本發(fā)明屬于基于白內(nèi)障檢測的數(shù)據(jù)處理，特別涉及一種基于白內(nèi)障檢測的數(shù)據(jù)處理方法及系統(tǒng)。

背景技術(shù)：

1、白內(nèi)障是全球范圍內(nèi)導(dǎo)致失明的主要原因之一，尤其在老年人群體中發(fā)病率較高?，F(xiàn)有的白內(nèi)障臨床檢測依賴專業(yè)眼科醫(yī)生通過裂隙燈圖像、眼底影像等醫(yī)療數(shù)據(jù)進行人工判讀，這種傳統(tǒng)數(shù)據(jù)處理方式存在兩大技術(shù)瓶頸：一是人工標(biāo)注效率低下，單例樣本標(biāo)注需耗時?5-10分鐘；二是受限于醫(yī)療資源分布不均。

2、隨著人工智能技術(shù)在醫(yī)療影像領(lǐng)域的應(yīng)用，利用ai技術(shù)進行疾病篩查成為可能，但現(xiàn)有的ai技術(shù)在數(shù)據(jù)利用和決策精度上存在不足，尤其是在權(quán)重優(yōu)化環(huán)節(jié)。

3、現(xiàn)有權(quán)重優(yōu)化環(huán)節(jié)主要依賴溫度參數(shù)控制搜索過程，其收斂速度和全局搜索能力受限于固定降溫策略，難以在醫(yī)療數(shù)據(jù)高維度、小樣本場景下實現(xiàn)精準(zhǔn)權(quán)重分配。另外還可能存在易早熟收斂、計算復(fù)雜度高等問題，在處理復(fù)雜醫(yī)療數(shù)據(jù)時同樣面臨挑戰(zhàn)。這均導(dǎo)致了白內(nèi)障檢測效果不佳的問題。

技術(shù)實現(xiàn)思路

1、基于此，本發(fā)明實施例當(dāng)中提供了一種基于白內(nèi)障檢測的數(shù)據(jù)處理方法及系統(tǒng)，旨在通過整合多維度數(shù)據(jù)，并運用獨特的熵流漫游算法確定各類數(shù)據(jù)類型在ai決策中的權(quán)重，提高基于白內(nèi)障檢測的數(shù)據(jù)處理結(jié)果的準(zhǔn)確性和可靠性。

2、本發(fā)明實施例的第一方面提供了一種基于白內(nèi)障檢測的數(shù)據(jù)處理方法，所述方法包括：

3、獲取用戶的用于進行白內(nèi)障檢測的不同維度的歷史數(shù)據(jù)，并根據(jù)不同維度的歷史數(shù)據(jù)，對ai決策模型進行訓(xùn)練，所述歷史數(shù)據(jù)至少包括用戶基礎(chǔ)數(shù)據(jù)以及與白內(nèi)障檢測相關(guān)的眼部數(shù)據(jù)；

4、獲取待分析數(shù)據(jù)，將所述待分析數(shù)據(jù)輸入訓(xùn)練好的ai決策模型中，輸出分析結(jié)果；

5、其中，在對ai決策模型進行訓(xùn)練的過程中，采用熵流漫游算法不斷調(diào)整不同維度數(shù)據(jù)的權(quán)重，以優(yōu)化模型的性能，具體的，對不同維度的歷史數(shù)據(jù)進行預(yù)處理，并將預(yù)處理后的數(shù)據(jù)進行少樣本量相關(guān)性分析，得到相關(guān)性分析結(jié)果；

6、根據(jù)所述相關(guān)性分析結(jié)果，為不同維度的數(shù)據(jù)分配初始權(quán)重；

7、根據(jù)所述初始權(quán)重，通過模擬高熵態(tài)向低熵態(tài)的自適應(yīng)切換機制，在解空間中實現(xiàn)全局最優(yōu)搜索，輸出不同維度數(shù)據(jù)的最優(yōu)權(quán)重向量。

8、進一步的，所述將預(yù)處理后的數(shù)據(jù)進行少樣本量相關(guān)性分析，得到相關(guān)性分析結(jié)果的步驟中，少樣本量相關(guān)性分析的計算公式為：

9、

10、其中，di為第i個樣本中數(shù)據(jù)類型與分析結(jié)果的等級差，n為樣本數(shù)量，rs為相關(guān)性分析結(jié)果。

11、進一步的，所述根據(jù)所述相關(guān)性分析結(jié)果，為不同維度的數(shù)據(jù)分配初始權(quán)重的步驟中，初始權(quán)重表示為：

