基于多组学特征的早期肺癌诊断系统、存储介质及设备技术方案

基于多组学特征的早期肺癌诊断系统、存储介质及设备，属于癌症诊断技术领域。为了解决仅使用临床图像的早期肺癌筛查存在准确率较低的问题。本发明专利技术所述系统包括针对转化为矩阵形式的影像学数据并分别利用卷积神经网络CNN和深度神经网络DNN进行预测的神经网络预测单元、针对每个组学特征，利用图卷积网络得到全局基因关系矩阵的加权的特征矩阵进而获得多组学特征的组学特征处理单元，以及针对多组学数据分别使用多分类器进行预测的分类器预测单元。本发明专利技术适用于早期肺癌诊断。本发明专利技术适用于早期肺癌诊断。本发明专利技术适用于早期肺癌诊断。

【技术实现步骤摘要】
基于多组学特征的早期肺癌诊断系统、存储介质及设备


[0001]本专利技术属于癌症诊断
，具体涉及一种早期肺癌诊断系统、存储介质及设备。

技术介绍

[0002]肺癌早期缺乏典型症状，肺癌的确诊往往根据临床症状、体征、影像学检查和组织病理学检查，由病理学医生判别。肺癌的早期诊断具有重要意义，在病变早期得到诊断和治疗，能获得最好的疗效，早期肺癌的治愈率远高于中晚期肺癌。卫健委建议40岁以上人群每年体检进行胸部X光片或CT检验，有助于检出早期肺癌。
[0003]然而仅使用临床图像的早期肺癌筛查具有一定局限性，准确率也较低，诊断结果依赖于病理学医生的判断。对于中心型肺癌，痰细胞学可以有效检出脱落的癌细胞，具有取样容易，成本低廉的特点。近年来随着测序技术的发展，基因检测成本大幅度降低，为早期肺癌的检测提供了转录组学、基因组学、蛋白质组学等多个组学特征，从而产生了处理多组学数据的机器学习模型的需求，临床要求早期肺癌诊断辅助系统具有高效、准确、全面且高度生物解释性。

技术实现思路

[0004]本专利技术为了解决仅使用临床图像的早期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多组学特征的早期肺癌诊断系统，其特征在于，包括：神经网络预测单元、组学特征处理单元、分类器预测单元、集成学习自动权重平衡单元和早期肺癌诊断机器学习模型单元；神经网络预测单元：针对转化为矩阵形式的影像学数据，分别利用卷积神经网络CNN和深度神经网络DNN进行预测；组学特征处理单元：针对每个组学特征，利用图卷积网络得到全局基因关系矩阵的加权的特征矩阵，进而获得多组学特征利用图卷积网络得到全局基因关系矩阵的加权的特征矩阵，进而获得多组学特征的过程包括以下步骤：将基因调控作用网络、蛋白质关系网络和生物信号通路网络中基因集中的基因关系分别用矩阵M
g
、M
p
、M
s
表示，然后将M
g
、M
p
、M
s
取并集获取全局基因关系矩阵M；根据全局基因关系矩阵M得到对应的邻接矩阵A；A中元素A
ij
＝1代表基因i调控基因j，A
ij
＝0代表基因i不调控基因j；利用多层图卷积得到加权的特征矩阵，多层图卷积是指图卷积的计算深度，即迭代次数；将多层图卷积网络中每一层间的信息传播表示如下：其中I表示单位矩阵，是的度矩阵，是对角矩阵，其对角线上元素通过计算得到；W是基因权值矩阵，初始化为所有基因权值相等；H
(l)
是每一层的特征，对于输入层H
(l)
就是要分析的组学特征F
om
，om代表组学；针对每个组学特征，把全局基因关系矩阵M的邻接矩阵A和初始权值W作为原始特征输入图卷积网络，经过3层迭代得到加权的特征矩阵om表示不同的组学；如果有多组学特征，把组学特征进行线性组合，如公式(5)，然后把这个整合后的特征输入分类器单元；其中，表示多组学中每个组学对应的加权的特征矩阵；||表示将有多组学特征进行线性组合；如果为单一组学时，即为对应的分类器预测单元：针对多组学数据分别使用SVM
‑
rbf，SVM
‑
poly和RF分类器进行预测；集成学习自动权重平衡单元：为CNN、DNN、SVM
‑
rbf、SVM
‑
poly、RF分配权重；早期肺癌诊断机器学习模型单元：根据分配权重的CNN、DNN、SVM
‑
rbf、SVM
‑
poly、RF对早期肺癌诊断结果进行投票，最终确定早期肺癌诊断结果。2.根据权利要求1所述的基于多组学特征的早期肺癌诊断系统，其特征在于，所述系统还包括神经网络预测单元；数字图像处理单元将影像学数据转化为矩阵形式的影像学数据。3.根据权利要求2所述的基于多组学特征的早期肺癌诊断系统，其特征在于，所述的卷积神经网络CN...

【专利技术属性】
技术研发人员：赵天意，许伊宁，刘博，王亚东，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：