使用补丁卷积神经网络的癌症分类制造技术

提供多种用于确定一物种的一对象的一癌症状态的方法，所述方法包括：获得片段甲基化模式的一数据集，所述片段甲基化模式通过对来自所述对象的一生物样品的核酸的一甲基化测序而确定。片段甲基化模式包括所述片段中的每个CpG位点的所述甲基化状态。补丁包括一通道，所述通道包括由所述补丁代表的所述参考基因组中一组CpG位点中的各自的CpG位点的所述甲基化状态的参数，针对所述多个片段中与所述CpG位点集比对的每个各自的片段，基于所述各自的片段的所述甲基化模式，填充所述多个参数的全部或部分的一实例来建构所述补丁。将所述补丁应用于一补丁卷积神经网络以确定所述对象的所述疾病状况。象的所述疾病状况。象的所述疾病状况。

【技术实现步骤摘要】
【国外来华专利技术】使用补丁卷积神经网络的癌症分类
[0001]相关申请的交叉引用
[0002]本申请主张于2019年12月13日提交的标题为“使用补丁卷积神经网络的癌症分类”的美国临时专利申请第62/948,129号的优先权，该申请在此通过引用的方式并入本文中。


[0003]提供多种使用来自患有疾病状况(如癌症)的对象的基因型信息对所述对象进行分类的补丁卷积神经网络。

技术介绍

[0004]早期检测癌症是改善癌症结果的最人道的方法之一。现状的多种治疗方法
–
固体肿瘤的手术、化疗及放射治疗疗的组合或液体肿瘤的化疗及骨髓移植，这些治疗方法具有许多缺点，包括不令人满意的存活率。治疗通常会让患者感到疼痛，同时提供的生存时间也并不令人满意。新的免疫疗法也有缺点。患者必须在重症监护病房接受治疗，而且往往会产生致命的副作用。当癌症被早期发现时，所有这些治疗都更有效。
[0005]然而，目前的筛选检测并不令人满意。多种监测方法，如乳房X线摄影、结肠镜、帕氏涂片及前列腺特异性抗原(PSA)检测已经使用了几十年，但并非所有方法都是成功的。一些病变进展缓慢，患者更有可能死于其他疾病，而一些危险的肿瘤在治疗之前仍然无法被检测到。此外，迄今为止，没有令人满意的肺癌筛选检测。
[0006]本专利技术旨在解决上述一个或多个挑战。本文提供的
技术介绍
旨在概略地介绍本专利技术的背景。除非本文另有说明，否则本节中描述的材料不是本申请中权利要求的现有技术并且不因列入本节而被承认为现有技术或现有技术的建议。
专利技术内容
[0007]本申请通过提供用于早期测试对象的癌症的工具来解决本
中的上述问题。如上所述，早期癌症检测很重要，因为它允许早期治疗，因此具有更大的生存机会。为此，本申请提供了分析cfDNA片段的CpG位点的甲基化状态的多个系统及多个方法。对游离细胞DNA(cell
‑
free DNA,cfDNA)片段进行测序并分析所述片段中胞嘧啶及鸟嘌呤的各种二核苷酸(称为CpG位点)的甲基化状态，可以深入了解一对象是否患有癌症。
[0008]本申请通过将深度学习分类技术应用于甲基化片段数据，特别是视觉分类技术，可以提高现有分类技术的特异性及敏感性。例如，将癌症/非癌症及起源组织的甲基化片段分类重新构建为类似于视觉问题的深度学习问题，可以提供数据中非线性的关键信息，例如颗粒甲基化序列特征及高阶、跨区域特征。
[0009]所述公开的系统及方法可以将一自定义训练的补丁卷积神经网络(Patch CNN)应用于来自数据文件的片段数据的癌症/非癌症及起源组织分类。为了向网络提供细粒度片段序列数据(fine
‑
grained fragment sequence data)及区域位置信息的可见性，可以将
数据编码并表示为二维“图像”，其中CpG位点沿着第一轴线，堆积片段读数的深度沿着一正交轴线，补充数据被编码为附加的通道。CNN体系结构可用于视觉及图像处理领域，具有在广泛数据段中学习常见模式及特征的能力。在公开的系统及方法中，相邻CpG位点的位置背景可以被编码并表示为类似于图像像素，所述图像像素被用作模型学习的输入以识别异常的序列及片段。类似地，在CpG位点的宽度及读取深度方面提供更大的区域视图可以使所述网络能够跨共定位异常片段学习更高阶的特征。
