1.本发明涉及疾病诊断技术领域，特别是涉及一种传染性呼吸道疾病患者远期抗体水平预测方法与装置。
背景技术：
2.igg(血清免疫球蛋白g)反应发生的平均时间为12天，在感染后约25天达到峰值，60天后可能会下降；近期的研究还指出，rbd(受体结合结构域，receptor-binding domain)特异性igg和血浆中和活性在6至12个月内保持稳定；现有的研究采用线性回归和多元线性回归预测中和抗体寿命的基本模型，但由于其性能差，无法应用于临床；同时，实际医学数据和辅助诊断装置中普遍存在的以下关键问题限制了可靠抗体预测模型的建立，这些问题包括：(1)纵向数据采集时间间隔不相等，造成特征对齐困难；(2)患者的人口学特征和住院期间的临床数据未被充分利用；(3)文本数据和医学影像等多模态异构数据融合困难。
[0003][0004]
鉴于此，克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。
技术实现要素：
[0005]
本发明要解决的技术问题是如何在纵向临床数据的时间间隔无法对齐的前提下更准确的获取抗体水平分类结果。
[0006]
本发明实施例采用如下技术方案：
[0007]
第一方面，一种传染性呼吸道疾病患者远期抗体水平预测方法，包括：
[0008]
获取患者的人口学静态数据和住院期间的纵向检查报告数据，通过嵌入网络将所述人口学静态数据映射为静态特征，通过嵌入网络将所述纵向检查报告数据映射为动态特征；
[0009]
对所述静态特征和所述动态特征进行融合，得到高层时序特征；
[0010]
获取患者住院期间的数据采样时间点，得到数据采样时间点距离预测时间点的采样时间间隔，并将所述采样时间间隔映射为采样时间间隔特征；
[0011]
将所述采样时间间隔特征嵌入至所述高层时序特征，根据嵌入后的高层时序特征获得患者远期抗体水平的分类结果。
[0012]
优选的，所述对所述静态特征和所述动态特征进行融合，得到高层时序特征，具体包括：
[0013]
通过自注意力机制获取所述静态特征和所述动态特征的通道注意力权重，并通过所述通道注意力权重对所述静态特征和所述动态特征进行加权，从而在通道维度上对静态特征和动态特征进行精炼，得到精炼后的静态特征和精炼后的动态特征；
[0014]
通过互注意力机制获取精炼后的静态特征和精炼后的动态特征之间的相关信息，并根据所述相关信息对精炼后的动态特征进行加权，得到二次精炼后的动态特征；
[0015]
根据所述精炼后的静态特征和所述二次精炼后的动态特征得到所述高层时序特
征。
[0016]
优选的，所述将所述采样时间间隔映射为采样时间间隔特征，具体包括：
[0017]
将所述采样时间间隔通过三角函数映射为采样时间间隔特征公式为：
[0018][0019]
其中，所述t为采样时间间隔；所述n为采样时间间隔特征中的位置引索，n∈[1,dz]；所述dz为所述采样时间间隔特征的向量长度；所述ωk为三角函数频率，所述m为用于调整三角函数频率的参数。
[0020]
优选的，所述将所述采样时间间隔特征嵌入至所述高层时序特征，根据嵌入后的高层时序特征获得患者远期抗体水平的分类结果，具体包括：
[0021]
在transformer编码器网络的自注意力模块中将所述采样时间间隔特征嵌入所述高层时序特征，公式为：
[0022][0023]
其中，q和j为位置信息标识，f
″j为所述高层时序特征的j位置的特征信息；所述p
tq
为q位置处的采样时间间隔特征；所述wv为参数矩阵，所述d
x
为嵌入采样时间间隔特征后的高层时序特征的向量长度；所述α
qj
为权重系数；所述zq为transformer编码器网络中自注意力模块输出的q位置的特征信息；
[0024]
所述transformer编码器网络通过所述自注意力模块获取z中不同位置特征之间的长程联系，并根据所述长程联系通过mlp头输出抗体水平分类结果。
[0025]
优选的，所述通过嵌入网络将所述纵向检查报告数据映射为动态特征，具体包括：
[0026]
来自同一类型的检查报告中的纵向检查报告数据在映射为纵向检查报告特征时，共享嵌入网络权重。
[0027]
优选的，当获取的所述纵向检查报告数据为肺部ct扫描图像数据时，通过病灶分割网络对所述肺部ct扫描图像数据进行分割得到肺部病灶掩膜，并将所述肺部病灶掩膜映射为肺部量化ct特征，所述肺部量化ct特征为动态特征。
