指标选取方法、装置、可读介质以及电子设备与流程

1.本公开涉及医学数据技术领域，具体地，涉及一种指标选取方法、装置、可读介质以及电子设备。


背景技术：

2.在医学技术领域，如医学的科研领域，通常需要从医学数据中选择合适的指标进行相应的处理。相关技术中，可以利用模型对医学数据进行处理，来选取相应的指标。医学数据可能存在样本数量少，而每个样本的指标很多的情况，使得医学数据呈现出特征空间大而样本空间少的特点。然而，由于医学数据具备该特征空间大而样本空间少的特点，相关技术会舍弃某些指标来进行特征降维，由此会导致通过模型选取出的指标的准确度很低。


技术实现要素：

3.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种指标选取方法，包括：
5.获取医学数据以及所述医学数据的多个指标；
6.对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；
7.确定所述第一类指标中各指标的第一目标权重系数；
8.对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；
9.根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数；
10.根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。
11.第二方面，本公开提供一种指标选取装置，包括：
12.获取模块，被配置为获取医学数据以及所述医学数据的多个指标；
13.分类模块，被配置为对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；
14.第一确定模块，被配置为确定所述第一类指标中各指标的第一目标权重系数；
15.融合模块，被配置为对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；
16.调整模块，被配置为根据所述第一类指标和所述融合指标，对所述第二初始权重
系数进行调整，得到第二目标权重系数；
17.第二确定模块，被配置为根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。
18.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
19.第四方面，本公开提供一种电子设备，包括：
20.存储装置，其上存储有计算机程序；
21.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
22.通过上述技术方案，通过对第二类指标进行融合处理，得到融合指标，相当于将第二类指标中的多个指标回归成一个指标，实现了第二类指标的降维，能够提高后续选取目标指标的效率。且由于选取目标指标的过程中，考虑了第二目标权重系数，所以虽然对第二类指标进行了降维，但第二类指标没有被舍弃，提高了选取出的目标指标的准确性。
23.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
24.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
25.图1是根据一示例性实施例示出的一种指标选取方法的流程图。
26.图2是根据一示例性实施例示出的第一预测模型的训练流程图。
27.图3是根据一示例性实施例示出的指标融合模型的训练流程图。
28.图4是根据一示例性实施例示出的第二预测模型的训练流程图。
29.图5是根据一示例性实施例示出的确定目标指标的流程图。
30.图6是根据一示例性实施例示出的确定初始重要程度的流程图。
31.图7是根据一示例性实施例示出的确定目标指标的流程图。
32.图8是根据一示例性实施例示出的指标消融模型的训练流程图。
33.图9是根据一示例性实施例示出的指标选取模型的训练流程图。
34.图10是根据一示例性实施例示出的指标选取装置的框图。
35.图11是根据一示例性实施例示出的电子设备的结构示意图。
具体实施方式
36.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
37.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
38.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
39.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
40.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
41.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
42.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
43.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
44.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
45.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
46.同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
47.正如背景技术所言，相关技术中，可以利用模型对医学数据进行处理，来选取相应的指标。示例地，可以利用能够提供权重系数的模型，例如，线性模型，来选取相应的指标。然而，仅能通过该种类型的模型选取相应的指标，限制了模型的选择，且这种模型的拟合效果并不好。
48.此外，由于医学数据具备特征空间大而样本空间少的特点，相关技术会通过方差选择等方法进行特征降维，然而该方法会舍弃某些指标来进行特征降维，例如，会舍弃不满足降维条件的指标，由此会导致通过模型选取出的指标的准确度很低。且通过方差选择等方法降维，是采用单纯的数据角度的统计分析，并不具有临床意义。
49.有鉴于此，本公开提出一种指标选取方法、装置、可读介质以及电子设备。
