1.本发明涉及计算机辅助诊断技术领域，尤其涉及一种癫痫耐药性的预测方法、装置、电子设备及存储介质。
背景技术：
2.结节性硬化症(tsc)是一种常染色体显性遗传疾病，由tsc1或tsc2基因突变引起，癫痫是tsc患者(也认为是癫痫患者)中最普遍和最具挑战性的症状，影响了大约85％的癫痫患者，而且其中将近三分之二的癫痫患者在一岁左右会伴随着癫痫首次发作，然而，60％的癫痫患者天生对癫痫治疗药物具有耐药性，目前，医生只能采用试错法来尝试不同的癫痫治疗药物来治疗癫痫，无法在短时间内检测出癫痫患者是否具有癫痫耐药性，确保癫痫患者是否具有癫痫耐药性需要进行昂贵而耗时的工作，并且这种情况可能会增加癫痫患者的死亡风险，因此，早期识别有癫痫耐药性的癫痫患者是很重要的。
3.目前，深度学习方法对在早期识别有癫痫耐药性的癫痫患者方面上做出了重大贡献，但是大多数深度学习方法都没有考虑数据的结构信息，训练时容易造成过拟合，进而影响癫痫耐药性的预测准确性。
4.因此，急需一种能够准确预测早期癫痫患者的癫痫耐药性的预测方法。
技术实现要素：
5.本发明各实施例提供一种癫痫耐药性的预测方法、装置、电子设备及存储介质，以解决相关技术中存在的不能准确预测早期癫痫患者的癫痫耐药性的问题。
6.为解决上述技术问题，本发明所采用的技术方案为：
7.根据本发明的一个方面，一种癫痫耐药性预测方法，所述方法包括获取患者的mri特征和ct特征，得到所述患者的第一特征矩阵；基于所述第一特征矩阵进行第二特征矩阵的构建和学习，对所述第一特征矩阵中的各特征进行筛选，得到所述患者的第二特征矩阵；所述第二特征矩阵用于指示所述第一特征矩阵中各特征对所述患者的癫痫耐药性预测的贡献程度；根据所述第一特征矩阵和所述第二特征矩阵进行的特征图动态学习，调整所述第一特征矩阵中各特征对所述患者的癫痫耐药性预测的贡献程度，得到特征关系图；根据所述特征关系图对所述患者的癫痫耐药性进行预测，得到所述患者的预测结果。
8.根据本发明的一个方面，一种癫痫耐药性的预测装置，所述装置包括数据获取模块，用于获取患者的mri特征和ct特征，得到患者的第一特征矩阵；特征图学习模块，用于基于第一特征矩阵进行第二特征矩阵的构建和学习，对第一特征矩阵中的各特征进行筛选，得到患者的第二特征矩阵；所述第二特征矩阵用于指示所述第一特征矩阵中各特征对所述患者的癫痫耐药性预测的贡献程度；动态图学习模块，用于根据第一特征矩阵和第二特征矩阵进行的特征图动态学习，调整第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度，得到特征关系图；图卷积模块，用于根据特征关系图对患者的癫痫耐药性进行预测，得到患者的预测结果。
9.在一示例性实施例，所述数据获取模块，还用于分别对所述mri特征和ct特征进行预处理；将预处理后的mri特征和ct特征进行特征拼接，得到所述第一特征矩阵。
10.在一示例性实施例，所述特征图学习模块，还用于基于所述第一特征矩阵中各特征相对于癫痫耐药性预测的相关性，得到所述第一特征矩阵的第一要素；基于所述第一特征矩阵中各特征与癫痫耐药性的相关度，得到所述第一特征矩阵的第二要素；根据所述第一特征矩阵的第一要素和第二要素，得到特征图；所述特征图中的各节点表示所述第一特征矩阵中的各特征，各节点之间路径表示所述第一特征矩阵中各特征对所述患者的癫痫耐药性预测的贡献程度；由所述特征图计算得到所述患者的第二特征矩阵。
11.在一示例性实施例，所述动态图学习模块，还用于将所述第一特征矩阵和所述第二特征矩阵进行融合，得到特征矩阵；基于所述特征矩阵，提取所述特征矩阵中各特征对所述患者的癫痫耐药性预测的贡献程度，得到对应的邻接图；计算所述邻接图中各节点之间的相似度，根据所述相似度调整所述邻接图，得到特征关系图；所述特征关系图的各节点表示所述特征矩阵中的各特征，各节点之间路径表示所述特征矩阵中各特征之间的相似性。
12.在一示例性实施例，所述图卷积模块，还用于对所述特征关系图进行特征传播聚合各节点表示的特征，基于经过特征聚合后的各节点，更新所述特征关系图的路径；对更新路径后的所述特征关系图中各节点所属的类别进行预测，得到所述患者的预测结果。
13.在一示例性实施例，所述预测结果是调用预测模型得到的；所述预测模型是经过训练的、具有对所述患者的mri特征和ct特征进行癫痫耐药性预测的能力的机器学习模型。
