本發(fā)明屬于人工智能和生物醫(yī)學相關，尤其涉及一種正頜手術治療建議生成系統(tǒng)、方法、設備及介質。

背景技術：

1、本部分的陳述僅僅是提供了與本發(fā)明相關的背景技術信息，不必然構成在先技術。

2、隨著醫(yī)療領域尤其是正頜手術治療技術的不斷發(fā)展，醫(yī)生的診療決策越來越依賴于對大量醫(yī)學數(shù)據的分析。傳統(tǒng)的正頜手術治療方案往往依賴于醫(yī)生的經驗與判斷，但在面對大量患者和復雜的醫(yī)學數(shù)據時，經驗決策容易出現(xiàn)偏差和不準確的情況，尤其是在患者個體差異較大的情況下，治療方案的個性化需求更加突出。因此，如何通過技術手段提高治療方案的精準性、標準化與個性化，成為亟待解決的問題。

3、正頜手術作為一類復雜的外科手術，涉及的醫(yī)學數(shù)據極為復雜，包括患者的臨床數(shù)據、影像學檢查、遺傳因素等多維度信息，這些數(shù)據往往具有高度的個體差異性。現(xiàn)有的技術主要依賴于醫(yī)生的主觀經驗和基礎的診療標準，但由于缺乏足夠的標準化與個性化的智能輔助決策工具，醫(yī)生在為患者制定治療方案時常面臨巨大的工作負擔，且方案的準確性和效果難以完全保證。

4、現(xiàn)有正頜手術的治療建議生成中，至少存在如下問題：

5、一、正頜手術領域的醫(yī)學數(shù)據通常有限，尤其是針對個性化治療建議生成的相關數(shù)據較為匱乏，導致傳統(tǒng)模型在訓練過程中無法充分學習到高質量的個性化治療方案。數(shù)據樣本不足往往使得模型的泛化能力較差，容易出現(xiàn)過擬合問題。

6、二、傳統(tǒng)的正頜手術治療建議往往依賴于醫(yī)生的個人經驗，可能存在主觀偏差，且治療方案的標準化程度較低，難以為每個患者提供精確的個性化治療建議。

7、三、在傳統(tǒng)的前饋網絡訓練中，優(yōu)化算法多采用梯度下降法，但在高維數(shù)據下，梯度下降可能面臨梯度消失或陷入局部最優(yōu)解的風險，導致訓練效率低下。

8、四、傳統(tǒng)醫(yī)學數(shù)據處理往往是將數(shù)據視為靜態(tài)的表格，缺乏對數(shù)據中復雜語義關系的深入理解和表達，導致數(shù)據的利用率低。

技術實現(xiàn)思路

1、為克服上述現(xiàn)有技術的不足，本發(fā)明提供了一種正頜手術治療建議生成系統(tǒng)、方法、設備及介質，采用了基于雙向耦合灰狼優(yōu)化算法對前饋網絡進行優(yōu)化，提高transformer網絡模型在處理高維、非線性和動態(tài)變化的正頜數(shù)據的性能，使生成的手術方案輔助醫(yī)生的診療決策。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

3、第一方面，本發(fā)明提供一種正頜手術治療建議生成系統(tǒng)，所述系統(tǒng)包括：

4、獲取模塊，用于獲取患者的正頜醫(yī)學數(shù)據并進行預處理；

5、建議生成模塊，用于將預處理后的患者的正頜醫(yī)學數(shù)據輸入至預測模型，得到所述患者的正頜手術治療建議輔助信息；

6、其中，所述預測模型是通過訓練transformer網絡模型得到；所述transformer網絡模型在訓練過程中，基于雙向耦合灰狼優(yōu)化算法對所述transformer網絡模型的前饋網絡參數(shù)進行調整，所述雙向耦合灰狼優(yōu)化算法在對所述前饋網絡參數(shù)尋優(yōu)中，基于正頜特征的重要性動態(tài)調整搜索策略。

7、第二方面，本發(fā)明提供一種正頜手術治療建議生成方法，所述方法包括：

8、獲取患者的正頜醫(yī)學數(shù)據，并進行預處理；

9、將預處理后的患者的正頜醫(yī)學數(shù)據輸入至預測模型，得到所述患者的正頜手術治療建議輔助信息；

10、其中，所述預測模型是通過訓練transformer網絡模型得到；所述transformer網絡模型在訓練過程中，基于雙向耦合灰狼優(yōu)化算法對所述transformer網絡模型的前饋網絡參數(shù)進行調整，所述雙向耦合灰狼優(yōu)化算法在對所述前饋網絡參數(shù)尋優(yōu)中，基于正頜特征的重要性動態(tài)調整搜索策略。

11、第三方面，本發(fā)明提供一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成如下步驟：

12、獲取患者的正頜醫(yī)學數(shù)據，并進行預處理；

13、將預處理后的患者的正頜醫(yī)學數(shù)據輸入至預測模型，得到所述患者的正頜手術治療建議輔助信息；

14、其中，所述預測模型是通過訓練transformer網絡模型得到；所述transformer網絡模型在訓練過程中，基于雙向耦合灰狼優(yōu)化算法對所述transformer網絡模型的前饋網絡參數(shù)進行調整，所述雙向耦合灰狼優(yōu)化算法在對所述前饋網絡參數(shù)尋優(yōu)中，基于正頜特征的重要性動態(tài)調整搜索策略。

