一种基于主动学习的类别预测模型建模方法及装置转让专利
申请号 : CN202110197086.1
文献号 : CN113139568B
文献日 : 2022-05-10
发明人 : 金征宇 , 毛丽 , 李秀丽 , 宋兰 , 俞益洲 , 李一鸣 , 乔昕
申请人 : 杭州深睿博联科技有限公司 , 北京深睿博联科技有限责任公司
摘要 :
权利要求 :
1.一种基于主动学习的类别预测模型建模方法,其特征在于,包括:根据所收集的在第一时间段内的患者的临床特征、病理信息和胸部医学图像生成基础数据集;
从所述基础数据集中提取肺结节的影像组学特征,从所述影像组学特征和在第一时间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选后影像组学特征和筛选后临床特征;
根据所述筛选后影像组学特征、所述筛选后临床特征和所述基础数据集对第一初始深度学习模型进行训练直至收敛得到基础模型;
收集在第二时间段内的患者的胸部医学图像作为候选数据集,其中,所述第二时间段的起始时间点晚于所述第一时间段的终止时间点;
根据所述基础数据集对所述第一初始深度学习模型进行训练直至收敛得到第一委员会成员模型,根据所述基础数据集对k‑1个第二初始深度学习模型进行训练直至收敛得到k‑1个第二委员会成员模型,其中,k为正整数,所述第一委员会成员模型与所述基础模型的网络参数相同;
根据k个委员会成员模型计算所述候选数据集中包含的各样本数据的投票熵,对各投票熵进行排序,提取大于预设排序位数的投票熵对应的目标样本数据,确定各目标样本数据中的第一肺结节区域,收集在所述第二时间段内各目标样本数据对应的患者的临床特征和病理信息,将所述第一肺结节区域、各目标样本数据对应的患者的临床特征和病理信息和各目标样本数据作为补充数据集,其中,k个委员会成员模型由所述第一委员会成员模型和k‑1个第二委员会成员模型组成;
提取各目标样本数据中的肺结节的目标影像组学特征,根据所述目标影像组学特征、所述补充数据集和所述基础数据集对所述基础模型进行训练直至收敛得到类别预测模型,其中,所述类别预测模型用于预测肺结节的类别。
2.根据权利要求1所述的方法,其特征在于,所述根据所收集的在第一时间段内的患者的临床特征、病理信息和胸部医学图像生成基础数据集的步骤,包括:对所收集的在第一时间段内的患者的临床特征进行标准化处理;
对所收集的在第一时间段内的患者的胸部医学图像进行预处理;
确定预处理后的胸部医学图像中的第二肺结节区域;
将在第一时间段内的标准化处理后的临床特征、预处理后的胸部医学图像、病理信息和所述第二肺结节区域作为基础数据集。
3.根据权利要求1所述的方法,其特征在于,所述从所述基础数据集中提取肺结节的影像组学特征的步骤,包括:
通过滤波器对所述基础数据集中的胸部医学图像进行处理得到第一预设数量个第一处理后图像;
通过拉普拉斯高斯滤波器对所述基础数据集中的胸部医学图像进行处理得到第二预设数量个第二处理后图像;
从所述基础数据集中的胸部医学图像、所述第一处理后图像和所述第二处理后图像中提取肺结节的影像组学特征。
4.根据权利要求1所述的方法,其特征在于,所述从所述影像组学特征和在第一时间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选后影像组学特征和筛选后临床特征的步骤,包括:根据t检测方法从所述影像组学特征和在第一时间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选后影像组学特征和筛选后临床特征。
5.根据权利要求1所述的方法,其特征在于,k‑1个第二初始深度学习模型包括稠密连接DenseNet网络模型、ResNet网络模型、ResNeXt网络模型、双路网络DPN网络模型和/或SENet网络模型。
6.根据权利要求1所述的方法,其特征在于,所述胸部医学图像为胸部平扫薄层CT图像、胸部增强CT图像或者胸部MRI图像。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:利用所述类别预测模型对待预测图像进行预测,得到所述待预测图像中的肺结节的类别预测结果。
