血管阻塞等级的预测方法、装置、模型、设备及介质与流程

1.本技术涉及智能医疗技术领域，具体涉及一种血管阻塞等级的预测方法、装置、模型、设备及介质。


背景技术：

2.目前最广泛使用的冠心病诊断方法是通过冠状动脉造影手术，但这种手术可能对患者造成一定的身体损伤，并伴有一些并发症和不良反应。此外，冠状动脉造影价格昂贵，对患者造成经济负担。
3.随着计算机技术的发展，机器学习被用于血管阻塞情况的预测，但是大多数现有方法中，预测时所使用的风险评估指标很少，没有考虑患者的整体情况，且现有的深度学习算法大多数只能通过分析冠状动脉造影图像来进行预测，但由于冠状动脉造影的一系列缺点，所以对冠状动脉血管阻塞预测的准确率普遍较低，不能满足医学应用的要求。


技术实现要素：

4.本技术实施例针对上述情况，提出了一种一种血管阻塞等级的预测方法、装置、模型、设备及介质，以期提供一种成本低、更快速、有效、准确地诊断冠状动脉血管阻塞的方法。
5.第一方面，本技术实施例提供了一种血管阻塞等级的预测方法，所述方法包括：
6.接收目标患者的预测信息，所述预测信息包括基础信息和查体信息；
7.将所述预测信息输入至血管阻塞等级预测模型执行多血管预测任务，其中，所述血管阻塞等级预测模型为多任务训练模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；
8.输出预测结果，所述预测结果为至少一个血管的阻塞等级的单一结果。
9.第二方面，本技术实施例还提供了一种血管阻塞等级的预测装置，所述装置包括：
10.接收单元，用于接收目标患者的预测信息，所述预测信息包括基础信息和查体信息；
11.预测单元，用于将所述预测信息输入至血管阻塞等级预测模型以执行多血管预测任务，其中，所述血管阻塞等级预测模型为多任务训练模型，包括依次连接的异步的优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；
12.输出单元，用于输出至少一个血管的阻塞等级的预测结果或者多个血管的阻塞等级的综合结果。
13.第三方面，本技术实施例还提供了一种血管阻塞等级预测模型，所述模型为多任务训练模型，包括依次连接的异步的优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；
14.所述异步的优势行动者评论家算法网络，用于接收目标患者的预测信息，并对预测信息进行处理，得到第一输出向量和第一参数；
15.所述双向长短期记忆人工神经网络，用于以所述第一参数作为初始参数，对所述第一输出向量进行处理，得到第二参数和第二输出向量；
16.所述渐进式神经网络，用于以所述第二参数作为初始参数，对所述第二输出向量进行处理和结果预测，得到预测结果，所述预测结果包括少一个血管的阻塞等级的单一结果或者多个血管的阻塞等级的综合结果
17.第四方面，本技术实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一的方法。
18.第五方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述任一的方法。
19.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
20.本技术一种设计了一种血管阻塞等级预测模型，该模型为多任务训练模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络，在进行血管阻塞情况的预测时，将目标患者的基础信息和查体信息作为模型的输入，经过预测可得到一条或者多条血管的阻塞等级。本技术通过多任务学习获得血管阻塞等级预测模型，患者无需进行冠状动脉造影，即可得到高准确度的冠状动脉阻塞风险预测结果，即可以减轻患者的手术风险和经济负担，同时辅助医生进行准确的诊断；且成本低、速度快、准确度高、实用性强，尤其适用于有冠状动脉阻塞或者冠心病风险的患者。
附图说明
21.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
22.图1示出了根据本技术的一个实施例的血管阻塞等级的预测方法的流程示意图；
23.图2示出了根据本技术的一个实施例的血管阻塞等级预测模型的结构示意图；
24.图3示出了根据本技术的另一个实施例的血管阻塞等级预测模型的结构示意图；
25.图4示出了根据本技术的一个实施例的血管阻塞等级的预测装置的结构示意图；
26.图5为本技术实施例中一种电子设备的结构示意图。
具体实施方式