14.在一示例性实施例，所述装置，还用于获取训练集和测试集，所述训练集包括多个样本的mri特征和ct特征；将所述训练集中当前一个样本的mri特征和ct特征进行特征拼接，输入所述机器学习模型进行训练，得到损失值；若所述损失值满足收敛条件，则得到所述预测模型；否则，更新所述机器学习模型的模型参数，并获取后一个样本的mri特征和ct特征进行特征拼接，输入更新模型参数后的所述机器学习模型继续训练，直至所述损失值满足收敛条件。
15.根据本技术的一个方面，一种电子设备，包括至少一个处理器以及至少一个存储器，其中，所述存储器上存储有程序指令或代码；所述程序指令或代码被所述处理器加载并执行，使得电子设备实现如上所述的癫痫耐药性的预测方法。
16.根据本技术的一个方面，一种存储介质，其上存储有程序指令或代码，所述程序指令或代码被处理器加载并执行，以实现如上所述的癫痫耐药性的预测方法。
17.根据本技术的一个方面，一种计算机程序产品，计算机程序产品包括程序指令或代码，程序指令或代码存储在存储介质中，电子设备的处理器从存储介质读取程序指令或代码，加载并执行该程序指令或代码，使得电子设备实现如上所述的癫痫耐药性的预测方法。
18.本技术提供的技术方案带来的有益效果是：
19.在上述技术方案中，本发明解决了相关技术不能准确预测早期癫痫患者的癫痫耐药性的问题。
20.具体而言，本发明首先获取患者的mri特征和ct特征，得到患者的第一特征矩阵，基于第一特征矩阵进行第二特征矩阵的构建和学习，得到用于指示各特征的权重的第二特征矩阵，根据第一特征矩阵和第二特征矩阵对特征之间的相似性进行学习，得到特征关系
图，根据特征关系图对患者的癫痫耐药性进行预测，得到患者的预测结果。上述过程中，本发明将计算机断层扫描(ct)模态和磁共振成像(mri)模态的两种模态融合，通过深度学习方法考虑患者特征数据的结构信息，根据第一特征矩阵和第二特征矩阵进行的特征图动态学习来捕获各特征之间的交互，进而充分整合患者的特征信息，利用整合后的特征数据进行半监督分类，通过学习第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度来学习特征之间的相似性，进而动态调整特征之间的关系提高预测的准确性，从而能够有效地解决相关技术中存在的不能准确预测早期癫痫患者的癫痫耐药性的问题。
21.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
22.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
23.图1是根据本技术所涉及的实施环境的示意图；
24.图2是根据一示例性实施例示出的一种癫痫耐药性预测方法的流程图；
25.图3是图2对应实施例中步骤230在一个实施例的流程图；
26.图4是图2对应实施例中步骤250在一个实施例的流程图；
27.图5是图2对应实施例中预测模型的结构示意图；
28.图6是一应用场景中一种癫痫耐药性预测方法的具体实现示意图；
29.图7是根据一示例性实施例示出的一种癫痫耐药性预测装置的框图；
30.图8是根据一示例性实施例示出的一种服务器的结构示意图；
31.图9是根据一示例性实施例示出的一种电子设备的框图。
32.通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
33.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
34.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
35.下面是对本技术涉及的几个名词进行的介绍和解释：
36.mri特征：磁共振成像(mri)中包含的患者特征信息。
37.ct特征：计算机断层扫描(ct)中包含的患者特征信息。
38.耐药性(drug resistance)：又称抗药性，指微生物、寄生虫以及肿瘤细胞对于化疗药物作用的耐受性，耐药性一旦产生，药物的化疗作用就明显下降，耐药性根据其发生原因可分为获得耐药性和天然耐药性。
39.如前所述，深度学习方法已经为患者的耐药性预测做出了重大贡献，其中深度学习中的图卷积网络(graph convolutionalnetwork，gcn)是整合多样化信息的强大工具，在医学领域具有很大的潜力，然而，许多用于节点分类的gcn使用整个数据集构建大规模的固定的图拓扑，对样本量小、正负样本不均衡的数据集训练时容易造成过拟合，此外，gcn算法需要更多的可解释性，现有相关技术在可解释性上的不足限制了它们在真实场景中的应用。
