1.一种基于先验医学知识的疾病风险预测方法，其特征在于：包括以下步骤：S1、以向量形式输入患者p的EHR记录数据；

S2、使用基于卷积神经网络的预测模型来获得预测概率，从而获得目标函数；

S3、整合先验医学知识融入步骤S2的预测模型，引入一个期望分布值并设置约束特征，通过正则化方法得到损失函数；

S4、通过损失函数计算新的目标函数，并获得风险预测模型的最优参数；通过最优参数预测患者P的疾病风险；

所述步骤S1中第p位患者的EHR记录数据为将xt嵌入到访问级中 则：

vt＝Wvxt+bv

其中， 和 是需要学习的参数，k是潜在表示的大小；

所述步骤S2中获得预测概率包括以下步骤：S21、设I表示时间窗口的大小，vt：t+l‑1表示从vt到vt+l‑1的l次的连接，滤波器应用于l次访问的窗口来产生一个新的特征 使用ReLU激活如下：ft＝ReLU(Wfvt：t+l‑1+bf)ReLU(f)＝max(f，0)其中，bf是偏置项；

则生成图像特征：

S21、应用一个全连接的softmax层用以产生预测概率，如下：(p)

所述步骤S2中预测概率 由后验分布P(yp|X ；θ)表示，其中yp是真实值，真实值yp和预测概率 之间的交叉熵被用于计算损失，则风险预测的目标函数为交叉熵的平均值：所述步骤S3中得到损失函数包括以下步骤：S31、设Q是后验信息约束的集合，则：(p)

其中，φ(X ，yp)是约束特征的集合，b是约束特征期望的界限；

S32、设q(yp)为患者p的期望分布，则损失函数为：其中，α是一个超参数，用于平衡预测模型的平衡，KL(·||·)是用于测量预测模型中(p)期望分布q(yp)与后验分布P(yp|X ；θ)之间差异的Kullback‑Leibler散度；

所述步骤S4中通过损失函数计算新的目标函数的公式为：其中，后验分布

Γ是不同约束特征类别的可学习置信矩阵， 为参数集；

是真实值yp和后验分布 之间的交叉熵平均值；

所述步骤S4中获得风险预测模型的最优参数包括以下步骤：S41、计算出 计算公式为：S42、最小化目标函数，得到最优参数，公式为：所述步骤S4中通过最优参数患者P疾病风险的预测概率公式为：