子比特之間的糾纏度，當(dāng)時(shí)，則表示模型收斂，則停止訓(xùn)練；

47、可選的，所述糾纏度表示為：

48、e＝tr(ρa(bǔ)logρa(bǔ))

49、式中，e表示量子糾纏度，ρa(bǔ)是系統(tǒng)a的約化密度矩陣，系統(tǒng)a代表上一次次迭代提取到的量子態(tài)特征信息，tr()表示跡操作，

50、進(jìn)一步地，約化密度矩陣ρa(bǔ)從總密度矩陣ρ通過跡運(yùn)算得到，所述總密度矩陣ρ為本次迭代提取到的量子態(tài)特征信息的特征矩陣，約化密度矩陣ρa(bǔ)可以表示為：

51、ρa(bǔ)＝trb(ρ)

52、式中，trb()表示對(duì)系統(tǒng)b部分取跡，留下系統(tǒng)a部分的狀態(tài)，系統(tǒng)b是本次迭代提取到的量子態(tài)特征信息。

53、進(jìn)一步，

54、所述診斷報(bào)告包括形態(tài)學(xué)信息、免疫學(xué)信息、細(xì)胞遺傳學(xué)信息、分子學(xué)信息；

55、可選的，基于所述診斷報(bào)告得到結(jié)構(gòu)化診斷報(bào)告的方法包括使用機(jī)器視覺技術(shù)按照標(biāo)準(zhǔn)報(bào)告模型提取得到所述結(jié)構(gòu)化診斷報(bào)告；

56、可選的，將所述結(jié)構(gòu)化診斷報(bào)告向量化得到向量化診斷報(bào)告的方法包括下列方法的一種或幾種：word2vec、doc2vec、bert。

57、進(jìn)一步，所述基于量子編碼的基于淋巴腫瘤micm表型分型的人工智能特征提取方法還包括s105：基于所述micm表型分型特征得到患者的診療信息；

58、可選的，還包括s105’：將所述micm表型分型特征輸入分類器中得到待測(cè)者是否患有血液腫瘤的分類結(jié)果；

59、可選的，所述micm診斷報(bào)告包括所述患者的治療信息和所述分類結(jié)果。

60、可選的，所述分類器包括下列的一種或幾種：條件隨機(jī)場(chǎng)算法、支持向量機(jī)、決策樹、隨機(jī)森林、邏輯斯蒂回歸；

61、進(jìn)一步，所述分類器為訓(xùn)練好的條件隨機(jī)場(chǎng)，所述訓(xùn)練好的條件隨機(jī)場(chǎng)的構(gòu)建方法包括：

62、獲取診斷報(bào)告訓(xùn)練集，所述訓(xùn)練集還包括是否患有血液腫瘤的標(biāo)簽；

63、基于所述診斷報(bào)告訓(xùn)練集得到micm表型分型特征訓(xùn)練集；

64、初始化條件隨機(jī)場(chǎng)的參數(shù)得到初始化的條件隨機(jī)場(chǎng)；

65、對(duì)所述初始化的條件隨機(jī)場(chǎng)的參數(shù)進(jìn)行蒙特卡羅隨機(jī)采樣得到樣本參數(shù)；

66、基于所述樣本參數(shù)得到micm表型分型特征訓(xùn)練集的預(yù)測(cè)標(biāo)簽，基于所述micm表型分型特征訓(xùn)練集的預(yù)測(cè)標(biāo)簽和診斷報(bào)告的實(shí)際標(biāo)簽計(jì)算得到條件隨機(jī)場(chǎng)的損失函數(shù)，通過迭代逐漸最小化所述條件隨機(jī)場(chǎng)的損失函數(shù)，達(dá)到停止條件后得到所述訓(xùn)練好的條件隨機(jī)場(chǎng)；

67、可選的，所述條件隨機(jī)場(chǎng)的損失函數(shù)表示為：

68、

69、式中，l(qθ)表示基于條件隨機(jī)場(chǎng)的參數(shù)qθ的損失函數(shù)，是第i個(gè)樣本的標(biāo)簽數(shù)據(jù)，qθ(t)是迭代過程中第t次迭代時(shí)蒙特卡羅抽樣得到的條件隨機(jī)場(chǎng)的參數(shù)，是在給定特征和參數(shù)qθ(t)下的標(biāo)簽預(yù)測(cè)概率，λl1為l1正則化系數(shù)，||qθ||1為參數(shù)qθ(t)的l1正則項(xiàng)；

70、可選的，所述蒙特卡羅隨機(jī)采樣得到樣本參數(shù)表示為：

71、qθ(t)＝qθ(t-1)+∈(t)

