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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。