12、

13、其中，為第j類數(shù)據(jù)的初始權(quán)重，rsj為第j類數(shù)據(jù)與白內(nèi)障分析結(jié)果的斯皮爾曼等級相關(guān)系數(shù)，rsk為第k類數(shù)據(jù)與白內(nèi)障分析結(jié)果的斯皮爾曼等級相關(guān)系數(shù)，m為數(shù)據(jù)類型的總數(shù)量。

14、進一步的，所述根據(jù)所述初始權(quán)重，通過模擬高熵態(tài)向低熵態(tài)的自適應(yīng)切換機制，在解空間中實現(xiàn)全局最優(yōu)搜索，輸出不同維度數(shù)據(jù)的最優(yōu)權(quán)重向量的步驟包括：

15、定義熵流勢函數(shù)，并設(shè)置初始熵流強度；

16、通過標(biāo)準(zhǔn)正態(tài)分布隨機數(shù)生成擾動項，結(jié)合當(dāng)前熵流強度計算新權(quán)重向量，并執(zhí)行歸一化處理以保證權(quán)重之和為1；

17、計算當(dāng)前狀態(tài)與擾動狀態(tài)的熵差，并根據(jù)熵差結(jié)果，獲取不同解；

18、控制動態(tài)熵衰減過程滿足指數(shù)衰減特性，以保證在有限步驟內(nèi)收斂；

19、當(dāng)熵流強度小于終止熵值時，輸出最優(yōu)權(quán)重向量。

20、進一步的，所述通過標(biāo)準(zhǔn)正態(tài)分布隨機數(shù)生成擾動項，結(jié)合當(dāng)前熵流強度計算新權(quán)重向量的步驟中，擾動公式為：

21、

22、其中，w'為新的權(quán)重，w為當(dāng)前權(quán)重，β為擾動系數(shù)，sk為當(dāng)前熵流強度，randn（）為生成標(biāo)準(zhǔn)正態(tài)分布隨機數(shù)的函數(shù)。

23、進一步的，所述計算當(dāng)前狀態(tài)與擾動狀態(tài)的熵差，并根據(jù)熵差結(jié)果，獲取不同解的步驟中，熵差的計算公式為：

24、

25、其中，δe為熵差，e（w'）為擾亂狀態(tài)的熵流能量，e（w）當(dāng)前狀態(tài)的熵流能量；

26、當(dāng)時，接受新解；

27、當(dāng)時，以概率，接受新解。

28、本發(fā)明實施例的第二方面提供了一種基于白內(nèi)障檢測的數(shù)據(jù)處理系統(tǒng)，用于實現(xiàn)第一方面提供的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，所述系統(tǒng)包括：

29、訓(xùn)練模塊，用于獲取用戶的不同維度的歷史數(shù)據(jù)，并根據(jù)不同維度的歷史數(shù)據(jù)，對ai決策模型進行訓(xùn)練；

30、輸入模塊，用于獲取待分析數(shù)據(jù)，將所述待分析數(shù)據(jù)輸入訓(xùn)練好的ai決策模型中，輸出分析結(jié)果；

31、其中，在對ai決策模型進行訓(xùn)練的過程中，采用熵流漫游算法不斷調(diào)整不同維度數(shù)據(jù)的權(quán)重，以優(yōu)化模型的性能，具體的，對不同維度的歷史數(shù)據(jù)進行預(yù)處理，并將預(yù)處理后的數(shù)據(jù)進行少樣本量相關(guān)性分析，得到相關(guān)性分析結(jié)果；

32、根據(jù)所述相關(guān)性分析結(jié)果，為不同維度的數(shù)據(jù)分配初始權(quán)重；

33、根據(jù)所述初始權(quán)重，通過模擬高熵態(tài)向低熵態(tài)的自適應(yīng)切換機制，在解空間中實現(xiàn)全局最優(yōu)搜索，輸出不同維度數(shù)據(jù)的最優(yōu)權(quán)重向量。

34、本發(fā)明實施例的第三方面提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)第一方面提供的基于白內(nèi)障檢測的數(shù)據(jù)處理方法。

35、本發(fā)明實施例的第四方面提供了一種電子設(shè)備，包括存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)第一方面提供的基于白內(nèi)障檢測的數(shù)據(jù)處理方法。

