[发明专利]一种风险评估方法及装置、存储介质及电子设备

权利要求书

1.一种风险评估方法，其特征在于，包括：

基于目标用户的M套初始影像序列，生成M套感兴趣区域影像序列，其中，所述M套初始影像序列各自的模态互不相同，M为大于或等于2的正整数；

利用生存分析模型，基于所述M套感兴趣区域影像序列和所述目标用户的临床信息数据，确定所述目标用户的生存风险数据，其中，所述生存分析模型基于深度学习框架构建，通过拼接图像特征向量与临床信息特征向量，输出风险评估数据。

2.根据权利要求1所述的方法，其特征在于，所述利用生存分析模型，基于所述M套感兴趣区域影像序列和所述目标用户的临床信息数据，确定所述目标用户的生存风险数据，包括：

利用所述生存分析模型，对所述M套感兴趣区域影像序列进行特征提取，得到所述图像特征向量；

利用所述生存分析模型，对所述临床信息数据进行特征提取，得到所述临床信息特征向量；

拼接所述图像特征向量和所述临床信息特征向量，得到能够表征所述目标用户的拼接向量；

基于所述拼接向量，得到所述目标用户的生存风险数据。

3.根据权利要求2所述的方法，其特征在于，所述生存分析模型包括深度卷积神经网络编码器、长短期记忆网络模块、多层感知机编码器和Cox全连接层，其中，所述利用所述生存分析模型，对所述M套感兴趣区域影像序列进行特征提取，得到所述图像特征向量，包括：

利用所述深度卷积神经网络编码器，对所述M套感兴趣区域影像序列分别进行特征提取，得到M个初始特征向量；

利用所述长短期记忆网络模块，对所述M个初始特征向量进行融合，得到所述图像特征向量；

其中，所述利用所述生存分析模型，对所述临床信息数据进行特征提取，得到所述临床信息特征向量，包括：

利用所述多层感知机编码器对所述临床信息数据进行特征提取，得到所述临床信息特征向量；

其中，所述基于所述拼接向量，得到所述目标用户的生存风险数据，包括：

利用所述Cox全连接层处理所述拼接向量，得到所述目标用户的生存风险数据。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述基于目标用户的M套初始影像序列，生成M套感兴趣区域影像序列，包括：

对所述目标用户的M套初始影像序列进行感兴趣区域标定，得到所述M套初始影像序列各自对应的感兴趣区域初始矩形框；

针对每个所述感兴趣区域初始矩形框，将所述感兴趣区域初始矩形框的每条边向远离感兴趣区域中心的方向扩大至少一个单位像素距离，得到所述感兴趣区域初始矩形框对应的感兴趣区域扩展矩形框；

基于所述M套初始影像序列各自对应的感兴趣区域扩展矩形框，分别分割所述M套初始影像序列，得到所述M套感兴趣区域影像序列。

5.根据权利要求1至3任一项所述的方法，其特征在于，在所述利用生存分析模型，基于所述M套感兴趣区域影像序列和所述目标用户的临床信息数据，确定所述目标用户的生存风险数据之前，还包括：

基于P套初始影像样本序列，生成P套感兴趣区域影像样本序列，其中，所述P套感兴趣区域影像样本序列对应N个样本用户，N为小于P的正整数，P为大于或等于2的正整数；

基于所述P套感兴趣区域影像样本序列和所述N个样本用户各自的临床信息数据，以所述样本用户为单位，生成所述N个样本用户各自对应的样本数据集，其中，所述样本数据集包含的感兴趣区域影像样本序列以生存时间降序的顺序排列；

针对每个所述样本数据集，利用待训练模型生成所述样本数据集对应的图像特征向量和临床信息特征向量，并基于所述样本数据集对应的图像特征向量和临床信息特征向量调整所述待训练模型的模型参数，直至所述待训练模型达到预设收敛条件，得到所述生存分析模型。