本技术涉及人工智能，特别是涉及一种状态预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术：
1、随着智能医疗技术的发展，利用人工智能技术在疾病发现、预测、辅助治疗方面具有显著优势。
2、传统技术中，通过kaplan-meier方法（一种非参数的生存分析方法）估计个体在特定时间点上的发病概率，具体地，通过观察每个个体的生存时间和是否发生事件（如死亡、发病等），基于准确的病变发生时刻来构建目标对象在给定时间t之前，该目标对象的存活概率，得到生存函数，并通过连接生存函数上的离散点得到生存曲线，通过生存曲线对目标个体进行状态的预测，得到状态预测结果。
3、然而，传统技术中，对目标对象进行发病概率的预测需要准确的病变发生时间，亟需一种发病时间的确定方法。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种状态预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本技术提供了一种状态预测方法，包括：
3、获取待处理数据以及预先构建的生存分析回归模型；所述生存分析回归模型通过分类损失和回归损失共同训练得到，所述分类损失和所述回归损失基于测试样本的相对时间变量和初始结果进行拟合得到；
4、基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间；所述目标状态时间用于表征在未发病的情况下未来发病时间。
5、在其中一个实施例中，所述获取待处理数据以及预先构建的生存分析回归模型之前，所述方法还包括：
6、获取测试样本集和初始模型，根据所述初始模型对所述测试样本集中的每个测试样本进行数据处理，得到初始结果；
7、对所述测试样本集中病发时间和观测时间进行差值计算，得到每个所述样本数据的相对时间变量；
8、将所述时间变量和所述初始结果的最小值作为约束条件进行拟合，构建目标损失函数；
9、基于所述初始模型和所述目标损失函数构建初始生存分析回归模型。
10、在其中一个实施例中，所述待处理数据包含观测时间、特征向量和状态标识；
11、所述基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间，包括：
12、基于所述生存分析回归模型在训练中学习到的所述观测时间、所述特征向量构成的组合特征与所述目标状态时间的映射关系，确定所述观测时间与所述目标状态时间的相对时间；
13、基于所述相对时间和所述状态标识确定所述目标状态时间。
14、在其中一个实施例中，所述基于所述初始模型和所述目标损失函数构建生存分析回归模型之后，所述方法还包括：
15、获取训练样本集和初始生存分析回归模型；
16、基于所述目标损失函数得到所述初始生存分析回归模型针对每个所述样本数据进行预测处理的损失值；
17、根据预设参数优化方法对所述初始生存分析回归模型进行参数优化，直至所述损失值满足预设损失条件，得到训练完成的状态预测模型。
18、在其中一个实施例中，所述基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间之后，所述方法还包括：
19、获取生存概率模型；
20、在所述待处理数据中的状态标识为已有症状的情况下，根据所述生存概率模型和所述目标状态时间进行生存函数的预测处理，得到目标生存函数。
21、在其中一个实施例中，所述待处理数据包含图像特征；所述在所述待处理数据中的状态标识为已有症状的情况下，根据所述生存概率模型和所述目标状态时间进行生存函数的预测处理，得到目标生存函数，包括：
22、根据所述目标状态时间构建元数据组；
23、基于所述生存概率模型对所述元数据组进行特征提取，得到元数据特征；
24、根据所述生存概率模型对元数据特征进行预测处理，得到目标生存函数。
25、第二方面，本技术还提供了一种状态预测装置，包括：
26、第一获取模块，用于获取待处理数据以及预先构建的生存分析回归模型；所述生存分析回归模型通过分类损失和回归损失共同训练得到，所述分类损失和所述回归损失基于测试样本的相对时间变量和初始结果进行拟合得到；
27、第一预测模块，用于基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间；所述目标状态时间用于表征在未发病的情况下未来发病时间。
28、在其中一个实施例中，所述装置还包括：
29、第二获取模块，用于获取测试样本集和初始模型，根据所述初始模型对所述测试样本集中的每个测试样本进行数据处理，得到初始结果；
30、计算模块，用于对所述测试样本集中病发时间和观测时间进行差值计算，得到每个所述样本数据的相对时间变量；
31、第一构建模块，用于将所述时间变量和所述初始结果的最小值作为约束条件进行拟合，构建目标损失函数；
