【技术实现步骤摘要】
基于机器学习技术的不同类型肿瘤对放疗射线敏感性的检测方法
本专利技术属于肿瘤放射治疗
，涉及到一种自动生成肿瘤放疗射线选择的方法，具体而言是一种基于决策树机器学习方法的不同类型肿瘤对放疗射线敏感性的检测方法。
技术介绍
机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一，目前将机器学习与放射治疗相结合的技术较少。肿瘤放射治疗是利用放射线治疗肿瘤的一种局部治疗方法。放射线包括放射性同位素产生的α、β、γ射线和各类x射线治疗机或加速器产生的x射线、电子线、质子束及其他粒子束等。大约70％的癌症患者在治疗癌症的过程中需要用放射治疗，约有40％的癌症可以用放疗根治。放射治疗在肿瘤治疗中的作用和地位日益突出，已成为治疗恶性肿瘤的主要手段之一。放射疗法发展较快,在CT影像技术和计算机技术发展帮助下，现在的放疗技术由二维放疗发展到三维放疗、四维放疗技术，...
【技术保护点】
1.基于机器学习技术决策树算法的不同类型肿瘤对放疗射线敏感性的检测方法，其特征在于，对医疗案例数据库内的非数字型特征数据进行处理，转变为数字型，并随机选取一定比例的数据作为模型训练数据，剩余的数据作为模型测试数据，而后将处理后的模型训练数据输入到决策树C4.5算法生成决策树模型T；对决策树进行剪枝处理直到损失函数不再减小，最终得到修剪后的决策树Tα；使用测试数据数据集对决策树剪枝得到的模型Tα进行验证，如果预测效果达到要求则输出Tα，如果未达到要求，则重复上述步骤，直到预测精度达到目标要求，而后输出Tα；根据决策树验证得到的Tα模型得到的相关特征Ai，输入病人相应的特征；将...
【技术特征摘要】
1.基于机器学习技术决策树算法的不同类型肿瘤对放疗射线敏感性的检测方法，其特征在于，对医疗案例数据库内的非数字型特征数据进行处理，转变为数字型，并随机选取一定比例的数据作为模型训练数据，剩余的数据作为模型测试数据，而后将处理后的模型训练数据输入到决策树C4.5算法生成决策树模型T；对决策树进行剪枝处理直到损失函数不再减小，最终得到修剪后的决策树Tα；使用测试数据数据集对决策树剪枝得到的模型Tα进行验证，如果预测效果达到要求则输出Tα，如果未达到要求，则重复上述步骤，直到预测精度达到目标要求，而后输出Tα；根据决策树验证得到的Tα模型得到的相关特征Ai，输入病人相应的特征；将决策树Tα模型在Ai输入下的计算得到的肿瘤对不同射线的敏感新结果输出。
2.根据权利要求1所述的方法，其特征在于，决策树C4.5算法是根据来自案例数据预处理模块的训练数据集D，生成决策树模型T，具体包括以下步骤：
步骤1：计算训练集D每个特征A的信息增益比，公式如下：
其中g(D,A)表示特征A对训练集D的信息增益，HA(D)表示训练集D关于特征A的值的熵,k表示特征个数；
步骤2：选择信息增益比最大的特征Ag，作为第一个划分特征；
步骤3：对特征A的取值进行升序排序得到集合An＝[a1,a2,a3,a4…an]，
步骤4：对集合A进行划分，得到新的集合T＝[T1,T2,T3…Ta]，公式如下：
步骤5：求训练集D的熵Ent(D)，公式如下：
其中n表示训练集D的样本个数，xi表示第i个病人所用射线的编号，
步骤6：求样本集D基于特征A划分点T的信息增益g(D,A,Ti)，公式如下：
步骤7：选择g(D,A,Ti)最大的节点作为特征A的划分节点；
步骤8：重复以上步骤，当特征的信息增益比小于阈值的时候设置为...
【专利技术属性】
技术研发人员：袁双虎，李玮，李莉，韩毅，刘宁，胡旭东，任晓霖，袁朔，吕慧颖，于金明，
申请(专利权)人：北京易康医疗科技有限公司，山东省肿瘤防治研究院山东省肿瘤医院，山东大学，济南比山网络科技有限公司，
类型：发明
国别省市：北京;11
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。