一种预测前列腺穿刺与根治术后病理评分一致性的方法技术

本发明专利技术涉及医学领域，尤其涉及一种预测前列腺穿刺与根治术后病理评分一致性的方法。本发明专利技术公开了一种前列腺神经网络模型的构建方法，包括以下步骤：S1、建立数据集；S2、构建深度学习神经网络；S3、神经网络编译：S4、训练神经网络参数。利用该模型可以有效的预测前列腺穿刺与根治术后病理评分的一致性，从而协助医生选择更恰当的前列腺癌术前治疗方案，有效防止过度医疗或者低估病情的发生，提高患者的治疗效果。

A method for predicting the consistency of pathological scores between prostate puncture and radical prostatectomy

The invention relates to the medical field, in particular to a method for predicting the consistency of pathological scores after prostate puncture and radical prostatectomy. The invention discloses a method for constructing a prostatic neural network model, which comprises the following steps: S1, data set establishment; S2, deep learning neural network construction; S3, neural network compilation: S4, training neural network parameters. This model can effectively predict the consistency of pathological scores between prostate puncture and radical prostatectomy, thus helping doctors to select more appropriate preoperative treatment options for prostate cancer, effectively prevent overtreatment or underestimation of the disease, and improve the treatment effect of patients.

【技术实现步骤摘要】
一种预测前列腺穿刺与根治术后病理评分一致性的方法
本专利技术涉及医学领域，尤其涉及一种预测前列腺穿刺与根治术后病理评分一致性的方法。
技术介绍
前列腺癌是全球最常见的恶性肿瘤之一，其发病率在美国常年保持第一位，在中国发病率也呈逐渐升高的趋势。目前前列腺癌的术前诊断主要依赖于前列腺穿刺(前列腺癌仍需要穿刺确诊)，然而由于肿瘤的生物异质性，前列腺穿刺与前列腺癌根治术后的病理评分往往存在差异，出现上调或下调。前列腺穿刺的病理评分是决定前列腺癌患者的治疗方式的关键因素之一，然而现有的术前病理评分往往不准确，因此常常导致患者被过度治疗或者病情被低估导致病情加重，因此急需专利技术一种有效的术前病理评分方法。
技术实现思路
为了解决上述现有技术问题，本专利技术公开了一种能够有效预测前列腺穿刺与根治术后病理评分一致性的方法。本专利技术的具体方案如下：本专利技术第一个方面公开了一种预测前列腺穿刺和术后病理评分一致性的神经网络模型的构建方法，包括以下步骤：S1、建立数据集：收集前列限临床样本数据，并随机将数据集分为训练组和测试组；所述训练组包括上调训练组和下调训练组，所述测试组分为上调测试组和下调测试组；S2、构建深度学习神经网络：收集数据集分为训练样本和测试样本，采用多层神经网络实现二分类预测，所述神经网络中输入层为10个神经元，对应10个输入变量，隐含层为四个全连接层，每层为64个神经元，最后三层采用Dropout(0.3)策略；四个全链接层把修正线性单元ReLU作为神经元的激活函数，输出层为2个神经元，激活函数为“Softmax”；所述Softmax函数将多个神经元输出，映射到(0,1)区间内；其中，ReLU函数为：，如果输入大于0，输出保持不变，如果输入小于或等于0，输出为0；Softmax函数表达式为：(式中e指自然底数，i指第i个分类项，j是所有分类项的序号，∑是总和)；S3、神经网络编译：神经网络编译中，损失函数采用分类交叉熵“categorical_crossentropy”，最优化方法为随机梯度下降法(Stochasticgradientdescent，SGD)，对每个训练样本进行参数更新，每次执行都进行一次更新；S4、训练神经网络参数：分别把上调训练组和下调训练组送入神经网络训练，训练组每批送入32个带标签的数据，计算交叉熵作为损失函数，调整模型参数，逐批送入训练数据进行模型训练即得到预测前列腺穿刺和术后病理评分一致性的神经网络模型。