本發明涉及醫療健康，尤其是涉及一種用于評估風濕病活動度的檢測系統。
背景技術：
1、風濕病是一類以關節、肌肉、骨骼及相關軟組織慢性炎癥為核心特征的自身免疫性疾病（如類風濕關節炎、強直性脊柱炎、系統性紅斑狼瘡等），其疾病活動度（炎癥活躍程度）的精準評估是臨床診療的關鍵環節——準確判斷活動度可指導治療方案調整（如藥物劑量、種類優化）、預測關節畸形等不可逆損傷風險，并直接影響患者預后與生活質量。
2、而現有設備在實際的應用過程中，臨床對風濕病活動度的評估手段存在顯著局限性，臨床常用的das28（28關節疾病活動度評分）、sdai（簡化疾病活動指數）等量表，依賴醫生對關節腫脹/壓痛數量的主觀計數及少數生化指標（如血沉、c反應蛋白）的匯總評分。該類方法受評估者經驗影響大，且僅聚焦局部關節癥狀，難以反映全身炎癥狀態及患者整體功能（如日常活動能力），現有技術多局限于單一或少數數據類型的分析，缺乏對臨床生化指標、影像特征、患者主觀癥狀及客觀行為數據的系統性融合。即使部分研究嘗試整合多模態數據，也因缺乏跨模態特征的自適應加權算法（如不同數據對活動度的貢獻權重動態分配），導致信息利用率低，難以捕捉疾病活動的復雜動態規律，不利于實際的應用與操作。
技術實現思路
1、本發明的其中一個目的在于提供一種用于評估風濕病活動度的檢測系統。
2、為達到以上目的，本發明采用的技術方案為：一種用于評估風濕病活動度的檢測系統，包括依次連接的數據采集模塊、多模態數據預處理模塊、特征融合提取模塊、智能評估模型模塊和結果輸出模塊；
3、所述數據采集模塊用于同步采集風濕病患者的臨床生化指標、關節影像、患者自報癥狀及動態行為數據；所述多模態數據預處理模塊用于對采集的多種類型數據進行標準化對齊與噪聲抑制；所述特征融合提取模塊用于通過深度學習網絡實現跨模態特征的自適應加權融合；所述智能評估模型模塊用于基于融合后的特征構建動態評估模型，輸出風濕病活動度的量化評分與風險分級；所述結果輸出模塊用于以可視化方式呈現評估結果并提供關鍵影響因子分析。
4、優選的，所述數據采集模塊包括生化檢測單元、影像采集單元、癥狀上報單元和行為監測單元；所述生化檢測單元用于采集包括c反應蛋白、血沉、抗環瓜氨酸肽抗體在內的至少8項核心炎癥標志物；所述影像采集單元用于獲取關節超聲圖像中的滑膜厚度、血流信號及骨質破壞參數；所述癥狀上報單元用于支持患者通過移動終端錄入關節疼痛程度、腫脹數量及疲勞指數信息；所述行為監測單元用于通過可穿戴設備采集患者的日常活動量、關節活動范圍及睡眠質量數據。
5、優選的，所述多模態數據預處理模塊采用自適應閾值濾波算法剔除異常數據，通過歸一化處理統一不同維度數據的量綱，并使用時序插值法補全缺失數據，且在預處理過程中保留原始數據的時間序列特征。
6、優選的，所述特征融合提取模塊包括臨床特征提取子模塊、影像特征提取子模塊和時序特征提取子模塊；所述臨床特征提取子模塊采用梯度提升樹算法篩選關鍵生化指標；所述影像特征提取子模塊通過卷積神經網絡自動識別關節影像中的病理特征；所述時序特征提取子模塊基于長短期記憶網絡提取患者數據的動態變化趨勢；各子模塊的輸出通過注意力機制進行加權融合，生成多維度融合特征向量。
7、優選的，所述智能評估模型模塊為基于遷移學習的混合模型，以訓練完成的風濕病活動度評估基準模型為基礎，結合患者個體歷史數據進行微調，構建個性化評估模型；所述混合模型融合隨機森林的特征重要性排序與神經網絡的非線性擬合能力，輸出零至十分的活動度量化評分及“無活動”“低活動度”“中活動度”“高活動度”四級風險分級。
8、優選的，還包括模型動態更新模塊，用于基于新增患者的評估結果與臨床隨訪數據，采用增量學習算法對智能評估模型進行迭代優化，更新模型參數以提高對不同亞型風濕病的評估適配性。
9、優選的，所述結果輸出模塊還用于基于評估結果自動匹配生成治療方案推薦與隨訪周期建議，同時生成可視化報告，直觀展示各指標對活動度評估結果的貢獻權重。
10、優選的，所述行為監測單元采集的數據包括每日步行步數、關節屈伸頻率、靜息心率變異性及夜間睡眠中斷次數，數據采樣頻率為每分鐘一次，并支持與醫院電子病歷系統實時同步。
