【技术实现步骤摘要】
一种面向疾病预测的表型分析方法
[0001]本专利技术涉及一种疾病预测
，具体是一种面向疾病预测的表型分析方法。
技术介绍
[0002]目前，疾病预测大多采用深度学习方法，并且使用计算机技术辅助预测结果诊断，但是为了提高疾病预测诊断准确率，需要充分利用复杂的医学多模态数据来提取隐藏在其中的有效信息，这些数据包括医学成像数据和相应的非成像的表型特征，比如患者的年龄、身高、身体机能，这些数据难以用传统的深度学习方法处理，并且并不是每个表型特征都有助于疾病预测，对于疾病预测来说，采用有效的方法来筛出对疾病预测结果有负面影响的表型特征能够有效提高疾病预测模型的准确性，尤其是在罕见病的预测中有重要诊断意义，由于罕见病和常见病之间存在极大的共性，就一般诊断来说，极易发生罕见病被误诊为常见病，这对于患者后续的诊断治疗有很大的不利影响，研究发现，一种自适应多层聚集图卷积网络可以面向疾病预测，主要是设计了一种编码器来自动选择表型特征的最佳组合，同时引入具有多聚集模式的多层聚集图卷积网络为每个节点选择优势结构信息，并且根据表型特征的空间分...
【技术保护点】
【技术特征摘要】
1.一种面向疾病预测的表型分析方法，其特征在于，包括以下分析步骤：步骤一：构建数据库，包括构建罕见病数据库、构建常见病数据库、构建患者信息数据库；步骤二：数据库对比融合处理，通过测定罕见病表型特征与常见病表型特征的表型相似性，同时参照罕见疾病基因数据与常见疾病基因数据的差异性，构建”罕见病
‑
常见病”共类数据库；步骤三：患者信息数据处理，定义一组患者表型特征H为集合K＝{K
h
}，包括患者个人基本信息、患者家族遗传病史、患者身体表征，利用邻接矩阵寻找合适的表型特征并计算响应的表型特征选择分数，进而计算边权重得出表型特征最佳组合；步骤四:将患者表型特征最佳组合输入至罕见病数据库、常见病数据库与”罕见病
‑
常见病”共类数据库中，分别计算患者表型特征最佳组合在多数据库中的疾病匹配分数，输出Z＝{Z
i
}∈R
n
×
p
表示所有数据的匹配分数，Z
i
表示数据库中i节点的匹配分数；步骤五：计算疾病预测的表型特征匹配模型的交叉熵损失Y
ij
代表数据的标签信息；步骤六：以”罕见病
‑
常见病”共类数据库中的分类损失函数L
H
‑
C
和表型特征匹配模型的交叉熵损失L
W
的加权和作为疾病预测模型的总损失函数，总损失函数值越小，则表明预测结果准确率越高；步骤七：输出预测结果。2.根据权利要求1所述的一种面向疾病预测的表型分析方法，其特征在于，所述步骤一中的罕见病数据库包括罕见疾病类目、罕见疾病遗传信息、罕见疾病表型特征、罕见疾病基因数据，结合现有罕见疾病知识库与相对应的罕见疾病病例，将不同的表型与基因序列对应定位至罕见病条目中，常见病数据库包括常见疾病类目、常见疾病遗传信息、常见疾病表型特征、常见疾病基因数据，结合常见病致病基因与临床医学病例，将不同的表型与基因序列对应补充至常见病条目中，患者信息数据库包括患者患病症状与医学检查数据。3.根据权利要求1所述的一种面向疾病预测的表型分析方法，其特征在于，所述步骤二中在罕见病数据库中数据分类在采用聚类算法的基础上对样本做升采样...
【专利技术属性】
技术研发人员：王飞，徐勇军，
申请(专利权)人：中科厦门数据智能研究院，
类型：发明
国别省市：
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。