优选的，在S3中，SDG参数为0.001，每次训练送入数据的量batch_size为32，重复次数epochs为5000，日志显示输出进度条记录verbose为1。本专利技术第二个方面公开了上述的方法构建得到的前列腺神经网络模型。本专利技术第三个方面公开了上述的前列腺神经网络模型在前列腺疾病治疗领域中的应用。本专利技术第四个方面公开了一种评估前列腺神经网络模型准确性的方法，包括以下步骤：根据深度学习神经网络输出的判别分类概率值，结合上调或下调的标签值导入到统计学分析软件，制作ROC曲线选项；绘制ROC曲线，计算曲线下面积AUC值；若AUC值>0.7，则说明前列腺神经网络模型准确性较优，若AUC值>0.9，则说明前列腺神经网络模型准确性高。优选的，所述统计学分析软件为SPSS16软件。应当理解，本专利技术中的统计学分析软件并不限于SPSS16软件，本领域技术人员可以选择任意合适的统计学分析软件以实现本专利技术的技术方案，并属于本专利技术的保护范围之内。本专利技术第五个方面公开了一种利用上述的前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性的方法，包括：(1)收集前列腺癌患者资料，其中前列腺根治术后病理比穿刺病理上调的有a例，前列腺穿刺与根治术后病理评分相符的有b例，病理评分下调的有c例；(2)通过所述前列腺神经网络模式预测是否上调时，将下调数据和相符数据合并，即上调a例，不上调b+c例，两组数据中分别随机抽取70％数据为上调训练组和30％数据为上调测试组；通过所述前列腺神经网络模式预测是否下调时，将上调数据和相符数据合并，下调数据c例，不下调a+b例，两组数据分别随机抽取70％数据为下调训练组和30％数据为下调测试组；(3)采用前列腺神经网络模型进行计算，评估前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性。应当理解，本专利技术不限于上述步骤，还可以包含其他的步骤，例如在步骤(1)之前、步骤(1)和(2)之间、步骤(2)和(3)之间、步骤(3)之后，还包含其他额外的步骤，而不超出本专利技术的保护范围。优选的，在步骤(1)中，进行前列腺癌患者资料收集过程中的排除标准为：1)患者的临床资料不全；2)术前行新辅助化疗或内分泌治疗；3)有TURP手术史。优选的，收集的前列腺癌患者资料包括：患者病理确诊为前列腺癌时年龄、前列腺穿刺Gleason评分、术前最近一次tPSA(总前列腺特异性抗原)、PSAD(PSAD即前列腺特异性抗原密度，指单位体积内tPSA值，计算方法为tPSA值除以前列腺体积)、前列腺穿刺阳性针数、前列腺穿刺总针数、前列腺体积、患者BMI值、临床分期、前列腺穿刺阳性率(前列腺穿刺阳性针数除以前列腺穿刺总针数即得前列腺穿刺阳性率)，共计10个变量。本专利技术第六个方面公开了上述的方法在前列腺疾病临床指导中的应用。在符合本领域常识的基础上，上述各优选条件，可任意组合，而不超出本专利技术的构思与保护范围。本专利技术相对于现有技术具有如下的显著优点及效果：本专利技术公开了一种前列腺神经网络模型，利用该模型可以有效的预测前列腺穿刺与根治术后病理评分的一致性，从而协助医生选择更恰当的前列腺癌术前治疗方案，有效防止过度医疗或者低估病情的发生，提高患者的治疗效果。附图说明图1为本专利技术实施例中深度学习神经网络结构图；图2为本专利技术实施例中ReLU函数图；图3为本专利技术实施例中下调模型训练集ROC曲线；图4为本专利技术实施例中下调模型测试集ROC曲线；图5为本专利技术实施例中上调模型训练集ROC曲线；图6为本专利技术实施例中上调模型测试集ROC曲线。具体实施方式下面结合附图和实施例对本专利技术的技术方案进行详细描述，但并不因此将本专利技术限制在所述的实施例范围之中。实施例1本实施例公开了一种预测前列腺穿刺和术后病理评分一致性的神经网络模型的构建方法，包括以下步骤：S1、建立数据集：收集数据集分为训练组和测试组；所述训练组包括上调训练组和下调训练组，所述测试组分为上调测试组和下调测试组；S2、构建深度学习神经网络：收集数据集分为训练样本和测试样本，采用多层神经网络实现二分类预测，所述神经网络中输入层为10个神经元，对应10个输入变量，隐含层为四个全连接层，每层为64个神经元，最后三层采用Dropout(0.3)策略；其中，深度学习神经网络如图1所示；四个全链接层把修正线性单元ReLU作为神经元的激活函数，输出层为2个神经元，激活函数为“Softmax”；所述Softmax函数将多个神经元输出，映射到(0,1)区间内；其中，ReLU函数如图2所示，如果输入大于0，输出保持不变，如果输入小于或等于0，输出为0；Softmax函数表达式为：(式中e指自然底数，i指第i个分类项，j是所有分类项的序号，∑是总和)；S3、神经网络编译：神经网络编译中，损失函本文档来自技高网...