[0010]一个主要的关注领域可能包括输入特征的大小。因此，可以采用降维策略使网络训练可行。深度学习应用的过程中出现的一个常见阻碍可能包括难以在基础数据中保存尽可能多的信息(例如，在片段级别及跨区域)，同时使问题在计算上是易于处理的。例如，一个预测模型包括基因组中的每个CpG位点或一目标甲基化小组中的每个CpG位点，其分别可包含约28M或1M个CpG位点。使用的读取深度约为30至1500，网络输入可以迅速上升到10亿以上的参数。与输入参数相比，网络大小、深度、计算复杂度、记忆体限制及训练示例的数量的不平衡性可能很难解决，尤其是对于传统的深度学习数据库及最大操作为28
×
28个图像或3万到5万个输入的大型图像分类器。虽然有一些降维方式可以将数据预先过滤、汇总及丢弃为较粗的分辨率，但它们会减少可用于分类的信息。
[0011]降维的一个选项可以包括将输入空间细分为更易处理的多个局部区域，这些区域可以在合并之前被独立学习。这可以等同于进行局部的、分批的搜索，在合并结果之前尝试独立探索区域。因此，如本申请中所述，基因组或CpG位点的小组可以表示为被分割成可管理区域的大图像，其用于补丁CNN(Patch
‑
CNN)，将疾病预测转化为更容易处理的问题。本申请可以进一步提供用于将片段数据框架化及结构化为数据结构(例如矩阵)的系统及方法，以实现稳定及可重现的分类。
[0012]因此，本申请可以提供使用深度神经网络(例如，补丁CNN)对甲基化测序数据进行片段、区域及样品级别分类以提高性能增益的系统及方法。此外，本申请可以提供多种系统及方法来改进对异常甲基化状态以外的颗粒度(granularities)的特征的评估，包括细颗粒度的甲基化序列特征及粗颗粒度的跨区域模式。此类应用可以提高预测性能的灵敏性及特异性(例如，癌症/非癌症及起源组织)，同时与传统分析工作流相比，使类应用还可以识别提供最多信息增益的感兴趣的CpG区域。
[0013]因此，本申请可提供多种用于确定一物种的测试对象的一疾病状况的方法。在本申请的一个这样的方面中，所述方法经由一计算机系统执行，所述计算机系统包括至少一个处理器及一存储器，所述存储器存储由所述至少一个处理器执行的至少一个程序。所述至少一个程序可包括多个指令，所述多个指令用于：获得电子形式的一数据集，其中所述数据集包括多个片段中每个各自的片段的一相应甲基化模式。每个各自的片段的所述相应甲基化模式可以通过对一个或多个核酸样品的一甲基化测序而确定，所述核酸样品包括从所述测试对象获得的一生物样品中的所述各自的片段以及所述相应甲基化模式包括所述各自的片段中的一对应的多个CpG位点中的每个CpG位点的一甲基化状态。
[0014]在此方面，所述至一个程序进一步包括多个指令，所述多个指令用于建构包括一第一通道的一第一补丁。所述第一补丁代表所述物种的一参考基因组中的一第一个CpG位点独立集，所述第一个CpG位点独立集中的每个各自的CpG位点对应于所述参考基因组中的一预定位置。所述第一补丁的所述第一通道可包括一第一批参数的多个实例。所述第一批
参数的每个实例包括所述第一补丁的所述第一个CpG位点独立集中一各自的CpG位点的一甲基化程度的一参数。所述第一补丁的所述建构可包括：针对所述多个片段中与所述第一个CpG位点独立集比对的每个各自的片段，基于所述各自的片段的所述甲基化模式，填充所述第一批参数的全部或部分的一实例。
[0015]在此方面，所述至少一个程序可进一步包括多个指令，所述多个指令用于至少将所述第一补丁应用于一分类器，从而确定所述测试对象的所述癌症状态。