50.图1是根据一示例性实施例示出的一种指标选取方法的流程图，该指标选取方法可以由终端设备执行，参照图1，该指标选取方法可以包括以下步骤：
51.步骤101，获取医学数据以及医学数据的多个指标。
52.其中，医学数据可以是重症医学患者的医学数据，例如，医学数据可以是体检数据。医学数据的多个指标可以是体检指标。值得说明的是，由于重症医学患者比较少，因此，
重症医学患者的医学数据的数量少，然而，该医学数据的多个指标的数量很多。
53.步骤102，对医学数据中的多个指标进行分类，得到第一类指标和第二类指标，第一类指标包括重要程度高于预设阈值的指标，第二类指标包括重要程度低于预设阈值的指标。
54.在一些实施例中，可以根据医生对多个指标各自给出的重要程度对多个指标进行分类，得到第一类指标和第二类指标。医生对多个指标给出的重要程度可以是根据医生的临床经验得到的。
55.在可能的实施方式中，第一类指标和第二类指标各自可以包括至少一种指标。例如，第一类指标可以包括i类指标和ii类指标，第二类指标可以包括iii类指标。
56.示例地，假设使用v来描述由医生给出的每个指标的重要程度，v＝{vi|i＝1,2,3,...,n}，其中，vi表示第i个指标的重要程度，n表示多个指标的总数，以设定阈值α，β为例，当vi大于α时，表示该指标的重要程度为高，该指标为i类指标；当vi小于β时，表示该指标的重要程度为低，该指标为iii类指标；当vi在α和β之间时，表示该类指标的重要程度为未知，该指标为ii类指标，可以理解的，重要程度为未知可以表示医生无法给出该指标的重要程度。相应的，预设阈值可以是示例中的β，由此，第一类指标可以包括两种指标，分别是i类指标和ii类指标，第二类指标可以包括iii类指标。关于设定阈值α和β的具体数值可以根据实际需求灵活设置，本公开对此不做任何限制。
57.在一些实施例中，还可以根据pca(principal component analysis，主成分分析)算法对医学数据中的多个指标进行分类，得到第一类指标和第二类指标。pca算法可以对多个指标的重要程度进行分类，得到重要程度高的第一类指标和重要程度低的第二类指标。
58.本公开通过由医生给出的每个指标的重要程度对多个指标进行分类，使得分类结果更符合临床经验，使得最终选取出的目标指标更具有临床价值。
59.步骤103，确定第一类指标中各指标的第一目标权重系数。
60.在可能的实施方式中，可以根据模型确定第一目标权重系数。在一些实施例中，确定第一类指标中各指标的第一目标权重系数，包括：将第一类指标输入第一预测模型，得到第一预测模型输出的第一目标权重系数。
61.第一预测模型可以是预先训练好的机器学习模型，关于第一预测模型的训练过程可以参见图2及其相关描述，在此不再赘述。
62.步骤104，对第二类指标进行融合处理，得到融合指标，并确定第二类指标的第二初始权重系数。
63.在可能的实施方式中，可以根据模型确定融合指标和第二类指标的第二初始权重系数。在一些实施例中，对第二类指标进行融合处理，得到融合指标，并确定第二类指标的第二初始权重系数，可以包括：将第二类指标输入指标融合模型，得到指标融合模型输出的融合指标和第二初始权重系数。
64.指标融合模型可以是预先训练好的机器学习模型，关于指标融合模型的训练过程可以参见图3及其相关描述，在此不再赘述。
65.步骤105，根据第一类指标和融合指标，对第二初始权重系数进行调整，得到第二目标权重系数。
66.在可能的实施方式中，可以根据模型得到第二目标权重系数。在一些实施例中，根
据第一类指标和融合指标，对第二初始权重系数进行调整，得到第二目标权重系数，可以包括：将第一类指标、融合指标、第一目标权重系数以及第二初始权重系数输入第二预测模型，通过第二预测模型对第二初始权重系数进行调整，得到第二目标权重系数。
67.第二预测模型可以是预先训练好的机器学习模型，关于第二预测模型的训练过程可以参见图4及其相关描述，在此不再赘述。
68.步骤106，根据第一目标权重系数和第二目标权重系数，从多个指标中确定出目标指标。
69.关于确定目标指标的具体细节可以参见下述图5及其相关描述，在此不再赘述。
70.本公开通过对第二类指标进行融合处理，得到融合指标，相当于将第二类指标中的多个指标回归成一个指标，实现了第二类指标的降维，能够提高后续选取目标指标的效率。且由于选取目标指标的过程中，考虑了第二目标权重系数，所以虽然对第二类指标进行了降维，但由于第二类指标没有被舍弃，提高了选取出的目标指标的准确性。
71.图2是根据一示例性实施例示出的第一预测模型的训练流程图，如图2所示，第一预测模型的训练包括以下步骤。
72.步骤201，获取训练样本，训练样本包括医学样本数据以及该医学样本数据的多个指标。
73.其中，医学样本数据可以是重症医学患者的医学数据，例如，医学数据可以是体检数据。医学样本数据的多个指标可以是体检指标。值得说明的是，由于重症医学患者比较少，因此，重症医学患者的医学数据的数量少，由此训练样本的数量少，但每一患者的多个指标的数量多，即每一训练样本的特征的数量多，因此，训练样本具备样本空间少，而特征空间大的特点。
74.步骤202，对医学样本数据中的多个指标进行分类，得到第一类指标和第二类指标。
75.关于步骤202的具体细节与步骤102相同，具体可参见步骤102及其相关描述，在此不再赘述。
76.步骤203，根据训练样本确定第一训练样本，第一训练样本包括医学样本数据中的第一医学样本数据的第一类指标。
77.其中，第一医学样本数据可以是训练样本中的医学数据的部分或全部。训练样本和第一训练样本可以包括多个。示例地，以多个训练样本包括患者1-10各自的多个指标为例，则多个第一训练样本可以包括患者1-10各自的第一类指标，或者包括患者1-8各自的第一类指标。本公开对此不做任何限制。
78.示例地，仍以前述的第一类指标包括i类指标和ii类指标，第二类指标包括iii类指标为例，假设多个指标包括100个，其中，i类指标和ii类指标包括80个，iii类指标包括20个，则每一第一训练样本可以包括对应的患者的80个样本指标，如，第一训练样本1包括患者1的80个样本指标，第一训练样本2包括患者2的80个样本指标，以此类推。
79.步骤204，根据第一训练样本和标注的第一标签，训练得到第一预测模型，第一标签表征第一训练样本的医学参考价值的大小。