【技术保护点】
1.一种预测前列腺穿刺和术后病理评分一致性的神经网络模型构建方法，其特征在于，包括以下步骤：S1、建立数据集：收集前列腺临床样本数据，并随机将数据集分为训练组和测试组；所述训练组包括上调训练组和下调训练组，所述测试组分为上调测试组和下调测试组；S2、构建深度学习神经网络：收集数据集分为训练样本和测试样本，采用多层神经网络实现二分类预测，所述神经网络中输入层为10个神经元，对应10个输入变量，隐含层为四个全连接层，每层为64个神经元，最后三层采用Dropout(0.3)策略；四个全链接层把修正线性单元ReLU作为神经元的激活函数，输出层为2个神经元，激活函数为“Softmax”；所述Softmax函数将多个神经元输出，映射到(0,1)区间内；其中，ReLU函数表达式为：

【技术特征摘要】
1.一种预测前列腺穿刺和术后病理评分一致性的神经网络模型构建方法，其特征在于，包括以下步骤：S1、建立数据集：收集前列腺临床样本数据，并随机将数据集分为训练组和测试组；所述训练组包括上调训练组和下调训练组，所述测试组分为上调测试组和下调测试组；S2、构建深度学习神经网络：收集数据集分为训练样本和测试样本，采用多层神经网络实现二分类预测，所述神经网络中输入层为10个神经元，对应10个输入变量，隐含层为四个全连接层，每层为64个神经元，最后三层采用Dropout(0.3)策略；四个全链接层把修正线性单元ReLU作为神经元的激活函数，输出层为2个神经元，激活函数为“Softmax”；所述Softmax函数将多个神经元输出，映射到(0,1)区间内；其中，ReLU函数表达式为：，如果输入大于0，输出保持不变，如果输入小于或等于0，输出为0；Softmax函数表达式为：(式中e指自然底数，i指第i个分类项，j是所有分类项的序号，∑是总和)；S3、神经网络编译：神经网络编译中，损失函数采用分类交叉熵，最优化方法为随机梯度下降法(SDG)，对每个训练样本进行参数更新，每次执行都进行一次更新；S4、训练神经网络参数：分别把上调训练组和下调训练组送入神经网络训练，训练组每批送入32个带标签的数据，计算交叉熵作为损失函数，调整模型参数，逐批送入训练数据进行模型训练即得到前列腺穿刺和术后病理评分一致性的预测神经网络模型。2.根据权利要求1所述的方法，其特征在于，在S3中，SDG参数为0.001，每次训练送入数据的量batch_size为32，重复次数epochs为5000，日志显示输出进度条记录verbose为1。3.根据权利要求1-2所述的方法构建得到的前列腺神经网络模型。4.根据权利要求3所述的前列腺神经网络模型在前列腺疾病治疗领域中的应用。5.一种评估前列腺神经网络模型准确性的方...

【专利技术属性】
技术研发人员：彭文献，郑祥义，
申请(专利权)人：上海健康医学院，
类型：发明
国别省市：上海,31