本技術屬于醫(yī)學人工智能模型以及醫(yī)療健康，特別涉及一種非心臟手術的心腦血管風險術前評估方法、裝置、設備以及存儲介質(zhì)。

背景技術：

1、傳統(tǒng)的非心臟手術的心腦血管風險術前評估方法主要通過醫(yī)生詢問病史、體格檢查、實驗室檢查等手段收集患者信息，然后結合臨床經(jīng)驗進行風險評估。然而，該術前風險評估方法往往只關注患者的生理指標或病史等方面，忽略了心理指標、社會因素等其他重要因素。同時，傳統(tǒng)的心腦血管風險術前診斷在面對結構復雜、信息豐富的術前模態(tài)特征時，高度依賴于醫(yī)生的臨床經(jīng)驗和主觀判斷，這些術前數(shù)據(jù)不僅種類繁多，而且具有高度的異質(zhì)性和異構性，難以通過單一的處理方法進行全面、準確的分析，因此需要醫(yī)生花費大量時間和精力進行人工分析和判斷，不僅極大地降低了診斷和評估的效率，還可能因為人為因素導致誤判或漏判，影響手術方案的制定和患者的治療效果。其次，由于術前數(shù)據(jù)通常包括高清醫(yī)學影像、基因測序信息以及電子病歷記錄等多種不同種類，隨著數(shù)據(jù)量的不斷增長和數(shù)據(jù)復雜性的日益提升，傳統(tǒng)特征建模和分析方法在處理全局特征提取及特征間相關性分析時逐漸顯露出局限性。

2、隨著醫(yī)療技術的不斷進步和臨床需求的日益增長，醫(yī)學人工智能模型在醫(yī)學研究和臨床實踐中發(fā)揮著越來越重要的作用。多模態(tài)醫(yī)學模型能夠高效地整合并融合高清醫(yī)學影像、深入的基因測序信息以及詳盡的電子病歷記錄等多種類型的醫(yī)學數(shù)據(jù)資源，為疾病的準確診斷、風險的科學預測以及個性化的治療方案設計提供了堅實而全面的數(shù)據(jù)支撐，也為心腦血管疾病的精準醫(yī)療和個性化干預提供了強大的支持。然而，由于技術限制、病情進展等原因，某些術前模態(tài)數(shù)據(jù)未能被充分納入到術前風險評估的考量范圍之內(nèi)，會對多模態(tài)醫(yī)學模型的準確性和可靠性造成不利影響，使得模型在預測腦血管風險時可能存在偏差或不足。同時，由于采集到的多模態(tài)數(shù)據(jù)往往具有高異質(zhì)-異構性，難以直接用于清晰表征病理狀態(tài)。因此，如何在充分利用現(xiàn)有術前特征和指標的同時，不犧牲模型性能，優(yōu)化對術前特征和指標的使用，成為了當前腦血管風險術前評估研究中的重要方向。

技術實現(xiàn)思路

1、本技術提供了一種非心臟手術的心腦血管風險術前評估方法、裝置、設備以及存儲介質(zhì)，旨在至少在一定程度上解決現(xiàn)有技術中的上述技術問題之一。

2、為了解決上述問題，本技術提供了如下技術方案：

3、一種非心臟手術的心腦血管風險術前評估方法，包括：

4、利于基于預訓練大模型的術前知識圖譜增強模塊將目標患者的電子病歷記錄文檔鏈接到知識圖譜，構造目標患者的術前知識圖譜，并利用預訓練大模型對所述術前知識圖譜進行風險預測，得到待預測風險的綜合定量評估；