80.示例地，以指标为体检指标为例，则第一标签可以表征第一训练样本中的体检指标，能够用于医生评估体检人(如患者)健康度的价值。第一标签可以是根据人工标注得到
的。
81.在一些实施例中，可以根据任意方式训练得到第一预测模型。示例地，在第一预测模型的训练过程中，可以基于多个第一训练样本迭代更新初始第一预测模型的参数。具体的，可以不断地调整初始第一预测模型的参数，以减小各第一训练样本对应的第一损失函数值，使得第一损失函数值收敛，或第一损失函数值小于预设值。当第一损失函数收敛，或第一损失函数值小于预设值时，模型训练完成，得到训练好的第一预测模型。其中，第一损失函数值可以根据任意构建的第一损失函数得到，例如，第一损失函数可以是交叉熵、均方差或者平均绝对误差等。
82.训练好的第一预测模型可以根据输入的第一类指标，输出第一目标权重系数，该第一目标权重系数可以用于表征第一类指标中的各指标对第一预测模型输出的第一预测值的重要程度或影响程度。第一预测值可以用于反映预测的医学参考价值的大小。
83.本公开通过第一训练样本训练得到第一预测模型，由于第一训练样本仅包括第一类指标，相当于剔除了第二类指标，这样使得第一训练样本的指标空间的维度大幅度下降，有利于拟合第一预测模型，使得第一预测模型输出的第一目标权重系数更加准确，进而能够提高后续通过第一目标权重系数选取出的目标指标的准确度。
84.图3是根据一示例性实施例示出的指标融合模型的训练流程图，如图3所示，指标融合模型的训练包括以下步骤。
85.步骤301，根据训练样本确定第二训练样本，第二训练样本包括医学样本数据中的第二医学样本数据的第二类指标，第二医学样本数据和第一医学样本数据属于同一医学数据。
86.示例地，仍以前述第一训练样本的示例为例，由于第二医学样本数据和第一医学样本数据属于同一医学数据，则第二医学样本数据与第一医学样本数据属于相同患者的医学数据，假设多个第一训练样本包括患者1-10各自的前述80个指标，则多个第二训练样本可以包括患者1-10各自的前述20个指标。
87.步骤302，根据第二训练样本和第二标签，训练得到指标融合模型，第二标签是根据第一标签以及第一预测模型对第一训练样本的第一预测值得到的。
88.在一些实施例中，第二标签可以是根据第一标签与第一预测值之间的差异得到的。示例地，仍以前述第一训练样本1“患者1的80个样本指标”为例，假设第一预测模型对该患者1的80个样本指标进行处理，得到的第一预测值为0.75，该第一训练样本1的第一标签为1，则第二训练样本“患者1的20个样本指标”对应的第二标签可以是1-0.75＝0.25。
89.在一些实施例中，可以根据任意方式训练得到指标融合模型。示例地，在指标融合模型的训练过程中，可以基于多个第二训练样本迭代更新初始指标融合模型的参数。具体的，可以不断地调整初始指标融合模型的参数，以减小各第二训练样本对应的第二损失函数值，使得第二损失函数值收敛，或第二损失函数值小于预设值。当第二损失函数收敛，或第二损失函数值小于预设值时，模型训练完成，得到训练好的指标融合模型。其中，第二损失函数值可以根据任意构建的第二损失函数得到，例如，第二损失函数可以是交叉熵、均方差或者平均绝对误差等。
90.训练好的指标融合模型可以根据输入的第二类指标，输出融合指标和第二初始权重系数，该第二初始权重系数可以用于表征第二类指标中的各指标对指标融合模型输出的
第二预测值的重要程度或影响程度。第二预测值可以用于反映预测的医学参考价值的大小。
91.在一些实施例中，指标融合模型的训练过程中，可以通过以下公式(1)表示指标融合模型的训练目标：
92.x
′
＝f(x
iii
；w2)
ꢀꢀꢀ
(1)
93.其中，x
′
表示融合指标，w2表示第二初始权重系数，第二初始权重系数可以是随机确定的，f表示构建的指标融合模型，x
iii
表示第二类指标，例如，前述的iii类指标。
94.示例地，仍以第一类指标包括i类指标和ii类指标，第二类指标包括iii类指标为例，假设i类指标共有m
a1
个，ii类指标共有m2个以及iii类指标共有m3个，则i类指标空间维度为m1，ii类指标空间维度为m2以及iii类指标的空间维度为m3。以m表示所有指标工程，即以m表示多个指标的指标空间，那么m1+m2+m3＝m。则经过指标融合模型输出融合指标x
′
以后，iii类指标空间由m3降为了1。因此，本公开通过指标融合模型可以将第二类指标融合成一个指标，即融合成融合指标，由此可以降低第二类指标的维度，提高指标融合模型的拟合效率，以及提高得到融合指标和第二初始权重系数的效率。
95.图4是根据一示例性实施例示出的第二预测模型的训练流程图，如图4所示，第二预测模型的训练包括以下步骤。
96.步骤401，获取第一预测模型输出的第一目标权重系数，以及指标融合模型输出的融合指标和第二初始权重系数。
97.步骤402，根据融合指标对第一训练样本包括的第一类指标进行指标扩充处理，得到第三训练样本，第三训练样本包括第一类指标和融合指标。
98.示例地，仍以前述示例为例，在i类指标和ii类指标中加入融合指标后，第三训练样本的指标空间的维度变为了m1+m2+1维。相较于原始的训练样本的维度m1+m2+m3维，指标维度大幅度下降。
99.步骤403，将第一目标权重系数作为固定的模型参数，以及将第二初始权重系数作为待调整的模型参数构建初始第二预测模型，并根据第三训练样本迭代调整初始第二预测模型的损失函数的损失值，以调整初始第二预测模型的待调整的模型参数，直至损失函数满足预设条件，得到第二预测模型；其中，损失函数是根据初始第二预测模型对第三训练样本的第三预测值、第一预测模型对第一训练样本的第一预测值、以及指标消融模型对第二训练样本的第二预测值构建的。
100.在一些实施例中，可以通过以下公式(2)表示第二预测模型输出的第三预测值：
101.y＝g(z,w2；x,w1)
ꢀꢀ
(2)
102.其中，y表示第三预测值，g表示第二预测模型，z表示第三训练样本，x表示第三训练样本的样本空间，w1表示第一目标权重系数，w2表示第二初始权重系数。示例地，以多个第三训练样本包括患者1-10的第一类指标和融合指标为例，则z可以表示任一患者的第一类指标和融合指标，x表示这10个患者的第一类指标和融合指标。
103.在一些实施例中，可以通过以下公式(3)表示第二预测模型的损失函数：
[0104][0105]
其中，loss表示第二预测模型的损失函数，y表示初始第二预测模型对第三训练样
