一种肺癌预后预测模型构建方法及肺癌预后预测系统技术方案

本发明专利技术公开一种肺癌预后预测模型构建方法及肺癌预后预测系统，包括：对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模型；在贝叶斯网络模型中引入肺癌生存结局变量，得到新网络结构；根据多因素Cox比例风险回归模型，预测肺癌预后因子在组合状态下的生存概率，得到肺癌生存结局变量的条件概率表；对新网络结构和条件概率表进行拟合得到肺癌预后预测模型。解决传统预测模型在临床数据缺乏关键预测变量时难以预测的问题，提高临床预测的准确性。临床预测的准确性。临床预测的准确性。

【技术实现步骤摘要】
一种肺癌预后预测模型构建方法及肺癌预后预测系统


[0001]本专利技术涉及预后预测
，特别是涉及一种肺癌预后预测模型构建方法及肺癌预后预测系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]在癌症研究中，个性化预后预测模型的研究大多集中于使用基于回归的方法，如基于Cox比例风险回归模型的肺癌生存预测模型。然而，在回顾性研究中，由于多种原因，临床和生存数据可能包含许多缺失值。如果该研究包括长期随访数据，一些临床协变量可能没有被测量。因此在临床数据集中，协变量数据的缺失是非常常见的，这对基于回归的模型提出很大的挑战。
[0004]目前处理不完全协变量数据的方法包括完全案例分析法和基于填补的方法。完全案例分析法去除含有缺失的记录，容易导致选择偏倚；基于填补的方法仅局限于对整个数据集实施，无法做到个性化预测。在风险预测模型建立的过程中，对缺失数据如果处理不当，可能会影响结果，降低分析的准确性。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种肺癌预后预测模型构建方法及肺癌预后预测系统，解决传统预测模型在临床数据缺乏关键预测变量时难以预测的问题，提高临床预测的准确性。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]第一方面，本专利技术提供一种肺癌预后预测模型构建方法，包括：
[0008]对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；
[0009]对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模型；
[0010]在贝叶斯网络模型中引入肺癌生存结局变量，得到新网络结构；
[0011]根据多因素Cox比例风险回归模型，预测肺癌预后因子在组合状态下的生存概率，得到肺癌生存结局变量的条件概率表；
[0012]对新网络结构和条件概率表进行拟合得到肺癌预后预测模型。
[0013]作为可选择的实施方式，肺癌生存结局变量的条件概率表为：
[0014][0015]其中，S0(t)为第t年的基线风险函数；β
i
为对应变量x
i
的Cox比例风险回归模型的回归系数；p为多因素Cox比例风险回归模型中肺癌预后因子个数。
[0016]作为可选择的实施方式，根据肺癌预测因子采用模型平均方法构建贝叶斯网络模
型，由贝叶斯网络模型建模肺癌预测因子间的相互依赖关系。
[0017]作为可选择的实施方式，对肺癌预测因子采用LASSO
‑
Cox回归特征选择方法进行二次筛选，得到肺癌预后因子。
[0018]作为可选择的实施方式，所述肺癌预测因子包括：吸烟、高龄、胸腔积液、病理分期、肺脓肿、肺心病、间质性肺病、肺栓塞、呼吸衰竭、红细胞计数、纤维蛋白原和嗜酸性粒细胞。
[0019]作为可选择的实施方式，所述肺癌预后因子包括：分期、性别、年龄、吸烟、饮酒、慢性阻塞性肺疾病、靶向治疗、肺炎、间质性肺疾病、呼吸衰竭、纤维蛋白原和病理分类。
[0020]第二方面，本专利技术提供一种肺癌预后预测系统，包括：
[0021]第一模型构建模块，被配置为对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；
[0022]第二模型构建模块，被配置为对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模型；
[0023]网络结构学习模块，被配置为在贝叶斯网络模型中引入肺癌生存结局变量，得到新网络结构；
[0024]网络参数学习模块，被配置为根据多因素Cox比例风险回归模型，预测肺癌预后因子在组合状态下的生存概率，得到肺癌生存结局变量的条件概率表；
[0025]预后预测模型构建模块，被配置为对新网络结构和条件概率表进行拟合得到肺癌预后预测模型；
[0026]预后预测模块，被配置为根据肺癌预后预测模型对患者肺癌患病风险进行概率预测。
[0027]作为可选择的实施方式，预后预测模块中，根据肺癌预后预测模型采用似然加权推理算法进行肺癌患病风险概率的预测。