[0028]
优选的，所述肺部量化ct特征包括：
[0029]
各个肺部切片的左肺和右肺的病灶区域的hu值中位数、hu值90分位数、病灶像素体积和病灶/肺区百分比中的一个或者多个。
[0030]
第二方面，一种传染性呼吸道疾病患者远期抗体水平预测装置，所述装置用于执行所述的传染性呼吸道疾病患者远期抗体水平预测方法，包括：获取模块、提取模块、注意力融合模块和分类模块，其中：
[0031]
所述获取模块用于获取人口学静态数据和纵向检查报告数据；
[0032]
所述提取模块用于通过嵌入网络将所述人口学静态数据映射为静态特征，通过嵌入网络将所述纵向检查报告数据映射为动态特征；
[0033]
所述注意力融合模块用于对所述静态特征和所述动态特征进行融合，得到所述高层时序特征；
[0034]
所述分类模块用于获取患者住院期间的数据采样时间点，从而得到所述数据采样时间点距离预测时间点的采样时间间隔，并将所述采样时间间隔映射为采样时间间隔特征，将所述采样时间间隔特征嵌入至所述高层时序特征，并将嵌入后的所述高层时序特征输入至transformer编码器网络，以获得患者远期抗体水平的分类结果。
[0035]
优选的，所述的注意力融合模块包括特征注意力子模块和互注意力子模块，其中：
[0036]
所述特征注意力子模块用于通过自注意力机制获取所述静态特征和所述动态特征的通道注意力权重，并通过所述通道注意力权重对所述静态特征和所述动态特征进行加权，从而在通道维度上对静态特征和动态特征进行精炼，得到精炼后的静态特征和精炼后的动态特征；
[0037]
所述互注意力子模块用于通过互注意力机制获取精炼后的静态特征和精炼后的动态特征之间的相关信息，并根据所述相关信息对精炼后的动态特征进行加权，得到二次精炼的动态特征；
[0038]
根据所述精炼后的静态特征和所述二次精炼后的动态特征得到所述高层时序特征。
[0039]
第三方面，一种传染性呼吸道疾病患者远期抗体水平预测装置，包括至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行所述的传染性呼吸道疾病患者远期抗体水平预测方法。
[0040]
本发明实施例提供一种传染性呼吸道疾病患者远期抗体水平预测方法与装置，通过获取患者住院期间的人口学静态数据和纵向临床数据，并将人口学静态数据转换为静态特征，将纵向临床数据转换为动态特征，将动态特征和静态特征融合为高层时序特征，获取各个采样时间同预测时间点的采样时间间隔，并将采样时间间隔嵌入高层时序特征，缓解不同患者数据采样时间无法对齐的问题，再根据嵌入采样时间间隔后的高层时序特征获得患者远期抗体水平的分类结果。
附图说明
[0041]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是本发明实施例提供的一种传染性呼吸道疾病患者远期抗体水平预测方法的方法流程图；
[0043]
图2是本发明实施例提供的一种传染性呼吸道疾病患者远期抗体水平预测方法的方法流程图；
[0044]
图3是本发明实施例提供的一种传染性呼吸道疾病患者远期抗体水平预测方法中病灶分割网络的原理图；
[0045]
图4是本发明实施例提供的一种传染性呼吸道疾病患者远期抗体水平预测装置的结构示意图；
[0046]
图5是本发明实施例提供的一种传染性呼吸道疾病患者远期抗体水平预测装置的
结构示意图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0048]
在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不应当理解为对本发明的限制。
[0049]
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0050]
实施例1:
[0051]
本发明实施例1提供了一种传染性呼吸道疾病患者远期抗体水平预测方法，如图1和图2所示，包括：
[0052]
步骤101中，获取患者的人口学静态数据和住院期间的纵向检查报告数据，通过嵌入网络将所述人口学静态数据映射为静态特征，通过嵌入网络将所述纵向检查报告数据映射为动态特征，所述人口学静态特征和所述纵向检查报告特征为长度相同的特征向量。
[0053]
