【技术实现步骤摘要】
一种化疗预备阶段的治疗画像生成方法和系统
[0001]本专利技术属于数据传输
,具体涉及一种化疗预备阶段的治疗画像生成方法和系统
。
技术介绍
[0002]癌症化疗是治疗癌症的重要手段之一,通过使用特定的化学药物,干扰癌细胞的生长和分裂过程,从而抑制或杀死这些异常细胞
。
新辅助化疗(
Neoadjuvant chemotherapy
,
NAC
)具有较多的优势,且获得病理完全缓解与 更好的后密切相关
。
随着新辅助化疗在癌症治疗中的地位越来越重要,在化疗预备阶段预估新辅助化疗
NAC
方式对于患者是否具有疗效显得尤为关键
。
[0003]当前,在化疗预备阶段,预估新辅助化疗
NAC
方式对于患者是否具有疗效以及决定采用何种化疗方案,主要依赖于医生的主观判断,需要根据患者的实际情况给出具体化疗方案
。
一方面,疗效预估需要花费医生大量的时间
。
另一方面,受限于不同的医生的专业水平
、
从业经验的不同,导致疗效预估的准确性与一致性低
。
再者,患者在确诊癌症之后心理较为慌乱,仅仅通过医生的主观判断给出具体的化疗方案,化疗方案的可解释性低,难以缓解患者的慌乱情绪
。
技术实现思路
[0004]为了解决现有技术中主要依赖于医生的主观判断,疗效预估需要花费医生大量的时间,受限于不同的医生的专业水平
、< ...
【技术保护点】
【技术特征摘要】
1.
一种化疗预备阶段的治疗画像生成方法,其特征在于,包括:
S101
:获取患者的电子病历;
S102
:提取所述电子病历中的基础信息
、
病情信息以及检查检验结果;
S103
:根据所述病情信息以及所述检查检验结果,预估新辅助化疗
NAC
方式对于患者是否具有疗效,若是,推荐
NAC
方式,否则,推荐传统化疗方式;
S104
:在推荐的化疗方式的历史案例库中,通过循环神经网络,计算当前患者的电子病历与各个历史案例的匹配度;
S105
:挑选出匹配度最高的预设数量的历史案例,生成备选化疗方案;
S106
:根据所述病情信息
、
检查检验结果以及所述备选化疗方案,通过卷积神经网络以及支持向量机,预估化疗效果;
S107
:根据患者的基本信息
、
病情信息
、
检查检验结果
、
推荐的化疗方式
、
备选化疗方案以及预估的化疗效果,生成患者采用备选化疗方案时在化疗预备阶段的治疗画像;
S108
:显示患者在化疗预备阶段的治疗画像
。2.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法,其特征在于,所述
S102
具体为:通过基于自然语言处理技术的文本分类模型,提取所述电子病历中的基础信息
、
病情信息以及检查检验结果
。3.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法,其特征在于,所述
S103
具体包括:
S1031
:根据所述病情信息以及所述检查检验结果,计算疗效评估值:;其中,表示疗效评估值,表示逻辑回归超参数,表示乳腺背景实质强化结果,表示乳腺背景实质强化结果的权重,表示雌激素受体结果,表示雌激素受体结果的权重,表示孕激素受体结果,表示孕激素受体结果的权重,表示受体结果,表示 受体结果的权重,表示蛋白质标志物的表达结果,表示蛋白质标志物的表达结果的权重,表示分子分型,表示分子分型的权重;
S1032
:使用激活函数将所述疗效评估值映射至
[0,1]
的区间范围内:;其中,表示映射值,表示自然对数;
S1033
:使用阶跃函数将概率值转化为
{0,1}
的类别输出:;其中,表示阶跃函数,当阶跃函数的数据结果为1时表示新辅助化疗
NAC
方式对于患者具有疗效,当阶跃函数的数据结果为0时表示新辅助化疗
NAC
方式对于患者不具有疗效
。4.
根据权利要求3所述的化疗预备阶段的治疗画像生成方法,其特征在于,所述
S103
还
包括:
S1034
:构建损失函数:;其中,表示逻辑回归超参数,表示样本总数,表示第个样本的疗效评估值,表示第个样本的阶跃函数的输出结果;
S1035
:使用梯度下降法对所述损失函数进行求解,得到所述逻辑回归超参数
。5.
根据权利要求3所述的化疗预备阶段的治疗画像生成方法,其特征在于,乳腺背景实质强化结果的权重
、
雌激素受体结果的权重
、
孕激素受体结果的权重
、
受体结果的权重
、
蛋白质标志物的表达结果的权重以及分子分型的权重的确定方式为:通过对乳腺背景实质强化结果
、
雌激素受体结果
、
孕激素受体结果
、
受体结果
、
蛋白质标志物的表达结果和分子分型的重要性进行两两比较,结合九级标度法,建立判别矩阵:;其中,表示第个影响因素相对于第个影响因素的重要程度,的取值可通过九极标度法确定,,;计算所述判别矩阵
A
的特征向量和特征值:;其中,表示所述判别矩阵的特征值,表示所述判别矩阵的特征向量,取最大的特征值记为,与最大的特征值对应的特征向量记为 , ;对所述最大的特征值对应的特征向量进行归一化处理:;;其中,归一化后的向量的各个分量分别代表各个影响因素的权重,可分别记为
。6.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法,其特征在于,所述
S104
具体包括:
S1041
:提取电子病历中有关基础信息
、
病情信息以及检查检验结果的关键词;
S1042
:构建基于循环神经网络的关键词匹配模型,所述关键词匹配模型包括:输入层
、
状态层
、
注意力层
、
全连接层和匹配层;
S1043
:将各个关键词组成的关键词序列,其中,表示第个关键词,表示关键词总数;
S1044
:在所述状态层中,计算各个关键词在时刻的隐状态:;;;其中,表示第个关键词在时刻的隐状态,表示第个关键词,表示第个关键词在前向循环中时刻的状态,表示第个关键词在前向循环中时刻的状态,表示第个关键词在前向循环中时刻的状态,表示第个关键词在后向循环中时刻的状态,表示经过循环神经网络的非线性计算,表示在时刻的权重系数,表示在时刻的权重系数,表示时刻隐状态的偏置项;
S1045
:在所述注意力层中,为各个关键词分配权重,并进行累加得到当前所述注意力层的隐状态:;其中,表示时刻注意力层的隐状态,表示第个关键词在时刻的权重;
S1046
:输出关键词的特征值:;其中,
O
表示关键词的特征值;
S1047
:在所述全连接层中,汇聚所述关键词的特征值;
S1048
:在所述匹配层中,通过余弦相似度,计算当前患者的电子病历与各个历史案例的匹配度:;其中,
sim
表示当前患者的电子病历与历史案例的匹配度,表示患者的病情信息中的关键词的特征值,表示历史案例中的关键词的特征值,表示矩阵转置,表示矩阵的模运算
。7.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法,其特征在于,所述
S106
具体包括:
S1061
:将患者的基础信息
、
病情信息以及检查检验结果中的各个关键词特征输入至卷
积神经网络,通过卷积层以及池化层,得到粗糙特征值;
S1062
:对所述粗糙特征值通过软阈值进行去噪,得到精细特征值:;其中,表示粗糙特征值,表示...
【专利技术属性】
技术研发人员:王明媚,李天,王心慧,卫晋菲,董天舒,
申请(专利权)人:中国人民解放军总医院,
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。