本的第三预测值，表示第一预测模型对第一训练样本的第一预测值，表示指标消融模型对第二训练样本的第二预测值，||表示取绝对值。
[0106]
由于初始第二预测模型是通过将第一目标权重系数作为固定的模型参数，以及将第二初始权重系数作为待调整的模型参数构建的，因此，在第二预测模型的训练过程中，第一目标权重系数是被固定的或被锁定的，不会发生变化。通过迭代调整初始第二预测模型的损失函数的损失值，可以调整初始第二预测模型的待调整的模型参数，即可以调整第二初始权重系数，直至损失函数满足预设条件，得到第二目标权重系数。预设条件可以包括损失函数收敛或损失函数的损失值小于预设值。
[0107]
调整第二初始权重系数的过程相当于第二预测模型的调优过程，在调优过程中，由于第一目标权重系数已经固定，因此，针对固定的样本，其回归结果是固定的。
[0108]
本公开的指标融合模型由于是仅通过第三类指标进行训练得到的，模型的参数空间是小的，因此，指标融合模型输出的第二初始权重系数不够准确。进而，本公开通过指标扩充处理，能够扩大第二预测模型的参数空间，重塑第二预测模型的结构，并通过第二预测模型对第二初始权重系数进行调整，可以提高最终得到的第二目标权重系数的准确度，进而提高后续通过第一目标权重系数和第二目标权重系数选取出的目标指标的准确度。
[0109]
本公开的医学样本数据(或医学数据)中的多个指标被分类为第一类指标和第二类指标，由于第一类指标是重要程度高的指标，对模型的预测的影响很大，而第二类指标是重要程度低的指标，对模型的预测的影响很小。因此，针对第二类指标不能通过与第一类指标相同的标签标注方式，得到相应的标签。在第二类指标没有标签的情况下，往往只能采用无监督学习。但是无监督学习只能分类，并且其分类结果是不能用于比较的，例如，无法说明b类比a类好，b类比a类差等，因此，无监督学习得到的分类结果是没有办法将第二类指标融合进行后续的工作的。
[0110]
对此，本公开提出一种双边固定权重的方式，首先确定第一类指标对应的第一目标权重系数，该第一目标权重系数不会再进行调整，相当于被固定。固定第一类指标对应的第一目标权重系数后，再利用指标融合模型，计算第二初始权重系数，之后再利用第二预测模型对第二初始目标权重系数进行调整，得到第二目标权重系数，该第二目标权重系数是最终固定的第二类指标的权重系数。通过将第二类指标中的多个指标回归成一个指标，实现了第二类指标的降维。但由于选取目标指标的过程中，考虑了第二目标权重系数，所以虽然对第二类指标进行了降维，但是第二类指标没有被舍弃，提高了选取出的目标指标的准确性。
[0111]
图5是根据一示例性实施例示出的确定目标指标的流程图，如图5所示，该流程可以包括以下步骤：
[0112]
步骤501，根据第一目标权重系数、第二目标权重系数对融合指标空间中各指标的初始重要程度进行处理，得到融合指标空间中各指标的目标重要程度，其中，融合指标空间包括第一类指标和融合指标，且融合指标空间中各指标的初始重要程度是通过指标消融模型得到的。
[0113]
在一些实施例中，根据第一目标权重系数、第二目标权重系数对融合指标空间中各指标的初始重要程度进行处理，得到融合指标空间中各指标的目标重要程度，可以包括：根据第一目标权重系数与融合指标空间中的第一类指标的初始重要程度进行乘积运算，以
及根据第二目标权重系数与融合指标空间中的融合指标的初始重要程度进行乘积运算，得到融合指标空间中各指标的目标重要程度。
[0114]
示例地，仍以前述第一类指标包括i类指标和ii类指标，第二类指标包括iii类指标，i类指标共有m1个，ii类指标共有m2个以及iii类指标共有m3个，融合指标包括1个为例，则可以通过下述公式(4)和(5)得到融合指标空间中的第一类指标的目标重要程度，以及通过下述公式(6)得到融合指标空间中的融合指标的目标重要程度。
[0115][0116]
其中，li表示第一类指标中的i类指标的目标重要程度，m1表示i类指标的数量或维度，表示第一类指标中的i类指标的初始重要程度，w1表示第一目标权重系数，t表示转置。
[0117][0118]
其中，l
ii
表示第一类指标中的ii类指标的目标重要程度，m2表示ii类指标的数量或维度，表示第一类指标中的ii类指标的初始重要程度，w1表示第一目标权重系数，t表示转置。
[0119][0120]
其中，l
iii
表示融合指标的目标重要程度，m1+m2+1表示融合指标空间中第m1+m2+1个指标，即表示融合指标，表示融合指标的初始重要程度，w2表示第二目标权重系数。在可能的实施例中，w2表示的第二目标权重系数可以包括多个权重系数，由此，可以对l
iii
得到的结果进行加权求平均运算，得到最终的融合指标的目标重要程度。
[0121]
由此可知，通过上述公式(4)-(6)可以得到融合指标空间中各指标的目标重要程度。融合指标空间中各指标的初始重要程度可以是通过指标消融模型得到的，关于通过指标消融模型得到初始重要程度的具体细节可以参见下图6及其相关描述，在此不再赘述。
[0122]
本公开通过根据第一目标权重系数、第二目标权重系数对融合指标空间中各指标的初始重要程度进行处理，得到融合指标空间中各指标的目标重要程度，相当于利用第一目标权重系数和第二目标权重系数对初始重要程度进行调整，可以提高最终得到的目标重要程度的准确性。
[0123]
步骤502，根据目标重要程度对融合指标空间中的所有指标进行排序，得到排序后的目标指标空间。
[0124]
其中，可以根据目标重要程度由大到小的顺序，对融合指标空间中的所有指标进行排序。
[0125]
在一些实施例中，根据目标重要程度对融合指标空间中的所有指标进行排序，得到排序后的目标指标空间，可以包括：根据目标重要程度对融合指标空间中的第一类指标和融合指标进行排序，得到初始指标空间；根据第二目标权重系数对初始指标空间中的融合指标对应的第二类指标进行排序，得到目标指标空间，目标指标空间包括排序后的第一类指标和第二类指标。
[0126]
本公开通过根据第二目标权重系数对初始指标空间中的融合指标对应的第二类指标进行排序，可以对融合指标进行消融，得到融合指标对应的第二类指标在目标指标空
间中的排序结果。可以理解的，第二类指标是在融合指标在初始指标空间中的位置上进行排序的。
[0127]
在可能的实施方式中，可以根据第二目标权重系数由大到小的顺序，对第二类指标进行排序。
[0128]
步骤503，根据目标指标空间，确定目标指标。
[0129]
