本技術(shù)涉及醫(yī)療人工智能，具體涉及基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測方法以及裝置。

背景技術(shù)：

1、腦血管病（如缺血性卒中、腦出血等）具有高發(fā)病率、高致殘率和高死亡率的特點，早期風(fēng)險預(yù)測對疾病預(yù)防與干預(yù)具有重要意義。目前，臨床常用的腦血管病風(fēng)險預(yù)測模型（如framingham卒中風(fēng)險評分、qrisk等）大多基于某一家醫(yī)院或研究機構(gòu)過去收治的患者數(shù)據(jù)進行開發(fā)。這些數(shù)據(jù)通常是在疾病發(fā)生之后回溯整理的，僅反映特定地區(qū)、特定人群（如某一性別、年齡段或種族）的健康特征，缺乏足夠的多樣性與代表性。

2、隨著人工智能技術(shù)的發(fā)展，部分醫(yī)療機構(gòu)開始利用本院積累的電子健康記錄（如體檢結(jié)果、病史、檢驗指標(biāo)等），訓(xùn)練本地化的機器學(xué)習(xí)模型，用于對就診患者進行個體化風(fēng)險評估。然而，由于單個醫(yī)療機構(gòu)所能獲取的患者樣本在人群覆蓋范圍、臨床變量維度和長期隨訪完整性等方面存在明顯局限，所訓(xùn)練的模型往往難以適應(yīng)來自不同地域、不同健康背景的外部患者。當(dāng)面對臨床特征與本地訓(xùn)練數(shù)據(jù)差異較大的個體時，模型容易產(chǎn)生偏差，導(dǎo)致預(yù)測結(jié)果不穩(wěn)定、準(zhǔn)確率下降，甚至給出誤導(dǎo)性風(fēng)險判斷。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測方法以及裝置，克服了單中心模型因樣本局限導(dǎo)致的泛化能力不足問題，通過安全協(xié)同外部預(yù)測資源，提升了腦血管病風(fēng)險預(yù)測的準(zhǔn)確性與可靠性。

2、本技術(shù)實施例提供一種基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測方法，方法包括：

3、接收預(yù)測請求端發(fā)送的第一協(xié)同預(yù)測請求，第一協(xié)同預(yù)測請求攜帶有臨床特征向量、第一初始腦血管病風(fēng)險概率及其對應(yīng)的第一預(yù)測置信度，臨床特征向量是預(yù)測請求端基于待診斷對象的臨床特征數(shù)據(jù)提取得到，第一初始腦血管病風(fēng)險概率及其對應(yīng)的第一預(yù)測置信度由預(yù)測請求端基于臨床特征向量，利用其本地部署的腦血管病風(fēng)險預(yù)測模型生成；

4、基于第一協(xié)同預(yù)測請求和多個候選預(yù)測端的本地樣本數(shù)據(jù)特征，從多個候選預(yù)測端中確定與臨床特征向量匹配的至少一個目標(biāo)預(yù)測端，本地樣本數(shù)據(jù)特征用于表征對應(yīng)候選預(yù)測端在訓(xùn)練其本地部署的腦血管病風(fēng)險預(yù)測模型時，所使用的本地生物樣本庫的數(shù)據(jù)屬性；

5、向每個目標(biāo)預(yù)測端發(fā)送第二協(xié)同預(yù)測請求，第二協(xié)同預(yù)測請求攜帶有臨床特征向量，以使各目標(biāo)預(yù)測端基于臨床特征向量，利用其本地部署的腦血管病風(fēng)險預(yù)測模型，分別生成對應(yīng)的第二初始腦血管病風(fēng)險概率及其對應(yīng)的第二預(yù)測置信度；

6、接收各目標(biāo)預(yù)測端返回的第二初始腦血管病風(fēng)險概率及其對應(yīng)的第二預(yù)測置信度；

7、對第一預(yù)測置信度和各第二預(yù)測置信度進行加權(quán)融合，得到綜合預(yù)測置信度，以及對第一初始腦血管病風(fēng)險概率和各第二初始腦血管病風(fēng)險概率進行加權(quán)融合，得到目標(biāo)腦血管病風(fēng)險概率；

8、將目標(biāo)腦血管病風(fēng)險概率及其對應(yīng)的綜合預(yù)測置信度發(fā)送至預(yù)測請求端。

9、本技術(shù)實施例還提供一種基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測裝置，裝置包括：

10、請求接收單元，用于接收預(yù)測請求端發(fā)送的第一協(xié)同預(yù)測請求，第一協(xié)同預(yù)測請求攜帶有臨床特征向量、第一初始腦血管病風(fēng)險概率及其對應(yīng)的第一預(yù)測置信度，臨床特征向量是預(yù)測請求端基于待診斷對象的臨床特征數(shù)據(jù)提取得到，第一初始腦血管病風(fēng)險概率及其對應(yīng)的第一預(yù)測置信度由預(yù)測請求端基于臨床特征向量，利用其本地部署的腦血管病風(fēng)險預(yù)測模型生成；

11、匹配單元，用于基于第一協(xié)同預(yù)測請求和多個候選預(yù)測端的本地樣本數(shù)據(jù)特征，從多個候選預(yù)測端中確定與臨床特征向量匹配的至少一個目標(biāo)預(yù)測端，本地樣本數(shù)據(jù)特征用于表征對應(yīng)候選預(yù)測端在訓(xùn)練其本地部署的腦血管病風(fēng)險預(yù)測模型時，所使用的本地生物樣本庫的數(shù)據(jù)屬性；