5、分別利于基于特征聚合圖卷積的術前特征全局交互模塊、基于多級低秩矩陣分解的術前圖像特征提取模塊以及基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊對目標患者的多模態(tài)術前數(shù)據(jù)進行特征提取，得到多模態(tài)數(shù)據(jù)特征；其中，所述多模態(tài)術前數(shù)據(jù)包括電子健康記錄數(shù)據(jù)、術前醫(yī)學圖像數(shù)據(jù)以及術前時間序列數(shù)據(jù)，所述多模態(tài)數(shù)據(jù)特征包括數(shù)值型和種類型術前電子健康數(shù)據(jù)特征、術前圖像數(shù)據(jù)特征以及術前時序數(shù)據(jù)特征；

6、利于基于跨模態(tài)全局交叉注意力的術前特征融合模塊對所述多模態(tài)數(shù)據(jù)特征進行跨模態(tài)交互處理以及全局建模與融合，得到完整的心腦血管風險特征；

7、將所述心腦血管風險特征輸入基于多維重構損失的心腦血管風險評估模塊，所述心腦血管風險評估模塊以所述待預測風險的綜合定量評估為指導，并基于多維重構損失輸出目標患者的非心臟手術的心腦血管風險術前評估結果。

8、本技術實施例采取的技術方案還包括：所述利于基于預訓練大模型的術前知識圖譜增強模塊將目標患者的電子病歷記錄文檔鏈接到知識圖譜，構造目標患者的術前知識圖譜，并利用預訓練大模型對所述術前知識圖譜進行風險預測，得到待預測風險的綜合定量評估，具體為：

9、利用問題引導大型語言模型從所述電子病歷記錄文檔中提煉出關鍵信息，對所述關鍵信息進行實體識別，將識別到的每個實體鏈接到所述知識圖譜中的對應節(jié)點，并根據(jù)實體類型和貢獻調(diào)整對應節(jié)點對相關性權重，得到目標患者的術前知識圖譜；

10、利于基于預訓練大模型的協(xié)同風險預測模塊將所述術前知識圖譜轉(zhuǎn)化為半結構化知識圖譜，并將所述半結構化知識圖譜輸入預訓練大模型，利用所述預訓練大模型對待預測風險與各個相關維度之間的關聯(lián)性進行定量評估，得到待預測風險的綜合定量評估。

11、本技術實施例采取的技術方案還包括：所述分別利于基于特征聚合圖卷積的術前特征全局交互模塊、基于多級低秩矩陣分解的術前圖像特征提取模塊以及基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊對目標患者的多模態(tài)術前數(shù)據(jù)進行特征提取，得到多模態(tài)數(shù)據(jù)特征，包括：

12、利于所述基于特征聚合圖卷積的術前特征全局交互模塊對所述電子健康記錄數(shù)據(jù)進行標準化預處理，并對所述標準化預處理后的電子健康記錄數(shù)據(jù)進行特征聚合圖表示，得到數(shù)值型和種類型術前電子健康數(shù)據(jù)特征；其中，所述基于特征聚合圖卷積的術前特征全局交互模塊對特征提取過程包括：將所述電子健康記錄數(shù)據(jù)中的數(shù)值型數(shù)據(jù)進行正態(tài)分布標準化處理，并對種類型數(shù)據(jù)進行獨熱編碼，將數(shù)值型數(shù)據(jù)和種類型數(shù)據(jù)均表示為數(shù)值形式，并將所述數(shù)值形式組合生成數(shù)據(jù)向量x；將所述數(shù)據(jù)向量x升維成方形特征矩陣 h0,并以圖卷積方式構造一個初始化鄰接矩陣 a0和一個度矩陣 d0，使所述數(shù)值型數(shù)據(jù)和種類型數(shù)據(jù)形成相互關聯(lián)的圖表示，并通過多層圖卷積得到最終的數(shù)值型和種類型術前電子健康數(shù)據(jù)特征。

13、本技術實施例采取的技術方案還包括：所述分別利于基于特征聚合圖卷積的術前特征全局交互模塊、基于多級低秩矩陣分解的術前圖像特征提取模塊以及基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊對目標患者的多模態(tài)術前數(shù)據(jù)進行特征提取，得到多模態(tài)數(shù)據(jù)特征，還包括：