在一些实施例中，可以通过指标选取模型根据目标指标空间，确定目标指标。关于确定目标指标的具体细节可以参见下述图7及其相关描述，在此不再赘述。
[0130]
图6是根据一示例性实施例示出的确定初始重要程度的流程图，如图6所示，该流程可以包括以下步骤：
[0131]
步骤601，将融合指标空间输入指标消融模型，得到第一输出值。
[0132]
步骤602，依次消除融合指标空间中的每一指标。
[0133]
步骤603，在每次消除指标后，将融合指标空间中除已消除的所有指标以外的剩余指标输入指标消融模型，得到第二输出值，并根据第一输出值和第二输出值之间的差异，得到该次消除的指标的初始重要程度，以得到融合指标空间中各指标的初始重要程度。
[0134]
在一些实施例中，指标消融模型可以是根据剩余指标训练得到的机器学习模型，关于指标消融模型的训练过程可以参见图8及其相关描述，在此不再赘述。
[0135]
示例地，结合前述示例，以融合指标空间为为例，其中，x1表示第一个指标，x2表示第二个指标，表示第m1+m2+1个指标，该第m1+m2+1个指标为融合指标，则可以将指标x1至指标输入指标消融模型，得到第一输出值，再依次消除指标x1，指标x2，
……
，指标在消除指标x1后，将剩余指标“指标x2至指标”输入指标消融模型，得到第二输出值，并根据该第一输出值和第二输出值之间的差异，得到指标x1的初始重要程度。在消除指标x2后，将剩余指标“指标x3至指标”输入指标消融模型，得到第二输出值，并根据该第一输出值和第二输出值之间的差异，得到指标x2的初始重要程度。以此类推，可以得到融合指标空间中各指标的初始重要程度。
[0136]
第一输出值和第二输出值之间的差异可以表征在消除对应的指标后，模型的预测结果或输出值的变化，当输出值的变化越大，即初始重要程度越大，可以认为对应的指标越重要。
[0137]
图7是根据一示例性实施例示出的确定目标指标的流程图，如图7所示，该流程可以包括以下步骤：
[0138]
步骤701，根据目标指标空间中各指标的排序，依次消除获取到的医学数据中的多个指标中每一指标。
[0139]
步骤702，在每次消除多个指标中的任一指标后，将已消除的指标输入指标选取模型，得到指标选取模型输出的预测结果，并根据预测结果确定所述指标选取模型的准确度。
[0140]
步骤703，将最高的准确度对应的已消除的指标，确定为目标指标。
[0141]
示例地，结合前述示例，以目标指标空间为为例，其中，x1表示第一个指标，x2表示第二个指标，表示第个指标，则可以将已消除的指标“指标x
1”输入指标选取模型，得到预测结果，并根据该预测结果确定指标选取模
型的准确度。再依次消除指标x2，将已消除的指标“指标x1和指标x
2”输入指标选取模型，得到预测结果，并根据该预测结果确定指标选取模型的准确度。以此类推，可以得到在消除每一指标后，指标选取模型的准确度。仍以前述示例为例，假设在消除指标x1至x5后，指标选取模型的准确度最高，则可以将指标x1至x5确定为目标指标。指标选取模型的准确度可以是指标选取模型的评价指标。
[0142]
本公开通过根据目标重要程度对融合指标空间中的所有指标进行排序，得到排序后的目标指标空间，可以将越重要的指标排序越靠前，进而在根据目标指标空间确定目标指标的过程中，可以将重要程度靠前的指标越早输入到指标选取模型中，进而提高目标指标的选取效率。
[0143]
图8是根据一示例性实施例示出的指标消融模型的训练流程图，如图8所示，该流程可以包括以下步骤：
[0144]
步骤801，获取第四训练样本，第四训练样本包括剩余指标。
[0145]
步骤802，根据第四训练样本和标注的第三标签，训练得到指标消融模型，第三标签表征第四训练样本的医学参考价值的大小。
[0146]
在一些实施例中，可以根据任意方式训练得到指标消融模型。示例地，在指标消融模型的训练过程中，可以基于多个第四训练样本迭代更新初始指标消融模型的参数。具体的，可以不断地调整初始指标消融模型的参数，以减小各第四训练样本对应的第三损失函数值，使得第三损失函数值收敛，或第三损失函数值小于预设值。当第三损失函数收敛，或第三损失函数值小于预设值时，模型训练完成，得到训练好的指标消融模型。其中，第三损失函数值可以根据任意构建的第三损失函数得到，例如，第三损失函数可以是交叉熵、均方差或者平均绝对误差等。
[0147]
训练好的指标消融模型可以根据输入的指标输出第四预测值，第四预测值可以用于反映预测的医学参考价值的大小。
[0148]
在每次消除融合指标空间中的任一指标后，融合指标空间会发生变化，通过剩余指标训练得到指标消融模型，相当于在每次消除指标后，会根据发生变化后的融合指标空间训练得到对应的指标消融模型。
[0149]
图9是根据一示例性实施例示出的指标选取模型的训练流程图，如图9所示，该流程可以包括以下步骤：
[0150]
步骤901，获取第五训练样本，第五训练样本包括已消除的指标。
[0151]
步骤902，根据第五训练样本和标注的第四标签，训练得到指标选取模型，第四标签表征第五训练样本的医学参考价值的大小。
[0152]
在一些实施例中，可以根据任意方式训练得到指标选取模型。示例地，在指标选取模型的训练过程中，可以基于多个第五训练样本迭代更新初始指标选取模型的参数。具体的，可以不断地调整初始指标选取模型的参数，以减小各第五训练样本对应的第四损失函数值，使得第四损失函数值收敛，或第四损失函数值小于预设值。当第四损失函数收敛，或第四损失函数值小于预设值时，模型训练完成，得到训练好的指标选取模型。其中，第四损失函数值可以根据任意构建的第四损失函数得到，例如，第四损失函数可以是交叉熵、均方差或者平均绝对误差等。
[0153]
训练好的指标选取模型可以根据输入的指标输出第五预测值，第五预测值可以用
于反映预测的医学参考价值的大小。
[0154]
在每次消除多个指标中的任一指标后，由已消除的指标构成的指标空间会发生变化，通过已消除的指标训练得到指标消融模型，相当于在每次消除指标后，会根据发生变化后的指标空间训练得到指标消融模型。
[0155]
值得说明的是，本公开对第一预测模型、指标融合模型、第二预测模型、指标消融模型以及指标选取模型的类型不做任何限制。
[0156]
图10是根据一示例性实施例示出的指标选取装置的框图，如图10所示，该指标选取装置1000可以包括：
[0157]
获取模块1001，被配置为获取医学数据以及所述医学数据的多个指标；