[0016]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于确定一物种的一测试对象的一癌症状态的方法，其特征在于：所述方法包括：一计算机系统，包括：至少一个处理器及一存储器，所述存储器存储由所述至少一个处理器执行的至少一个程序，所述至少一个程序包括多个指令，所述指令用于：(A)获得电子形式的一数据集，其中所述数据集包括多个片段中每个各自的片段的一相应甲基化模式，其中每个各自的片段的所述相应甲基化模式(i)通过对一个或多个核酸样品的一甲基化测序而确定，所述核酸样品包括从所述测试对象获得的一生物样品中的所述各自的片段以及所述相应甲基化模式(ii)包括所述各自的片段中的一对应的多个CpG位点中的每个CpG位点的一甲基化状态；(B)建构一第一补丁，包括一第一通道，所述第一补丁代表所述物种的一参考基因组中的一第一个CpG位点独立集，所述第一个CpG位点独立集中的每个各自的CpG位点对应于所述参考基因组中的一预定位置，其中：所述第一补丁的所述第一通道包括一第一批参数的多个实例，其中所述第一批参数的每个实例包括所述第一补丁的所述第一个CpG位点独立集中一各自的CpG位点的一甲基化程度的一参数；所述建构(B)包括：针对所述多个片段中与所述第一个CpG位点独立集比对的每个各自的片段，基于所述各自的片段的所述甲基化模式，填充所述第一批参数的全部或部分的一实例；以及(C)至少将所述第一补丁应用于一分类器，从而确定所述测试对象的所述癌症状态。2.如权利要求1所述的方法，其特征在于：所述至少一个程序进一步包括在所述获得(A)之后及所述建构(B)之前的多个指令，所述多个指令：通过从所述多个片段中移除每个各自的片段来修剪所述多个片段，所述每个各自的片段在一对应的多个CpG位点上的相应甲基化模式的一p值未能满足一p值阈值，其中根据所述各自的片段的所述相应甲基化模式与具有所述各自的片段的所述对应的多个CpG位点的一相应多个参考片段中对应的多个CpG位点的甲基化模式的一相应分布的比较，确定所述各自的片段的p值，其中通过对来自一健康对象队列的生物样品的核酸进行甲基化测序以获得所述相应多个参考片段中的每个参考片段的所述甲基化模式。3.如权利要求2所述的方法，其特征在于：所述第一补丁包括多个通道，包括所述第一通道及一第二通道，所述第二通道包括用于所述第一批参数的每个实例的一第二批参数的一相应实例，其中所述第二批参数的每个实例包括除了CpG甲基化状态以外的用于所述第一补丁的所述第一个CpG位点独立集中的一各自的CpG位点的一第一特征的一参数；以及所述建构(B)包括：针对所述多个片段中与所述第一个CpG位点独立集比对的每个各自的片段，基于所述各自的片段的所述甲基化模式，填充所述第一批参数的全部或部分的一实例以及所述第二批参数的全部或部分的一实例。4.如权利要求1所述的方法，其特征在于：一各自的片段的所述甲基化模式不包括所述第一补丁的所述第一个CpG位点独立集中的每个CpG位点并且其中所述建构(B)包括：针对所述多个片段中的一各自的片段，填充第一批参数的所述实例中的参数，所述参数对应于所述各自的片段中存在的CpG位点。
5.如权利要求1所述的方法，其特征在于：针对所述多个片段中的一各自的片段，所述建构(B)包括：(i)在所述第一通道的所述第一批参数的一实例内，基于所述多个片段中的另一个片段，识别与所述各自的片段中的所述CpG位点相对应的参数，所述参数先前未被分配甲基化状态；以及(ii)在已识别的参数中，将与所述各自的片段的一对应的CpG位点比对的每个参数分配为所述各自的片段的所述对应的CpG位点的所述甲基化状态。6.如权利要求3所述的方法，其特征在于：针对所述多个片段中的一各自的片段，所述建构(B)包括：(i)在所述第一通道的所述第一批参数的一实例内，基于所述多个片段中的另一个片段，识别与所述各自的片段中的所述CpG位点相对应的参数，所述参数先前未被分配甲基化状态；(ii)在已识别的参数中，将与所述各自的片段的一各自的CpG位点比对的每个参数分配为所述各自的片段的所述各自的CpG位点的所述甲基化状态；以及(iii)在已识别的参数中，为所述第二通道的所述第二批参数的所述实例的所述第二批参数中的每个参数分配与所述第一批参数的所述实例相对应的、与所述各自的片段的一各自的CpG位点比对的、所述各自的片段的所述各自的CpG位点的所述第一特征。7.如权利要求6所述的方法，其特征在于：所述各自的CpG位点的所述第一特征是所述各自的CpG位点所在的所述各自的片段的一多样性。8.如权利要求6所述的方法，其特征在于：所述各自的CpG位点的所述第一特征选自于由以下组成的群组：从一健康队列中提取的一CpGβ值；从一健康队列中的一预定组织类型提取的一CpGβ值；从所述测试对象中提取的一CpGβ值；5