8.一种基于主动学习的类别预测模型建模装置,其特征在于,包括:基础数据集生成模块,用于根据所收集的在第一时间段内的患者的临床特征、病理信息和胸部医学图像生成基础数据集;
筛选模块,用于从所述基础数据集中提取肺结节的影像组学特征,从所述影像组学特征和在第一时间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选后影像组学特征和筛选后临床特征;
基础模型训练模块,用于根据所述筛选后影像组学特征、所述筛选后临床特征和所述基础数据集对第一初始深度学习模型进行训练直至收敛得到基础模型;
候选数据集收集模块,用于收集在第二时间段内的患者的胸部医学图像作为候选数据集,其中,所述第二时间段的起始时间点晚于所述第一时间段的终止时间点;
委员会成员模型训练模块,用于根据所述基础数据集对所述第一初始深度学习模型进行训练直至收敛得到第一委员会成员模型,根据所述基础数据集对k‑1个第二初始深度学习模型进行训练直至收敛得到k‑1个第二委员会成员模型,其中,k为正整数,所述第一委员会成员模型与所述基础模型的网络参数相同;
补充数据集生成模块,用于根据k个委员会成员模型计算所述候选数据集中包含的各样本数据的投票熵,对各投票熵进行排序,提取大于预设排序位数的投票熵对应的目标样本数据,确定各目标样本数据中的第一肺结节区域,收集在所述第二时间段内各目标样本数据对应的患者的临床特征和病理信息,将所述第一肺结节区域、各目标样本数据对应的患者的临床特征和病理信息和各目标样本数据作为补充数据集,其中,k个委员会成员模型由所述第一委员会成员模型和k‑1个第二委员会成员模型组成;
类别预测模型训练模块,用于提取各目标样本数据中的肺结节的目标影像组学特征,根据所述目标影像组学特征、所述补充数据集和所述基础数据集对所述基础模型进行训练直至收敛得到类别预测模型,其中,所述类别预测模型用于预测肺结节的类别。
9.根据权利要求8所述的装置,其特征在于,所述基础数据集生成模块,包括:标准化处理子模块,用于对所收集的在第一时间段内的患者的临床特征进行标准化处理;
预处理子模块,用于对所收集的在第一时间段内的患者的胸部医学图像进行预处理;
肺结节区域确定子模块,用于确定预处理后的胸部医学图像中的第二肺结节区域;
基础数据集生成子模块,用于将在第一时间段内的标准化处理后的临床特征、预处理后的胸部医学图像、病理信息和所述第二肺结节区域作为基础数据集。
10.一种电子设备,其特征在于,包括:处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行权利要求1‑7任一项所述的方法。
说明书 :
一种基于主动学习的类别预测模型建模方法及装置
技术领域
背景技术
立的类别预测模型,例如肺结节类别预测模型。
因此,无法优化深度学习提取的特征和临床特征的交互作用,使得所建立的类别预测模型
的效能较差。
发明内容
选后影像组学特征和筛选后临床特征;
得到k‑1个第二委员会成员模型,其中,k为正整数,所述第一委员会成员模型与所述基础模
型的网络参数相同;
本数据中的第一肺结节区域,收集在所述第二时间段内各目标样本数据对应的患者的临床
特征和病理信息,将所述第一肺结节区域、各目标样本数据对应的患者的临床特征和病理
信息和各目标样本数据作为补充数据集,其中,k个委员会成员模型由所述第一委员会成员
模型和k‑1个第二委员会成员模型组成;
型,其中,所述类别预测模型用于预测肺结节的类别。
的步骤,包括:
征。
相关性阈值的筛选后影像组学特征和筛选后临床特征;
度学习模型进行训练直至收敛得到k‑1个第二委员会成员模型,其中,k为正整数,所述第一
委员会成员模型与所述基础模型的网络参数相同;
标样本数据,确定各目标样本数据中的第一肺结节区域,收集在所述第二时间段内各目标
样本数据对应的患者的临床特征和病理信息,将所述第一肺结节区域、各目标样本数据对
应的患者的临床特征和病理信息和各目标样本数据作为补充数据集,其中,k个委员会成员
模型由所述第一委员会成员模型和k‑1个第二委员会成员模型组成;
训练直至收敛得到类别预测模型,其中,所述类别预测模型用于预测肺结节的类别。
征。
任一所述的方法。
成基础数据集;从基础数据集中提取肺结节的影像组学特征,从影像组学特征和在第一时
