1.一種基于人工智能的多維度腦卒中預防篩查方法，其特征在于，包括如下步驟：

S1：將收集到的腦卒中三大維度的數據，通過網絡傳輸到云計算服務平臺，建立腦卒中病例數據庫；

S2：根據步驟S1中建立的腦卒中病例數據庫，建立腦卒中預防篩查人工智能算法模型，根據腦卒中病例實際發病情況，驗證腦卒中預防篩查人工智能算法模型；

S3：將腦卒中三大維度的數據輸入腦卒中相關數據輸入報告輸出設備中，并根據預防篩查人工智能算法模型，輸出腦卒中預防篩查報告；

步驟S1中建立腦卒中病例數據庫的具體方法，包括如下步驟：

S11：收集腦卒中三大維度的數據；所述腦卒中三大維度包括醫生臨床問診數據、血液生化生物標志物、日常監測指標；

S12：將收集到的腦卒中三大維度的數據信息依據唯一ID存儲到云服務平臺的病例庫，記錄生命周期內的檢測指標、醫生診斷與用戶日常狀態跟蹤數據，形成腦卒中病例數據庫；

S13：對步驟S12中形成的腦卒中病例數據庫的數據進行預處理；

S14：對腦卒中病例數據庫的數據進行劃分，70%的數據用作訓練數據集，30%的數據用作驗證數據集；

步驟S12中的預處理包括：

特征聚合，對腦卒中風險因素中具有相關性的多個潛在因素特征進行聚合，使其對腦卒中風險評估占相同的比重；

數據篩選，去除數據缺失比例超過閾值的訓練樣本和特征；

特征選擇，選取特征子集，特征子集分別為醫生臨床問診數據、血液生化生物標志物和日常監測指標；

數據推演，對不完整的特征子集進行缺失特征子集推演；

步驟S2中的建立腦卒中預防篩查人工智能算法模型具體方法，包括如下步驟：

S21：建立模型：根據步驟S1中建立的腦卒中病例數據庫，運用人工智能的深度神經網絡算法，結合Adanet AutoML技術，得出腦卒中病例數據庫的檢測數據與腦卒中風險之間的對應關系，建立腦卒中預防篩查人工智能算法模型；

S22：模型優化：對步驟S21中得到的腦卒中預防篩查人工智能算法模型進行優化：在模型訓練過程中同時優化線性模型和深度神經網絡模型的參數，將線性模型的淺層線性劃分與深度神經網絡模型的深層語義學習結合，從而達到整體腦卒中預防篩查人工智能算法模型的預測能力最優；

S23：參數調整：模型訓練采用自動調優，采用Adanet AutoML技術，自動調整網絡結構，提高模型對腦卒中風險的識別精度；

S24：模型訓練：腦卒中預防篩查人工智能算法模型訓練包括風險預測模型、早期診斷模型和預后評估模型；

S25：模型評估：模型有效性評估將采用“雙盲法”進行，以評價模型預測結果是否與醫學指南預測結果有統計學差異，通過自動調優，直至模型預測結果的準確度優于醫學指南；

所述風險預測模型的有效性評估陽性數據將篩選自數據集中1年內發病的患者歷史數據以及2年內發病的患者歷史數據；陰性數據選自數據集中3年均未發病的樣本歷史數據；有效性評估陽性數據由統計人員篩選并消除患病與否相關信息后交予醫療從業人員及模型預測人員對發病概率進行預測，預測結果交由統計人員進行檢驗；

早期診斷模型數據集的構成為已發病患者歷史數據及發病早期數據，以腦卒中的最終診斷結果為標記采用監督學習模式進行模型訓練；

預后評估模型數據集的構成為已發病患者的歷史數據、發病期數據及恢復期數據，以患者的愈后情況為標記采用監督學習模式進行模型訓練。