15、第四方面，本發(fā)明提供一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成如下步驟：

16、獲取患者的正頜醫(yī)學數(shù)據，并進行預處理；

17、將預處理后的患者的正頜醫(yī)學數(shù)據輸入至預測模型，得到所述患者的正頜手術治療建議輔助信息；

18、其中，所述預測模型是通過訓練transformer網絡模型得到；所述transformer網絡模型在訓練過程中，基于雙向耦合灰狼優(yōu)化算法對所述transformer網絡模型的前饋網絡參數(shù)進行調整，所述雙向耦合灰狼優(yōu)化算法在對所述前饋網絡參數(shù)尋優(yōu)中，基于正頜特征的重要性動態(tài)調整搜索策略。

19、以上一個或多個技術方案存在以下有益效果：

20、在本發(fā)明中，采用了基于雙向耦合灰狼優(yōu)化算法對前饋網絡進行優(yōu)化，通過動態(tài)調整搜索范圍和強度，加快了transformer網絡模型的收斂速度，并提高了前饋網絡的穩(wěn)定性和適應性，提高transformer網絡模型在處理高維、非線性和動態(tài)變化的正頜數(shù)據的性能。

21、在本發(fā)明中，基于潛在空間解耦的生成對抗網絡來擴充訓練樣本，解決了傳統(tǒng)訓練中樣本不足的問題，通過生成多樣化、個性化的樣本，增強了數(shù)據集的多樣性，提高預測模型的泛化能力和精度；利用大量的正頜醫(yī)學數(shù)據進行訓練，使transformer網絡模型能夠自動生成輔助的治療方案，并且根據患者的個體差異進行定制化建議。

22、在本發(fā)明中，通過將正頜醫(yī)學數(shù)據進行結構化處理，并轉換為自然語言格式，提供了更加精確、標準化的數(shù)據輸入方式，能夠方便地輸入到transformer網絡模型進行訓練，對數(shù)據的分詞和詞嵌入處理增強了數(shù)據的表征能力。

23、本發(fā)明附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

技術特征：

1.一種正頜手術治療建議生成系統(tǒng)，其特征在于，所述系統(tǒng)包括：

2.如權利要求1所述的一種正頜手術治療建議生成系統(tǒng)，其特征在于，在所述建議生成模塊中，所述transformer網絡模型在訓練過程中，基于雙向耦合灰狼優(yōu)化算法對所述transformer網絡模型的前饋網絡參數(shù)進行調整，所述雙向耦合灰狼優(yōu)化算法在對所述前饋網絡參數(shù)尋優(yōu)中，基于正頜特征的重要性動態(tài)調整搜索策略，具體包括：

3.如權利要求2所述的一種正頜手術治療建議生成系統(tǒng)，其特征在于，所述位置更新單元，根據灰狼算法的當前迭代次數(shù)、正頜特征的重要性，以及領頭狼和末位狼的適應度差異動態(tài)更新灰狼的位置，具體包括：

4.如權利要求1所述的一種正頜手術治療建議生成系統(tǒng)，其特征在于，在所述建議生成模塊中，還包括：

5.如權利要求4所述的一種正頜手術治療建議生成系統(tǒng)，其特征在于，在所述訓練樣本擴充模塊中，基于潛在空間解耦的生成對抗網絡模型的訓練具體包括：

6.如權利要求5所述的一種正頜手術治療建議生成系統(tǒng)，其特征在于，在所述分解單元中，采用解耦機制，將生成器的潛在空間分解為多個子空間，每個子空間獨立學習一個特定的潛在特征，具體包括：

7.如權利要求1所述的一種正頜手術治療建議生成系統(tǒng)，其特征在于，在所述獲取模塊中，所述預處理具體為：對獲取的患者的基本信息和正頜醫(yī)學數(shù)據進行分詞操作。

8.一種正頜手術治療建議生成方法，其特征在于，所述方法包括：

9.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成如下步驟：

10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成如下步驟：

技術總結
本發(fā)明屬于人工智能和生物醫(yī)學技術領域，為了輔助醫(yī)生生成正頜手術建議，提出一種正頜手術治療建議生成系統(tǒng)、方法、設備及介質，通過獲取患者的正頜醫(yī)學數(shù)據，并進行預處理；將預處理后的患者的正頜醫(yī)學數(shù)據輸入至預測模型，得到所述患者的正頜手術治療建議輔助信息；其中，所述預測模型是通過訓練Transformer網絡模型得到；網絡模型在訓練過程中，基于雙向耦合灰狼優(yōu)化算法對r網絡模型的前饋網絡參數(shù)進行調整，所述雙向耦合灰狼優(yōu)化算法在對所述前饋網絡參數(shù)尋優(yōu)中，基于正頜特征的重要性動態(tài)調整搜索策略，提高網絡模型在處理高維、非線性和動態(tài)變化的正頜數(shù)據的性能。

技術研發(fā)人員：李青,谷年瑞,劉迪,劉廣瑞,王鶴,廟百慧
受保護的技術使用者：山東大學
技術研發(fā)日：
技術公布日：2024/12/30