40.同时，现有相关技术没有考虑数据的结构信息，预先假设底层图是已知和固定的，但这个假设从根本上来说是不正确的，因为图形可能有噪声甚至完全未知。除此之外，样本的特征包含许多冗余和嘈杂的特征，现有相关技术难以处理这种类型的数据，容易模型导致过度拟合，且无法产生用于临床诊断解释的结果，这影响模型的可推广性、可解释性和临床医生的判断，这对癫痫患者癫痫耐药性的准确预测带来挑战。
41.由上可知，相关技术中仍存在不能准确预测早期癫痫患者的癫痫耐药性的缺陷。
42.为此，本技术提供的癫痫耐药性的预测方法，能够有效地提升癫痫耐药性预测的准确率，相应地，该癫痫耐药性的预测方法适用于癫痫耐药性的预测装置，该癫痫耐药性的预测装置可部署于配置冯诺依曼体系结构的电子设备，例如，该电子设备可以是台式电脑、笔记本电脑、服务器等等。
43.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
44.图1为一种癫痫耐药性的预测方法所涉及的实施环境的示意图。该实施环境包括采集端110和服务器端130。
45.具体地，采集端110进行mri特征和ct特征的采集，该采集端110可以是任意具有医学影像采集功能的电子设备，在此不进行限定。
46.采集端110与服务器端130之间可以通过有线或者无线等方式建立的通信连接，以实现二者之间的数据传输。例如，传输的数据可以是mri特征和ct特征等。
47.其中，服务器端130，也可以认为是云端、云平台、平台端、服务端等等，此服务器端130可以是一台服务器，也可以是由多台服务器构成的一个服务器集群，或者是由多台服务器构成的云计算中心，以便于更好地向海量采集端110提供后台服务。例如，后台服务包括癫痫耐药性预测服务。
48.随着采集端110与服务器端130的交互，在一个应用场景中，以服务器端130提供癫痫耐药性预测服务为例，采集端110获取到mri特征和ct特征后，将该mri特征和ct特征发送至服务器端130，那么，服务器端130便能够接收到该采集端110发送的mri特征和ct特征，进而基于该mri特征和ct特征提供癫痫耐药性预测服务。具体而言，服务器端130获取到mri特征和ct特征后，便可得到患者的第一特征矩阵，基于该第一特征矩阵进行第二特征矩阵的构建和学习，得到用于指示各特征的权重的第二特征矩阵，根据该第一特征矩阵和第二特征矩阵对特征之间的相似性进行学习得到特征关系图，根据该特征关系图对患者的癫痫耐
药性进行预测得到患者的预测结果。
49.请参阅图2，本技术实施例提供了一种癫痫耐药性的预测方法，该方法适用于电子设备，该电子设备可以是图1所示出实施环境中的服务器端130，还可以是台式电脑、笔记本电脑、服务器等等。
50.在下述方法实施例中，为了便于描述，以该方法各步骤的执行主体为电子设备为例进行说明，但是并非对此构成具体限定。
51.如图2所示，该方法可以包括以下步骤：
52.步骤210，获取患者的mri特征和ct特征，得到患者的第一特征矩阵。
53.其中，计算机断层扫描(ct)和磁共振成像(mri)等神经影像学方法已实现了对脑功能和结构的直接测量，mri在空间分辨率和无辐射方面具有明显的优势，在癫痫耐药性的研究中发挥了重要作用。其中，患者的mri特征和ct特征可以是通过采集端进行拍摄和采集得到的，采集端可以是任意具有医学影像采集功能的电子设备。具体地，mri图像由mri扫描仪采集得到，mri图像中展示的患者病理参数即为mri特征，同理，ct图像由ct扫描仪采集得到，ct图像中体现的患者病理参数即为ct特征。换而言之，mri特征/ct特征用于以数字方式准确地描述患者的病理参数。
54.在一种可能的实现方式，本发明实施例首先将mri特征和ct特征进行预处理，再将预处理后的mri特征和ct特征进行特征拼接，得到第一特征矩阵x。该第一特征矩阵用于描述患者与特征之间的对应关系，例如，该第一特征矩阵的不同列表示不同患者，同一列中各行表示同一患者的不同病理参数。
55.具体地，将mri特征和ct特征进行预处理包括去除与癫痫耐药性预测无关的特征，例如编号、姓名、性别、出生年月、检查日期等；填补缺失值，例如患者发病年龄缺失，按中位数填补；对数值使用离差标准化将特征值映射到[0,1]之间等等，此处未加限定。
[0056]
此种预处理方式下，本发明实施例将采集到的特征数据进行了清洗，一定程度上去除了冗余和嘈杂的特征，减少了模型过拟合的风险，同时有利于提高了耐药性预测的准确性。
[0057]
步骤230，基于第一特征矩阵进行第二特征矩阵的构建和学习，对第一特征矩阵中的各特征进行筛选，得到患者的第二特征矩阵。