27.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.以下结合附图，详细说明本技术各实施例提供的技术方案。
29.本技术的构思在于，针对现有技术中血管阻塞预测模型准确度较低的情况，设计可一种血管阻塞等级预测模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络，该模型为多任务训练模型，不仅能够显著提高血管阻塞程度预测的准确定，且成本低、速度快，实用性强。
30.图1示出了根据本技术的一个实施例的血管阻塞等级的预测方法的流程示意图，从图1可以看出，所述方法至少包括步骤s110～步骤s130：
31.步骤s110：接收目标患者的预测信息，所述预测信息包括基础信息和查体信息。
32.首先获取待预测的目标患者的预测信息，其中预测信息包括但不限于基础信息和查体信息，其中，基础信息可以指患者的年龄、性别、家族病史等等基础性的信息，查体信息可以指患者在诊疗过程中的检查结果，如血常规、彩超等等。
33.在本技术的一些实施例中，基础信息包括但不限于目标患者的性别、年龄、糖尿病病史、血压、血糖、心率、是否胸痛、冠心病家族史；查体信息包括但不限于心脏彩色多普勒超声心动图报告及血液生化检测18项指标，其中血液生化检测18项指标包括：载脂蛋白b、载脂蛋白a、载脂蛋白e、天冬氨酸氨基转移酶、总胆固醇、肌酸激酶、磷酸肌酸激酶同工酶、肌钙蛋白、乳酸脱氢酶、脂蛋白a、肌红蛋白定量、非酯化脂肪酸、前白蛋白、甘油三酯、总蛋白、高密度脂蛋白、低密度脂蛋白、前白蛋白。
34.步骤s120：将所述预测信息输入至血管阻塞等级预测模型执行多血管预测任务，其中，所述血管阻塞等级预测模型为多任务训练模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络。
35.本技术设计了血管阻塞等级预测模型，图2示出了根据本技术的一个实施例的血管阻塞等级预测模型的结构示意图，从图2可以看出，血管阻塞等级预测模型200包括：依次连接的异步优势行动者评论家算法网络210、双向长短期记忆人工神经网络220、和渐进式神经网络230；其中，异步优势行动者评论家算法网络210作为血管阻塞等级预测模型200的输入端，渐进式神经网络230作为血管阻塞等级预测模型200的输出端。
36.将上述的目标患者的预测信息输入至血管阻塞等级预测模型200，其会依次经历异步优势行动者评论家算法网络210、双向长短期记忆人工神经网络220、和渐进式神经网络230，然后输出结果。血管阻塞等级预测模型200中的数据流转可以简单米描述为：预测信息被输入异步优势行动者评论家算法网络210(asynchronous advantage actor-critic，简称a3c)进行处理，a3c为异步多线程算法,相当于多线程并行运算，可以提高强化学习训练的速度，将异步优势行动者评论家算法网络210的输出记为第一输出向量；然后第一输出向量进入双向长短期记忆人工神经网络220(bi-lstm)中，双向lstm增加了序列反向的信息，参数变多，信息变多，预测效果得到优化，将双向长短期记忆人工神经网络220的输出，记为第二输出向量；然后第二输出向量进入渐进式神经网络230(progressive neural networks)，渐进式神经网络可以在一系列序列任务中存储迁移的知识，通过逐层推进提取有价值的特征，完成知识的迁移。这种渐进式深度强化学习方法的优点在于，对于新任务，在训练过程中保留了前一个训练模型的隐藏层状态，并将前一个网络中每个隐藏层的有用特征分层组合,使渐进式学习具有长期依赖的先验知识，渐进式神经网络230输出预测结果。
37.这里需要说明的是，血管阻塞等级预测模型200是一个多任务的训练模型，每一个任务对应一条血管的预测任务。针对心脏而言，其主要包括八支冠状动脉血管：左主干、左前降支、左回旋支、钝缘支、右冠状动脉、左冠状动脉、左心室后支和后降支，在构建血管阻塞等级预测模型200时，针对每一支冠状动脉血管设置一个任务，从而形成多任务的血管阻塞等级预测模型200。
38.步骤s130：输出预测结果，所述预测结果为至少一个血管的阻塞等级的单一结果。
39.预测完成后，输出预测结果，预测结果为一根血管或者多根血管的阻塞等级的单一结果，所谓“单一结果”指的是每一根血管的阻塞程度，仍然以心脏的血管为例，预测结果为八支冠状动脉血管中的一支或几支的阻塞等级，在一些实施例中，将阻塞等级划分为四个级别，分别为i级、ii级、iii级、iv级，来表征血管的不同阻塞程度。