36、本發(fā)明實施例當(dāng)中提供的一種基于白內(nèi)障檢測的數(shù)據(jù)處理方法及系統(tǒng)，該方法通過獲取用戶的不同維度的歷史數(shù)據(jù)，并根據(jù)不同維度的歷史數(shù)據(jù)，對ai決策模型進行訓(xùn)練；獲取待分析數(shù)據(jù)，將待分析數(shù)據(jù)輸入訓(xùn)練好的ai決策模型中，輸出分析結(jié)果；其中，在對ai決策模型進行訓(xùn)練的過程中，采用熵流漫游算法不斷調(diào)整不同維度數(shù)據(jù)的權(quán)重，以優(yōu)化模型的性能，具體的，熵流漫游算法通過熵流勢函數(shù)與動態(tài)平衡機制優(yōu)化權(quán)重分配，可自適應(yīng)調(diào)節(jié)搜索范圍，更適合醫(yī)療數(shù)據(jù)的復(fù)雜特性，最終提高了基于白內(nèi)障檢測的數(shù)據(jù)處理結(jié)果的準(zhǔn)確性和可靠性。

技術(shù)特征：

1.一種基于白內(nèi)障檢測的數(shù)據(jù)處理方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，其特征在于，所述將預(yù)處理后的數(shù)據(jù)進行少樣本量相關(guān)性分析，得到相關(guān)性分析結(jié)果的步驟中，少樣本量相關(guān)性分析的計算公式為：

3.根據(jù)權(quán)利要求2所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，其特征在于，所述根據(jù)所述相關(guān)性分析結(jié)果，為不同維度的數(shù)據(jù)分配初始權(quán)重的步驟中，初始權(quán)重表示為：

4.根據(jù)權(quán)利要求3所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，其特征在于，所述根據(jù)所述初始權(quán)重，通過模擬高熵態(tài)向低熵態(tài)的自適應(yīng)切換機制，在解空間中實現(xiàn)全局最優(yōu)搜索，輸出不同維度數(shù)據(jù)的最優(yōu)權(quán)重向量的步驟包括：

5.根據(jù)權(quán)利要求4所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，其特征在于，所述通過標(biāo)準(zhǔn)正態(tài)分布隨機數(shù)生成擾動項，結(jié)合當(dāng)前熵流強度計算新權(quán)重向量的步驟中，擾動公式為：

6.根據(jù)權(quán)利要求5所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，其特征在于，所述計算當(dāng)前狀態(tài)與擾動狀態(tài)的熵差，并根據(jù)熵差結(jié)果，獲取不同解的步驟中，熵差的計算公式為：

7.一種基于白內(nèi)障檢測的數(shù)據(jù)處理系統(tǒng)，其特征在于，用于實現(xiàn)如權(quán)利要求1-6任一項所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法，所述系統(tǒng)包括：

8.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-6任一項所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法。

9.一種電子設(shè)備，其特征在于，包括存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1-6任一項所述的基于白內(nèi)障檢測的數(shù)據(jù)處理方法。

技術(shù)總結(jié)
本發(fā)明提供了一種基于白內(nèi)障檢測的數(shù)據(jù)處理方法及系統(tǒng)，該方法通過獲取用戶的不同維度的歷史數(shù)據(jù)，并根據(jù)不同維度的歷史數(shù)據(jù)，對AI決策模型進行訓(xùn)練；獲取待分析數(shù)據(jù)，將待分析數(shù)據(jù)輸入訓(xùn)練好的AI決策模型中，輸出分析結(jié)果；其中，在對AI決策模型進行訓(xùn)練的過程中，采用熵流漫游算法不斷調(diào)整不同維度數(shù)據(jù)的權(quán)重，以優(yōu)化模型的性能，具體的，熵流漫游算法通過熵流勢函數(shù)與動態(tài)平衡機制優(yōu)化權(quán)重分配，可自適應(yīng)調(diào)節(jié)搜索范圍，更適合醫(yī)療數(shù)據(jù)的復(fù)雜特性，最終提高了基于白內(nèi)障檢測的數(shù)據(jù)處理結(jié)果的準(zhǔn)確性和可靠性。

技術(shù)研發(fā)人員：徐楊超,王思夢,劉喜芒,劉溢雯,陳娟娟,唐婧雯,葉暄妮,汪子顏,彭鑫,操阿雷,何倩宇
受保護的技術(shù)使用者：江西展群科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/29