[0158]
分类模块1002，被配置为对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；
[0159]
第一确定模块1003，被配置为确定所述第一类指标中各指标的第一目标权重系数；
[0160]
融合模块1004，被配置为对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；
[0161]
调整模块1005，被配置为根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数；
[0162]
第二确定模块1006，被配置为根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。
[0163]
在一些实施例中，第一确定模块1003进一步被配置为：
[0164]
将所述第一类指标输入第一预测模型，得到所述第一预测模型输出的所述第一目标权重系数，所述装置还包括第一训练模块，所述第一训练模块被配置为：
[0165]
获取训练样本，所述训练样本包括医学样本数据以及该医学样本数据的多个指标；
[0166]
对所述医学样本数据中的多个所述指标进行分类，得到所述第一类指标和所述第二类指标；
[0167]
根据所述训练样本确定第一训练样本，所述第一训练样本包括所述医学样本数据中的第一医学样本数据的所述第一类指标；
[0168]
根据所述第一训练样本和标注的第一标签，训练得到所述第一预测模型，所述第一标签表征所述第一训练样本的医学参考价值的大小。
[0169]
在一些实施例中，所述融合模块1004进一步被配置为：
[0170]
将所述第二类指标输入指标融合模型，得到所述指标融合模型输出的所述融合指标和所述第二初始权重系数，所述装置还包括第二训练模块，所述第二训练模块进一步被配置为：
[0171]
根据所述训练样本确定第二训练样本，所述第二训练样本包括所述医学样本数据中的第二医学样本数据的所述第二类指标，所述第二医学样本数据和所述第一医学样本数据属于同一医学数据；
[0172]
根据所述第二训练样本和第二标签，训练得到所述指标融合模型，所述第二标签
是根据所述第一标签以及所述第一预测模型对所述第一训练样本的第一预测值得到的。
[0173]
在一些实施例中，所述调整模块1005进一步被配置为：
[0174]
将所述第一类指标、所述融合指标、所述第一目标权重系数以及所述第二初始权重系数输入第二预测模型，通过所述第二预测模型对所述第二初始权重系数进行调整，得到所述第二目标权重系数，所述装置还包括第三训练模块，所述第三训练模块被配置为：
[0175]
获取所述第一预测模型输出的所述第一目标权重系数，以及所述指标融合模型输出的所述融合指标和所述第二初始权重系数；
[0176]
根据所述融合指标对所述第一训练样本包括的所述第一类指标进行指标扩充处理，得到第三训练样本，所述第三训练样本包括所述第一类指标和所述融合指标；
[0177]
将所述第一目标权重系数作为固定的模型参数，以及将所述第二初始权重系数作为待调整的模型参数构建初始第二预测模型，并根据所述第三训练样本迭代调整所述初始第二预测模型的损失函数的损失值，以调整所述初始第二预测模型的所述待调整的模型参数，直至所述损失函数满足预设条件，得到所述第二预测模型；
[0178]
其中，所述损失函数是根据所述初始第二预测模型对所述第三训练样本的第三预测值、所述第一预测模型对所述第一训练样本的第一预测值、以及所述指标消融模型对所述第二训练样本的第二预测值构建的。
[0179]
在一些实施例中，所述第二确定模块1006进一步被配置为：
[0180]
根据所述第一目标权重系数、所述第二目标权重系数对融合指标空间中各指标的初始重要程度进行处理，得到所述融合指标空间中各指标的目标重要程度，其中，所述融合指标空间包括所述第一类指标和所述融合指标，且所述融合指标空间中各指标的初始重要程度是通过指标消融模型得到的；
[0181]
根据所述目标重要程度对所述融合指标空间中的所有指标进行排序，得到排序后的目标指标空间；
[0182]
根据所述目标指标空间，确定所述目标指标。
[0183]
在一些实施例中，所述装置还包括：
[0184]
第一输入模块，被配置为将融合指标空间输入指标消融模型，得到第一输出值；
[0185]
第一消除模块，被配置为依次消除所述融合指标空间中的每一指标；
[0186]
第二输入模块，被配置为在每次消除指标后，将所述融合指标空间中除已消除的所有指标以外的剩余指标输入指标消融模型，得到第二输出值，并根据所述第一输出值和所述第二输出值之间的差异，得到该次消除的指标的所述初始重要程度，以得到所述融合指标空间中各指标的所述初始重要程度。
[0187]
在一些实施例中，所述第二确定模块1006进一步被配置为：
[0188]
根据所述第一目标权重系数与所述融合指标空间中的所述第一类指标的所述初始重要程度进行乘积运算，以及根据所述第二目标权重系数与所述融合指标空间中的所述融合指标的所述初始重要程度进行乘积运算，得到所述融合指标空间中各指标的目标重要程度。
[0189]
在一些实施例中，所述第二确定模块1006进一步被配置为：
[0190]
根据所述目标重要程度对所述融合指标空间中的所述第一类指标和所述融合指标进行排序，得到初始指标空间；
[0191]
根据所述第二目标权重系数对所述初始指标空间中的所述融合指标对应的所述第二类指标进行排序，得到所述目标指标空间，所述目标指标空间包括排序后的所述第一类指标和所述第二类指标。
[0192]
在一些实施例中，所述指标消融模型是根据所述剩余指标训练得到的，所述装置还可以包括第四训练模块，所述第四训练模块被配置为：
[0193]
获取第四训练样本，所述第四训练样本包括所述剩余指标；
[0194]
根据所述第四训练样本和标注的第三标签，训练得到所述指标消融模型，所述第三标签表征所述第四训练样本的医学参考价值的大小。
[0195]
在一些实施例中，所述第二确定模块1006进一步被配置为：
[0196]
根据所述目标指标空间中各指标的排序，依次消除获取到的所述医学数据中的所述多个指标中每一指标；
[0197]
在每次消除所述多个指标中的任一指标后，将已消除的指标输入指标选取模型，得到所述指标选取模型输出的预测结果，并根据所述预测结果确定所述指标选取模型的准确度；
[0198]