间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选
后影像组学特征和筛选后临床特征;根据筛选后影像组学特征、筛选后临床特征和基础数
据集对第一初始深度学习模型进行训练直至收敛得到基础模型;收集在第二时间段内的患
者的胸部医学图像作为候选数据集,其中,第二时间段的起始时间点晚于第一时间段的终
止时间点;根据基础数据集对第一初始深度学习模型进行训练直至收敛得到第一委员会成
员模型,根据基础数据集对k‑1个第二初始深度学习模型进行训练直至收敛得到k‑1个第二
委员会成员模型,其中,k为正整数,第一委员会成员模型与基础模型的网络参数相同;根据
k个委员会成员模型计算候选数据集中包含的各样本数据的投票熵,对各投票熵进行排序,
提取大于预设排序位数的投票熵对应的目标样本数据,确定各目标样本数据中的第一肺结
节区域,收集在第二时间段内各目标样本数据对应的患者的临床特征和病理信息,将第一
肺结节区域、各目标样本数据对应的患者的临床特征和病理信息和各目标样本数据作为补
充数据集,其中,k个委员会成员模型由第一委员会成员模型和k‑1个第二委员会成员模型
组成;提取各目标样本数据中的肺结节的目标影像组学特征,根据目标影像组学特征、补充
数据集和基础数据集对基础模型进行训练直至收敛得到类别预测模型,其中,类别预测模
型用于预测肺结节的类别。在本申请的技术方案中,在训练得到基础模型后,还收集在第二
时间段内的患者的胸部医学图像作为候选数据集,并通过主动学习的方式对候选数据集进
行筛选生成补充数据集,再基于基础数据集和补充数据集对基础模型进行训练得到类别预
测模型,由于本申请中的数据集并不是一次性离线数据集,而是随着时间的增长对数据集
进行补充,补充的方式是端到端的方式,使得本申请在建立类别预测模型时可以优化深度
学习提取的特征和临床特征的交互作用,提高所建立的类别预测模型的效能。
附图说明
记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可
以根据这些附图获得其他的附图。
具体实施方式
实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创
造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
基础数据集中提取肺结节的影像组学特征,从影像组学特征和在第一时间段内的患者的临
床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选后影像组学特征和
筛选后临床特征;根据筛选后影像组学特征、筛选后临床特征和基础数据集对第一初始深
度学习模型进行训练直至收敛得到基础模型;收集在第二时间段内的患者的胸部医学图像
作为候选数据集,其中,第二时间段的起始时间点晚于第一时间段的终止时间点;根据基础
数据集对第一初始深度学习模型进行训练直至收敛得到第一委员会成员模型,根据基础数
据集对k‑1个第二初始深度学习模型进行训练直至收敛得到k‑1个第二委员会成员模型,其
中,k为正整数,第一委员会成员模型与基础模型的网络参数相同;根据k个委员会成员模型
计算候选数据集中包含的各样本数据的投票熵,对各投票熵进行排序,提取大于预设排序
位数的投票熵对应的目标样本数据,确定各目标样本数据中的第一肺结节区域,收集在第
二时间段内各目标样本数据对应的患者的临床特征和病理信息,将第一肺结节区域、各目
标样本数据对应的患者的临床特征和病理信息和各目标样本数据作为补充数据集,其中,k
个委员会成员模型由第一委员会成员模型和k‑1个第二委员会成员模型组成;提取各目标
样本数据中的肺结节的目标影像组学特征,根据目标影像组学特征、补充数据集和基础数
据集对基础模型进行训练直至收敛得到类别预测模型,其中,类别预测模型用于预测肺结
节的类别。在本申请的技术方案中,在训练得到基础模型后,还收集在第二时间段内的患者
的胸部医学图像作为候选数据集,并通过主动学习的方式对候选数据集进行筛选生成补充
数据集,再基于基础数据集和补充数据集对基础模型进行训练得到类别预测模型,由于本
申请中的数据集并不是一次性离线数据集,而是随着时间的增长对数据集进行补充,补充
的方式是端到端的方式,使得本申请在建立类别预测模型时可以优化深度学习提取的特征