[0058]
其中，第二特征矩阵用于指示第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度。
[0059]
在一种可能的实现方式，第二特征矩阵是通过筛选第一特征矩阵中各特征得到的。
[0060]
具体地，如图3所示，步骤230可以包括以下步骤：
[0061]
步骤231，基于第一特征矩阵中各特征相对于癫痫耐药性预测的相关性，得到第一特征矩阵的第一要素。
[0062]
其中，相关性是指第一特征矩阵中各特征与癫痫耐药性预测是否相关，也可以理解为，相关性是指各特征所表示的患者的病理参数是否与癫痫耐药性预测相关。例如，假设第一特征矩阵中各特征分别用于表示大脑的结构参数、骨骼参数，则相关性是指大脑的结构参数与癫痫耐药性预测是否相关，相关性还可以是指骨骼参数与癫痫耐药性预测是否相关等等。基于此，第一要素用于对第一特征矩阵中各特征进行筛选，剔除其中与癫痫耐药性
预测无关的冗余特征。
[0063]
步骤233，基于第一特征矩阵中各特征与癫痫耐药性的相关度，得到第一特征矩阵的第二要素。
[0064]
其中，相关度是指第一特征矩阵中各特征与癫痫耐药性预测的相关程度，第二要素用于对第一特征矩阵中各特征与癫痫耐药性预测的相关性进行定量描述。
[0065]
步骤235，根据第一特征矩阵的第一要素和第二要素，得到特征图。
[0066]
其中，特征图中的各节点表示第一特征矩阵中的各特征，各节点之间路径表示第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度。
[0067]
具体地，将第一要素和第二要素通过线性加权组合在一起，得到第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度，根据该贡献程度得到特征图。
[0068]
步骤237，由特征图计算得到患者的第二特征矩阵。
[0069]
基于上述方式，通过计算第一特征矩阵的第一要素和第二要素，从多个角度计算各特征与癫痫耐药性的相关性和相关度，从而准确客观地得到各特征对患者的癫痫耐药性预测的贡献程度，为后续特征之间的交互学习和耐药性的预测打下了坚实基础，进一步地，本发明实施例利用矩阵的几何幂级数的收敛性高效的计算第二特征矩阵c，通过编码分配各特征对癫痫耐药性预测的贡献程度，大幅提高了整个预测过程的效率和准确度。
[0070]
步骤250，根据第一特征矩阵和第二特征矩阵进行的特征图动态学习，调整第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度得到特征关系图。
[0071]
本实施例中，特征图动态学习，指的是调整第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度，以此学习各特征对患者的癫痫耐药性预测的最佳贡献程度，以便于能够更好地预测患者的癫痫耐药性。
[0072]
具体地，如图4所示，步骤250可以包括以下步骤：
[0073]
步骤251，将第一特征矩阵和第二特征矩阵进行融合，得到特征矩阵。
[0074]
具体地，特征关系图中各节点表示特征矩阵中的各特征，各节点之间的路径表示两端的节点之间的相似性。
[0075]
步骤253，基于特征矩阵，提取特征矩阵各特征对癫痫耐药性预测的贡献程度得到对应的邻接图。
[0076]
步骤255，计算邻接图中各节点之间的相似度，根据相似度调整邻接图，得到特征关系图。
[0077]
其中，特征关系图的各节点表示特征矩阵中的各特征，各节点之间路径表示特征矩阵中各特征之间的相似性。
[0078]
具体地，通过距离度量算法计算邻接图中各节点之间的相似度，根据相似度对邻接图中各节点之间的路径进行调整，进而得到特征关系图。
[0079]
在一种可能的实现方式，距离度量算法包括但不限于欧氏距离、汉明距离、曼哈顿距离等，此处并未加以限定。当然，相似度计算方法不局限于距离度量算法，还可以是余弦相似度、杰卡德系数、皮尔森相关系数等。
[0080]
具体计算公式如下：
[0081]
[0082]
其中，θ表示可学习参数，δ(hi,hj)表示特征矩阵中各节点之间的欧氏距离，a
i,j
≥0表示特征矩阵各元素之间的相似度。
[0083]
此种方式下，通过构建图邻接矩阵，计算各特征之间的相似度，得到能够直观准确体现出各特征之间关系的特征关系图，便于后续特征关系图中各节点所表示特征的传播和学习，进而提高癫痫耐药性预测的准确度和效率。
