【技术实现步骤摘要】
学习诊断癌症的方法和测试方法及学习装置和测试装置
[0001]本专利技术涉及一种使用生物标志物组相关值信息来学习用于诊断多种癌症的基于深度学习的诊断模型的方法和测试方法以及使用该方法的学习装置和测试装置，更具体地涉及一种使用生物标志物组相关值信息来学习用于诊断多种癌症的基于深度学习的诊断模型的方法和测试方法以及使用该方法的学习装置和测试装置，其在待分类的多种癌症中，容易分类的癌症数据通过捷径简单运算，而难以分类的癌症数据通过隐藏层运算。
技术介绍
[0002]肿瘤转移是肿瘤的一部分与实体癌患者分离并通过血液移动到身体其他部位的现象，其在癌症相关死亡中占有重要的地位。目前，诊断癌症的常规方法是活检(biopsy)，即在癌症转移的早期阶段，切除组织的某一部分并进行检测，但确定准确的活检部位并不容易。另一方面，近年来备受关注的液体活检(liquid biopsy)方法是采集来自患者身体的生物样本，例如患者的血液、尿液等，并检测生物样本中的肿瘤细胞，该方法被认为不仅可用于估计癌症的进展和癌症的治疗过程，而且可用于早期检测和诊断。
【技术保护点】
【技术特征摘要】
1.一种使用生物标志物组相关值信息来学习用于诊断多种癌症的基于深度学习的诊断模型的方法，其包括：(a)当获得每个患者的包括生物标志物组相关值信息和真实数据癌症信息的学习数据时，学习装置执行如下处理：将每个所述学习数据输入到所述诊断模型中，使所述诊断模型对分别通过第1隐藏层至第K隐藏层从前一层输入的用于学习的前一子输入值进行全连接运算，输出通过输出层对从所述第K隐藏层输入的用于学习的第K子输入值进行全连接运算以预测多种癌症的用于学习的癌症诊断结果信息，其中所述K为1以上的整数，使所述诊断模型(i)在将k从1变为K
‑
1的同时，将从第k隐藏层输出的用于学习的第k子输出值输入到第k概率层，通过所述第k概率层输出与每个L个癌症对应的用于学习的第k概率值，(ii)将所述用于学习的第k子输出值输入到第k捷径层，通过所述第k捷径层输出用于学习的第k捷径子输出值的处理，其中所述用于学习的第k捷径子输出值为将每个所述用于学习的第k概率值作为权重应用于对所述用于学习的第k子输出值进行全连接运算的结果，以及将所述用于学习的第k子输出值输入到第k+1捷径层，通过所述第k+1捷径层输出用于学习的第k+1子输出值的处理，其中所述用于学习的第k+1子输出值为将“1
‑
用于学习的第k概率值”作为权重应用于对所述用于学习的第k子输出值进行全连接运算的结果，(iii)对通过所述输出层从所述第K隐藏层输出的所述用于学习的第K子输出值与从第1捷径层输出的所述用于学习的第1捷径子输出值至从第K
‑
1捷径层输出的所述用于学习的第K
‑
1捷径子输出值进行全连接运算，以输出所述用于学习的癌症诊断结果信息的处理；以及(b)所述学习装置参照从所述输出层输出的用于学习的多种癌症诊断结果信息与所述真实数据癌症信息来生成损失，并通过使用所述损失的反向传播来更新所述输出层、所述第K隐藏层至所述第1隐藏层、第K
‑
1捷径层至第1捷径层和第K
‑
1概率层至第1概率层中至少一层的参数的处理。2.根据权利要求1所述的方法，其中，在所述(a)步骤中，所述学习装置使所述诊断模型将用于学习的第k子输出值输入到所述第k概率层，通过每个所述第k概率层的第k_1概率节点至第k_L概率节点，对所述用于学习的第k子输出值进行全连接运算，以输出预测从所述第k隐藏层不经所述第k+1隐藏层而前进所述第k捷径层的可能性的对应于所述第1癌症的用于学习的第k_1概率值至对应于所述第L癌症的用于学习的第k_L概率值，其中所述第k_1概率节点至所述第k_L概率节点分别对应于与用于分类L个多种癌症的所述输出层的第1癌症对应的第1输出节点至与第L癌症对应的第L输出节点。3.根据权利要求2所述的方法，其中，在所述(a)步骤中，所述学习装置使所述诊断模型将所述用于学习的第k子输出值输入到所述第k捷径层，通过所述第k_1捷径节点至所述第k_L捷径节点中与第i癌症对应的第k_i捷径节点来输出用于学习的第k_i捷径子输出值，其中所述用于学习的第k_i捷径子输出值为将用于学习的第k_i概率值作为权重应用于对所述用于学习的第k子输出值进行全连接运算的结果，所述第k捷径层包括分别与所述输出层的所述第1输出节点至所述第L输出节点对应的第k_1捷径节点至第k_L捷径节点，所述i为1以上且L以下的整数。4.根据权利要求3所述的方法，其中，
