本公開涉及醫(yī)學(xué)與人工智能系統(tǒng)，具體涉及基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、正頜手術(shù)是一項(xiàng)針對面部骨骼畸形進(jìn)行矯正的復(fù)雜外科手術(shù)，其目標(biāo)在于改善患者的面部功能與外觀，同時(shí)提高生活質(zhì)量。然而，正頜手術(shù)涉及面部解剖結(jié)構(gòu)的深度調(diào)整，具有高風(fēng)險(xiǎn)性和較強(qiáng)的個(gè)體化特征，因此需要在手術(shù)對患者的風(fēng)險(xiǎn)等級進(jìn)行全面、科學(xué)的評估。有效的風(fēng)險(xiǎn)評估不僅能夠幫助醫(yī)生制定個(gè)性化的手術(shù)方案，還能降低手術(shù)風(fēng)險(xiǎn)，提高術(shù)后恢復(fù)效率和患者滿意度。

3、近年來，機(jī)器學(xué)習(xí)方法逐漸應(yīng)用于醫(yī)療領(lǐng)域，為復(fù)雜問題的解決提供了強(qiáng)有力的工具，在正頜手術(shù)風(fēng)險(xiǎn)評估中，通過建立基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測模型，有望從多維數(shù)據(jù)中提取關(guān)鍵信息并進(jìn)行精確分類。

4、現(xiàn)有的機(jī)器學(xué)習(xí)方法中仍然存在以下問題：

5、1）利用生成對抗網(wǎng)絡(luò)對正頜手術(shù)數(shù)據(jù)進(jìn)行擴(kuò)充，但是僅僅依賴對抗損失，生成的正頜手術(shù)數(shù)據(jù)與真實(shí)的正頜手術(shù)數(shù)據(jù)分布往往存在偏差，尤其在涉及復(fù)雜高階特征時(shí)，無法保證生成樣本的真實(shí)性；

6、2）傳統(tǒng)全連接神經(jīng)網(wǎng)絡(luò)在特征提取時(shí)，容易出現(xiàn)梯度消失或梯度爆炸問題，且優(yōu)化過程可能陷入局部最優(yōu)，導(dǎo)致提取的特征不夠穩(wěn)定或完整；

7、3）現(xiàn)有的降維方法多基于固定的變換或映射，缺乏對正頜手術(shù)數(shù)據(jù)內(nèi)部結(jié)構(gòu)的深度挖掘，降維后特征的表達(dá)能力有限，難以充分保留原始正頜手術(shù)數(shù)據(jù)中的關(guān)鍵信息；

8、4）傳統(tǒng)支持向量機(jī)在分類過程中，無法有效處理模糊性和噪聲數(shù)據(jù)，分類結(jié)果易受異常值和數(shù)據(jù)不確定性的影響，導(dǎo)致分類性能下降。

技術(shù)實(shí)現(xiàn)思路

1、本公開為了解決上述問題，提出了基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)，通過循環(huán)一致性的生成對抗網(wǎng)絡(luò)擴(kuò)充正頜手術(shù)數(shù)據(jù)，利用動(dòng)態(tài)自適應(yīng)振蕩算法對正頜手術(shù)數(shù)據(jù)進(jìn)行內(nèi)在結(jié)構(gòu)以及模式的特征提取，經(jīng)過基于潛在空間映射的自編碼器對正頜手術(shù)數(shù)據(jù)內(nèi)在結(jié)構(gòu)和模式動(dòng)態(tài)調(diào)整特征權(quán)重，實(shí)現(xiàn)特征降維；再利用基于模糊約束的支持向量機(jī)處理正頜手術(shù)數(shù)據(jù)中的不確定性和噪聲，實(shí)現(xiàn)風(fēng)險(xiǎn)分類，增強(qiáng)分類器的魯棒性并提高分類精度。

2、根據(jù)一些實(shí)施例，本公開采用如下技術(shù)方案：

3、基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)，包括：

4、數(shù)據(jù)獲取模塊，被配置為獲取待評估患者的正頜手術(shù)數(shù)據(jù)，并預(yù)處理；

5、風(fēng)險(xiǎn)評估系統(tǒng)，被配置為將預(yù)處理后的患者的正頜手術(shù)數(shù)據(jù)輸入至風(fēng)險(xiǎn)分類模型，得到正頜手術(shù)風(fēng)險(xiǎn)評估的輔助分類結(jié)果；