和临床特征的交互作用,提高所建立的类别预测模型的效能。
建立基础模型之前,收集的是在第一时间段内的患者的临床特征、病理信息和胸部医学图
像,并根据所收集的在第一时间段内的患者的临床特征、病理信息和胸部医学图像生成基
础数据集。第二部分数据收集时间节点是在建立基础模型完成后,收集的是在临床应用中
后续的数据,收集得到的是候选数据集。
缺失值处理:对数值信息中的缺失数据进行统计,视不同情况对缺失数据进行丢弃或插值
处理c)标准化处理,减少不同特征不同量纲、不同数量级的影响,提高结果的可靠性和分类
器的准确性。
理,具体可以包括:a)分辨率归一化,将所有在第一时间段内的患者的胸部医学图像的x/y/
z轴分辨率重采样到1x1x1(mm/pixel),使得模型输入数据为各向同性,减少分辨率对于模
型性能的干扰;b)窗宽窗位设置,设置在第一时间段内的患者的胸部医学图像的窗宽窗位
为肺部窗宽窗位,从而聚焦感兴趣区域即肺结节所在区域。
胸部平扫薄层CT图像中的肺结节进行感兴趣区域勾画。
集。
后影像组学特征和筛选后临床特征。
集中的胸部医学图像进行处理得到第二预设数量个第二处理后图像,其中,λ参数为拉普拉
斯高斯滤波器的固有参数,第二预设数量可以为5个。
肿瘤内部和表面纹理的灰度共生矩阵GLCM、灰度游程矩阵GLRLM、灰度区域大小矩阵GLSZM
和/或灰度共生矩阵GLDM纹理特征。
组学特征和在第一时间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预
设相关性阈值的筛选后影像组学特征和筛选后临床特征用于后续类别模型的建立,其中,
预测目标为进行类别预测的目标,例如肺结节。
留p<0.05的特征,得到筛选后影像组学特征和筛选后临床特征,其中,p值是当原假设为真
时,所得到的样本观察结果或更极端结果出现的概率。
始深度学习模型进行训练直至收敛得到基础模型。
密块1、稠密块2和稠密块3,将DenseNet网络的全连接层的前一层的输出连接筛选后影像组
学特征和筛选后临床特征,得到融合后的特征向量。然后基于全连接的方法,预测肺结节的
良恶性概率即模型预测结果。基础模型使用Adam优化器进行训练,并对输入图片进行数据
扩增例如旋转、翻转和/或缩放,以提高模型的泛化能力。
理,具体可以包括:a)分辨率归一化,将所有在第一时间段内的患者的胸部医学图像的x/y/
z轴分辨率重采样到1x1x1(mm/pixel),使得模型输入数据为各向同性,减少分辨率对于模
型性能的干扰;b)窗宽窗位设置,设置在第二时间段内的患者的胸部医学图像的窗宽窗位
为肺部窗宽窗位,从而聚焦感兴趣区域即肺结节所在区域。
第二委员会成员模型,其中,k为正整数,第一委员会成员模型与基础模型的网络参数相同。
数,即图3中矩形框起的部分是阴影覆盖部分参数固定,然后根据基础数据集以较小的学习
率重新训练模型,直到模型收敛得到第一委员会成员模型,即根据基础数据集对第一初始
深度学习模型进行训练直至收敛得到第一委员会成员模型,其中,为了后续描述方便,在本
申请中第一委员会成员模型可以用M1模型来代替。
络模型、DPN网络模型、SENet网络模型仅纳入胸部医学图像构造模型进行训练直至收敛得
到k‑1个第二委员会成员模型,即根据基础数据集对k‑1个第二初始深度学习模型进行训练
直至收敛得到k‑1个第二委员会成员模型,其中,为了后续描述方便,在本申请中k‑1个第二
委员会成员模型可以用M2模型,...,Mk模型代替。
入模块用于输入图片、多个卷积层和全连接层,将深度学习特征输入全连接层得到模型预
测结果。
为Dual Path Networks,SENet为Squeeze‑and‑Excitation Networks。
本数据中的第一肺结节区域,收集在第二时间段内各目标样本数据对应的患者的临床特征
和病理信息,将第一肺结节区域、各目标样本数据对应的患者的临床特征和病理信息和各
目标样本数据作为补充数据集,其中,k个委员会成员模型由第一委员会成员模型和k‑1个
第二委员会成员模型组成。
会成员模型组成。
预测该样本数据为类别c的模型个数/模型总数k。
一肺结节区域,收集在第二时间段内各目标样本数据对应的患者的临床特征和病理信息,
将第一肺结节区域、各目标样本数据对应的患者的临床特征和病理信息和各目标样本数据
