【技術實現步驟摘要】
本專利技術涉及人工智能領域，具體來說涉及人工智能領域中的醫療任務模型構建技術，更具體地說，涉及一種基于模型聯邦網絡的多中心醫療任務模型構建方法。
技術介紹
1、隨著醫療數據的爆炸性增長和多醫療中心協作需求的日益增強，如何有效實現多醫療中心之間的協作與數據共享成為了一個亟待解決的關鍵問題。聯邦學習技術憑借其獨特的分布式學習框架脫穎而出，成為了推動醫療數據共享和任務模型訓練的重要工具。聯邦學習通過允許各醫療中心在不直接交換原始數據的前提下，共同訓練一個全局模型，既保護了數據隱私和安全，又促進了醫療知識的共享與創新。具體來說，聯邦學習技術使用一個中央服務器協調包括多輪通訊的聯邦訓練過程；在每輪聯邦訓練過程中，中央服務器將聯邦聚合后的全局模型參數發送至各個參與方(醫療中心)；然后，各個參與方基于本地數據和接收到的全局模型參數重新訓練本地模型，并將重新訓練的本地模型參數傳回中央服務器；最后，中央服務器基于接收到的各個參與方的本地模型參數進行聯邦聚合更新全局模型。由此可知，聯邦學習技術中的分布式學習框架不僅緩解了數據孤島問題，還為跨醫療中心的醫療數據處理開辟了新途徑。
2、雖然聯邦學習技術在推動多醫療中心協作與數據共享方面取得了一定的進展，但是，現有的聯邦學習技術也存在幾方面的問題。一是數據約束問題：醫療數據通常具有高度敏感性、復雜性和質量差異性，各醫療中心在數據共享和使用上受到嚴格的法律和倫理限制，這使得任務模型的有效訓練和更新面對巨大挑戰。盡管聯邦學習技術通過分布式學習框架避免了直接交換原始醫療數據，但在實際操作中，各醫療中
3、綜上所述，現有的聯邦學習技術在多醫療中心協作與數據共享中雖然取得了一定的進展，但是在數據約束、任務模型更新、模型適應性和泛化能力、模型安全與隱私保護以及模型選擇和多任務適配等方面仍存在顯著問題和不足。
4、需要說明的是：本
技術介紹
僅用于介紹本專利技術的相關信息，以便于幫助理解本專利技術的技術方案，但并不意味著相關信息必然是現有技術。在沒有證據表明相關信息已在本專利技術的申請日以前公開的情況下，相關信息不應被視為現有技術。
技術實現思路
1、因此，本專利技術的目的在于克服上述現有技術的缺陷，提供一種基于模型聯邦網絡的多中心醫療任務模型構建方法和一種醫療數據分類方法。
2、本專利技術的目的是通過以下技術方案實現的。
3、根據本專利技術的第一方面，提供一種基于模型聯邦網絡的多中心醫療任務模型構建方法，所述模型聯邦網絡由分布于多個醫療中心的所有任務模型構成，且每個醫療中心包括一個或多個任務模型，所述模型聯邦網絡包括多種不同任務類型的任務模型，其中，任務模型包括多層神經網絡層，每層神經網絡層包括多個神經元，所述方法包括：響應于醫療中心的模型構建需求并在該醫療中心執行如下步驟：獲取當前醫療中心的模型構建需求，并基于模型構建需求從該醫療中心選擇對應的任務模型作為原始任務模型；從模型聯邦網絡中選擇一個或多個與原始任務模型任務類型一致的來自于其他醫療中心的外部任務模型；對原始任務模型和每一個外部任務模型分別進行特征歸因分析以得到原始任務模型和每一個外部任務模型的模型量化評估結果，所述模型量化評估結果表征模型能夠識別的與任務相關的關鍵特征以及與關鍵特征相關的神經元；以圖匹配方式計算原始任務模型與各個外部任務模型之間的結構相似度，所述結構相似度表征原始任務模型與各個外部任務模型之間對應神經網絡層中各個神經元的相似度；基于模型量化評估結果和結構相似度，按照預設的方式將原始任務模型中神經網絡層的神經元參數與各個外部任務模型對應神經網絡層的神經元參數進行加權融合得到目標醫療任務模型。
4、在本專利技術的一些實施例中，所述預設的方式為：基于結構相似度從每一個外部任務模型中選擇與原始任務模型中對應神經元的相似度大于或等于預設閾值的神經元作為融合神經元，并基于模型量化評估結果將每一個外部任務模型中未被選擇的與關鍵特征相關的神經元也作為融合神經元；將所有的融合神經元參數與原始任務模型中對應的神經元參數進行加權融合得到目標醫療任務模型。
5、在本專利技術的一些實施例中，每個醫療中心配置有多個用于執行模型增量融合的智能體，所述方法還包括：響應于醫療中心的增量任務，以該醫療中心構建的目標醫療任務模型作為初始任務模型，采用智能體從其他醫療中心獲取與增量任務相對應的任務模型來對初始任務模型進行模型增量融合處理，得到融合后的醫療任務模型。
6、在本專利技術的一些實施例中，所述增量任務被拆分為多個子任務后分配給不同的智能體執行，每個子任務對應一個或多個智能體，每一個智能體執行各自分配的子任務并將任務執行結果傳遞給與該智能體所執行的子任務相關聯的其他智能體，以使其他智能體結合所收到的任務執行結果執行自身的子任務并將自身的任務執行結果繼續傳遞給下一個智能體，直至所有智能體均完成子任務后得到融合后的醫療任務模型；其中，所述增量任務被拆分為模型能力評估子任務、模型路由調度子任務和模型增量融合子任務；模型能力評估子任務用于評估任務模型執行不同任務的能力以確定目標融合任務模型；模型路由調度子任務用于確定目標融合任務模型的融合順序；模型增量融合子任務用于將目標融合任務模型與初始醫療任務模型進行增量融合。
7、在本專利技術的一些實施例中，執行模型能力評估子任務的智能體按照如下方式執行模型能力評估子任務：基于當前醫療中心的增量任務，從模型聯邦網絡中選擇多個與增量任務對應的來自于其他醫療中心的任務模型作為待融合任務模型；按照預設的評分方式對每一個待融合任務模型分別進行評分，并從評分結果中選擇大于等于預設分數的本文檔來自技高網...
