買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜福建師范大學申請的專利基于圖自監督遷移學習的跨域疾病預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119418912B 。

龍圖騰網通過國家知識產權局官網在2025-04-04發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510012095.7，技術領域涉及：G16H50/20；該發明授權基于圖自監督遷移學習的跨域疾病預測方法是由林麗美;李偉陽;黃艷澤;汪曉丁設計研發完成，并于2025-01-06向國家知識產權局提交的專利申請。

本基于圖自監督遷移學習的跨域疾病預測方法在說明書摘要公布了：本發明公開了基于圖自監督遷移學習的跨域疾病預測方法，方法為：處理功能磁共振成像數據和臨床表型數據；由受試者的功能磁共振成像數據建模構成腦特征結構拓撲圖；對腦特征結構拓撲圖的節點采樣得到子圖并選擇親密度得分最高的個子圖；將目標子圖的節點特征映射到低維向量空間得到節點嵌入矩陣；節點嵌入矩陣轉化為重建矩陣，計算原始特征向量與重建特征向量的歐幾里得距離得到生成學習評分；在目標節點與相鄰子圖之間構建比較關系并計算對比學習評分；生成學習評分和對比學習評分加權和得到疾病類別的預測概率值；待遷移的數據輸入至預測模型得到對應疾病類別的預測結果。本發明提高跨域疾病預測準確性與效率。

本發明授權基于圖自監督遷移學習的跨域疾病預測方法在權利要求書中公布了：1.基于圖自監督遷移學習的跨域疾病預測方法，其特征在于：其包括以下步驟：步驟1，處理來自不同機構的功能磁共振成像數據和臨床表型數據；步驟2，對預處理后的功能磁共振成像數據和表型數據進行建模，定義由受試者群體的功能磁共振成像數據構成的連通的腦特征結構拓撲圖；其中，表示腦特征結構拓撲圖的節點集合，具體對應于受試者群體；表示腦特征結構拓撲圖的邊集合，具體對應于具有相似性的功能磁共振成像圖像構成的連邊集合；表示腦特征結構拓撲圖的邊權重集合，具體對應于相似性程度；步驟3，采用重啟隨機游走算法對腦特征結構拓撲圖中的節點進行采樣得到多個子圖，采樣得到的每個子圖大小為固定值，即每個子圖包含個節點，然后評估多個子圖內目標節點的相鄰節點的親密度評分；選擇親密度評分最高的個子圖作為目標節點的個子圖視圖，其中，表示選取的子圖個數；表示選取的第個子圖，；每個選定的子圖的親密度評分的計算方法如下： ，其中，表示以節點為目的節點的子圖的親密度評分，；為子圖中除外的其余節點；是一個常數參數；表示按列歸一化的鄰接矩陣，表示邊的加權關系，即邊的權重值，為兩個節點和之間存在的一條邊；是對角矩陣；的對角線上有為單位矩陣；步驟4，將目標節點的子圖視圖的節點特征映射到低維向量空間中得到節點嵌入矩陣；步驟5，將節點嵌入矩陣轉化為重建矩陣，計算目標節點的原始特征向量與通過解碼器重建的特征向量之間的歐幾里得距離來得到生成學習評分；步驟6，引入一個多視圖比較學習模塊，在目標節點與目標節點的相鄰上下文子圖之間構建比較關系，利用圖中的結構信息計算對比學習評分；步驟6的具體步驟為：步驟6-1，將圖神經網絡編碼器的輸出節點嵌入矩陣作為比較學習模塊的輸入，對每個節點的原始特征向量進行轉化得到節點的嵌入向量；單個節點的特征轉換方法為，其中，為節點的特征向量；是編碼訓練過程中使用的參數的權重矩陣；為激活函數；步驟6-2，使用平均池化函數將得到的子圖的節點的嵌入矩陣聚合成一個固定維度的向量表示，函數如下: ，其中，是子圖中的節點數；是對所有個子圖的索引；表示選取矩陣的第行；步驟6-3，選擇作為節點的正例，對應的負例為，為打亂順序的特征矩陣；正負樣本對的評分如下： ， ，其中，為表示可學習的參數矩陣，正例和負例在計算時使用同樣的權重矩陣，以計算出正樣本和負樣本的得分；正樣本對對應的分數為，負樣本對對應的分數為，表示節點，表示節點的第個子圖且為激活函數；步驟6-4，計算最終對比學習評分，通過計算節點的個選定子圖的正負樣本得分的平均值作為當前節點的對比學習評分；步驟7，將生成學習評分和對比學習評分進行加權和計算得到受試者對應疾病類別的預測概率值，形成預測模型；步驟8，將待遷移的目標域的功能磁共振成像數據和臨床表型數據輸入至預測模型中，輸出對應目標域患者的對應疾病類別的預測結果，以完成醫學跨域的輔助診斷。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人福建師范大學，其通訊地址為：350108 福建省福州市大學城科技路1號福建師范大學旗山校區；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。