12、請求發(fā)送單元，用于向每個目標(biāo)預(yù)測端發(fā)送第二協(xié)同預(yù)測請求，第二協(xié)同預(yù)測請求攜帶有臨床特征向量，以使各目標(biāo)預(yù)測端基于臨床特征向量，利用其本地部署的腦血管病風(fēng)險預(yù)測模型，分別生成對應(yīng)的第二初始腦血管病風(fēng)險概率及其對應(yīng)的第二預(yù)測置信度；

13、數(shù)據(jù)接收單元，用于接收各目標(biāo)預(yù)測端返回的第二初始腦血管病風(fēng)險概率及其對應(yīng)的第二預(yù)測置信度；

14、加權(quán)融合單元，用于對第一預(yù)測置信度和各第二預(yù)測置信度進行融合，得到綜合預(yù)測置信度，以及對第一初始腦血管病風(fēng)險概率和各第二初始腦血管病風(fēng)險概率進行加權(quán)融合，得到目標(biāo)腦血管病風(fēng)險概率；

15、數(shù)據(jù)發(fā)送單元，用于將目標(biāo)腦血管病風(fēng)險概率及其對應(yīng)的綜合預(yù)測置信度發(fā)送至預(yù)測請求端。

16、本技術(shù)實施例還提供一種電子設(shè)備，包括處理器和存儲器，存儲器存儲有多條指令；處理器從存儲器中加載指令，以執(zhí)行本技術(shù)實施例所提供的任一種基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測方法中的步驟。

17、本技術(shù)實施例還提供一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)存儲有多條指令，指令適于處理器進行加載，以執(zhí)行本技術(shù)實施例所提供的任一種基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測方法中的步驟。

18、本技術(shù)實施例還提供一種計算機程序產(chǎn)品，包括計算機程序/指令，計算機程序/指令被處理器執(zhí)行時實現(xiàn)本技術(shù)實施例所提供的任一種基于分布式生物樣本庫的腦血管病風(fēng)險預(yù)測方法中的步驟。

19、在本技術(shù)中，在接收到預(yù)測請求端發(fā)送的第一協(xié)同預(yù)測請求后，基于第一協(xié)同預(yù)測請求中攜帶的臨床特征向量，結(jié)合多個候選預(yù)測端各自的本地樣本數(shù)據(jù)特征，篩選出與該臨床特征向量最匹配的至少一個目標(biāo)預(yù)測端。由于本地樣本數(shù)據(jù)特征用于表征對應(yīng)候選預(yù)測端在訓(xùn)練其本地部署的腦血管病風(fēng)險預(yù)測模型時所使用的生物樣本庫的數(shù)據(jù)屬性，通過這種匹配機制，所選目標(biāo)預(yù)測端的訓(xùn)練數(shù)據(jù)分布與待診斷對象的臨床特征具有更高的相似性，從而確保目標(biāo)預(yù)測端本地部署的腦血管病風(fēng)險預(yù)測模型在當(dāng)前預(yù)測任務(wù)中具備更強的適用性與可靠性。

20、進一步地，在向每個目標(biāo)預(yù)測端發(fā)送第二協(xié)同預(yù)測請求后，可使各目標(biāo)預(yù)測端基于所述臨床特征向量，利用其本地部署的腦血管病風(fēng)險預(yù)測模型，分別生成對應(yīng)的第二初始腦血管病風(fēng)險概率及其對應(yīng)的第二預(yù)測置信度。由于目標(biāo)預(yù)測端系經(jīng)前述匹配機制篩選所得，其模型輸出更貼合待診斷對象的臨床背景，因而預(yù)測結(jié)果更具針對性和可信度。

21、隨后，在接收到各目標(biāo)預(yù)測端返回的第二初始腦血管病風(fēng)險概率及其對應(yīng)的第二預(yù)測置信度后，加權(quán)融合第一預(yù)測置信度和各第二預(yù)測置信度得到綜合預(yù)測置信度，以及加權(quán)融合第一初始腦血管病風(fēng)險概率和各第二初始腦血管病風(fēng)險概率得到目標(biāo)腦血管病風(fēng)險概率，該融合機制有效整合了來自多個目標(biāo)預(yù)測端本地部署的腦血管病風(fēng)險預(yù)測模型的預(yù)測意見，在充分尊重各目標(biāo)預(yù)測端數(shù)據(jù)主權(quán)與模型獨立性的前提下，實現(xiàn)了高質(zhì)量、高置信的協(xié)同決策。最終，將目標(biāo)腦血管病風(fēng)險概率及其對應(yīng)的綜合預(yù)測置信度返回至預(yù)測請求端，以使預(yù)測請求端能夠獲得兼具高準(zhǔn)確性與高可信度的目標(biāo)腦血管病風(fēng)險概率及其對應(yīng)的綜合預(yù)測置信度，進而支持更科學(xué)、可靠的臨床決策，顯著提升腦血管病早期預(yù)警的有效性與安全性。

22、由此，克服了單中心模型因樣本局限導(dǎo)致的泛化能力不足問題，通過安全協(xié)同外部預(yù)測資源，提升了腦血管病風(fēng)險預(yù)測的準(zhǔn)確性與可靠性。