所述人口学静态数据即为患者在短期时间内不会发生改变的信息，比如姓名、年龄、职业、用药史和病史等等，由于人口学静态数据在患者入院后不会随着时间的推移发生改变，因此人口学静态数据被映射为特征向量后为静态特征；所述纵向检查报告数据即为患者在住院期间的不同时间点做的采样检查，所述采样检查包括一种或者多种检查类型，检查类型包括血常规采样、肝功能采样和小便采样等等，每种检查类型至少进行一次采样，由于随着患者住院时间的增加，对于同一个患者来说，各种检查类型的采样次数通常会逐渐增多，检查报告的结果可能会随着时间变化，因此纵向检查报告数据被映射为特征向量后为动态特征。
[0054]
来自同一类型的检查报告中的纵向数据在映射为纵向检查报告特征时，共享嵌入网络权重；本实施例采用mlp(多层感知机，multilayer perceptron)作为嵌入网络将人口学静态数据和纵向检查报告数据映射到长度相同的特征向量，并且同类型的多次检查报告数据共享相同的mlp网络权重，每个指标在输入mlp网络之前进行归一化操作，例如，可采用z-score归一化。
[0055]
步骤102中，对所述静态特征和所述动态特征进行融合，得到高层时序特征。
[0056]
本实施例采用注意力融合模块对所述静态特征和所述动态特征进行加权并融合，得到精炼后的高层时序特征。
[0057]
步骤103中，获取患者住院期间的数据采样时间点，得到数据采样时间点距离预测时间点的采样时间间隔，并将所述采样时间间隔映射为采样时间间隔特征；
[0058]
步骤104中，将所述采样时间间隔特征嵌入至所述高层时序特征，根据嵌入后的高层时序特征获得患者远期抗体水平的分类结果。
[0059]
如图2所示，检查报告类型1-检查报告类型n可以理解为不同类型的纵向检查报告数据，肺部ct扫描对应的也是一种类型的检查报告，同样可以理解为纵向检查报告数据。
[0060]
检查报告类型1-n以及肺部ct扫描中的黑色方块即为某采样时间点的数据，检查报告类型1-n以及肺部ct扫描上方的直线即为预测时间点，检查报告类型1-n以及肺部ct扫描下方的直线即为入院时间，所述黑色方块到预测时间点之间的距离即为所述采样时间间隔。
[0061]
其中，所述数据采样时间点即为患者住院期间进行的所有检查类型的每次采样的时间，需要注意的是住院期间进行的所有的肺部ct扫描的时间也为数据采样时间点；所述预测时间点由本领域技术人员自行设定，用于在所设定的预测时间点判断患者的抗体水平，而数据采样时间点到预测时间点之间的时间长度即为采样时间间隔，由于患者在住院期间每次采样的时间点不同，所以每次采样的时间距离预测时间点的采样时间间隔也不同，因此无法将患者的多个检查报告数据进行对齐，故将采样时间间隔转化为采样时间间隔特征，并将采样时间间隔特征嵌入至高层时序特征，需要注意的是，当采样时间间隔特征嵌入至高层时序特征时，不仅要嵌入至高层时序特征中的动态特征，还要嵌入至高层时序特征中的静态特征，这是由于：虽然静态特征不受到采样时间间隔的影响，但在进行采样时间间隔特征嵌入时，将静态特征看待为患者入院时进行采样并且采样次数只有一次的动态特征(即可以理解为，静态特征所对应的采样时间间隔为入院时间与预测时间点之间的差值)，即使采样时间间隔特征嵌入至静态特征中也不会对其加权造成影响，从而便于采样时间间隔特征直接嵌入高层时序特征，以保证静态特征与动态特征的格式一致性；如图2所示，静态特征和动态特征中的黑色方块即为嵌入进来的采样时间间隔特征，采样时间间隔特征与高层时序特征一同输入至transformer编码器网络中，从而进一步进行特征精炼，使得最终得到的患者远期抗体水平更加准确。
[0062]
本实施例中，将嵌入采样时间间隔特征的高层时序特征输入至transformer编码器网络，所述transformer编码器网络用于获取嵌入后的高层时序特征中的长程联系，并采用mlp头输出患者远期抗体水平的分类结果。所述患者远期抗体水平的分类结果在本实施例中可以分为低等、中等、高等。
[0063]
需要注意的是，所述采样时间间隔特征也可以称之为采样时间嵌入或采样时间间隔嵌入。
[0064]
本实施例提供一种传染性呼吸道疾病患者远期抗体水平预测方法，通过获取患者住院期间的人口学静态数据和纵向临床数据，并将它们转换为静态特征和动态特征，将静态特征和动态特征融合为高层时序特征，获取各个采样时间同预测时间点的采样时间间隔，并将采样时间间隔嵌入高层时序特征，消除不同的纵向检查报告数据无法对齐的问题，根据嵌入后的高层时序特征获得患者远期抗体水平的分类结果。