’
及3
’
相邻CpG位点的甲基化状态的一皮尔逊相关分数；所述测试对象与一对象队列中的所述各自的CpG位点的甲基化状态的杰卡德相似度、欧氏距离、曼哈顿距离、最大值、归一化欧氏距离、归一化最大值、骰子系数或余弦系数；所述各自的片段的一片段p值；所述各自的CpG位点所在的所述各自的片段的长度；一片段序列源；所述各自的CpG位点所在的所述各自的片段的一片段映射质量分数；到所述参考基因组中的一5
’
相邻CpG位点的距离；到所述参考基因组中的一3
’
相邻CpG位点的距离；所述各自的CpG位点所在的所述各自的片段的多样性；所述各自的CpG位点所在的一遗传元素；与所述各自的CpG位点相关的一生物途径；与所述各自的CpG位点相关的一基因；所述各自的CpG位点的一CpG转换脉冲函数的数值；所述各自的CpG位点的一CpG运行长度编码的数值，以及
所述各自的CpG位点所在的片段的一读取链方向。9.如权利要求5或6所述的方法，其特征在于：在一个以上的片段不具有共同的CpG位点的前提下，所述多个片段中的所述一个以上的片段被分配到所述第一补丁中的所述第一通道的所述第一批参数的一单个实例中。10.如权利要求4所述的方法，其特征在于：所述第一批参数的所述实例中的多个参数为零填充。11.如权利要求1所述的方法，其特征在于：所述第一个CpG位点独立集位于所述参考基因组的一CpG索引中。12.如权利要求11所述的方法，其特征在于：所述参考基因组的所述CpG索引包括未出现在所述第一个CpG位点独立集中的一第一CpG位点，所述第一CpG位点位于一第二CpG位点及一第三CpG位点之间的一参考基因组中，所述第二CpG位点和及所述第三CpG存在于所述第一个CpG位点独立集中。13.如权利要求1所述的方法，其特征在于：所述第一个CpG位点独立集包括：在所述参考基因组的一CpG索引中彼此相邻的一第一CpG位点及一第二CpG位点；所述多个片段中的一第一片段包括所述第一CpG位点但不包括所述第二CpG位点；以及所述多个片段中的一第二片段包括所述第二CpG位点但不包括所述第一CpG位点。14.如权利要求1所述的方法，其特征在于：对于所述多个片段中的一各自的片段，所述第一批参数的一实例中一的参数为：当通过所述甲基化测序确定所述各自的片段中的所述对应的CpG位点被甲基化时，所述参数为甲基化；当通过所述甲基化测序确定所述各自的片段中的所述对应的CpG位点未被甲基化时，所述参数为非甲基化；当通过所述甲基化测序确定所述各自的片段中的所述对应的CpG位点不是甲基化或非甲基化时，所述参数为其他。15.如权利要求5所述的方法，其特征在于：所述第一通道的所述第一批参数的多个实例未被分配到一各自的片段，以及所述至少一个程序进一步包括用于在没有被分配到一片段的所述第一通道的所述多个参数的多个实例中零填充参数的指令。16.如权利要求5所述的方法，其特征在于：所述识别(i)无法在所述第一通道的所述第一批参数的一实例中，识别对应于所述各自的片段中的所述CpG位点的参数，所述参数先前未根据所述多个片段中的另一个片段分配甲基化状态，并且所述至少一个程序进一步包括用于丢弃所述各自的片段的指令。17.如权利要求5所述的方法，其特征在于：所述识别(i)无法在所述第一补丁的所述第一通道的所述第一批参数的一实例中，识别对应于所述各自的片段中的所述CpG位点的参数，所述参数先前未根据所述多个片段中的另一个片段分配甲基化状态，所述至少一个程序进一步包括用于创建所述第一补丁的一附加实例并将所述各自的片段分配给所述第一补丁的所述附加实例的指令。18.如权利要求3所述的方法，其特征在于：所述多个通道包括至少三个通道；以及所述多个通道中的一第三通道包括：所述第一批参数的每个实例的一第三批参数的一