40.在本技术的另一些实施例中，在渐进式神经网络230后还可以连接一全连接层，请参考图3，图3示出了根据本技术的另一个实施例的血管阻塞等级预测模型的结构示意图，相较于图2示出了的血管阻塞等级预测模型，图3中的血管阻塞等级预测模型增设了全连接层240，全连接层240用于根据多个血管的单一结果确定多个血管所属器官的综合结果，其中综合结果可以表征一个器官整体由于血管阻塞造成的危险程度，在一些实施例中，可以将综合结果划分为多个等级，如危重、高危、一般、轻微等，对此本技术不作限定。具体的，可以基于全连接层240，对隶属于同一器官的多条血管的单一结果进行处理，即可得到该器官的阻塞等级的综合结果。
41.由图1所示的方法可以看出，本技术一种设计了一种血管阻塞等级预测模型，该模型为多任务训练模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络，在进行血管阻塞情况的预测时，将目标患者的基础信息和查体信息作为模型的输入，经过预测可得到一条或者多条血管的阻塞等级。本技术通过多任务学习获得血管阻塞等级预测模型，患者无需进行冠状动脉造影，即可得到高准确度的冠状动脉阻塞风险预测结果，即可以减轻患者的手术风险和经济负担，同时辅助医生进行准确的诊断；且成本低、速度快、准确度高、实用性强，尤其适用于有冠状动脉阻塞或者冠心病风险的患者。
42.在本技术的一些实施例中，所述血管阻塞等级预测模型是根据下述方法训练得到的：获取训练数据集，所述训练数据集包括多个训练样本，各所述训练样本包括一位患者的基础信息和查体信息以及对应的标签；构建所述血管阻塞等级预测模型；基于所述血管阻塞等级预测模型，对各所述训练样本执行多任务训练，得到各所述训练样本的学习结果；根据各所述训练样本的学习结果以及对应的标签，对所述血管阻塞等级预测模型中的参数进行更新，得到血管阻塞等级预测模型。
43.其中，所述构建所述血管阻塞等级预测模型，包括：基于所述异步优势行动者评论家算法网络，构建多个并行环境，各所述并行环境分别包含一个智能体，各所述智能体执行一条血管的预测任务；将所述异步优势行动者评论家算法网络的输出连接所述双向长短期记忆人工神经网络的输入；基于所述渐进式神经网络，构建与各智能体分别对应的血管预测任务，并将所述长短期记忆人工神经网络的的输出作为所述渐进式神经网络的输入，形成所述血管阻塞等级预测模型。
44.在进行模型训练时，首先构建训练数据集，所述训练数据集包括多个训练样本，每个训练样本包括一位患者的信息，信息包括基础信息和查体信息，并且对每个训练样本进行标注，得到对应的标签。
45.然后构建血管阻塞等级预测模型，具体的，基于所述异步优势行动者评论家算法网络，构建多个并行环境，各所述并行环境分别包含一个智能体，各所述智能体执行一条血管的预测任务。a3c算法用于预训练支持创建多个并行环境，在这些并行环境中，具有二级
结构的多个智能体(agent)将同时更新主结构中的参数，因此，降低了更新的相关性，提高了收敛性，使用a3c方法作为训练算法可以以更快的训练速度解决一般强化学习方法中出现的不收敛问题。然后，将所述异步优势行动者评论家算法网络的输出连接所述双向长短期记忆人工神经网络的输入，双向lstm增加了序列反向，降低了过拟合风险。最后，基于所述渐进式神经网络，构建与各智能体分别对应的血管预测任务，并将所述长短期记忆人工神经网络的的输出作为所述渐进式神经网络的输入，即可形成如图2所示的血管阻塞等级预测模型200。渐进神经网络通过为每个任务实例化一个新的神经网络来防止灾难性遗忘，同时通过横向连接到先前学习的列的特征来实现转移，渐进式神经网络可以逐层迁移知识并提取有价值的特征，在渐进式神经网络模型中，从一个冠状动脉血管分支中学习到的知识(即信息)，可以用于预测另一个冠状动脉分支，当某个冠状动脉分支的数据较少时，可以利用数据较多的冠状动脉分支的知识迁移到冠状动脉分支的预测中，即使在某个冠状动脉分支数据缺失较多时，也可以通过知识迁移来保证较高的预测准确性。
46.在本技术的另一些实施例中，还可将渐进式神经网络的输出连接一个全连接层，即可得到如图3所示的血管阻塞等级预测模型200，其中全连接层的作用是根据多个血管的单一结果确定多个血管所属器官的综合结果。
47.在对血管阻塞等级预测模型200进行训练时，将训练数据集中的每一个训练样本依次输入其中，进行参数传播，直到达到收敛标准或者达到训练数量，结束训练，即可得到优化后的血管阻塞等级预测模型。