14、利于所述基于多級低秩矩陣分解的術前圖像特征提取模塊對所述術前醫(yī)學圖像數(shù)據(jù)進行特征提取，得到術前圖像數(shù)據(jù)特征；其中，所述基于多級低秩矩陣分解的術前圖像特征提取模塊的特征提取過程包括：對所述術前醫(yī)學圖像數(shù)據(jù)進行初步的卷積特征提取，然后采用低秩約束的多級矩陣分解技術將所述術前醫(yī)學圖像數(shù)據(jù)逐級分解為多個低秩表示的矩陣乘積，形成一個新的特征空間，并將所述術前醫(yī)學圖像數(shù)據(jù)投影到新的特征空間，利用投影結果和空間信息重構所述術前醫(yī)學圖像數(shù)據(jù)，得到最終的術前圖像數(shù)據(jù)特征。

15、本技術實施例采取的技術方案還包括：所述分別利于基于特征聚合圖卷積的術前特征全局交互模塊、基于多級低秩矩陣分解的術前圖像特征提取模塊以及基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊對目標患者的多模態(tài)術前數(shù)據(jù)進行特征提取，得到多模態(tài)數(shù)據(jù)特征，還包括：

16、采用所述基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊對所述術前時間序列數(shù)據(jù)進行時域和頻域的多維度表示，并通過周期性分析和主頻分析提取得到具有時頻一致性的術前時序數(shù)據(jù)特征；其中，所述基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊包括時序分析子模塊和頻域分析子模塊，所述時序分析子模塊通過多項式矩陣捕捉所述術前時間序列數(shù)據(jù)的長期趨勢與變化規(guī)律，得到時域特征；所述頻域分析子模塊采用頻域分解將所述術前時間序列數(shù)據(jù)轉(zhuǎn)至頻域，通過采樣得到頻譜幅度最大的序列數(shù)據(jù)，并將其轉(zhuǎn)回時域，得到頻率特征；最后將所述時域特征和頻域特征分別經(jīng)過一層線性層后再進行拼接，得到最終的術前時序數(shù)據(jù)特征。

17、本技術實施例采取的技術方案還包括：所述利于基于跨模態(tài)全局交叉注意力的術前特征融合模塊對所述多模態(tài)數(shù)據(jù)特征進行跨模態(tài)交互處理以及全局建模與融合，得到完整的心腦血管風險特征，具體為：

18、以所述電子健康數(shù)據(jù)特征、術前圖像數(shù)據(jù)特征或術前時序數(shù)據(jù)特征為基線，分別與其他模態(tài)數(shù)據(jù)特征進行交叉注意力計算，使得所述多模態(tài)數(shù)據(jù)特征得到全局交互與相似性建模，然后分別對所述電子健康數(shù)據(jù)特征、術前圖像數(shù)據(jù)特征和術前時序數(shù)據(jù)特征進行一次獨立的自注意力計算，并通過特征對齊得到完整的心腦血管風險特征。

19、本技術實施例采取的技術方案還包括：所述將所述心腦血管風險特征輸入基于多維重構損失的心腦血管風險評估模塊，所述基于多維重構損失的心腦血管風險評估模塊以所述待預測風險的綜合定量評估為指導，輸出目標患者的非心臟手術的心腦血管風險術前評估結果，具體為：

20、所述基于多維重構損失的心腦血管風險評估模塊通過多層感知機聚合心腦血管風險特征，并與激活函數(shù)連接，在所述待預測風險的綜合定量評估的指導下，輸出心腦血管風險預測概率；其中，所述基于多維重構損失的心腦血管風險評估模塊的多維重構損失包括分類交叉熵損失、低秩矩陣分解損失以及時頻域耦合相似性損失，所述分類交叉熵損失用于衡量模型輸出的心腦血管風險預測概率與真實專家先驗知識之間的差異，所述低秩矩陣分解損失用于確保模型能夠提取所述術前圖像數(shù)據(jù)特征中隱含的補充信息，所述時頻域耦合相似性損失用于在反向傳播過程中對模型進行約束與優(yōu)化。