将最高的所述准确度对应的所述已消除的指标，确定为所述目标指标。
[0199]
在一些实施例中，所述指标选取模型是根据所述已消除的指标训练得到的，所述装置还可以包括第五训练模块，所述第五训练模块被配置为：
[0200]
获取第五训练样本，所述第五训练样本包括所述已消除的指标；
[0201]
根据所述第五训练样本和标注的第四标签，训练得到所述指标选取模型，所述第四标签表征所述第五训练样本的医学参考价值的大小。
[0202]
下面参考图11，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备)1100的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0203]
如图11所示，电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(rom)1102中的程序或者从存储装置1108加载到随机访问存储器(ram)1103中的程序而执行各种适当的动作和处理。在ram 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
[0204]
通常，以下装置可以连接至i/o接口1105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0205]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可
读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1109从网络上被下载和安装，或者从存储装置1108被安装，或者从rom 1102被安装。在该计算机程序被处理装置1101执行时，执行本公开实施例的方法中限定的上述功能。
[0206]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0207]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0208]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0209]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取医学数据以及所述医学数据的多个指标；对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；确定所述第一类指标中各指标的第一目标权重系数；对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数；根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。
[0210]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或
服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0211]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0212]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
[0213]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0214]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0215]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0216]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0217]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上
面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

技术特征：
1.一种指标选取方法，其特征在于，包括：获取医学数据以及所述医学数据的多个指标；对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；确定所述第一类指标中各指标的第一目标权重系数；对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数；根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。2.根据权利要求1所述的指标选取方法，其特征在于，所述确定所述第一类指标中各指标的第一目标权重系数，包括：将所述第一类指标输入第一预测模型，得到所述第一预测模型输出的所述第一目标权重系数，所述第一预测模型的训练包括：获取训练样本，所述训练样本包括医学样本数据以及该医学样本数据的多个指标；对所述医学样本数据中的多个所述指标进行分类，得到所述第一类指标和所述第二类指标；根据所述训练样本确定第一训练样本，所述第一训练样本包括所述医学样本数据中的第一医学样本数据的所述第一类指标；根据所述第一训练样本和标注的第一标签，训练得到所述第一预测模型，所述第一标签表征所述第一训练样本的医学参考价值的大小。3.根据权利要求2所述的指标选取方法，其特征在于，所述对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数，包括：将所述第二类指标输入指标融合模型，得到所述指标融合模型输出的所述融合指标和所述第二初始权重系数，所述指标融合模型的训练包括：根据所述训练样本确定第二训练样本，所述第二训练样本包括所述医学样本数据中的第二医学样本数据的所述第二类指标，所述第二医学样本数据和所述第一医学样本数据属于同一医学数据；根据所述第二训练样本和第二标签，训练得到所述指标融合模型，所述第二标签是根据所述第一标签以及所述第一预测模型对所述第一训练样本的第一预测值得到的。4.根据权利要求3所述的指标选取方法，其特征在于，所述根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数，包括：将所述第一类指标、所述融合指标、所述第一目标权重系数以及所述第二初始权重系数输入第二预测模型，通过所述第二预测模型对所述第二初始权重系数进行调整，得到所述第二目标权重系数，所述第二预测模型的训练包括：获取所述第一预测模型输出的所述第一目标权重系数，以及所述指标融合模型输出的所述融合指标和所述第二初始权重系数；
