一种基于深度集成学习的NMIBC术后决策支持系统的构建方法技术方案

本发明专利技术涉及一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，包括如下步骤：构建膀胱癌诊断算法模型；将高水平语义特征向量f1和高水平语义特征向量f2输入集成学习模块，进行集成学习以获得疾病状态预测结果，并计算目标函数T；基于第一种疾病状态的治疗方案预测结果和第二种疾病状态的治疗方案预测结果，计算目标函数L；基于计算的目标函数L和目标函数T优化构建的深度集成学习模型，完成膀胱癌诊断算法模型的优化。具有简单实用、准确度和区分度高的优点，可提高患者对疾病预后的认识也可以辅助医师做出医疗决策。的认识也可以辅助医师做出医疗决策。的认识也可以辅助医师做出医疗决策。

【技术实现步骤摘要】
一种基于深度集成学习的NMIBC术后决策支持系统的构建方法


[0001]本专利技术涉及决策支持系统
，具体涉及一种基于深度集成学习的NMIBC术后决策支持系统的构建方法。

技术介绍

[0002]膀胱癌是泌尿外科最常见的恶性肿瘤之一，也是我国重要的疾病负担。NMIBC(非肌层浸润性膀胱癌)是膀胱癌中最常见的类型，占初发膀胱癌的70％。虽然大多数NMIBC患者在接受手术治疗+膀胱灌注治疗后可以得到缓解甚至完全治愈，但仍有接近一半的患者在1年内复发，少数患者甚至出现肿瘤进展。评估肿瘤复发与进展的风险关乎患者的临床实际需求，也是医生选择治疗方式和随访策略的重要依据。
[0003]现有多种方法可对NMIBC术后的复发进展风险进行评估，这些方法主要依据多种危险因素对NMIBC进行危险度分组(低危、中危、高危和极高危)。当前各国泌尿外科诊疗指南对于NMIBC的危险度分组并不一致，基于该方法对NMIBC术后复发和进展的预测效果仍不够准确。因此，为解决NMIBC临床诊疗中的实际问题，亟需开发出一种能够辅助NMIBC术后临床决策的系统，通过识别复发和进展风险来进行临床决策。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，以克服上述现有技术中的不足。
[0005]本专利技术解决上述技术问题的技术方案如下：一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，包括如下步骤：
[0006]步骤S1，构建膀胱癌诊断算法模型，膀胱癌诊断算法模型包括分支结构1、分支结构2、集成学习模块、分类器1和分类器2；
[0007]步骤S2，将NMIBC术后病人的基本信息、体格检查指标、肿瘤学数据及治疗数据进行归一化处理，将归一化之后的数据输入分支结构1获得高水平语义特征向量f1、输入分支结构2获得高水平语义特征向量f2；
[0008]步骤S3，将高水平语义特征向量f1和高水平语义特征向量f2输入集成学习模块，进行集成学习以获得疾病状态预测结果，并计算目标函数T；其中，疾病状态预测结果为第一疾病状态或第二疾病状态；
[0009]步骤S4，将获得的高水平语义特征向量f1和高水平语义特征向量f2融合之后输入分类器1获取第一种疾病状态的治疗方案预测结果和输入分类器2获取第二种疾病状态的治疗方案预测结果；
[0010]步骤S5，基于第一种疾病状态的治疗方案预测结果和第二种疾病状态的治疗方案预测结果，计算目标函数L；
[0011]步骤S6，基于计算的目标函数L和目标函数T优化构建的膀胱癌诊断算法模型，完
成膀胱癌诊断算法模型的优化。
[0012]本专利技术的有益效果是：能够根据NMIBC患者的病况来预测术后复发或进展的风险，具有简单实用、准确度和区分度高的优点，可提高患者对疾病预后的认识也可以辅助医师做出医疗决策。该方法在深度融合病人基本信息、体格检查指标、肿瘤学数据及治疗数据的基础上，通过神经网络建立不同信息之间潜在的关系，构建不同的网络结构学习多样化的病人特征，并设计集成学习在多样化的病人特征中探索更具稳定性的特征，避免因某一个异常值导致学习的特征失效，从而能够进一步提升病人特征的鲁棒性。此外，通过本方法所构建的NMIBC术后决策支持系统可提高基层医疗服务能力，改善基层医疗机构医疗资源匮乏的情况。
[0013]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0014]进一步，分支结构1包括4个全连层，分支结构2包括3个Transformer结构，高水平语义特征向量f1和高水平语义特征向量f2的特征维度均为128。
[0015]进一步，步骤S2中数据归一化的方式为计算每一类数据的均值和方差，之后所有数据减去对应均值并除以方差进行归一化处理。
[0016]进一步，步骤S3包括以下步骤:
[0017]步骤S31，构建集成学习模块；
[0018]步骤S32，基于集成学习模块，将获得的高水平语义特征向量f1输入集成学习模块的第一层，获得维度为2的特征向量，并利用softmax函数计算高水平语义特征向量f1所对应得到疾病状态的概率，其中高水平语义特征向量f1对应获得的每种疾病状态的概率为：
[0019][0020]其中，表示基于高水平语义特征向量f1获得的第i个神经元的激活值,2表示病人疾病状态数；
[0021]步骤S33，基于集成学习模块，将获得的高水平语义特征向量f2输入集成学习模块的第一层，获得维度为2的特征向量，并利用softmax函数计算高水平语义特征向量f2所对应得到疾病状态的概率，其中高水平语义特征向量f2对应获得的每种疾病状态的概率为：
