所屬的技術人員知道，本發明可以實現為系統、方法或計算機程序產品，因此，本發明可以具體實現為以下形式，即：可以是完全的硬件、也可以是完全的軟件(包括固件、駐留軟件、微代碼等)，還可以是硬件和軟件結合的形式，本文一般稱為“電路”、“模塊”或“系統”。此外，在一些實施例中，本發明還可以實現為在一個或多個計算機可讀介質中的計算機程序產品的形式，該計算機可讀介質中包含計算機可讀的程序代碼。盡管上面已經示出和描述了本發明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發明的限制，本領域的普通技術人員在本發明的范圍內可以對上述實施例進行變化、修改、替換和變型。

背景技術：

1、胃癌的治療和預后一直是醫學研究的重點。手術切除作為胃癌的主要根治手段，盡管能夠在早期患者中顯著提高生存率，但術后復發仍然是影響患者長期生存的主要挑戰。據統計，胃癌患者的術后復發率高達50％至70％，其中大多數復發發生在術后兩年內，特別是術后一年內的高風險復發階段。此外，胃癌復發的模式多樣，包括局部復發、腹膜轉移及遠處轉移，增加了預測的復雜性和臨床治療的困難。

2、胃癌復發的機制復雜，受到多種因素的影響，例如患者的腫瘤分期、組織學特征、手術方式、輔助治療效果以及患者個體的生物學特征(如基因突變和分子表達譜)。此外，胃癌還表現出高度的異質性，即使是同腫瘤分期的患者，其術后復發風險和預后差異也可能非常顯著。因此，僅依靠單一維度的臨床指標或病理數據難以準確預測復發風險，這為臨床決策帶來了巨大的挑戰。

3、近年來，人工智能(ai)技術，在醫學領域的應用取得了突破性進展。例如，基于病理圖像的深度學習模型可自動提取腫瘤的微觀結構特征，而基于自然語言處理技術的臨床文本模型可以有效分析電子病歷和實驗室報告中的關鍵信息。然而，現有的大多數研究仍然局限于單模態數據的分析，難以充分挖掘不同模態數據間的潛在關聯，從而限制了模型在胃癌復發預測中的性能。

4、綜上，現有技術雖然在胃癌復發預測方面取得了一定的進展，但仍存在預測精度不足、多模態數據融合能力欠缺等問題。如何有效結合病理圖像和臨床文本數據的特征，并通過先進的人工智能技術構建精準預測模型，是當前胃癌復發預測領域亟待解決的關鍵問題。

技術實現思路

1、本發明所要解決的技術問題是針對現有技術的不足，具體提供了一種風險預測方法、系統、電子設備和存儲介質，具體如下：

2、1)第一方面，本發明提供一種風險預測方法，具體技術方案如下：

3、獲取多個預設圖像和每個預設圖像的解釋性文本數據；

4、對每個預設圖像進行預處理，得到多個圖塊；

5、利用訓練好的第一學習模型分別對每個圖塊進行特征提取，并得到每個圖塊對應的第一預設事件的第一風險概率預測值；

6、根據每個預設圖像對應的每個圖塊的提取特征和第一預設事件的第一風險概率預測值，生成每個預設圖像對應的圖像級別特征；

7、對每個預設圖像對應的圖像級別特征和解釋性文本數據進行融合，得到多個樣本；

8、基于多個樣本，對第二學習模型進行訓練，得到訓練好的第二學習模型；

9、利用訓練好的第一學習模型和訓練好的第二學習模型對第二預設事件進行風險預測；

10、其中，每個圖塊對應的第一預設事件的第一風險概率預測值表征了該圖塊對第二預設事件的重要度。

11、本發明提供的一種風險預測方法的有益效果如下：

12、利用訓練好的第一學習模型分別對每個圖塊進行特征提取，并得到每個圖塊對應的第一預設事件的第一風險概率預測值，每個圖塊對應的第一預設事件的第一風險概率預測值表征了該圖塊對第二預設事件的重要度，能夠選擇性地聚焦于對第二預設時間最有意義的圖塊，從而生成具有高度表達性的圖像級別特征，進而提高訓練好的第二學習模型的預測精度，既能夠進行胃癌復發概率的預測，也適用于其它第二預設事件(例如醫療設備的損毀風險或車輛的失控風險等)的風險預測。