48.对于一个训练样本，将其输入至所述血管阻塞等级预测模型；基于异步优势行动者评论家算法网络，对所述训练样本进行深度强化学习，得到第一参数和第一输出向量；基于所述双向长短期记忆人工神经网络，以所述第一参数作为初始参数，对所述第一输出向量进行深度强化学习，得到第二参数和第二输出向量；基于所述渐进式神经网络，以所述第二参数作为初始参数，对所述第二输出向量进行深度强化学习和结果预测，得到学习结果。
49.即对于一个训练样本，第一步是通过异步的优势行动者评论家算法进行深度强化学习预训练，a3c为异步多线程算法,相当于多线程并行运算，可以提高强化学习训练的速度，将a3c的输出记为第一输出向量，并且将这一步得到的训练参数，记为第一参数。然后，从第一步的a3c中获得的第一参数以及第一输出向量用作第二步bi-lstm网络的输入，单向lstm仅保留过去的信息，而双向lstm增加了序列反向的信息，参数变多，信息变多，预测效果得到优化，bi-lstm的输出记为第二输出向量，并且将这一步得到的训练参数，记为第二参数。最后，第二步bi-lstm训练后得到的第二参数和第二输出向量将用作渐进式神经网络(progressive neural networks)的输入，进行第三步的训练，并输出结果。在渐进式深度强化学习中，对于新任务，在训练过程中保留了前一个训练模型的隐藏层状态，并将前一个网络中每个隐藏层的有用特征分层组合,使渐进式学习具有长期依赖的先验知识。
50.在另一些实施例中，如图3所示的模型，第三输出向量还经过全连接层240，从而得到目标器官的综合结果。
51.图4示出了根据本技术的一个实施例的血管阻塞等级的预测装置的结构示意图，从图4可以看出，所述血管阻塞等级的预测装置400包括：
52.接收单元410，用于接收目标患者的预测信息，所述预测信息包括基础信息和查体信息；
component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
63.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
64.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成血管阻塞等级的预测装置。处理器，执行存储器所存放的程序，并具体用于执行前述方法。
65.上述如本技术图4所示实施例揭示的血管阻塞等级的预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
66.该电子设备还可执行图4中血管阻塞等级的预测装置执行的方法，并实现血管阻塞等级的预测装置在图4所示实施例的功能，本技术实施例在此不再赘述。
67.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图4所示实施例中血管阻塞等级的预测装置执行的方法，并具体用于执行前述方法。
68.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
69.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
70.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
71.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
72.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
73.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
74.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
75.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的同一要素。
76.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
