1.基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，所述多維度特征集獲取方式為：
3.根據(jù)權(quán)利要求1所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，基于lightgbm算法構(gòu)建骨質(zhì)疏松預(yù)測模型時定義輸入空間x，包括年齡，性別，椎骨不同部位ct值，表示為{x1，…，xn}，對于每個特征xi，lightgbm算法均構(gòu)建一個直方圖，根據(jù)該直方圖得到最佳的分裂點。
4.根據(jù)權(quán)利要求3所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，構(gòu)建決策樹時令o表示決策樹上一個固定節(jié)點的訓(xùn)練數(shù)據(jù)集；在這個節(jié)點上，特征j在分割點d處的信息增益被定義為：
5.根據(jù)權(quán)利要求4所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，所述lightgbm算法基于梯度的單邊采樣方式實現(xiàn)：首先對訓(xùn)練數(shù)據(jù)集中的每個數(shù)據(jù)樣本計算梯度值，并按照梯度絕對值的大小進(jìn)行降序排列；然后保留排在前面a％較大梯度樣本，對剩余較小梯度樣本按b％比例進(jìn)行隨機(jī)采樣；為了保持?jǐn)?shù)據(jù)分布的一致性，對于被采樣的較小梯度樣本，引入常數(shù)倍數(shù)來放大信息增益，最終得到：
6.根據(jù)權(quán)利要求5所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，基于lightgbm算法構(gòu)建骨質(zhì)疏松預(yù)測模型，具體為：
7.根據(jù)權(quán)利要求1所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，最佳特征選擇方案包括age、gender、l-u、l-m、l-l、rt、lt、rf、lf。
8.根據(jù)權(quán)利要求7所述基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測方法，其特征在于，基于shap分析工具量化特征選擇方案中每個特征對預(yù)測結(jié)果的貢獻(xiàn)，具體為：對于輸入特征數(shù)量為m的向量x＝{age,gender,l-u,l-m,l-l,rt,lt,rf,f}，骨質(zhì)疏松預(yù)測模型輸出f(x)表示患者患有骨質(zhì)疏松的概率或預(yù)測分?jǐn)?shù)；其過程為：
9.一種基于患者常規(guī)ct檢查數(shù)據(jù)的可解釋骨質(zhì)疏松預(yù)測系統(tǒng)，其特征在于，包括：