作为补充数据集。
式与步骤S101中的对所收集的在第一时间段内的患者的临床特征进行标准化处理的方式
相同,在此不再赘述。
别预测模型用于预测肺结节的类别。
节的类别。
从基础数据集中提取肺结节的影像组学特征,从影像组学特征和在第一时间段内的患者的
临床特征中筛选出与预测目标之间的相关性大于预设相关性阈值的筛选后影像组学特征
和筛选后临床特征;根据筛选后影像组学特征、筛选后临床特征和基础数据集对第一初始
深度学习模型进行训练直至收敛得到基础模型;收集在第二时间段内的患者的胸部医学图
像作为候选数据集,其中,第二时间段的起始时间点晚于第一时间段的终止时间点;根据基
础数据集对第一初始深度学习模型进行训练直至收敛得到第一委员会成员模型,根据基础
数据集对k‑1个第二初始深度学习模型进行训练直至收敛得到k‑1个第二委员会成员模型,
其中,k为正整数,第一委员会成员模型与基础模型的网络参数相同;根据k个委员会成员模
型计算候选数据集中包含的各样本数据的投票熵,对各投票熵进行排序,提取大于预设排
序位数的投票熵对应的目标样本数据,确定各目标样本数据中的第一肺结节区域,收集在
第二时间段内各目标样本数据对应的患者的临床特征和病理信息,将第一肺结节区域、各
目标样本数据对应的患者的临床特征和病理信息和各目标样本数据作为补充数据集,其
中,k个委员会成员模型由第一委员会成员模型和k‑1个第二委员会成员模型组成;提取各
目标样本数据中的肺结节的目标影像组学特征,根据目标影像组学特征、补充数据集和基
础数据集对基础模型进行训练直至收敛得到类别预测模型,其中,类别预测模型用于预测
肺结节的类别。在本申请的技术方案中,在训练得到基础模型后,还收集在第二时间段内的
患者的胸部医学图像作为候选数据集,并通过主动学习的方式对候选数据集进行筛选生成
补充数据集,再基于基础数据集和补充数据集对基础模型进行训练得到类别预测模型,由
于本申请中的数据集并不是一次性离线数据集,而是随着时间的增长对数据集进行补充,
补充的方式是端到端的方式,使得本申请在建立类别预测模型时可以优化深度学习提取的
特征和临床特征的交互作用,提高所建立的类别预测模型的效能。
图像的类别预测模型。由于该类别预测模型利用了多模态信息,相比于仅采用CT影像特征
和/临床特征所建立的类别预测模型,大大提高了类别预测模型的效能。
所用的特征存在的缺失,进一步提高类别预测模型的效能。
的另一种流程示意图,参见图4,本申请提供的一种基于主动学习的类别预测模型建模方法
包括7个模块:数据收集和预处理模块、影像组学特征提取模块、特征筛选模块、基础模型构
造模块、主动学习模块、标注和收集模块以及模型更新模块,各模块之间的流程如图4中的
箭头所示,执行模型更新模块后又返回执行主动学习模块。
学习模块也就是图1中的步骤S105‑S106中的提取目标样本数据,标注和收集模块也就是图
1中的步骤S106提取目标样本数据之后的部分‑S107中提取目标影像组学特征,模型更新模
块也就是图1中的步骤S107中提取目标影像组学特征后的部分,候选数据集的获取也就是
图1中的步骤S104,有关各模块的描述,具体参见图1中各步骤的相关描述,在此不再赘述。
设相关性阈值的筛选后影像组学特征和筛选后临床特征;
始深度学习模型进行训练直至收敛得到k‑1个第二委员会成员模型,其中,k为正整数,所述
第一委员会成员模型与所述基础模型的网络参数相同;
目标样本数据,确定各目标样本数据中的第一肺结节区域,收集在所述第二时间段内各目
标样本数据对应的患者的临床特征和病理信息,将所述第一肺结节区域、各目标样本数据
对应的患者的临床特征和病理信息和各目标样本数据作为补充数据集,其中,k个委员会成
员模型由所述第一委员会成员模型和k‑1个第二委员会成员模型组成;
进行训练直至收敛得到类别预测模型,其中,所述类别预测模型用于预测肺结节的类别。
特征和在第一时间段内的患者的临床特征中筛选出与预测目标之间的相关性大于预设相
关性阈值的筛选后影像组学特征和筛选后临床特征;根据筛选后影像组学特征、筛选后临
床特征和基础数据集对第一初始深度学习模型进行训练直至收敛得到基础模型;收集在第
二时间段内的患者的胸部医学图像作为候选数据集,其中,第二时间段的起始时间点晚于
