本发明专利技术公开了一种确定肿瘤细胞外转移的方法及装置，该方法包括：将多名患者的体征参数集划分成为训练集和验证集，其中所述体征参数集包括定量参数和变量参数；对于预先确定的多个参数组合，分别使用所述训练集和所述验证集进行训练和验证，得到多个赤池信息准则AIC值，其中每个所述参数组合均包括一个或多个所述定量参数和/或一个或多个所述变量参数；筛选所述多个AIC值中的最小值对应的所述参数组合作为最优参数组合；以及使用所述最优参数组合，确定肿瘤细胞的外转移。本发明专利技术通过检测患者体征参数，比较分析参数组合即可快速地确定肿瘤细胞是否发生外转移。肿瘤细胞是否发生外转移。肿瘤细胞是否发生外转移。
【技术实现步骤摘要】
一种确定肿瘤细胞外转移的方法及装置
[0001]本专利技术涉及生物
，具体为一种确定肿瘤细胞外转移的方法及装置。
技术介绍
[0002]肺癌是全世界所有癌症中最常见的死亡原因。肺癌的两种主要类型是小细胞肺癌和非小细胞肺癌。总体生存率取决于肺癌的分期，晚期肺癌患者一般预后较差。有证据表明，肿瘤转移反映了肺癌的相对晚期，超过70％的患者死亡是由肿瘤转移引起的。
[0003]据报道，肺癌肿瘤细胞的外转移(以下简称“外转移”)会急剧增加肺癌患者的死亡风险，其主要指的是单个或多个远端转移同时存在，和/或肿瘤转移单独或同时存在于非纵隔/肺门淋巴结的单个或多个颈部淋巴结，腹部淋巴结，锁骨上淋巴结等，以及前述转移与纵隔/肺门淋巴结转移和/或同侧或对侧支气管周围转移同时存在。研究表明，非小细胞肺癌IB期患者的5年总生存率为68％，而IVA
‑
IVB期患者的5年总生存率低于10％。
[0004]目前，肺癌肿瘤细胞的外转移检测一般采用影像学、穿刺或者手术标本的病理学诊断依据，比如侵袭胸膜、心包等的积液的细胞学检查作为辅助判断，但这些检测方式成本高昂、费时较长、准确率不高，并且会对患者造成一定的侵入性风险。因此，本领域需要一种快速确定肿瘤细胞是否出现外转移的方法及装置。
技术实现思路
[0005]本专利技术旨在提供一种确定肿瘤细胞外转移的方法及装置，其能够解决上述技术问题。
[0006]根据本专利技术的一个方面，提供了一种确定肿瘤细胞外转移的方法，包括：将多名患者的体征参数集划分成为训练集和验证集，其中该体征参数集包括定量参数和变量参数；对于预先确定的多个参数组合，分别使用该训练集和该验证集进行训练和验证，得到多个赤池信息准则(Akaike information criterion，简称为AIC)值，其中每个该参数组合均包括一个或多个该定量参数和/或一个或多个该变量参数；筛选该多个AIC值中的最小值对应的该参数组合作为最优参数组合；以及使用该最优参数组合，确定肿瘤细胞的外转移。
[0007]优选地，在将该多名患者的该体征参数集划分成为该训练集和该验证集之前，该方法还包括：对该定量参数和该变量参数进行分箱处理，得到该定量参数和该变量参数的分箱结果；对该分箱结果进行统计推断，得到最优分箱结果；对该最优分箱结果进行证据权重(Weight of Evidence，简称WOE)变换，得到该体征参数集。
[0008]优选地，对于预先确定的该多个参数组合，分别使用该训练集和该验证集进行训练和验证，得到该多个AIC值，包括：基于逐步回归法对该训练集和该验证集进行训练和验证；根据第一公式AIC
i
＝2K
‑
2log
e
[L(θ|x)＝P(X＝x|θ)]，分别计算AIC
i
值；以及根据第二公
式得到该AIC值；其中，i表示该AIC值的序数，K表示该定量参数和该变量参数的个数，L表示似然函数，θ表示该定量参数和该变量参数的数值，x表示确定该参数组合后肿瘤细胞是否外转移的结果，P表示概率，X表示该参数组合，R
i
表示权重百分比。
[0009]优选地，逐步回归法包括：公式
[0010]其中Y为确定肿瘤细胞是否外转移的因变量，β0为回归常数，β
i
为回归系数，T
i
为该定量参数或该变量参数，I为影响因素，i为该定量参数和该变量参数的总个数，ε为随机误差。
[0011]优选地，该影响因素I包括：该影响因素I的初始值为1，该自变量个数i＝1，2，
…
，n；当该自变量个数i为1时，该影响因素I的值为1；当该自变量个数i为n时，该影响因素I的值为1+0.1*n。
[0012]优选地，逐步回归法包括：公式
[0013]其中Y为确定肿瘤细胞是否外转移的因变量，β0为回归常数，β
i
为回归系数，T
i
为该定量参数或该变量参数，I为影响因素，i为该定量参数和该变量参数的总个数，ε为随机误差。
[0014]优选地，该影响因素I包括：该影响因素I的初始值为2，该自变量个数i＝1，2，
…
，n；当该自变量个数i为1时，该影响因素I的值为2；当该自变量个数i为n时，该影响因素I的值为2
‑
0.1*n。
[0015]优选地，逐步回归法包括：公式