72、式中，qθ(t)表示第t次迭代的樣本參數(shù)，qθ(t-1)表示第t-1次迭代的樣本參數(shù)，∈(t)為采樣步長(zhǎng)；

73、可選的，采樣步長(zhǎng)∈(t)為動(dòng)態(tài)自適應(yīng)設(shè)置，設(shè)置方式為：

74、∈(t)＝κcy·exp(-ρcyt)

75、式中，κcy是初始步長(zhǎng)，ρcy是衰減因子；

76、可選的，采用稀疏正則化策略優(yōu)化所述樣本參數(shù)得到優(yōu)化的樣本參數(shù)后，使用所述優(yōu)化的樣本參數(shù)替換所述樣本參數(shù)計(jì)算得到所述條件隨機(jī)場(chǎng)的損失函數(shù)；

77、可選的，所述稀疏正則化策略表示為：

78、

79、式中，表示第t次迭代時(shí)優(yōu)化的樣本參數(shù)，δqθ(t)是第t次迭代過程中樣本參數(shù)qθ(t)的增量，αgz是學(xué)習(xí)率，是條件隨機(jī)場(chǎng)的損失函數(shù)對(duì)參數(shù)的梯度,δgz是基于模型輸出與實(shí)際分類結(jié)果之間差異計(jì)算得到的調(diào)整因子，sign(qθ(t))表示qθ(t)的符號(hào)函數(shù)；

80、可選的，所述停止條件包括迭代的信息增益小于預(yù)設(shè)的閾值：在每次迭代后，基于當(dāng)前的條件隨機(jī)場(chǎng)的樣本參數(shù)計(jì)算得到信息增益，當(dāng)信息增益小于預(yù)設(shè)的閾值時(shí)停止迭代；

81、可選的，表示在給定特征和參數(shù)qθ(t)下的標(biāo)簽預(yù)測(cè)概率，當(dāng)前的條件隨機(jī)場(chǎng)的樣本參數(shù)確定時(shí)，可計(jì)算得到所有的其中c∈[1,c],c表示分類標(biāo)簽，c是所有可能的類別，信息增益表示如下：

82、

83、式中，esi表示第i個(gè)樣本的信息增益，是給定特征的條件下類別c的概率，p(c)是類別c的先驗(yàn)概率。

84、本技術(shù)第二方面公開一種基于淋巴腫瘤micm表型分型的人工智能特征提取系統(tǒng)，包括:

85、獲取模塊201：用于獲取待測(cè)者的診斷報(bào)告；

86、結(jié)構(gòu)化處理模塊202：用于基于所述診斷報(bào)告得到結(jié)構(gòu)化診斷報(bào)告；

87、向量化處理模塊203：用于將所述結(jié)構(gòu)化診斷報(bào)告向量化得到向量化診斷報(bào)告；

88、特征提取模塊204：用于所述向量化診斷報(bào)告輸入基于量子編碼的transformer中進(jìn)行特征提取得到micm表型分型特征；所述基于量子編碼的transformer將輸入數(shù)據(jù)轉(zhuǎn)換為量子態(tài)后提取量子態(tài)特征信息，將量子態(tài)特征信息轉(zhuǎn)換為回非量子態(tài)數(shù)據(jù)后輸出micm表型分型特征。

89、本技術(shù)第三方面公開一種計(jì)算機(jī)設(shè)備，所述設(shè)備包括：存儲(chǔ)器和處理器；所述存儲(chǔ)器用于存儲(chǔ)程序指令；所述處理器用于調(diào)用程序指令，當(dāng)程序指令被執(zhí)行時(shí)，用于執(zhí)行上述的方法的步驟。

90、本技術(shù)第四方面公開一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的方法的步驟。

91、本技術(shù)第五方面公開一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的方法的步驟。

92、本技術(shù)具有以下有益效果：

93、1.本技術(shù)通過基于量子編碼的transformer提取所需的micm表型分型特征，采用基于量子編碼的transformer算法增強(qiáng)模型對(duì)數(shù)據(jù)特征的捕獲能力；

94、2.采用采用動(dòng)態(tài)量子拓?fù)鋬?yōu)化策略優(yōu)化量子比特之間的連接拓?fù)浣Y(jié)構(gòu)，以提高特征提取過程中量子編碼的效率和模型的信息處理能力；

95、3.本發(fā)明并利用基于蒙特卡羅法優(yōu)化的條件隨機(jī)場(chǎng)算法進(jìn)行模型訓(xùn)練，通過稀疏表征策略提高處理效率和精確性；

96、4.基于本發(fā)明創(chuàng)新技術(shù)，能夠在micm診斷任務(wù)中有效提升數(shù)據(jù)處理能力，增強(qiáng)了模型對(duì)不同數(shù)據(jù)特性的適應(yīng)能力，提升模型在醫(yī)療診斷任務(wù)中的分類準(zhǔn)確性和預(yù)測(cè)的可靠性。