[0065]
本实施例在充分利用患者人口学静态数据以及住院期间临床数据的同时，将不同数据采样时间点作为参考因素进行加权，从而将采样时间的先后纳入参考因素，进而获取更为准确的患者远期抗体水平的分类结果；本实施例输入患者数据后即可直接得到最终的远期抗体水平，这不仅可以辅助医生诊断，还可以帮助公共卫生部门制定疫苗接种策略。
[0066]
由于所述肺部ct扫描图像数据同样为纵向检查报告数据，但肺部ct扫描图像数据为三维数据，倘若直接输入至嵌入网络进行映射，则数据量过大，对于嵌入网络负担过重，因此本实施例还涉及以下设计：
[0067]
如图3所示，当获取的所述纵向检查报告数据为肺部ct扫描图像数据时，通过病灶
分割网络对所述肺部ct扫描图像数据进行分割得到肺部病灶掩膜，进而将所述肺部病灶掩膜映射为肺部量化ct特征，从而减轻了嵌入网络需要接收的数据量。
[0068]
肺部ct扫描为检查类型中的一种类型，采样次数同样会随着患者住院时间的增加而增多，因此所述肺部量化ct特征为动态特征。
[0069]
所述肺部量化ct特征包括：各个肺部切片的左肺和右肺的病灶区域的hu值中位数、hu值90分位数、病灶像素体积和病灶/肺区百分比中的一个或者多个。
[0070]
本实施例通过注意力融合模块对所述静态特征和所述动态特征进行融合，得到高层时序特征，具体包括：
[0071]
通过自注意力机制获取所述静态特征和所述动态特征的通道注意力权重，并通过所述通道注意力权重对所述静态特征和所述动态特征进行加权，从而在通道维度上对静态特征和动态特征进行精炼，得到精炼后的静态特征和精炼后的动态特征。
[0072]
其中，设i∈[1，2，
…
，m]为检查报告类型，m即为检查报告类型的最大数量，设li为检查报告类型对应的采样次数，不同类型报告的采样次数li可以不同，静态特征为检测报告i的动态特征为采用通道注意力权重对静态特征和各个动态特征进行加权，可采用如下公式：
[0073][0074][0075]
其中，表示元素级乘法，sm(
·
)表示softmax函数，r为缩减比率，为精炼后的动态特征，所述d
x
为动态特征与静态特征的向量长度，其中动态特征的向量长度和静态特征的向量长度一致，并且动态特征和静态特征经过精炼后向量长度均不改变，为精炼后的静态特征，此处f
″0代表仅被精炼一次的静态特征，并非代表被精炼两次的静态特征，f
″0加有两道上标是由于：精炼一次的静态特征f
″0会同后续二次精炼的动态特征f
″i共同作为高层时序特征，为了保证高层时序特征式子的一致性，因此此处将精炼一次的静态特征加有两道上标。
[0076]
进一步地，由于患者的静态数据会影响动态数据中的部分参数，为了提高准确度，在对动态特征进行加权时还应该考虑患者的静态信息，从而根据患者的静态数据进行具体分析，例如年龄和病史等会影响采样结果中的部分参数，因此需要将静态特征与动态特征相对应，并在此基础上进行加权，因此本实施例还涉及以下设计：
[0077]
通过互注意力机制获取精炼后的静态特征和精炼后的动态特征之间的相关信息，并根据所述相关信息对精炼后的动态特征进行加权，得到二次精炼后的动态特征。
[0078]
其中，所述相关信息为：患者的人口学静态数据同纵向检查报告数据的对应关系以及影响，例如，在对患者的动态特征进行加权时，由于不同患者自身实际情况不同，需要考虑患者自身的年龄、病史和用药史等情况，来对患者的各项检查报告数据的参考性进行
调整，从而对精炼后的动态特征进一步加权，保证后续抗体水平结果的准确性。
[0079]
采用互注意力机制对精炼后的动态特征进行加权，得到二次精炼后的动态特征，采用如下公式：
[0080][0081]
其中，表示元素级乘法，sm(
·
)表示softmax函数，和分别为同一检查报告类型但不同采样次数的动态特征，并且共享线性映射层权重；为所述精炼后的静态特征，为精炼后的动态特征，为二次精炼后的动态特征。
[0082]
然后，根据所述精炼后的静态特征和所述二次精炼后的动态特征得到所述高层时序特征。
[0083]