根据所述融合指标对所述第一训练样本包括的所述第一类指标进行指标扩充处理，得到第三训练样本，所述第三训练样本包括所述第一类指标和所述融合指标；将所述第一目标权重系数作为固定的模型参数，以及将所述第二初始权重系数作为待调整的模型参数构建初始第二预测模型，并根据所述第三训练样本迭代调整所述初始第二预测模型的损失函数的损失值，以调整所述初始第二预测模型的所述待调整的模型参数，直至所述损失函数满足预设条件，得到所述第二预测模型；其中，所述损失函数是根据所述初始第二预测模型对所述第三训练样本的第三预测值、所述第一预测模型对所述第一训练样本的第一预测值、以及所述指标消融模型对所述第二训练样本的第二预测值构建的。5.根据权利要求1或4所述的指标选取方法，其特征在于，所述根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标，包括：根据所述第一目标权重系数、所述第二目标权重系数对融合指标空间中各指标的初始重要程度进行处理，得到所述融合指标空间中各指标的目标重要程度，其中，所述融合指标空间包括所述第一类指标和所述融合指标，且所述融合指标空间中各指标的初始重要程度是通过指标消融模型得到的；根据所述目标重要程度对所述融合指标空间中的所有指标进行排序，得到排序后的目标指标空间；根据所述目标指标空间，确定所述目标指标。6.根据权利要求5所述的指标选取方法，其特征在于，所述方法还包括：将融合指标空间输入指标消融模型，得到第一输出值；依次消除所述融合指标空间中的每一指标；在每次消除指标后，将所述融合指标空间中除已消除的所有指标以外的剩余指标输入指标消融模型，得到第二输出值，并根据所述第一输出值和所述第二输出值之间的差异，得到该次消除的指标的所述初始重要程度，以得到所述融合指标空间中各指标的所述初始重要程度。7.根据权利要求5所述的指标选取方法，其特征在于，根据所述第一目标权重系数、所述第二目标权重系数对融合指标空间中各指标的初始重要程度进行处理，得到所述融合指标空间中各指标的目标重要程度，包括：根据所述第一目标权重系数与所述融合指标空间中的所述第一类指标的所述初始重要程度进行乘积运算，以及根据所述第二目标权重系数与所述融合指标空间中的所述融合指标的所述初始重要程度进行乘积运算，得到所述融合指标空间中各指标的目标重要程度。8.根据权利要求5所述的指标选取方法，其特征在于，根据所述目标重要程度对所述融合指标空间中的所有指标进行排序，得到排序后的目标指标空间，包括：根据所述目标重要程度对所述融合指标空间中的所述第一类指标和所述融合指标进行排序，得到初始指标空间；根据所述第二目标权重系数对所述初始指标空间中的所述融合指标对应的所述第二类指标进行排序，得到所述目标指标空间，所述目标指标空间包括排序后的所述第一类指标和所述第二类指标。
9.根据权利要求6所述的指标选取方法，其特征在于，所述指标消融模型是根据所述剩余指标训练得到的，所述指标消融模型的训练包括：获取第四训练样本，所述第四训练样本包括所述剩余指标；根据所述第四训练样本和标注的第三标签，训练得到所述指标消融模型，所述第三标签表征所述第四训练样本的医学参考价值的大小。10.根据权利要求5或8所述的指标选取方法，其特征在于，所述根据所述目标指标空间，确定所述目标指标，包括：根据所述目标指标空间中各指标的排序，依次消除获取到的所述医学数据中的所述多个指标中每一指标；在每次消除所述多个指标中的任一指标后，将已消除的指标输入指标选取模型，得到所述指标选取模型输出的预测结果，并根据所述预测结果确定所述指标选取模型的准确度；将最高的所述准确度对应的所述已消除的指标，确定为所述目标指标。11.根据权利要求10所述的指标选取方法，其特征在于，所述指标选取模型是根据所述已消除的指标训练得到的，所述指标选取模型的训练包括：获取第五训练样本，所述第五训练样本包括所述已消除的指标；根据所述第五训练样本和标注的第四标签，训练得到所述指标选取模型，所述第四标签表征所述第五训练样本的医学参考价值的大小。12.一种指标选取装置，其特征在于，包括：获取模块，被配置为获取医学数据以及所述医学数据的多个指标；分类模块，被配置为对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；第一确定模块，被配置为确定所述第一类指标中各指标的第一目标权重系数；融合模块，被配置为对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；调整模块，被配置为根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数；第二确定模块，被配置为根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-11中任一项所述方法的步骤。14.一种电子设备，其特征在于，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-11中任一项所述方法的步骤。

技术总结
本公开涉及一种指标选取方法、装置、可读介质以及电子设备，所述方法包括：获取医学数据以及所述医学数据的多个指标；对所述医学数据中的多个所述指标进行分类，得到第一类指标和第二类指标，所述第一类指标包括重要程度高于预设阈值的指标，所述第二类指标包括重要程度低于所述预设阈值的指标；确定所述第一类指标中各指标的第一目标权重系数；对所述第二类指标进行融合处理，得到融合指标，并确定所述第二类指标的第二初始权重系数；根据所述第一类指标和所述融合指标，对所述第二初始权重系数进行调整，得到第二目标权重系数；根据所述第一目标权重系数和所述第二目标权重系数，从多个所述指标中确定出目标指标。多个所述指标中确定出目标指标。多个所述指标中确定出目标指标。


技术研发人员：孙巧杰 徐千一 孙永樯 孙牧
受保护的技术使用者：东软集团股份有限公司
技术研发日：2023.06.09
技术公布日：2023/10/7