第一时间段的终止时间点;根据基础数据集对第一初始深度学习模型进行训练直至收敛得
到第一委员会成员模型,根据基础数据集对k‑1个第二初始深度学习模型进行训练直至收
敛得到k‑1个第二委员会成员模型,其中,k为正整数,第一委员会成员模型与基础模型的网
络参数相同;根据k个委员会成员模型计算候选数据集中包含的各样本数据的投票熵,对各
投票熵进行排序,提取大于预设排序位数的投票熵对应的目标样本数据,确定各目标样本
数据中的第一肺结节区域,收集在第二时间段内各目标样本数据对应的患者的临床特征和
病理信息,将第一肺结节区域、各目标样本数据对应的患者的临床特征和病理信息和各目
标样本数据作为补充数据集,其中,k个委员会成员模型由第一委员会成员模型和k‑1个第
二委员会成员模型组成;提取各目标样本数据中的肺结节的目标影像组学特征,根据目标
影像组学特征、补充数据集和基础数据集对基础模型进行训练直至收敛得到类别预测模
型,其中,类别预测模型用于预测肺结节的类别。在本申请的技术方案中,在训练得到基础
模型后,还收集在第二时间段内的患者的胸部医学图像作为候选数据集,并通过主动学习
的方式对候选数据集进行筛选生成补充数据集,再基于基础数据集和补充数据集对基础模
型进行训练得到类别预测模型,由于本申请中的数据集并不是一次性离线数据集,而是随
着时间的增长对数据集进行补充,补充的方式是端到端的方式,使得本申请在建立类别预
测模型时可以优化深度学习提取的特征和临床特征的交互作用,提高所建立的类别预测模
型的效能。
征。
高速随机存取存储器(Random‑Access Memory,RAM),也可能还包括非易失性存储器(non‑
volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所
需要的硬件。
Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard
Architecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总
线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的
总线。
然气负荷预测装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本
申请任一实施例中提供的基于主动学习的类别预测模型建模方法。
力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件
形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing
Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital
Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,
ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑
器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公
开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常
规的处理器等。
闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的
存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方
法的步骤。
基于主动学习的类别预测模型建模方法。
例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的
部分说明即可。
括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要
素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要
素的过程、方法、商品或者设备中还存在另外的相同要素。
替换、改进等,均应包含在本申请的权利要求范围之内。