6、其中，在所述風(fēng)險(xiǎn)分類模型中，首先，采用基于循環(huán)一致性的生成對抗網(wǎng)絡(luò)對正頜手術(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充；針對擴(kuò)充后的正頜手術(shù)數(shù)據(jù)，采用基于動(dòng)態(tài)自適應(yīng)振蕩的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提?。辉賹⑻崛〉母呔S特征，利用基于潛在空間映射的自編碼器進(jìn)行特征降維，將輸入的高維特征映射到低維的潛在空間表示，采用特征自適應(yīng)優(yōu)化機(jī)制，根據(jù)輸入特征的統(tǒng)計(jì)特性和相關(guān)性進(jìn)行編碼器參數(shù)的動(dòng)態(tài)調(diào)整，進(jìn)一步捕獲正頜手術(shù)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和模式；將降維后的特征表示輸入至基于模糊約束的支持向量機(jī)中，通過模糊隸屬度函數(shù)和自適應(yīng)量化擾動(dòng)機(jī)制處理正頜手術(shù)數(shù)據(jù)特征表示中的不確定性和噪聲，并輸出最終的正頜手術(shù)風(fēng)險(xiǎn)評估輔助分類結(jié)果。

7、根據(jù)一些實(shí)施例，本公開采用如下技術(shù)方案：

8、一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如下所述方法：

9、獲取待評估患者的正頜手術(shù)數(shù)據(jù)，并預(yù)處理；

10、將預(yù)處理后的患者的正頜手術(shù)數(shù)據(jù)輸入至風(fēng)險(xiǎn)分類模型，得到正頜手術(shù)風(fēng)險(xiǎn)評估的輔助分類結(jié)果；

11、其中，在所述風(fēng)險(xiǎn)分類模型中，首先，采用基于循環(huán)一致性的生成對抗網(wǎng)絡(luò)對正頜手術(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充；針對擴(kuò)充后的正頜手術(shù)數(shù)據(jù)，采用基于動(dòng)態(tài)自適應(yīng)振蕩的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提?。辉賹⑻崛〉母呔S特征，利用基于潛在空間映射的自編碼器進(jìn)行特征降維，將輸入的高維特征映射到低維的潛在空間表示，采用特征自適應(yīng)優(yōu)化機(jī)制，根據(jù)輸入特征的統(tǒng)計(jì)特性和相關(guān)性進(jìn)行編碼器參數(shù)的動(dòng)態(tài)調(diào)整，進(jìn)一步捕獲正頜手術(shù)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和模式；將降維后的特征表示輸入至基于模糊約束的支持向量機(jī)中，通過模糊隸屬度函數(shù)和自適應(yīng)量化擾動(dòng)機(jī)制處理正頜手術(shù)數(shù)據(jù)特征表示中的不確定性和噪聲，并輸出最終的正頜手術(shù)風(fēng)險(xiǎn)評估輔助分類結(jié)果。

12、根據(jù)一些實(shí)施例，本公開采用如下技術(shù)方案：

13、一種非暫態(tài)計(jì)算機(jī)可讀存儲介質(zhì)，所述非暫態(tài)計(jì)算機(jī)可讀存儲介質(zhì)用于存儲計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如下所述方法：

14、獲取待評估患者的正頜手術(shù)數(shù)據(jù)，并預(yù)處理；

15、將預(yù)處理后的患者的正頜手術(shù)數(shù)據(jù)輸入至風(fēng)險(xiǎn)分類模型，得到正頜手術(shù)風(fēng)險(xiǎn)評估的輔助分類結(jié)果；

16、其中，在所述風(fēng)險(xiǎn)分類模型中，首先，采用基于循環(huán)一致性的生成對抗網(wǎng)絡(luò)對正頜手術(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充；針對擴(kuò)充后的正頜手術(shù)數(shù)據(jù)，采用基于動(dòng)態(tài)自適應(yīng)振蕩的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提?。辉賹⑻崛〉母呔S特征，利用基于潛在空間映射的自編碼器進(jìn)行特征降維，將輸入的高維特征映射到低維的潛在空間表示，采用特征自適應(yīng)優(yōu)化機(jī)制，根據(jù)輸入特征的統(tǒng)計(jì)特性和相關(guān)性進(jìn)行編碼器參數(shù)的動(dòng)態(tài)調(diào)整，進(jìn)一步捕獲正頜手術(shù)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和模式；將降維后的特征表示輸入至基于模糊約束的支持向量機(jī)中，通過模糊隸屬度函數(shù)和自適應(yīng)量化擾動(dòng)機(jī)制處理正頜手術(shù)數(shù)據(jù)特征表示中的不確定性和噪聲，并輸出最終的正頜手術(shù)風(fēng)險(xiǎn)評估輔助分類結(jié)果。

17、根據(jù)一些實(shí)施例，本公開采用如下技術(shù)方案：

18、一種電子設(shè)備，包括：處理器、存儲器以及計(jì)算機(jī)程序；其中，處理器與存儲器連接，計(jì)算機(jī)程序被存儲在存儲器中，當(dāng)電子設(shè)備運(yùn)行時(shí)，所述處理器執(zhí)行所述存儲器存儲的計(jì)算機(jī)程序，以使電子設(shè)備執(zhí)行實(shí)現(xiàn)如下所述方法：