[0084]
步骤270，根据特征关系图对患者的癫痫耐药性进行预测，得到患者的预测结果。
[0085]
其中，患者的预测结果用于指示患者是否具有癫痫耐药性。
[0086]
在一种可能的实现方式，本发明实施例首先对特征关系图进行特征传播聚合各节点所表示的特征，基于经过特征聚合后的各节点，更新特征关系图的路径，再对更新路径后的特征关系图中各节点所属的类别进行预测，得到患者的预测结果。
[0087]
其中，本发明实施例通过非线性变换和对特征关系图的逐层训练，对该特征关系图中各节点所表示特征进行传播以聚合各特征的信息，进而得到数据充分学习后的该特征关系图中各节点之间的路径，最终基于更新路径后的特征关系图进行癫痫耐药性的预测，从而准确高效地得到患者最终的预测结果。
[0088]
由上可知，本发明实施例将计算机断层扫描(ct)模态和磁共振成像(mri)模态的两种模态融合，通过深度学习方法考虑患者特征数据的结构信息，根据第一特征矩阵和第二特征矩阵进行的特征图动态学习来捕获各特征之间的交互，进而充分整合患者的特征信息，利用整合后的特征数据进行半监督分类，通过学习第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度来学习特征之间的相似性，进而动态调整特征之间的关系提高预测的准确性，从而能够有效地解决相关技术中存在的不能准确预测早期癫痫患者的癫痫耐药性的问题。
[0089]
在一示例性实施例中，本发明实施例提供的癫痫耐药性预测方法是通过预测模型实现的，该预测模型是经过训练的、具有对患者的mri特征和ct特征进行癫痫耐药性预测的能力的机器学习模型。图5展示了一个实施例中预测模型的结构示意图，在图5中，预测模型包括特征图构建模块、特征图学习模块、双图融合模块、动态图学习模块、图卷积模块和输出层。
[0090]
下面结合图5的预测模型的结构，对预测模型的的训练过程进行以下详细地说明：
[0091]
如图5所示，在一示例性实施例中，预测模型的训练过程，可以包括以下步骤：
[0092]
步骤s1，获取训练集和测试集。
[0093]
其中，训练集和测试集均包括多个样本的mri特征和ct特征。
[0094]
步骤s2，将训练集中多个样本的mri特征和ct特征进行特征拼接，输入机器学习模型进行训练，得到损失值。
[0095]
具体地，损失函数使用交叉熵损失函数，计算公式如下：
[0096][0097]
其中，yi表示第i个样本的真实输出值，而zi表示第i个样本的预测输出值。
[0098]
进一步地，发明人为了让模型训练过程中学习到更准确的特征关系，引入了隐式正则化机制，通过加入参数λ1限制训练过程中与上一步的偏差。
[0099]
具体公式如下：
[0100]ht
＝x(c
(t)
λ1c
(t-1)
)。
[0101]
其中，t表示图卷积过程中的当前一层卷积计算，t-1表示图卷积过程中的上一层卷积计算，x表示第一特征矩阵，c表示第二特征矩阵，h表示特征矩阵。
[0102]
在一种可能的实现方式，模型训练的具体参数设置如下：dropout rate为0.1，regularization为5
×
10-4
，learning rate为0.005，epochs为50，超参数k为5，λ1为10-1
，且发明人为了消除随机误差，将训练集随机拆分重复训练20次，取这20次训练结果的平均值作为最终结果。
[0103]
步骤s3，若损失值满足收敛条件，则得到预测模型。
[0104]
步骤s4，若损失值不满足收敛条件，则更新机器学习模型的模型参数，并获取后一个样本的mri特征和ct特征进行特征拼接，输入机器学习模型继续训练，直至损失值满足收敛条件。
[0105]
在模型完成训练后，将测试集中各样本的mri特征和ct特征进行特征拼接，输入预测模型进行测试，评估预测模型的训练效果。
[0106]
此外，发明人考虑到现有相关技术缺乏可解释性，在本发明中引入了可解释性机制，具体地，根据第二特征矩阵c得到每个特征的相关性分数，分数越高代表该特征越重要，即该特征对患者的癫痫耐药性预测的贡献程度越大，计算公式如下：
[0107][0108]
其中，e是自然常数，i表示第i个特征，表示第i个特征的相关性分数。
[0109]
基于上述操作，本发明可以得到前20个值，即得到了最重要的、在预测中起作用的20个特征值，该特征值对应为ct或者mri上的脑区，这样便大幅度地提高了癫痫耐药性方法预测结果的临床解释性。
[0110]
继续参阅图5，癫痫耐药性的预测过程进行以下详细地说明：
