买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨理工大学;黑龙江省网络空间研究中心(黑龙江省信息安全测评中心)申请的专利一种疾病分期的智能预测方法、电子设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116631624B 。

龙图腾网通过国家知识产权局官网在2026-01-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310597899.9，技术领域涉及：G16H50/30；该发明授权一种疾病分期的智能预测方法、电子设备及存储介质是由赵石磊;王浩丞;马超;叶子;黄海;曲家兴设计研发完成，并于2023-05-25向国家知识产权局提交的专利申请。

本一种疾病分期的智能预测方法、电子设备及存储介质在说明书摘要公布了：一种疾病分期的智能预测方法、电子设备及存储介质，属于智能医疗技术领域。为解决通过智能医疗帮助疾病分期诊断的问题。本发明采集某种疾病的病例数据，进行数据清洗，构建医疗数据集；进行特征值提取，得到特征值集合F1；构建医疗知识图谱；提取疾病分期的关键词集合在医疗知识图谱中进行一跳查询，得到医疗知识图谱的子图集合输入到GDLN模型中得到GDLN模型输出的节点特征集合R1；将F1划分为数值类型特征集合F2、文本类型特征集合F3，将F2进行归一化处理，将F3进行遮蔽处理，得到融合后的集合R2；以横向连接的方式融合R1和R2，然后输入到深度前馈神经网络模型，进行对疾病不同分期的预测。本发明用于疾病分期预测。

本发明授权一种疾病分期的智能预测方法、电子设备及存储介质在权利要求书中公布了：1.一种疾病分期的智能预测方法，其特征在于，包括如下步骤： S1、采集某种疾病的病例数据，进行数据清洗，构建医疗数据集； S2、将步骤S1得到的医疗数据集进行特征值提取，得到特征值集合F1； S3、构建步骤S1所述的某种疾病的医疗知识图谱； S4、提取步骤S2得到的特征值集合F1中的疾病分期的关键词集合K，将得到的关键词集合K在步骤S3构建的某种疾病的医疗知识图谱中进行一跳查询，得到某种疾病的医疗知识图谱的子图集合G； S5、将步骤S4得到的某种疾病的医疗知识图谱的子图集合G输入到GDLN模型中进行训练，得到GDLN模型输出的节点特征集合R1； 步骤S5的具体实现方法包括如下步骤： S5.1、设置步骤S4得到的某种疾病的医疗知识图谱的子图集合G包括n个节点，每个节点的特征表示为一个D维向量； S5.2、将G中的一个节点的特征输入到GDLN模型中，设置D的邻接矩阵为A，A为n×n维矩阵，则得输出的节点特征的表达式为： ； 其中，为第L层的节点特征，为GDLN模型的激活函数，为第L-1层到第L层的权重矩阵，为的度矩阵，为第L-1层的节点特征，为图的邻接矩阵； S5.3、将步骤S4得到的某种疾病的医疗知识图谱的子图集合G中的所有节点特征输入到步骤S5.2的GDLN模型中进行训练，得到GDLN模型输出的节点特征集合为R1； S6、将步骤S2得到的特征值集合F1划分为数值类型特征集合F2、文本类型特征集合F3，将数值类型特征集合F2进行归一化处理，将文本类型特征集合F3输入到MH-BERT模型中进行遮蔽处理，得到MH-BERT模型输出的节点特征，然后以横向连接的方式融合处理后的F2和F3，得到融合后的集合R2； 步骤S6的具体实现方法包括如下步骤： S6.1、将数值类型特征集合F2进行归一化处理：将数值类型特征集合F2中的特征值的实际值减去均值后除以标准差，得到的归一化处理后的特征满足均值为0，标准差为1的正态分布，表达式为： ； 其中，为数值类型特征集合F2中的特征值，为平均数，为标准差； S6.2、将文本类型特征集合F3输入到MH-BERT模型中进行遮蔽处理： S6.2.1、构建MH-BERT模型，表达式为： ； ； 其中，为文本特征集F3中的特征值，为MH-BERT模型第一层遮蔽层的输入，为MH-BERT模型第一层遮蔽层的输出； S6.2.2、每个遮蔽层的输出会被传递到下一个遮蔽层进行进一步的处理，表达式为： ； ； 其中，为第L-1层的输出，为第L层遮蔽层的输入，为第L层遮蔽层的输出； 直到最后一层输出整个序列，得到MH-BERT模型输出的节点特征； S6.3、以横向连接的方式融合步骤S6.1处理后的F2和步骤S6.2处理后的F3，得到融合后的集合R2； S7、以横向连接的方式融合R1和R2，然后输入到深度前馈神经网络模型，进行对疾病不同分期的预测； 步骤S7的具体实现方法包括如下步骤： S7.1、以横向连接的方式融合步骤S5得到的R1和步骤S6得到的R2，得到集合R； S7.2、将步骤S7.1得到的集合R中的特征输入到深度前馈神经网络模型，进行对疾病不同分期的预测； S7.2.1、构建深度前馈神经网络模型，表达式为： ； 其中，为输入的数据，为前馈神经网络模型的第一隐藏层的输出，为前馈神经网络模型的第一层的权重，为前馈神经网络模型的第一层的偏置项； 构建Relu函数作为隐藏层的激活函数，Relu函数的表达式为： ； 其中，为对前馈神经网络模型的隐藏层的输出进行非线性变换运算的结果，h为前馈神经网络模型的隐藏层的输出； 构建Softmax函数作为输出层的激活函数以解决多分类问题，Softmax函数的表达式为： ； 其中，为第i个节点的输出值，C为疾病分期的个数； S7.2.2、前一个隐藏层的输出会作为后一个隐藏层的输入用于后续的计算，表达式为：； 其中，为第L-2隐藏层的输出，为第L-1隐藏层的输出，和分别为第L-1层的权重和偏置项； S7.2.3、最终得到输入层的神经元个数对应R1与R2中特征值的个数，输出层的神经元个数对应疾病分期的个数，即得到标签D={d1,d2,…,dn}，其中d1至dn为已确诊疾病分期，采用分类交叉熵作为损失函数，以提高对不同疾病分期预测的准确度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨理工大学;黑龙江省网络空间研究中心(黑龙江省信息安全测评中心)，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。