21、本技術實施例采取的另一技術方案為：一種非心臟手術的心腦血管風險術前評估裝置，包括：

22、術前知識圖譜增強模塊：用于將目標患者的電子病歷記錄文檔鏈接到知識圖譜，構造目標患者的術前知識圖譜，并利用預訓練大模型對所述術前知識圖譜進行風險預測，得到待預測風險的綜合定量評估；

23、多模態(tài)特征提取模塊：用于分別利于基于特征聚合圖卷積的術前特征全局交互模塊、基于多級低秩矩陣分解的術前圖像特征提取模塊以及基于并行時頻耦合的術前時序數(shù)據(jù)特征提取模塊對目標患者的多模態(tài)術前數(shù)據(jù)進行特征提取，得到多模態(tài)數(shù)據(jù)特征；其中，所述多模態(tài)術前數(shù)據(jù)包括電子健康記錄數(shù)據(jù)、術前醫(yī)學圖像數(shù)據(jù)以及術前時間序列數(shù)據(jù)，所述多模態(tài)數(shù)據(jù)特征包括數(shù)值型和種類型術前電子健康數(shù)據(jù)特征、術前圖像數(shù)據(jù)特征以及術前時序數(shù)據(jù)特征；

24、術前特征融合模塊：用于采用跨模態(tài)全局交叉注意力對所述多模態(tài)數(shù)據(jù)特征進行跨模態(tài)交互處理以及全局建模與融合，得到完整的心腦血管風險特征；

25、心腦血管風險評估模塊：用于接收輸入的心腦血管風險特征，并以所述待預測風險的綜合定量評估為指導，采用多維重構損失輸出目標患者的非心臟手術的心腦血管風險術前評估結果。

26、本技術實施例采取的又一技術方案為：一種設備，所述設備包括處理器、與所述處理器耦接的存儲器，其中，

27、所述存儲器存儲有用于實現(xiàn)所述非心臟手術的心腦血管風險術前評估方法的程序指令；

28、所述處理器用于執(zhí)行所述存儲器存儲的所述程序指令以控制非心臟手術的心腦血管風險術前評估方法。

29、本技術實施例采取的又一技術方案為：一種存儲介質(zhì)，存儲有處理器可運行的程序指令，所述程序指令用于執(zhí)行所述非心臟手術的心腦血管風險術前評估方法。

30、相對于現(xiàn)有技術，本技術實施例產(chǎn)生的有益效果在于：本技術實施例的非心臟手術的心腦血管風險術前評估方法、裝置、設備以及存儲介質(zhì)以并行多模態(tài)特征提取框架為網(wǎng)絡架構，并引入預訓練大模型、知識圖譜、圖卷積神經(jīng)網(wǎng)絡、低秩矩陣分解等方法對非心臟手術的多模態(tài)術前數(shù)據(jù)進行多維度處理，得到多模態(tài)數(shù)據(jù)特征，利于跨模態(tài)全局交叉注意力對多模態(tài)數(shù)據(jù)特征進行跨模態(tài)交互處理以及全局建模與融合，得到完整的心腦血管風險特征，并基于多維重構損失的心腦血管風險評估模塊以先驗知識為指導進行非心臟手術的心腦血管風險術前評估，不僅提高了非心臟手術的心腦血管風險術前評估的效率與精確度，并優(yōu)化了多模態(tài)數(shù)據(jù)特征的提取和融合流程，提升了模型對心腦血管風險的術前評估能力和泛化能力，并具備良好的可解釋性。此外，本技術實施例還有助于優(yōu)化醫(yī)療資源分配，提高醫(yī)療效率，降低醫(yī)療成本，為探索心腦血管事件的發(fā)病原因和機理等臨床研究提供重要參考。