【技術保護點】
1.一種基于模型聯邦網絡的多中心醫療任務模型構建方法，所述模型聯邦網絡由分布于多個醫療中心的所有任務模型構成，且每個醫療中心包括一個或多個任務模型，所述模型聯邦網絡包括多種不同任務類型的任務模型，其中，任務模型包括多層神經網絡層，每層神經網絡層包括多個神經元，其特征在于，所述方法包括：響應于醫療中心的模型構建需求并在該醫療中心執行如下步驟：
2.根據權利要求1所述的方法，其特征在于，所述預設的方式為：
3.根據權利要求2所述的方法，其特征在于，每個醫療中心配置有多個用于執行模型增量融合的智能體，所述方法還包括：響應于醫療中心的增量任務，以該醫療中心構建的目標醫療任務模型作為初始任務模型，采用智能體從其他醫療中心獲取與增量任務相對應的任務模型來對初始任務模型進行模型增量融合處理，得到融合后的醫療任務模型。
4.根據權利要求3所述的方法，其特征在于，所述增量任務被拆分為多個子任務后分配給不同的智能體執行，每個子任務對應一個或多個智能體，每一個智能體執行各自分配的子任務并將任務執行結果傳遞給與該智能體所執行的子任務相關聯的其他智能體，以使其他智能體結
5.根據權利要求4所述的方法，其特征在于，執行模型能力評估子任務的智能體按照如下方式執行模型能力評估子任務：
6.根據權利要求5所述的方法，其特征在于，執行模型路由調度子任務的智能體按照如下方式執行模型路由調度子任務：
7.根據權利要求6所述的方法，其特征在于，執行模型增量融合子任務的智能體按照如下方式執行模型增量融合子任務：
8.一種醫療數據分類方法，其特征在于，所述方法包括：
9.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機程序，所述計算機程序可被處理器執行以實現權利要求1-8中任一項所述方法的步驟。
10.一種電子設備，其特征在于，包括：
...【技術特征摘要】
1.一種基于模型聯邦網絡的多中心醫療任務模型構建方法，所述模型聯邦網絡由分布于多個醫療中心的所有任務模型構成，且每個醫療中心包括一個或多個任務模型，所述模型聯邦網絡包括多種不同任務類型的任務模型，其中，任務模型包括多層神經網絡層，每層神經網絡層包括多個神經元，其特征在于，所述方法包括：響應于醫療中心的模型構建需求并在該醫療中心執行如下步驟：
2.根據權利要求1所述的方法，其特征在于，所述預設的方式為：
3.根據權利要求2所述的方法，其特征在于，每個醫療中心配置有多個用于執行模型增量融合的智能體，所述方法還包括：響應于醫療中心的增量任務，以該醫療中心構建的目標醫療任務模型作為初始任務模型，采用智能體從其他醫療中心獲取與增量任務相對應的任務模型來對初始任務模型進行模型增量融合處理，得到融合后的醫療任務模型。
4.根據權利要求3所述的方法，其特征在于，所述增量任務被拆分為多個子任務后分配給不同的智能體執行，每個子任務對應一個或多個智能體，每一個智能體執行各自分配的子任務并將任務執行結果傳遞給與該智能體所執行的子任務相關聯的其他智能體，以使其他智能體結合所收到的任務執行結果執行自身的...
【專利技術屬性】
技術研發人員：陳益強，陳前，蔣鑫龍，高晨龍，張騰，黃武亮，閆冰潔，
申請(專利權)人：中國科學院計算技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。