在所述(a)步骤中，所述学习装置使所述诊断模型通过与所述输出层的所述第i癌症对应的第i输出节点，输出对所述第K隐藏层的所述用于学习的第K子输出值以及从所述第1捷径层的第1_i捷径节点输出的用于学习的第1_i捷径子输出值至从所述第K
‑
1捷径层的第K
‑
1_i捷径节点输出的用于学习的第K
‑
1_i捷径子输出值进行全连接运算以预测所述第i癌症的用于学习的第i癌症诊断结果信息。5.根据权利要求2所述的方法，其中，在所述(a)步骤中，所述学习装置使所述诊断模型将所述用于学习的第k子输出值输入到所述第k+1隐藏层，通过每个所述第k+1隐藏层的第k+1隐藏节点输出所述用于学习的第k+1子输出值，其中所述用于学习的第k+1子输出值通过针对所述用于学习的第k子输出值的全连接运算结果，将应用“1
‑
所述用于学习的第k_1概率值”作为权重的用于学习的第k+1_1中间子输出值至应用“1
‑
所述用于学习的第k_L概率值”作为权重的用于学习的第k+1_L中间子输出值分别相加而获得。6.一种使用生物标志物组相关值信息来测试用于诊断多种癌症的基于深度学习的诊断模型的方法，其包括：(a)在学习装置通过如下处理来学习所述诊断模型的状态下，测试装置获取包括针对特定患者的特定生物标志物组相关值信息的测试数据：(I)当获得每个患者的包括生物标志物组相关值信息和真实数据癌症信息的学习数据时，学习装置执行如下处理：将每个所述学习数据输入到所述诊断模型中，使所述诊断模型对分别通过第1隐藏层至第K隐藏层从前一层输入的用于学习的前一子输入值进行全连接运算，输出通过输出层对从所述第K隐藏层输入的用于学习的第K子输入值进行全连接运算以预测多种癌症的用于学习的癌症诊断结果信息，其中所述K为1以上的整数，使所述诊断模型(i)在将k从1变为K
‑
1的同时，将从第k隐藏层输出的用于学习的第k子输出值输入到第k概率层，通过所述第k概率层输出与每个L个癌症对应的用于学习的第k概率值，(ii)将所述用于学习的第k子输出值输入到第k捷径层，通过所述第k捷径层输出用于学习的第k捷径子输出值的处理，其中所述用于学习的第k捷径子输出值为将每个所述用于学习的第k概率值作为权重应用于对所述用于学习的第k子输出值进行全连接运算的结果，以及将所述用于学习的第k子输出值输入到第k+1捷径层，通过所述第k+1捷径层输出用于学习的第k+1子输出值的处理，其中所述用于学习的第k+1子输出值为将“1
‑
用于学习的第k概率值”作为权重应用于对所述用于学习的第k子输出值进行全连接运算的结果，(iii)对通过所述输出层从所述第K隐藏层输出的所述用于学习的第K子输出值与从第1捷径层输出的所述用于学习的第1捷径子输出值至从第K
‑
1捷径层输出的所述用于学习的第K
‑
1捷径子输出值进行全连接运算，以输出所述用于学习的癌症诊断结果信息的处理；以及(II)参照从所述输出层输出的用于学习的多种癌症诊断结果信息与所述真实数据癌症信息来生成损失，并通过使用所述损失的反向传播来更新所述输出层、所述第K隐藏层至所述第1隐藏层、第K
‑
1捷径层至第1捷径层和第K
‑
1概率层至第1概率层中至少一层的参数的处理；以及(b)所述测试装置执行如下处理：将所述测试数据输入到所述诊断模型中，使所述诊断模型对分别通过所述第1隐藏层至所述第K隐藏层从前一层输入的用于测试的前一子输入