32、第二构建模块，用于基于所述初始模型和所述目标损失函数构建初始生存分析回归模型。
33、在其中一个实施例中，所述待处理数据包含观测时间、特征向量和状态标识；所述第一预测模块具体用于基于所述生存分析回归模型在训练中学习到的所述观测时间、所述特征向量构成的组合特征与所述目标状态时间的映射关系，确定所述观测时间与所述目标状态时间的相对时间；
34、基于所述相对时间和所述状态标识确定所述目标状态时间。
35、在其中一个实施例中，所述装置还包括：
36、第三获取模块，用于获取训练样本集和初始生存分析回归模型；
37、处理模块，用于基于所述目标损失函数得到所述初始生存分析回归模型针对每个所述样本数据进行预测处理的损失值；
38、优化模块，用于根据预设参数优化方法对所述初始生存分析回归模型进行参数优化，直至所述损失值满足预设损失条件，得到训练完成的状态预测模型。
39、在其中一个实施例中，所述装置还包括：
40、第四获取模块，用于获取生存概率模型；
41、第二预测模块，用于在所述待处理数据中的状态标识为已有症状的情况下，根据所述生存概率模型和所述目标状态时间进行生存函数的预测处理，得到目标生存函数。
42、在其中一个实施例中，所述待处理数据包含图像特征；所述第二预测模块具体用于根据所述目标状态时间构建元数据组；
43、基于所述生存概率模型对所述元数据组进行特征提取，得到元数据特征；
44、根据所述生存概率模型对元数据特征进行预测处理，得到目标生存函数。
45、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
46、获取待处理数据以及预先构建的生存分析回归模型；所述生存分析回归模型通过分类损失和回归损失共同训练得到，所述分类损失和所述回归损失基于测试样本的相对时间变量和初始结果进行拟合得到；
47、基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间；所述目标状态时间用于表征在未发病的情况下未来发病时间。
48、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
49、获取待处理数据以及预先构建的生存分析回归模型；所述生存分析回归模型通过分类损失和回归损失共同训练得到，所述分类损失和所述回归损失基于测试样本的相对时间变量和初始结果进行拟合得到；
50、基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间；所述目标状态时间用于表征在未发病的情况下未来发病时间。
51、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
52、获取待处理数据以及预先构建的生存分析回归模型；所述生存分析回归模型通过分类损失和回归损失共同训练得到，所述分类损失和所述回归损失基于测试样本的相对时间变量和初始结果进行拟合得到；
53、基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间；所述目标状态时间用于表征在未发病的情况下未来发病时间。
54、上述状态预测方法、装置、计算机设备、存储介质和计算机程序产品，获取待处理数据；基于预先构建的生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间；所述生存分析回归模型通过分类损失和回归损失共同训练得到，所述分类损失和所述回归损失基于测试样本的相对时间变量和初始结果进行拟合得到；所述目标状态时间能够在未发病的情况下反映未来发病时间。采用该方法，通过分类损失和回归损失共同训练得到的生存分析回归模型对待处理数据进行预测，对待处理数据具有更高的适应性，生存分析回归模型对待处理数据进行预测的过程中，无需目标事件发生的具体时间，进而提高目标状态时间的准确率。
1.一种状态预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取待处理数据以及预先构建的生存分析回归模型之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述待处理数据包含观测时间、特征向量和状态标识；
4.根据权利要求2所述的方法，其特征在于，所述基于所述初始模型和所述目标损失函数构建生存分析回归模型之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述生存分析回归模型对所述待处理数据进行预测处理，得到目标状态时间之后，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述待处理数据包含图像特征；
7.一种状态预测装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
