买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明属于医疗领域，公开了一种基于联邦元学习的罕见疾病分类方法，包括：对本地医疗数据进行预处理，将常见疾病分为用于元模型训练的支持集和查询集，将罕见疾病分为测试集和验证集；基于强化分类的元学习方法，对支持集和查询集进行动态更新分类，得到训练后的元模型；以F分数对训练后的元模型动态筛选，并进行动态特征融合，得到更新后的全局模型；将更新后的全局模型参数下发给本地元模型初始化，开始下一轮训练；直至获取各个本地收敛的元模型，根据收敛后的元模型获取罕见疾病概率值。本发明将基于强化分类的元学习与基于动态融合策略的联邦学习应用于联邦元学习框架，有助于提高模型对于罕见疾病分类准确度和模型间的通信效率。

主权项：1.一种基于联邦元学习的罕见疾病分类方法，其特征在于：具体步骤如下：S1、将本地医疗数据分为常见疾病与罕见疾病，常见疾病分为用于元模型训练的支持集和查询集，罕见疾病分为测试集和验证集；S2、基于强化分类的元学习方法，支持集和查询集对元模型进行动态更新分类处理，得到训练后的元模型；所述S2中，具体包括以下步骤：S21、在进行元学习内循环中，基于损失函数计算所述支持集的损失，并根据所述损失及梯度信息确定内循环更新参数；S22、在进行元学习外循环中，所述查询集和所述内循环更新参数对所述元模型参数进行外循环参数训练，得到外循环更新参数；并根据所述外循环更新参数进行元模型训练；S3、本地服务器在测试集上将训练后的元模型进行评估并筛选；S4、本地服务器将筛选后的元模型上传至中心服务器，中心服务器进行动态特征融合，得到更新后的全局模型；所述S4中，具体包括以下步骤：中心服务器以筛选后的元模型F分数、准确率和数据量计算权重，中心服务器对筛选后的元模型进行动态特征融合处理，得到更新后的全局模型；所述动态特征融合过程包括：筛选后的元模型分别以F分数、准确率和数据量计算权重，公式如下： 其中，wrj为第r轮所上传的第j个元模型的权重，i表示该轮一共有i个医院上传了元模型，表示上传第j个元模型的F分数，代表对应准确率和数据量，softmax表示使各参数相加合为1；全局模型更新过程的公式如下： Fθ，lr为该轮更新所得的全局模型，θ为模型的初始化参数，lr表示学习率，fjθ，lr表示当前第j个医院上传的元模型；S5、中心服务器将更新后的全局模型参数下发至各个本地服务器，本地服务器对各元模型进行初始化，并开启新一轮元模型的训练；S6、进行步骤S3-S5的迭代，直至本地服务器获取收敛后的元模型；S7、将所述验证集输入至收敛后的元模型中，获取罕见疾病分类结果。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于联邦元学习的罕见疾病分类方法