值进行全连接运算，输出通过所述输出层对从所述第K隐藏层输入的用于测试的第K子输入值进行全连接运算以预测多种癌症的用于测试的癌症诊断结果信息，使所述诊断模型(i)在将所述k从1变为K
‑
1的同时，将从所述第k隐藏层输出的用于测试的第k子输出值输入到所述第k概率层，通过所述第k概率层输出与每个L个癌症对应的用于测试的概率值，(ii)将所述用于测试的第k子输出值输入到所述第k捷径层，通过所述第k捷径层输出所述用于测试的第k捷径子输出值的处理，其中所述用于测试的第k捷径子输出值为将每个所述用于测试的概率值作为权重应用于对所述用于测试的第k子输出值进行全连接运算的结果，以及将所述用于测试的第k子输出值输入到所述第k+1隐藏层，通过所述第k+1隐藏层输出用于测试的第k+1子输出值的处理，其中所述用于测试的第k+1子输出值为将“1
‑
用于测试的概率值”作为权重应用于对所述用于测试的第k子输出值进行全连接运算的结果，(iii)对通过所述输出层从所述第K隐藏层输出的所述用于测试的第K子输出值与从所述第1捷径层输出的所述用于测试的第1捷径子输出值至从所述第K
‑
1捷径层输出的用于测试的第K
‑
1捷径子输出值进行全连接运算，以输出所述用于学习的癌症诊断结果信息。7.根据权利要求6所述的方法，其中，在所述(b)步骤中，所述测试装置使所述诊断模型将用于测试的第k子输出值输入到所述第k概率层，通过每个所述第k概率层的所述第k_1概率节点至所述第k_L概率节点，对所述用于测试的第k子输出值进行全连接运算，以输出预测从所述第k隐藏层不经所述第k+1隐藏层而前进所述第k捷径层的可能性的对应于所述第1癌症的用于测试的第k_1概率值至对应于所述第L癌症的用于测试的第k_L概率值。8.根据权利要求7所述的方法，其中，在所述(b)步骤中，所述测试装置使所述诊断模型将所述用于测试的第k子输出值输入到所述第k捷径层，通过所述第k_1捷径节点至所述第k_L捷径节点中与所述第i癌症对应的所述第k_i捷径节点来输出用于测试的第k_i捷径子输出值，其中所述用于测试的第k_i捷径子输出值为将用于测试的第k_i概率值作为权重应用于对所述用于测试的第k子输出值进行全连接运算的结果。9.根据权利要求8所述的方法，其中，在所述(b)步骤中，所述测试装置使所述诊断模型通过与所述输出层的所述第i癌症对应的所述第i输出节点，输出对所述第K隐藏层的所述用于测试的第K子输出值以及从所述第1捷径层的所述第1_i捷径节点输出的用于测试的第1_i捷径子输出值至从所述第K
‑
1捷径层的所述第K
‑
1_i捷径节点输出的用于测试的第K
‑
1_i捷径子输出值进行全连接运算以预测所述第i癌症的用于测试的第i癌症诊断结果信息。10.根据权利要求7所述的方法，其中，在所述(b)步骤中，所述测试装置使所述诊断模型将所述用于测试的第k子输出值输入到所述第k+1隐藏层，通过每个所述第k+1隐藏层的所述第k+1隐藏节点输出所述用于测试的第k+1子输出值，其中所述用于测试的第k+1子输出值通过针对所述用于测试的第k子输出值的全连接运算
结果，将应用“1
‑
所述用于测试的第k_1概率值”作为权重的用于测试的第k+1_1中间子输出值至应用“1
‑
所述用于测试的第k_L概率值”作为权重的用于测试的第k+1_L中间子输出值分别相加而获得。11.一种使用生物标志物组相关值信息来学习用于诊断多种癌症的基于深度学习的诊断模型的学习装置，其包括：存储器，其存储指令，所述指令用于使用所述生物标志物组相关值信息来学习用于诊断多种癌症的基于所述深度学习的所述诊断模型；以及处理器，其根据存储在所述存储器中的所述指令，使用所述生物标志物组相关值信息来执行学习用于诊断多种癌症的基于所述深...
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。