[0111]
第一步，将多个样本的mri特征和ct特征进行特征拼接输入特征图构建模块，构建以样本和特征对应的第一特征矩阵x，根据第一特征矩阵x得到对应的特征图s。
[0112]
第二步，将特征图s输入特征图学习模块，通过特征图学习对第一特征矩阵x中的各特征进行筛选，得到包含各特征对癫痫耐药性预测的贡献程度的第二特征矩阵c。
[0113]
具体地，首先计算用于指示各特征相对于癫痫耐药性预测的相关性的第一要素，再计算用于指示各特征相对于癫痫耐药性预测的相关度的第一要素，根据第一特征矩阵的第一要素和第二要素计算得到患者的第二特征矩阵c。
[0114]
第一特征矩阵x的第一要素计算公式如下：
[0115][0116]
其中，u
i,g
和σ
i,g
分别表示第g个样本的第i个特征的均值和标准差，wi表示第i个特征的fisher准则，用于筛选冗余特征。
[0117]
第一特征矩阵x的第二要素计算公式如下：
[0118][0119]
其中，p(z,y)表示联合概率分布，z表示第i类特征，y表示训练集中样本携带的特征的类标签，p(z)表示第i个特征属于特征z的概率，p(y)表示第i个特征属于类标签y的概率，qi表示第i个特征的互信息，用于定量度量各特征与癫痫耐药性的相关度。
[0120]
根据第一特征矩阵的第一要素和第二要素计算得到患者的第二特征矩阵c的具体计算公式如下：
[0121]
si＝qiα wi(1-α)
[0122][0123]
r＝0.9/ρ(s)
[0124]
c＝(i-rs)-1-i。
[0125]
其中，α∈[0,1]是一个加权系数，wi表示第i个特征的第一要素，si表示特征i对癫痫耐药性预测的贡献程度，s(i,j)表示第二特征矩阵第i行第j列元素表示的特征对癫痫耐药性预测的贡献程度，ρ和r表示矩阵的几何幂级数计算的参数，c表示第二特征矩阵中各个特征的分数。
[0126]
第三步，将第一特征矩阵x和第二特征矩阵c输入双图融合模块进行特征融合，得到特征矩阵h。
[0127]
具体计算公式如下：
[0128]
h＝xc。
[0129]
其中，x表示第一特征矩阵，c表示第二特征矩阵，h表示特征矩阵。
[0130]
第四步，将特征矩阵h输入动态图学习模块，得到邻接图a，通过k近邻算法计算邻接图a中各节点之间的相似度，根据相似度将邻接图中各节点之间的路径进行简化，进而得到特征关系图a'。
[0131]
其中，特征关系图a'的路径表示了特征之间的相似度，节点之间存在路径表示路径两端节点相似，不存在路径表示路径两端节点不相似。
[0132]
第五步，将特征关系图a'输入图卷积模块，通过特征传播聚合各节点邻域的特征，进行逐层的图卷积之后得到输出矩阵h。
[0133]
具体地，对特征关系图进行特征传播的公式如下：
[0134][0135]
其中，h
(l)
表示第l层的特征矩阵h，w
(l)
表示第l层的可学习矩阵c，a'表示特征关系图，表示特征关系图a'的度矩阵，σ表示激活函数，h
(l 1)
表示输出矩阵。
[0136]
第六步，在输出层中通过激活函数对输出矩阵h进行患者的癫痫耐药性的预测，得到患者的预测结果的y。
[0137]
预测结果的计算公式如下：
[0138][0139]
其中，softmax表示激活函数，表示输出矩阵h中第i行和第j列的元素，y
ij
表示输出矩阵h中第i行第j列元素的预测结果。
[0140]
在完成训练后，便得到经过训练、具有对患者的mai特征和ct特征进行癫痫耐药性预测的能力的预测模型，克服了相关技术中存在的不能准确预测早期癫痫患者的癫痫耐药性的问题。
[0141]
图6是一应用场景中一种癫痫耐药性的预测方法的具体实现示意图。该应用场景中，分别对患者进行ct数据采集和mri数据采集，对采集到的ct影像和mri影像分别进行预处理和特征提取，将提取到的ct特征和mri特征进行特征拼接输入模型中对癫痫患者地癫痫耐药性进行预测，得到预测结果。
[0142]
在本应用场景中，本发明实施例将计算机断层扫描(ct)模态和磁共振成像(mri)模态的两种模态融合，通过深度学习方法考虑患者特征数据的结构信息，根据第一特征矩阵和第二特征矩阵进行的特征图动态学习来捕获各特征之间的交互，进而充分整合患者的特征信息，利用整合后的特征数据进行半监督分类，通过学习第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度来学习特征之间的相似性，进而动态调整特征之间的关系提高预测的准确性，从而能够有效地解决相关技术中存在的不能准确预测早期癫痫患者的癫痫耐药性的问题。
