1.一种阿尔兹海默疾病进程预测方法，其特征在于：患者在固定时间间隔内测量得到多视图数据，所述阿尔兹海默疾病进程预测方法包括以下步骤：S 1 、对 所述 多 视 图 数 据 进 行 预 处 理 ，得 到 的 多 视 图数 据S2、使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵所述隐表示矩阵 能够描述患者的综合特征，通过各视图间的互补关系来学习所述隐表示矩阵 并通过网络映射重建出各视图的数据 其中，表示第v种视图的特征表示；

使用重建损失函数对所述多视图数据进行学习得到各个时间点的隐表示矩阵Ht，所述重建损失函数的表达式为：其中，V为所述多视图数据的总个数，T表示各视图数据中已知时间点的个数，隐表示矩阵 nt表示在第t个时间点有视图的样本个数，dh表示学习得到的隐表示h的特征维度；fv(·；Θv)是针对第v个视图且以Θv为参数的退化网络，表示在第t个时间点下第v个视图的可用样本数，dv表示第v个视图的特征个数，则 表示为第t个时间点的 个样本的第v个视图的特征向量集合，每条特征向量包含dv个特征，和 分别表示核磁共振成像、正电子发射断层显像和人口统计学特征在第t个时间点的特征矩阵； 是一个对角指示矩阵，用于忽略缺失数据的损失，||·||F表示Frobenius范数，表达式为：S3、在所述隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；

最小门控单元的原理为：隐藏状态ct表示为融合了样本直到当前时间点的过去所有时间点的历史信息，用于预测下一个时间点的输入数据st+1，在每一时间点t，同时将输入数据st和上一时间点的隐藏状态ct‑1输入到最小门控单元中，得到当前时间点的隐藏状态ct，具体公式如下：zt＝σ(ct‑1Uz+stWz)；

其中，st和ct分别表示第t个时间点的输入数据和隐藏状态；Uz、Wz、Uc、Wc为网络参数；zt和 为中间计算结果；⊙表示点积操作，tanh(·)表示双曲正切函数；σ(·)表示Sigmoid激活函数；

S4、使用多视图数据对所述多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。

2.根据权利要求1所述的阿尔兹海默疾病进程预测方法，其特征在于，S1具体为：所述多视图数据包括核磁共振成像、正电子发射断层显像和人口统计学特征，包括以下步骤：S11：对核磁共振成像进行预处理；

S12：对正电子发射断层显像进行预处理。

3.根据权利要求2所述的阿尔兹海默疾病进程预测方法，其特征在于，S11具体为：对核磁共振成像进行前后连合线校正、强度不均匀性校正、头骨剥离、基于阿特拉斯配准的小脑摘除术以及空间分割，得到基于Jacob模板并具有手动标记感兴趣区ROI的核磁共振成像的标记图像，并使用该标记图像与颅内体积归一化的灰质体积作为核磁共振成像的特征表示。

4.根据权利要求3所述的阿尔兹海默疾病进程预测方法，其特征在于，S12具体为：先使用仿射配准将正电子发射断层显像与相应的核磁共振成像进行对齐，然后利用相应的磁共振脑掩模得到颅骨剥离图像，再通过所述核磁共振成像的标记图像计算正电子发射断层显像中手动标记感兴趣区ROI的平均强度值，得到正电子发射断层显像的特征表示。

5.根据权利要求1所述的阿尔兹海默疾病进程预测方法，其特征在于，S3中具体步骤为：所述多视图数据还包括由已知的T个时间点的评分数据构成的评分矩阵所述评分矩阵中第i个样本的评分向量为[yi,1,yi,2,…,yi,T]，所述隐表示矩阵 中第i个样本的隐表示为[hi,1,hi,2,…,hi,T]，将第i个样

本的第t个时间点的隐表示hi,t与该时间点的评分向量yi,t拼接后作为真实输入数据si,t输入至最小门控单元中，得到当前时间点的隐状态ci,t，其中，dh表示隐表示h的特征个数，dy表示每个时间点需要预测的评分个数，将隐藏状态ci,t通过全连接层的映射得到下一个时间点的预测输入数据 并使用拟合函数来缩小预测输入数据 和真实输入数据si,t+1之间的差距，时序数据处理部分的拟合函数表示为：其中， 表示第t个时间点样本组成的真实输入矩阵，g(·；Ξ)表示以

Ξ为参数的包含填充层、最小门控单元以及全连接层在内的拟合网络。

6.根据权利要求5所述的阿尔兹海默疾病进程预测方法，其特征在于，所述填充层具体为：利用上一时间点得到的预测输入数据矩阵来修补当前时间点输入数据矩阵中缺失的部分，且矩阵中未缺失的部分保持不变，以实现对输入数据矩阵中的缺失部分进行填充。

7.根据权利要求5所述的阿尔兹海默疾病进程预测方法，其特征在于：S3中预测未来时间点的评分数据具体为：所述多视图数据还包括未来F个时间点的真实评分数据由第t个时间点的隐表示矩阵和评分矩阵预测得到第t+1个时间点的隐表示矩阵和评分矩阵，并直接将预测得到的第t+1个时间点的隐表示矩阵和评分矩阵输入到最小门控单元中再预测第t+2个时间点的隐表示矩阵和评分矩阵，预测得到的所述评分矩阵包括预测评分数据，并利用拟合函数衡量预测评分数据和真实评分数据之间的误差，未来评分数据预测部分的拟合函数为：其中，g(St‑1；Ξ)表示St通过MGU以及全连接层后计算得到的第t+1个时间点的预测输入表示从预测输入 中取出 的切片操作，|·|表示取矩阵元素绝对值。

8.根据权利要求7所述的阿尔兹海默疾病进程预测方法，其特征在于，S4具体为：使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，结合S2和S3，通过损失函数训练模型参数，得到预测模型，以实现对疾病进程的预测，所述损失函数表达式为：