相应实例，其中所述第三批参数的每个实例包括所述第一个CpG位点独立集中的一各自的CpG位点的一第二特征的一参数，其中所述第二特征选自于以下组成的群组：从一健康队列中提取的一CpGβ值；从一健康队列中的一预定组织类型提取的一CpGβ值；从所述测试对象中提取的一CpGβ值；5
’
及3
’
相邻CpG位点的甲基化状态的一皮尔逊相关分数；所述测试对象与一对象队列中的所述各自的CpG位点的甲基化状态的杰卡德相似度、欧氏距离、曼哈顿距离、最大值、归一化欧氏距离、归一化最大值、骰子系数或余弦系数；所述各自的片段的一片段p值；所述各自的CpG位点所在的所述各自的片段的长度；一片段序列源；所述各自的CpG位点所在的所述各自的片段的一片段映射质量分数；到所述参考基因组中的一5
’
相邻CpG位点的距离；到所述参考基因组中的一3
’
相邻CpG位点的距离；所述各自的CpG位点所在的所述各自的片段的多样性；所述各自的CpG位点所在的一遗传元素；与所述各自的CpG位点相关的一生物途径；与所述各自的CpG位点相关的一基因；所述各自的CpG位点的一CpG转换脉冲函数的数值；所述各自的CpG位点的一CpG运行长度编码的数值，以及所述各自的CpG位点所在的片段的一读取链方向。19.如权利要求1所述的方法，其特征在于：所述第一个CpG位点独立集提取自整体参考基因组。20.如权利要求1所述的方法，其特征在于：所述至少一个程序进一步包括以下指令，所述指令用于：建构一第二补丁，包括一对应的第一通道，所述第二补丁代表所述物种的所述参考基因组中的一第二个CpG位点独立集，所述第二个CpG位点独立集中的每个各自的CpG位点对应于所述参考基因组中的一预定位置，其中所述第二补丁的所述对应第一通道包括一第一批参数的多个对应实例，其中所述第二通道的所述对应第一批参数的每个实例包括所述第二补丁的所述第二个CpG位点独立集中一各自的CpG位点的一甲基化程度的一参数；针对所述多个片段中与所述第二个CpG位点独立集比对的每个各自的片段，基于所述各自的片段的所述甲基化模式，填充所述第二补丁的所述第一批参数的全部或部分的一实例；以及其中所述应用(C)进一步包括：将所述第一补丁及所述第二补丁应用于所述分类器，从而确定所述测试对象的所述癌症状态。21.如权利要求20所述的方法，其特征在于：所述第二补丁包括对应的多个通道，包括所述对应的第一通道，所述第二补丁的所述对应的多个通道中的一对应的第二通道包括所述第一批参数的每个实例的一第二批参数的一相应实例，其中所述第二补丁的所述第二批参数的每个实例包括除了CpG甲基化状态
以外的用于所述第二补丁的所述第二个CpG位点独立集中的一各自的CpG位点的一第一特征的一参数；以及针对所述多个片段中与所述第二个CpG位点独立集比对的每个各自的片段，基于所述各自的片段的所述甲基化模式，用于填充的所述指令进一步填充所述第二批参数的全部或部分的一实例以及所述第二批参数的全部或部分的一实例。22.如权利要求20所述的方法，其特征在于：所述第一个CpG位点独立集与所述第二个CpG位点独立集不重叠。23.如权利要求20所述的方法，其特征在于：所述第一个CpG位点独立集与所述第二个CpG位点独立集重叠。24.如权利要求20所述的方法，其特征在于：所述第一补丁代表与所述第二补丁大小相同但不一样的所述参考基因组的部分。25.如权利要求20所述的方法，其特征在于：所述第一补丁代表所述参考基因组的一第一部分以及所述第二补丁代表所述参考基因组的一第二部分，其中所述第一部份的大小不同于所述第二部分的大小。26.如权利要求24或25所述的方法，其特征在于：所述第一个CpG位点独立集由一第一数量的CpG位点组成；所述第二个CpG位点独立集由一第二数量的CpG位点组成；以及所述第一数量的CpG位点与所述第二数量的CpG位点相同。27.