[0143]
下述为本技术装置实施例，可以用于执行本技术所涉及的癫痫耐药性的预测方法。对于本技术装置实施例中未披露的细节，请参照本技术所涉及的癫痫耐药性的预测方法的方法实施例。
[0144]
请参阅图7，本技术实施例中提供了一种癫痫耐药性的预测装置700，包括但不限于：数据获取模块710、特征图学习模块730、动态图学习模块750以及图卷积模块770。
[0145]
其中，数据获取模块710，用于获取患者的mri特征和ct特征，得到患者的第一特征矩阵。
[0146]
特征图学习模块730，用于基于第一特征矩阵进行第二特征矩阵的构建和学习，对第一特征矩阵中的各特征进行筛选，得到患者的第二特征矩阵。
[0147]
动态图学习模块750，用于根据第一特征矩阵和第二特征矩阵进行的特征图动态学习，调整第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度，得到特征关系图。
[0148]
图卷积模块770，用于根据特征关系图对患者的癫痫耐药性进行预测，得到患者的预测结果。
[0149]
在一示例性实施例，所述数据获取模块710，还用于分别对所述mri特征和ct特征进行预处理；将预处理后的mri特征和ct特征进行特征拼接，得到所述第一特征矩阵。
[0150]
在一示例性实施例，所述特征图学习模块730，还用于基于所述第一特征矩阵中各特征相对于癫痫耐药性预测的相关性，得到所述第一特征矩阵的第一要素；基于所述第一特征矩阵中各特征与癫痫耐药性的相关度，得到所述第一特征矩阵的第二要素；根据所述第一特征矩阵的第一要素和第二要素，得到特征图；所述特征图中的各节点表示所述第一特征矩阵中的各特征，各节点之间路径表示所述第一特征矩阵中各特征对所述患者的癫痫
耐药性预测的贡献程度；由所述特征图计算得到所述患者的第二特征矩阵。
[0151]
在一示例性实施例，所述动态图学习模块750，还用于将所述第一特征矩阵和所述第二特征矩阵进行融合，得到特征矩阵；基于所述特征矩阵，提取所述特征矩阵中各特征对所述患者的癫痫耐药性预测的贡献程度，得到对应的邻接图；计算所述邻接图中各节点之间的相似度，根据所述相似度调整所述邻接图，得到特征关系图；所述特征关系图的各节点表示所述特征矩阵中的各特征，各节点之间路径表示所述特征矩阵中各特征之间的相似性。
[0152]
在一示例性实施例，所述图卷积模块770，还用于对所述特征关系图进行特征传播聚合各节点表示的特征，基于经过特征聚合后的各节点，更新所述特征关系图的路径；对更新路径后的所述特征关系图中各节点所属的类别进行预测，得到所述患者的预测结果。
[0153]
在一示例性实施例，所述预测结果是调用预测模型得到的；所述预测模型是经过训练的、具有对所述患者的mri特征和ct特征进行癫痫耐药性预测的能力的机器学习模型。
[0154]
在一示例性实施例，所述装置700，还用于获取训练集和测试集，所述训练集包括多个样本的mri特征和ct特征；将所述训练集中当前一个样本的mri特征和ct特征进行特征拼接，输入所述机器学习模型进行训练，得到损失值；若所述损失值满足收敛条件，则得到所述预测模型；否则，更新所述机器学习模型的模型参数，并获取后一个样本的mri特征和ct特征进行特征拼接，输入更新模型参数后的所述机器学习模型继续训练，直至所述损失值满足收敛条件。
[0155]
需要说明的是，上述实施例所提供的癫痫耐药性的预测装置在进行癫痫耐药性的预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即癫痫耐药性的预测装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。
[0156]
另外，上述实施例所提供的癫痫耐药性的预测装置与癫痫耐药性的预测方法的实施例属于同一构思，其中各模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。
[0157]
图8根据一示例性实施例示出的一种服务器的结构示意。该服务器适用于图1所示出实施环境中的服务器端130。
[0158]
需要说明的是，该服务器只是一个适配于本技术的示例，不能认为是提供了对本技术的使用范围的任何限制。该服务器也不能解释为需要依赖于或者必须具有图8示出的示例性的服务器2000中的一个或者多个组件。
[0159]