77.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种血管阻塞等级的预测方法，其特征在于，所述方法包括：接收目标患者的预测信息，所述预测信息包括基础信息和查体信息；将所述预测信息输入至血管阻塞等级预测模型执行多血管预测任务，其中，所述血管阻塞等级预测模型为多任务训练模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；输出预测结果，所述预测结果为至少一个血管的阻塞等级的单一结果。2.根据权利要求1所述的方法，其特征在于，所述血管阻塞等级预测模型是根据下述方法训练得到的：获取训练数据集，所述训练数据集包括多个训练样本，各所述训练样本包括一位患者的基础信息和查体信息以及对应的标签；构建所述血管阻塞等级预测模型；基于所述血管阻塞等级预测模型，对各所述训练样本执行多任务训练，得到各所述训练样本的学习结果；根据各所述训练样本的学习结果以及对应的标签，对所述血管阻塞等级预测模型中的参数进行更新，得到血管阻塞等级预测模型。3.根据权利要求2所述的方法，其特征在于，所述构建所述血管阻塞等级预测模型，包括：基于所述异步优势行动者评论家算法网络，构建多个并行环境，各所述并行环境分别包含一个智能体，各所述智能体执行一条血管的预测任务；将所述异步优势行动者评论家算法网络的输出连接所述双向长短期记忆人工神经网络的输入；基于所述渐进式神经网络，构建与各智能体分别对应的血管预测任务，并将所述长短期记忆人工神经网络的的输出作为所述渐进式神经网络的输入，形成所述血管阻塞等级预测模型。4.根据权利要求2所述的方法，其特征在于，所述基于所述血管阻塞等级预测模型，对各所述训练样本执行多任务训练，得到各所述训练样本的学习结果，包括：对于一个训练样本，将所述训练样本输入至所述血管阻塞等级预测模型；基于异步优势行动者评论家算法网络，对所述训练样本进行深度强化学习，得到第一参数和第一输出向量；基于所述双向长短期记忆人工神经网络，以所述第一参数作为初始参数，对所述第一输出向量进行深度强化学习，得到第二参数和第二输出向量；基于所述渐进式神经网络，以所述第二参数作为初始参数，对所述第二输出向量进行深度强化学习和结果预测，得到学习结果。5.根据权利要求1所述的方法，其特征在于，所述血管的数量为多条，且多条所述血管属于同一器官，所述渐进式神经网络的输出端还连接全连接层；所述方法还包括：基于所述全连接层，根据各所述血管的单一结果，确定所述器官的阻塞等级的综合结果。6.根据权利要求1～5任一项所述的方法，其特征在于，所述基础信息包括所述目标患
者的性别、年龄、糖尿病病史、血压、血糖、心率、是否胸痛、以及冠心病家族史；所述查体信息包括心脏超声结果、以及血液生化检测结果。7.一种血管阻塞等级的预测装置，其特征在于，所述装置包括：接收单元，用于接收目标患者的预测信息，所述预测信息包括基础信息和查体信息；预测单元，用于将所述预测信息输入至血管阻塞等级预测模型以执行多血管预测任务，其中，所述血管阻塞等级预测模型为多任务训练模型，包括依次连接的异步的优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；输出单元，用于输出至少一个血管的阻塞等级的预测结果或者多个血管的阻塞等级的综合结果。8.一种血管阻塞等级预测模型，其特征在于，所述模型为多任务训练模型，包括依次连接的异步的优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；所述异步的优势行动者评论家算法网络，用于接收目标患者的预测信息，并对预测信息进行处理，得到第一输出向量和第一参数；所述双向长短期记忆人工神经网络，用于以所述第一参数作为初始参数，对所述第一输出向量进行处理，得到第二参数和第二输出向量；所述渐进式神经网络，用于以所述第二参数作为初始参数，对所述第二输出向量进行处理和结果预测，得到预测结果，所述预测结果包括少一个血管的阻塞等级的单一结果或者多个血管的阻塞等级的综合结果。9.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～6所述方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～6所述方法。

技术总结
本申请公开了一种血管阻塞等级的预测方法、装置、模型、设备及介质，其方法包括：接收目标患者的预测信息，预测信息包括基础信息和查体信息；将预测信息输入至血管阻塞等级预测模型执行多血管预测任务，血管阻塞等级预测模型为多任务训练模型，包括依次连接的异步优势行动者评论家算法网络、双向长短期记忆人工神经网络、和渐进式神经网络；输出预测结果，预测结果为至少一个血管的阻塞等级的单一结果。本申请中患者无需进行冠状动脉造影，即可得到高准确度的冠状动脉阻塞风险预测结果，即可以减轻患者的手术风险和经济负担，又辅助医生进行准确的诊断；且成本低、速度快、准确度高、实用性强，尤其适用于有冠状动脉阻塞或者冠心病风险的患者。的患者。的患者。


技术研发人员：李烨
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.04.23
技术公布日：2023/8/13