[0028]第三方面，本专利技术提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成肺癌预后预测方法；所述肺癌预后预测方法包括：
[0029]对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；
[0030]对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模型；
[0031]在贝叶斯网络模型中引入肺癌生存结局变量，得到新网络结构；
[0032]根据多因素Cox比例风险回归模型，预测肺癌预后因子在组合状态下的生存概率，得到肺癌生存结局变量的条件概率表；
[0033]对新网络结构和条件概率表进行拟合得到肺癌预后预测模型；
[0034]根据肺癌预后预测模型对患者肺癌患病风险进行概率预测。
[0035]第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成肺癌预后预测方法；所述肺癌预后预测方法包括：
[0036]对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；
[0037]对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模型；
[0038]在贝叶斯网络模型中引入肺癌生存结局变量，得到新网络结构；
[0039]根据多因素Cox比例风险回归模型，预测肺癌预后因子在组合状态下的生存概率，得到肺癌生存结局变量的条件概率表；
[0040]对新网络结构和条件概率表进行拟合得到肺癌预后预测模型；
[0041]根据肺癌预后预测模型对患者肺癌患病风险进行概率预测。
[0042]与现有技术相比，本专利技术的有益效果为：
[0043]针对临床数据中广泛存在的缺失数据问题，本专利技术提出一种基于贝叶斯网络不确定性推理的肺癌预后预测模型构建方法和肺癌预后预测系统，解决现有预测模型中无法在缺失协变量时对患者预测风险的缺陷，可有效精准地预测患者的风险。
[0044]本专利技术提出一种肺癌预后预测模型构建方法和肺癌预后预测系统，根据肺癌预测因子构建贝叶斯网络模型；贝叶斯网络能够建模肺癌预测因子之间的概率依赖关系，更加准确地推理出缺失变量的概率分布，从而提高临床预测的准确性。
[0045]本专利技术提出一种肺癌预后预测模型构建方法和肺癌预后预测系统，将贝叶斯网络与多因素Cox比例风险回归模型相结合，通过构建贝叶斯网络自动对缺失值进行填补，推断出缺失数据的可能值；根据多因素Cox比例风本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺癌预后预测模型构建方法，其特征在于，包括：对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模型；在贝叶斯网络模型中引入肺癌生存结局变量，得到新网络结构；根据多因素Cox比例风险回归模型，预测肺癌预后因子在组合状态下的生存概率，得到肺癌生存结局变量的条件概率表；对新网络结构和条件概率表进行拟合得到肺癌预后预测模型。2.如权利要求1所述的一种肺癌预后预测模型构建方法，其特征在于，肺癌生存结局变量的条件概率表为：其中，S0(t)为第t年的基线风险函数；β
i
为对应变量x
i
的Cox比例风险回归模型的回归系数；p为多因素Cox比例风险回归模型中肺癌预后因子个数。3.如权利要求1所述的一种肺癌预后预测模型构建方法，其特征在于，根据肺癌预测因子采用模型平均方法构建贝叶斯网络模型，由贝叶斯网络模型建模肺癌预测因子间的相互依赖关系。4.如权利要求1所述的一种肺癌预后预测模型构建方法，其特征在于，对肺癌预测因子采用LASSO
‑
Cox回归特征选择方法进行二次筛选，得到肺癌预后因子。5.如权利要求1所述的一种肺癌预后预测模型构建方法，其特征在于，所述肺癌预测因子包括：吸烟、高龄、胸腔积液、病理分期、肺脓肿、肺心病、间质性肺病、肺栓塞、呼吸衰竭、红细胞计数、纤维蛋白原和嗜酸性粒细胞。6.如权利要求1所述的一种肺癌预后预测模型构建方法，其特征在于，所述肺癌预后因子包括：分期、性别、年龄、吸烟、饮酒、慢性阻塞性肺疾病、靶向治疗、肺炎、间质性肺疾病、呼吸衰竭、纤维蛋白原和病理分类。7.一种肺癌预后预测系统，其特征在于，包括：第一模型构建模块，被配置为对获取的肺癌疾病变量经单变量分析后筛选得到肺癌预测因子，根据肺癌预测因子构建贝叶斯网络模型；第二模型构建模块，被配置为对肺癌预测因子通过特征选择进行二次筛选得到肺癌预后因子，根据肺癌预后因子构建多因素Cox比例风险回归模...

【专利技术属性】
技术研发人员：杨帆，薛付忠，李江冰，钟璐，
申请(专利权)人：山东大学，
类型：发明
国别省市：