由于患者住院期间不同采样次数距离预测时间之间的时间间隔均不相同，但时间间隔的长短本身也会对采样数据的参考性产生影响，因此，本实施例需要获取采样时间间隔，并将采样时间间隔映射为特征向量嵌入至高层时序特征中，提高最后得到的患者远期抗体水平的准确性，故本实施例还涉及以下设计：
[0084]
将所述采样时间间隔通过三角函数映射为采样时间间隔特征公式为：
[0085][0086]
其中，所述t为采样时间间隔，所述n为采样时间间隔特征中的位置引索，n∈[1，dz]，dz为所述采样时间间隔特征的向量长度，所述n为采样时间间隔特征中的位置点，所述n＝2k表示n为偶数，所述n＝2k 1表示n为奇数，所述ωk为三角函数的频率，所述m为用于调整三角函数频率的参数。
[0087]
在transformer编码器网络的自注意力模块中将所述采样时间间隔特征嵌入所述高层时序特征，以获得患者远期抗体水平的分类结果，公式为：
[0088][0089]
其中，q和j为位置信息标识，q，j∈[0，1,2，
…
，1 l1 l2
…
lm]，f
″j为所述高层时序特征的j位置的特征信息，所述p
tq
为q位置处的采样时间间隔特征，高层时序特征其中f
″0为精炼后的静态特征，为二次精炼后的动态特征，为参数矩阵，所述d
x
为嵌入采样时间间隔特征后的高层时序特征的向量长度，dz为所述采样时间间隔特征的向量长度，所述α
qj
为权重系数，所述zq为transformer编码器网络中自注意力模块输出的q位置的特征信息。
[0090]
其中，所述权重系数α
qj
采用softmax函数计算：
[0091][0092]
所述e
qj
由以下公式计算：
[0093][0094]
其中wq，是注意力机制中query和key的参数矩阵，f
″q为所述高层时序特征的g位置的特征信息，p
tj
为采样时间间隔特征的j位置的特征信息。
[0095]
在实际应用场景下，所述transformer编码器网络通过所述自注意力模块获取z中不同位置特征之间的长程联系，并根据所述长程联系通过mlp头输出抗体水平分类结果，并根据该分类结果确定该患者是否需要接种疫苗。
[0096]
实施例2:
[0097]
本发明实施例2提供了一种传染性呼吸道疾病患者远期抗体水平预测装置，用于执行实施例1中一种传染性呼吸道疾病患者远期抗体水平预测方法。
[0098]
如图2和图4所示，所述传染性呼吸道疾病患者远期抗体水平预测装置包括：获取模块、提取模块、注意力融合模块和分类模块，其中：
[0099]
所述获取模块用于获取所述人口学静态数据和纵向检查报告数据，当获取的纵向检查报告数据为肺部ct扫描图像数据时，通过病灶分割网络对所述肺部ct扫描图像数据进行分割得到肺部病灶掩膜。
[0100]
所述提取模块用于通过嵌入网络将所述人口学静态数据映射为静态特征，通过嵌入网络将所述纵向检查报告数据映射为动态特征。
[0101]
所述人口学静态数据即为患者在短期时间内不会发生改变的信息，比如姓名、年龄、职业、用药史和病史等等，由于人口学静态数据在患者入院后不会随着时间的推移发生改变，因此人口学静态数据被映射为特征向量后为静态特征；所述纵向检查报告数据即为患者在住院期间的不同时间点做的采样检查，所述采样检查包括一种或者多种检查类型，检查类型包括血常规采样、肝功能采样和小便采样等等，每种检查类型至少进行一次采样，由于随着患者住院时间的增加，对于同一个患者来说，各种检查类型的采样次数通常会逐渐增多，检查报告的结果可能会随着时间变化，因此纵向检查报告数据被映射为特征向量后为动态特征。
[0102]
来自同一类型的检查报告中的纵向数据在映射为纵向检查报告特征时，共享嵌入网络权重；本实施例采用mlp作为嵌入网络将人口学静态数据和检查报告数据映射到长度相同的特征向量，并且同类型的多次检查报告数据共享相同的mlp网络权重，每个指标在输入mlp网络之前进行归一化操作，例如，可采用z-score归一化。
[0103]
如图3所示，当获取的所述纵向检查报告数据为肺部ct扫描图像数据时，通过病灶分割网络对所述肺部ct扫描图像数据进行分割得到肺部病灶掩膜，进而将所述肺部病灶掩膜映射为肺部量化ct特征，从而减轻了嵌入网络需要接收的数据量；所述肺部量化ct特征为动态特征。
[0104]
肺部ct扫描为检查类型中的一种类型，并且采样次数同样会随着患者住院时间的增加而增多，因此所述肺部量化ct特征为动态特征。
[0105]