19、獲取待評估患者的正頜手術(shù)數(shù)據(jù)，并預(yù)處理；

20、將預(yù)處理后的患者的正頜手術(shù)數(shù)據(jù)輸入至風(fēng)險(xiǎn)分類模型，得到正頜手術(shù)風(fēng)險(xiǎn)評估的輔助分類結(jié)果；

21、其中，在所述風(fēng)險(xiǎn)分類模型中，首先，采用基于循環(huán)一致性的生成對抗網(wǎng)絡(luò)對正頜手術(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充；針對擴(kuò)充后的正頜手術(shù)數(shù)據(jù)，采用基于動(dòng)態(tài)自適應(yīng)振蕩的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提??；再將提取的高維特征，利用基于潛在空間映射的自編碼器進(jìn)行特征降維，將輸入的高維特征映射到低維的潛在空間表示，采用特征自適應(yīng)優(yōu)化機(jī)制，根據(jù)輸入特征的統(tǒng)計(jì)特性和相關(guān)性進(jìn)行編碼器參數(shù)的動(dòng)態(tài)調(diào)整，進(jìn)一步捕獲正頜手術(shù)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和模式；將降維后的特征表示輸入至基于模糊約束的支持向量機(jī)中，通過模糊隸屬度函數(shù)和自適應(yīng)量化擾動(dòng)機(jī)制處理正頜手術(shù)數(shù)據(jù)特征表示中的不確定性和噪聲，并輸出最終的正頜手術(shù)風(fēng)險(xiǎn)評估輔助分類結(jié)果。

22、與現(xiàn)有技術(shù)相比，本公開的有益效果為：

23、本公開的基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)，采用基于循環(huán)一致性的生成對抗網(wǎng)絡(luò)進(jìn)行正頜手術(shù)數(shù)據(jù)擴(kuò)充，利用循環(huán)一致性損失和低秩張量分解優(yōu)化，解決了傳統(tǒng)生成對抗網(wǎng)絡(luò)生成的正頜手術(shù)數(shù)據(jù)無法完全匹配真實(shí)的正頜手術(shù)數(shù)據(jù)分布以及高階特征信息損失的問題；基于循環(huán)一致性的生成對抗網(wǎng)絡(luò)在擴(kuò)充正頜手術(shù)數(shù)據(jù)時(shí)能夠保持生成的正頜手術(shù)數(shù)據(jù)與真實(shí)的正頜手術(shù)數(shù)據(jù)分布的一致性，同時(shí)有效保留了高階特征，提升了正頜手術(shù)數(shù)據(jù)擴(kuò)充的真實(shí)性和多樣性。

24、本公開的基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)，采用基于動(dòng)態(tài)自適應(yīng)振蕩的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，通過動(dòng)態(tài)調(diào)整振蕩頻率、相位差和振幅，解決了全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練中梯度消失、梯度爆炸和局部最優(yōu)解問題，提升了特征提取的穩(wěn)定性；動(dòng)態(tài)自適應(yīng)振蕩算法使特征提取過程在高維參數(shù)空間中能夠更充分地優(yōu)化，避免訓(xùn)練不穩(wěn)定，提升了提取特征的表達(dá)能力。

25、本公開的基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)，采用基于潛在空間映射的自編碼器進(jìn)行特征降維，通過特征自適應(yīng)優(yōu)化和熵正則化策略，解決了傳統(tǒng)降維算法中難以捕獲正頜手術(shù)數(shù)據(jù)內(nèi)在結(jié)構(gòu)、降維后特征質(zhì)量不高的問題；基于潛在空間映射的自編碼器通過捕獲正頜手術(shù)數(shù)據(jù)內(nèi)在模式和動(dòng)態(tài)調(diào)整特征權(quán)重，顯著降低了特征維度，同時(shí)保留了關(guān)鍵信息，提高了降維后的特征利用率。

26、本公開的基于機(jī)器學(xué)習(xí)與數(shù)據(jù)驅(qū)動(dòng)的正頜外科手術(shù)風(fēng)險(xiǎn)評估系統(tǒng)，在分類階段采用基于模糊約束的支持向量機(jī)，通過模糊隸屬度函數(shù)和自適應(yīng)量化擾動(dòng)機(jī)制，解決了傳統(tǒng)分類器在面對噪聲和模糊性正頜手術(shù)數(shù)據(jù)時(shí)分類性能下降的問題；基于模糊約束的支持向量機(jī)在分類過程中能夠準(zhǔn)確處理正頜手術(shù)數(shù)據(jù)中的不確定性和噪聲，增強(qiáng)了分類器的魯棒性，并提高了分類精度。