如权利要求24或25所述的方法，其特征在于：所述第一个CpG位点独立集由一第一数量的CpG位点组成；所述第二个CpG位点独立集由一第二数量的CpG位点组成；以及所述第一数量的CpG位点与所述第二数量的CpG位点不同。28.如权利要求1所述的方法，其特征在于：一个或多个核酸样品的所述甲基化测序是(i)整体基因组甲基化测序或(ii)使用多个核酸探针的目标DNA甲基化测序。29.如权利要求28所述的方法，其特征在于：一个或多个核酸样品的所述甲基化测序使用多个核酸探针，所述多个核酸探针包括一百个或更多个探针。30.如权利要求1所述的方法，其特征在于：一个或多个核酸样品的所述甲基化测序侦测所述各自的片段中的一个或多个5
‑
甲基胞嘧啶(5mC)及/或5
‑
羟甲基胞嘧啶(5hmC)。31.如权利要求1所述的方法，其特征在于：一个或多个核酸样品的所述甲基化测序侦测包括将所述各自的片段中的一个或多个非甲基化胞嘧啶或一个或多个甲基化胞嘧啶转化为对应的一个或多个尿嘧啶。32.如权利要求31所述的方法，其特征在于：在所述甲基化测序期间，所述一个或多个尿嘧啶被检测为一个或多个对应的胸腺嘧啶。33.如权利要求31所述的方法，其特征在于：一个或多个非甲基化胞嘧啶或一个或多个甲基化胞嘧啶的所述转换包括一化学转换、一酶转换或其组合。34.如权利要求1所述的方法，其特征在于：所述至少一个程序进一步包括用于建构多个补丁的指令，所述多个补丁包括：所述第一补丁，每个各自的补丁用于所述参考基因组中的不同的CpG位点独立集；所述建构(B)建构多个补丁，所述多个补丁包括所述第一补丁；
所述分类器包括多个经训练的第一阶段模型及一第二阶段模型；将至少所述第一补丁应用至一分类器包括：获得包括多个特征元素的特征向量，其中所述多个特征元素中的每个特征元素是在将所述多个补丁中的一各自的补丁应用于所述对应的经训练的第一阶段模型时，所述多个经训练的第一阶段模型中的一相应经训练的第一阶段模型的一输出；以及将所述特征向量应用于所述第二阶段模型，从而确定所述测试对象的所述癌症状态。35.如权利要求34所述的方法，其特征在于：所述多个经训练的第一阶段模型中的每个各自的经训练的第一阶段模型是一相应经训练的卷积神经网络并且所述第二阶段模型是一逻辑回归模型；以及所述第一补丁的所述第一通道是二维的，所述第一补丁的所述第一批参数的所述多个实例的每个各自的实例形成一第一维度，所述第一补丁的所述第一批参数的每个实例形成所述第二维度。36.如权利要求34所述的方法，其特征在于：所述多个补丁介于10个补丁及10000个补丁之间。37.如权利要求34所述的方法，其特征在于：所述多个补丁介于100个及3000个补丁之间。38.如权利要求1所述的方法，其特征在于：所述分类器包括多个第一阶段模型及一动态神经网络；所述至少一个程序进一步包括用于建构多个补丁的指令，所述多个补丁包括：所述第一补丁，每个各自的补丁用于所述参考基因组中的不同的CpG位点独立集；所述建构(B)建构一各自的补丁，所述各自的补丁包括所述第一补丁；将至少所述第一补丁应用至一分类器(C)包括：(C1)将所述多个补丁中的每个各自的补丁应用于所述多个第一阶段模型中的一对应的第一阶段模型，其中所述对应的第一阶段模型包括：(i)一各自的输入层，用于接收所述各自的补丁，其中所述各自的补丁包括一第一数量的维度；(ii)一各自的全连接嵌入层，包括一组对应的权重，其中所述各自的全连接嵌入层直接或间接接收所述各自的输入层的输出，以及其中所述各自的嵌入层的一各自的输出是小于所述第一数量的维度的一第二数量的维度；以及(iii)一各自的输出层直接或间接接收来自所述各自的全连接嵌入层的输出；以及(C2)将来自所述多个第一阶段模型中的每个经训练的第一阶段模型的每个各自的全连接嵌入层的所述各自的输出的一集合输入到所述动态神经网络中，从而确定所述测试对象中的所述癌症状况。39.如权利要求38所述的方法，其...

【专利技术属性】
技术研发人员：弗吉尔，
申请(专利权)人：格里尔公司，
类型：发明
国别省市：