所述肺部量化ct特征包括：各个肺部切片的左肺和右肺的病灶区域的hu值中位数、hu值90分位数、病灶像素体积和病灶/肺区百分比中的一个或者多个。
[0106]
所述注意力融合模块用于对所述静态特征和所述动态特征进行融合，得到所述高层时序特征。
[0107]
如图2所示，所述分类模块用于获取患者住院期间的数据采样时间点，从而得到数据采样时间点距离预测时间点的采样时间间隔，并将所述采样时间间隔映射为采样时间间隔特征，将所述采样时间间隔特征嵌入至所述高层时序特征，并将嵌入后的所述高层时序特征输入至transformer编码器网络，以获得患者远期抗体水平的分类结果。
[0108]
所述transformer编码器网络用于获取所述高层时序特征中的长程联系，并采用mlp头通过所述长程联系输出抗体水平分类结果。
[0109]
注意力融合模块需要对静态特征和动态特征进行融合加权，但由于静态特征和动态特征之间存在相关性和互补性，因此本实施例还涉及以下设计：
[0110]
所述的注意力融合模块包括特征注意力子模块和互注意力子模块，其中：
[0111]
所述特征注意力子模块用于通过自注意力机制获取所述静态特征和所述动态特征的通道注意力权重，并通过所述通道注意力权重对所述静态特征和所述动态特征进行加权，从而在通道维度上对静态特征和动态特征进行精炼，得到精炼后的静态特征和精炼后的动态特征。
[0112]
其中，设i∈[1，2，
…
，m]为检查报告类型，m即为检查报告类型的最大数量，设li为检查报告类型对应的采样次数，不同类型报告的采样次数li可以不同，静态特征为检测报告i的动态特征为采用通道注意力权重对静态特征和各个动态特征进行加权，可采用如下公式：
[0113][0114][0115]
其中，表示元素级乘法，sm(
·
)表示softmax函数，r为缩减比率，为精炼后的动态特征，所述d
x
为动态特征与静态特征的向量长度，其中动态特征的向量长度和静态特征的向量长度一致，并且动态特征和静态特征经过精炼后向量长度均不改变，为精炼后的静态特征，此处f
″0仅代表被精炼一次的静态特征，并非被精炼两次的静态特征，f
″0加有两道上标是由于：精炼一次的静态特征f
″0会同后续二次精炼的动态特征f
″i共同作为高层时序特征，为了保证高层时序特征式子的一致性，因此此处将精炼一次的静态特征加有两道上标。
[0116]
所述互注意力子模块用于通过互注意力机制获取精炼后的静态特征和精炼后的
动态特征之间的相关信息，并根据所述相关信息对精炼后的动态特征进行加权，得到二次精炼的动态特征。根据所述精炼后的静态特征和所述二次精炼后的动态特征得到所述高层时序特征。
[0117]
采用互注意力机制对精炼后的动态特征进行加权，得到二次精炼后的动态特征，采用如下公式：
[0118][0119]
其中，表示元素级乘法，sm(-)表示softmax函数，和分别为同一检查报告类型但不同采样次数的动态特征，并且共享线性映射层权重；为所述精炼后的静态特征，为精炼后的动态特征，为二次精炼后的动态特征。
[0120]
实施例3：
[0121]
如图5所示，是本发明实施例的传染性呼吸道疾病患者远期抗体水平预测装置示意图。本实施例的传染性呼吸道疾病患者远期抗体水平预测装置包括一个或多个处理器51以及存储器52。其中，图5中以一个处理器51为例。
[0122]
处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线连接为例。
[0123]
存储器52作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1中的考虑运输与维护的柔性作业车间优化方法。处理器51通过运行存储在存储器52中的非易失性软件程序和指令，从而执行传染性呼吸道疾病患者远期抗体水平预测方法。
[0124]
存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0125]
所述程序指令/模块存储在所述存储器52中，当被所述一个或者多个处理器51执行时，执行上述实施例1和实施例2中的传染性呼吸道疾病患者远期抗体水平预测方法，例如，执行以上描述的图1-图4所示的各个步骤。
[0126]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。