[0016]Y＝β0+β1T1Ln(I1)+
…
+β
i
T
i
Ln(I
i
)+ε，其中Y为确定肿瘤细胞是否外转移的因变量，β0为回归常数，β
i
为回归系数，T
i
为该定量参数或该变量参数，I为影响因素，i为该定量参数和该变量参数的总个数，ε为随机误差。
[0017]优选地，使用该最优参数组合，确定肿瘤细胞的外转移，包括：基于该最优参数组合构建评测模型；设置该评测模型的基准评分为3分；基于该基准评分确定肿瘤细胞的外转移。
[0018]根据本专利技术的另一个方面，还提供了一种确定肿瘤细胞外转移的装置，该装置包括：划分模块，用于将多名患者的体征参数集划分成为训练集和验证集，其中该体征参数集包括定量参数和变量参数；训练及验证模块，用于对于预先确定的多个参数组合，分别使用该训练集和该验证集进行训练和验证，得到多个AIC值，其中每个该参数组合均包括一个或多个该定量参数和/或一个或多个该变量参数；筛选模块，用于筛选该多个AIC值中的最小值对应的该参数组合作为最优参数组合；以及确定模块，用于使用所述最优参数组合，确定肿瘤细胞的外转移。
[0019]本专利技术将多名患者的多种体征参数集分为训练集和验证集，然后基于参数组合对
训练集和验证集进行训练和验证，根据AIC值得到最优参数组合，能够快速地确定肿瘤细胞是否发生外转移。
附图说明
[0020]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0021]图一为根据本专利技术实施例的确定肿瘤细胞外转移的方法的流程图；
[0022]图二为根据本专利技术实施例的肺癌患者评分统计的示意图；以及
[0023]图三为根据本专利技术实施例的确定肺癌肿瘤细胞外转移的装置的结构框图。
具体实施方式
[0024]本专利技术实施例针对医学上确定肺癌肿瘤细胞是否出现外转移提出了一种深度学习方法。与相关技术中采用的影像学、穿刺、手术标本等确定方式不同，本专利技术实施例不需要使用复杂的医学手段进行确定，本专利技术实施例将多名肺癌患者的多种体征参数集分为训练集和验证集，然后对训练集和验证集进行训练和验证，基于AIC值得到最优参数组合，确定肺癌患者的肺癌肿瘤细胞是否发生外转移。与复杂且成本高昂的传统技术相比，本专利技术实施例仅需采集肺癌患者的体征参数即可确定肺癌肿瘤细胞是否出本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种确定肿瘤细胞外转移的方法，其特征在于，包括：将多名患者的体征参数集划分成为训练集和验证集，其中所述体征参数集包括定量参数和变量参数；对于预先确定的多个参数组合，分别使用所述训练集和所述验证集进行训练和验证，得到多个赤池信息准则AIC值，其中每个所述参数组合均包括一个或多个所述定量参数和/或一个或多个所述变量参数；筛选所述多个AIC值中的最小值对应的所述参数组合作为最优参数组合；以及使用所述最优参数组合，确定肿瘤细胞的外转移。2.根据权利要求1所述的一种确定肿瘤细胞外转移的方法，其特征在于，在将所述多名患者的所述体征参数集划分成为所述训练集和所述验证集之前，所述方法还包括：对所述定量参数和所述变量参数进行分箱处理，得到所述定量参数和所述变量参数的分箱结果；对所述分箱结果进行统计推断，得到最优分箱结果；对所述最优分箱结果进行证据权重WOE变换，得到所述体征参数集。3.根据权利要求1所述的一种确定肿瘤细胞外转移的方法，其特征在于，对于预先确定的所述多个参数组合，分别使用所述训练集和所述验证集进行训练和验证，得到所述多个AIC值，包括：基于逐步回归法对所述训练集和所述验证集进行训练和验证；根据第一公式AIC
i
＝2K
‑
2log
e
[L(θ|x)＝P(X＝x|θ)]，分别计算AIC
i
值；以及根据第二公式得到所述AIC值；其中，i表示所述AIC值的序数，K表示所述定量参数和所述变量参数的个数，L表示似然函数，θ表示所述定量参数和所述变量参数的数值，x表示确定所述参数组合后肿瘤细胞是否外转移的结果，P表示概率，X表示所述参数组合，R
i
表示权重百分比。4.根据权利要求3所述的一种确定肿瘤细胞外转移的方法，其特征在于，所述逐步回归法包括：公式其中Y为确定肿瘤细胞是否外转移的因变量，β0为回归常数，β
i
为回归系数，T
i
为所述定量参数或所述变量参数，I为影响因素，i为所述定量参数和所述变量参数的总个数，ε为随机误差。5.根据权利要求4所述的一种确定肿瘤细胞外转移的方法，其特征在于，所述影响因素I包括：所述影响因素I的初始值为1，所述自变量个数i＝1，2，
…
，n；当所述自变量个数i...
【专利技术属性】
技术研发人员：赵庆林，王路情，冯丽，王家驷，
申请(专利权)人：澳门科技大学，
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。