[0022][0023]其中，表示基于高水平语义特征向量f2获得的第i个神经元的激活值,2表示病人疾病状态数；
[0024]步骤S34，将基于高水平语义特征向量f1获得的两个预测概率和基于高水平语义特征向量f2获得的两个预测概率串联，获得维度为4的特征向量，将维度为4的特征向量输入集成学习模块的第二层，获得维度为64的特征向量，将维度为64的特征向量输入集成学习模块的第三层，获得维度为2的特征向量。
[0025]步骤S35，基于维度为2的特征向量，同时利用softmax函数计算最后每种疾病状态的概率，获得疾病状态预测结果；最后利用交叉熵损失作为目标函数计算目标函数T：
[0026][0027]其中，t
m
表示第m类的预测概率，g表示真实标签，如果该病人属于第m类，则g等于1，否则g等于0。
[0028]进一步，步骤S4包括以下步骤:
[0029]步骤S41，基于高水平语义特征向量f1和高水平语义特征向量f2，将两者相加，生成融合的病人特征；
[0030]步骤S42，将融合的病人特征输入分类器1预测面向第一种疾病状态应使用的第j种治疗方案概率：
[0031][0032]其中，t
j
表示分类器1中第j个神经元的激活值,J表示治疗第一种疾病状态的治疗方案总数；
[0033]步骤S43，将融合的病人特征输入分类器2预测面向第二种疾病状态应使用的第n种治疗方案的概率：
[0034][0035]其中，t
n
表示分类器2中第n个神经元的激活值，N表示治疗第二种疾病状态的治疗方案总数。
[0036]进一步，步骤S5中构建的目标函数L表示为：
[0037]L＝
‑
(1
‑
s)logp
j
+slogq
n
[0038]其中，如果病人的真实状态为第一种疾病状态，则s＝0；如果病人的真实状态为第二种疾病状态，则s＝1。
[0039]进一步，步骤S6中优化构建的膀胱癌诊断算法模型的损失函数为目标函数T和目标函数L之和。
[0040]一种基于深度集成学习的NMIBC术后决策支持系统的构建装置，包括存储器和处理器；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，其特征在于，包括如下步骤：步骤S1，构建膀胱癌诊断算法模型，所述膀胱癌诊断算法模型包括分支结构1、分支结构2、集成学习模块、分类器1和分类器2；步骤S2，将NMIBC术后病人的基本信息、体格检查指标、肿瘤学数据及治疗数据进行归一化处理，将归一化之后的数据输入所述分支结构1获得高水平语义特征向量f1、输入所述分支结构2获得高水平语义特征向量f2；步骤S3，将所述高水平语义特征向量f1和所述高水平语义特征向量f2输入所述集成学习模块，进行集成学习以获得疾病状态预测结果，并计算目标函数T；其中，所述疾病状态预测结果为第一疾病状态或第二疾病状态；步骤S4，将获得的所述高水平语义特征向量f1和所述高水平语义特征向量f2融合之后输入所述分类器1获取所述第一种疾病状态的治疗方案预测结果和输入所述分类器2获取所述第二种疾病状态的治疗方案预测结果；步骤S5，基于所述第一种疾病状态的治疗方案预测结果和所述第二种疾病状态的治疗方案预测结果，计算目标函数L；步骤S6，基于计算的目标函数L和目标函数T优化构建的膀胱癌诊断算法模型，完成所述膀胱癌诊断算法模型的优化。2.根据权利要求1所述的一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，其特征在于，所述分支结构1包括4个全连层，所述分支结构2包括3个Transformer结构，所述高水平语义特征向量f1和高水平语义特征向量f2的特征维度均为128。3.根据权利要求1所述的一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，其特征在于，所述步骤S2中数据归一化的方式为计算每一类数据的均值和方差，之后所有数据减去对应均值并除以方差进行归一化处理。4.根据权利要求1所述的一种基于深度集成学习的NMIBC术后决策支持系统的构建方法，其特征在于，所述步骤S3包括以下步骤:步骤S31，构建集成学习模块；步骤S32，基于所述集成学习模块，将获得的所述高水平语义特征向量f1输入所述集成学习模块的第一层，获得维度为2的特征向量，并利用softmax函数计算所述高水平语义特征向量f1所对应得到疾病状态的概率，其中所述高水平语义特征向量f1对应获得的每种疾病状态的概率为：其中，表示基于所述高水平语义特征向量f1获得的第i个神经元的激活值,2表示病人疾病状态数；步骤S33，基于所述集成学习模块，将获得的所述高水平语义特征向量f2输入所述集成学习模块的第一层，获得维度为2的特征向量，并利用softmax函数计算所述高水平语义特征向量f2所对应得到疾病状态的概率，其中所述高水平语义特征向量f2对应获得的每种疾病状态的概率为：
其中，表示基于所述高水平语义特征向量f2获得的第i个神经元的激活值,2表示病人疾病状态数；步骤S34，将基于所述高水平语义特征向量f1获得的两个预测概率和基于所述高水平语义特征向量f2获得的两个预测概率串联，获得维度为4的特征向量，将所述维度为4的特征向量输入所述集成学习模块的第二层，获得维度为64的特征向量，将所述维度为64的特征向量输入所述集成学习模块的第三层，获得维度为2的特征向量。步骤S3...

【专利技术属性】
技术研发人员：曾宪涛，訾豪，司统振，靳英辉，何发智，翁鸿，刘同族，
申请(专利权)人：武汉大学中南医院，
类型：发明
国别省市：