13、在上述方案的基礎上，本發明的一種風險預測方法還可以做如下改進。

14、進一步，根據每個預設圖像對應的每個圖塊的提取特征和第一預設事件的第一風險概率預測值，生成每個預設圖像對應的圖像級別特征，包括：

15、將每個圖塊對應的第一預設事件的第一風險概率預測值作為注意力得分，并通過attention機制將每個預設圖像對應的每個圖塊的提取特征進行加權合并，生成每個預設圖像對應的圖像級別特征。

16、進一步，基于多個樣本，對第二學習模型進行訓練，得到訓練好的第二學習模型，包括：

17、采用加入正則化項的交叉熵損失函數，并使用梯度下降方法對第二學習模型進行訓練，得到訓練好的第二學習模型。

18、進一步，訓練好的第一學習模型為：訓練好的efficientnetb0模型，訓練好的第二學習模型為訓練好的支持向量機。

19、2)第二方面，本發明還提供一種風險預測系統，具體技術方案如下：

20、包括數據獲取模塊、預處理模塊、特征提取風險預測模塊、圖像級別特征生成模塊、融合模塊、模型訓練模塊和風險預測模塊；

21、數據獲取模塊用于：獲取多個預設圖像和每個預設圖像的解釋性文本數據；

22、預處理模塊用于：對每個預設圖像進行預處理，得到多個圖塊；

23、特征提取風險預測模塊用于：利用訓練好的第一學習模型分別對每個圖塊進行特征提取，并得到每個圖塊對應的第一預設事件的第一風險概率預測值；

24、圖像級別特征生成模塊用于：根據每個預設圖像對應的每個圖塊的提取特征和第一預設事件的第一風險概率預測值，生成每個預設圖像對應的圖像級別特征；

25、融合模塊用于：對每個預設圖像對應的圖像級別特征和解釋性文本數據進行融合，得到多個樣本；

26、模型訓練模塊用于：基于多個樣本，對第二學習模型進行訓練，得到訓練好的第二學習模型；

27、風險預測模塊用于：利用訓練好的第一學習模型和訓練好的第二學習模型對第二預設事件進行風險預測；

28、其中，每個圖塊對應的第一預設事件的第一風險概率預測值表征了該圖塊對第二預設事件的重要度。

29、在上述方案的基礎上，本發明的一種風險預測系統還可以做如下改進。

30、進一步，圖像級別特征生成模塊用于：

31、將每個圖塊對應的第一預設事件的第一風險概率預測值作為注意力得分，并通過attention機制將每個預設圖像對應的每個圖塊的提取特征進行加權合并，生成每個預設圖像對應的圖像級別特征。

32、進一步，模型訓練模塊用于：

33、采用加入正則化項的交叉熵損失函數，并使用梯度下降方法對第二學習模型進行訓練，得到訓練好的第二學習模型。

34、進一步，訓練好的第一學習模型為：訓練好的efficientnetb0模型，訓練好的第二學習模型為訓練好的支持向量機。

35、3)第三方面，本發明還提供一種電子設備，電子設備包括處理器，處理器與存儲器耦合，存儲器中存儲有至少一條計算機程序，至少一條計算機程序由處理器加載并執行，以使電子設備實現上述任一項風險預測方法。

36、4)第四方面，本發明還提供一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序，計算機程序被處理器執行時實現上述任一項風險預測方法。

37、需要說明的是，本發明的第二方面至第四方面的技術方案及對應的可能的實現方式所取得的有益效果，可以參見上述對第一方面及其對應的可能的實現方式的技術效果，此處不再贅述。