11、與現有技術相比，本發明的有益效果在于：
12、（1）本發明通過多模態數據（臨床、影像、癥狀、行為）的同步采集，打破了單一數據維度的局限，能從生理指標、影像學表現、主觀感受、客觀行為等多方面綜合反映風濕病活動度，為精準評估奠定基礎；自適應閾值濾波、歸一化、時序插值的組合處理，有效解決了多模態數據的噪聲、量綱差異和缺失問題，同時保留時間序列特征，確保后續特征提取和模型運算的準確性；深度學習網絡與注意力機制的結合，實現了跨模態特征的自適應加權融合，能充分挖掘各模態數據的互補價值，提升特征表達的豐富性和區分度。
13、（2）本發明通過遷移學習與混合模型（隨機森林+神經網絡）的設計，既具備特征解釋性（隨機森林的特征重要性），又具備復雜關系擬合能力（神經網絡的非線性）；個性化微調機制還能適配不同患者的個體差異，輸出的量化評分和風險分級便于臨床快速決策；可視化報告、治療方案推薦、隨訪周期建議的一體化輸出，直觀且實用，助力臨床醫生高效制定診療策略；數據同步電子病歷系統則實現了醫療數據的規范化管理；增量學習驅動的模型動態更新，使系統能隨臨床數據積累持續優化，不斷提升對不同亞型風濕病的評估能力，實現“個性化－長期化”的疾病監測與管理。
1.一種用于評估風濕病活動度的檢測系統，其特征在于，包括依次連接的數據采集模塊、多模態數據預處理模塊、特征融合提取模塊、智能評估模型模塊和結果輸出模塊；
2.如權利要求1所述的一種用于評估風濕病活動度的檢測系統，其特征在于：所述數據采集模塊包括生化檢測單元、影像采集單元、癥狀上報單元和行為監測單元；所述生化檢測單元用于采集包括c反應蛋白、血沉、抗環瓜氨酸肽抗體在內的至少8項核心炎癥標志物；所述影像采集單元用于獲取關節超聲圖像中的滑膜厚度、血流信號及骨質破壞參數；所述癥狀上報單元用于支持患者通過移動終端錄入關節疼痛程度、腫脹數量及疲勞指數信息；所述行為監測單元用于通過可穿戴設備采集患者的日常活動量、關節活動范圍及睡眠質量數據。
3.如權利要求1所述的一種用于評估風濕病活動度的檢測系統，其特征在于：所述多模態數據預處理模塊采用自適應閾值濾波算法剔除異常數據，通過歸一化處理統一不同維度數據的量綱，并使用時序插值法補全缺失數據，且在預處理過程中保留原始數據的時間序列特征。
4.如權利要求1所述的一種用于評估風濕病活動度的檢測系統，其特征在于：所述特征融合提取模塊包括臨床特征提取子模塊、影像特征提取子模塊和時序特征提取子模塊；所述臨床特征提取子模塊采用梯度提升樹算法篩選關鍵生化指標；所述影像特征提取子模塊通過卷積神經網絡自動識別關節影像中的病理特征；所述時序特征提取子模塊基于長短期記憶網絡提取患者數據的動態變化趨勢；各子模塊的輸出通過注意力機制進行加權融合，生成多維度融合特征向量。
5.如權利要求1所述的一種用于評估風濕病活動度的檢測系統，其特征在于：所述智能評估模型模塊為基于遷移學習的混合模型，以訓練完成的風濕病活動度評估基準模型為基礎，結合患者個體歷史數據進行微調，構建個性化評估模型；所述混合模型融合隨機森林的特征重要性排序與神經網絡的非線性擬合能力，輸出零至十分的活動度量化評分及“無活動”“低活動度”“中活動度”“高活動度”四級風險分級。
6.如權利要求1所述的一種用于評估風濕病活動度的檢測系統，其特征在于：還包括模型動態更新模塊，用于基于新增患者的評估結果與臨床隨訪數據，采用增量學習算法對智能評估模型進行迭代優化，更新模型參數以提高對不同亞型風濕病的評估適配性。
7.如權利要求1所述的一種用于評估風濕病活動度的檢測系統，其特征在于：所述結果輸出模塊還用于基于評估結果自動匹配生成治療方案推薦與隨訪周期建議，同時生成可視化報告，直觀展示各指標對活動度評估結果的貢獻權重。
8.如權利要求2所述的一種用于評估風濕病活動度的檢測系統，其特征在于：所述行為監測單元采集的數據包括每日步行步數、關節屈伸頻率、靜息心率變異性及夜間睡眠中斷次數，數據采樣頻率為每分鐘一次，并支持與醫院電子病歷系統實時同步。