服务器2000的硬件结构可因配置或者性能的不同而产生较大的差异，如图8所示，服务器2000包括：电源210、接口230、至少一存储器250、以及至少一中央处理器(cpu,central processing units)270。
[0160]
具体地，电源210用于为服务器2000上的各硬件设备提供工作电压。
[0161]
接口230包括至少一有线或无线网络接口，用于与外部设备交互。例如，进行图1所示出实施环境中终端100与服务器200之间的交互。
[0162]
当然，在其余本技术适配的示例中，接口230还可以进一步包括至少一串并转换接口233、至少一输入输出接口235以及至少一usb接口237等，如图8所示，在此并非对此构成具体限定。
programmable read only memory，电可擦可编程只读存储器)、cd-rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0175]
存储器4003上存储有计算机程序，处理器4001通过通信总线4002读取存储器4003中存储的计算机程序。
[0176]
该计算机程序被处理器4001执行时实现上述各实施例中的癫痫耐药性的预测方法。
[0177]
此外，本技术实施例中提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例中的癫痫耐药性的预测方法。
[0178]
本技术实施例中提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在存储介质中。计算机设备的处理器从存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述各实施例中的癫痫耐药性的预测方法。
[0179]
与相关技术相比，本发明的有益效果是：
[0180]
1.本发明提出了一种癫痫耐药性的预测方法。本发明通过将计算机断层扫描(ct)模态和磁共振成像(mri)模态的两种模态融合，通过深度学习方法考虑患者特征数据的结构信息，根据第一特征矩阵和第二特征矩阵进行的特征图动态学习来捕获各特征之间的交互，进而充分整合患者的特征信息，利用整合后的特征数据进行半监督分类，通过学习第一特征矩阵中各特征对患者的癫痫耐药性预测的贡献程度来学习特征之间的相似性，进而动态调整特征之间的关系提高预测的准确性，从而能够有效地解决相关技术中存在的不能准确预测早期癫痫患者的癫痫耐药性的问题。
[0181]
2.本发明为疾病预测提供了更多的临床上的可解释性，从而提高了预测模型的可推广性、可解释性和临床医生的判断，对癫痫患者癫痫药物治疗结果的预测、分类做出了贡献。
[0182]
3.本发明能动态调整gcn的图结构，以通过学习样本间最佳底层图来更好地检测早期癫痫患者的癫痫药物耐药性，同时通过可解释的特征学习来解释诊断结果，对提高诊断效率，诊断准确率及评价的标准化具有十分重要的意义。
[0183]
4.本发明提出了一种新颖的动态gcn架构，一种用于早期预测癫痫患者的癫痫药物治疗结局的端到端的结构，能够精准地对癫痫患者的癫痫药物耐药性进行早期诊断，该gcn架构结合了可解释的特征图学习和动态图学习，能够通过网络自动进行特征选择和调整所有受试者之间的相似和不相似关系来学习样本间最佳底层图结构，从而提高诊断的准确性，只需将数据集输入预先训练好的gcn网络中即可实现自动对癫痫患者的耐药性进行早期预测。
[0184]
5.本发明可以自动选择最优特征，并且在样本量小、维度高、不平衡、跨类明显重叠和噪声的数据(例如癫痫患者数据集)上表现良好，可以通过模型筛选出对癫痫患者的癫痫药物治疗结局诊断的最重要的前n个特征对应的n个脑区来实现大脑区域的可解释性，且对于解释用于其他疾病诊断的神经影像学数据也很有用。
[0185]
6.本发明解决了医疗数据的小样本问题，深度学习方法往往需要大量的数据样本做支撑来训练模型，而本发明提出的模型即适用于小样本也可以解决正负样本不均衡的问题，是一个鲁棒的模型。
[0186]
7.本发明降低了医生人力成本，医生只需采集病人的mri和ct两种模态数据，先经过预处理数据的软件，然后输入已经训练好的图卷积神经网络，就能快速地预测癫痫患者的癫痫药物治疗结局，辅助医生诊断。
[0187]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0188]
上述内容，仅为本发明的较佳示例性实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。