System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及癌症预后分析,尤其涉及一种癌症预后预测方法、装置、设备及存储介质。
技术介绍
1、近年来癌症的高发生率促进了医学辅助技术的发展,预后风险分析是一种关键的医学辅助技术,它可以根据不同病人预后的潜在风险来辅助选择不同的治疗方案。预后预测主要研究最终临床结果与其密切相关的影响因素之间的关系,从中可以根据分子数据和临床数据等生物医学数据推断患者的死亡或病症复发的时间。通过现代医学成像技术和高通量测序技术可用于快速地采集癌症患者的大量生物医学数据,例如基因组学数据和转录组学数据,利用预后预测技术来估计肿瘤进程或病症复发时间以有效帮助医生做出有关癌症患者护理和治疗的决定。
2、然而,现有预设癌症预后模型大多依赖公开数据集tcga的多组学数据,使用所需数据难以获取;而且大多针对tcga中数据量大的癌症类型,有些癌症因为在tcga数据集中数据量较少而被忽视了,相应的预后模型仍是缺乏的。
3、上述内容仅用于辅助理解本专利技术的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供了一种癌症预后预测方法、装置、设备及存储介质,旨在解决现有预设癌症预后模型大多依赖公开数据集tcga的多组学数据,使用所需数据难以获取;而且大多针对tcga中数据量大的癌症类型,有些癌症因为在tcga数据集中数据量较少而被忽视了,相应的预后模型仍是缺乏的的技术问题。
2、为实现上述目的,本专利技术提供了一种癌症预后预测方法,所述方法包括以下
3、采集目标癌症患者的遗传基因信息和当前临床信息;
4、将所述遗传基因信息和所述当前临床信息输入至预设癌症预后模型中,获得所述目标癌症患者的预后风险,其中,所述预设癌症预后模型基于可视神经网络和全连接神经网络构建获得,所述可视神经网络用于加工和编码所述遗传基因信息,所述全连接神经网络用于进一步整合所述可视神经网络的输出信息和所述当前临床信息并生成对应的预后风险。
5、可选地,所述采集目标癌症患者的遗传基因信息和当前临床信息之前,还包括:
6、通过预设基因变异特征集和预设基因通路关系对初始通路网络进行构建,获得可视神经网络;
7、将所述可视神经网络与全连接神经网络进行连接,获得初始预后模型;
8、对所述初始预后模型进行训练,获得预设癌症预后模型。
9、可选地,所述通过预设基因变异特征集和预设基因通路关系对初始通路网络进行构建,获得可视神经网络,包括:
10、通过生物分子通路知识数据库获取通路基因集和通路层次关系;
11、对所述通路基因集和所述通路层次关系进行关联提取,获得预设基因通路关系,所述预设基因通路关系包括基因与通路关系和通路之间关系;
12、根据所述基因与通路关系、所述通路之间关系和预设基因变异特征集对初始通路网络进行网络构建,获得可视神经网络。
13、可选地,所述对所述初始预后模型进行训练,获得预设癌症预后模型,包括:
14、将预设基因变异特征集和预设临床信息输入至所述初始预后模型中,获得癌症患者的预后风险得分,其中,所述预设临床信息包括确诊年龄、治疗方案、癌症类型和癌症状态等信息;
15、基于预设损失函数,根据所述预后风险得分、生存时间和生存状态计算模型当前损失;
16、根据所述模型当前损失对所述初始预后模型进行训练,获得预设癌症预后模型。
17、可选地,所述基于预设损失函数,根据所述预后风险得分、生存时间和生存状态计算模型当前损失,包括:
18、获取所述癌症患者的生存时间和生存状态;
19、根据所述生存时间和所述生存状态获得所述癌症患者的事件集合和存活集合;
20、基于预设损失函数,根据所述预后风险得分、所述事件集合和所述存活集合计算模型当前损失。
21、可选地,所述预设损失函数包括非线性比例风险损失函数,具体为:
22、
23、其中,θ为初始预后模型的当前参数;和为在所述当前参数下第i和第j个所述癌症患者的预后风险得分;d为事件集合,表征观察到死亡的癌症患者的集合;r(ti)为存活集合,表征在第i个癌症患者死亡时间ti仍然存活的癌症患者的集合。
24、可选地,所述根据所述模型当前损失对所述初始预后模型进行训练,获得预设癌症预后模型,包括:
25、根据所述模型当前损失对所述初始预后模型进行训练,获得当前参数;
26、判断所述当前参数是否达到拟合条件;
27、在所述当前参数未达到所述拟合条件时,通过十折交叉验证方式对所述初始预后模型进行验证,直至所述当前参数达到所述拟合条件,将达到所述拟合条件的当前参数作为超参数,并根据超参数获得预设癌症预后模型。
28、此外,为实现上述目的,本专利技术还提出一种癌症预后预测装置,所述装置包括:
29、信息采集模块,用于采集目标癌症患者的遗传基因信息和当前临床信息;
30、风险预测模块,用于将所述遗传基因信息和所述当前临床信息输入至预设癌症预后模型中,获得所述目标癌症患者的预后风险,其中,所述预设癌症预后模型基于可视神经网络和全连接神经网络构建获得,所述可视神经网络用于加工和编码所述遗传基因信息,所述全连接神经网络用于进一步整合所述可视神经网络的输出信息和所述当前临床信息并生成对应的预后风险。
31、此外,为实现上述目的,本专利技术还提出一种癌症预后预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的癌症预后预测程序,所述癌症预后预测程序配置为实现如上文所述的癌症预后预测方法的步骤。
32、此外,为实现上述目的,本专利技术还提出一种存储介质,所述存储介质上存储有癌症预后预测程序,所述癌症预后预测程序被处理器执行时实现如上文所述的癌症预后预测方法的步骤。
33、本专利技术通过采集目标癌症患者的遗传基因信息和当前临床信息;将所述遗传基因信息和所述当前临床信息输入至预设癌症预后模型中,获得所述目标癌症患者的预后风险,其中,所述预设癌症预后模型基于可视神经网络和全连接神经网络构建获得,所述可视神经网络用于加工和编码所述遗传基因信息,所述全连接神经网络用于进一步整合所述可视神经网络的输出信息和所述当前临床信息并生成对应的预后风险。由于本专利技术通过可视神经网络和全连接神经网络构建高性能的预设癌症预后模型,可基于较少的遗传基因信息和当前临床信息在模型的辅助下预测目标癌症患者的预后风险,从而提高了癌症预后风险评估效果。
本文档来自技高网...【技术保护点】
1.一种癌症预后预测方法,其特征在于,所述癌症预后预测方法包括:
2.如权利要求1所述的癌症预后预测方法,其特征在于,所述采集目标癌症患者的遗传基因信息和当前临床信息之前,还包括:
3.如权利要求2所述的癌症预后预测方法,其特征在于,所述通过预设基因变异特征集和预设基因通路关系对初始通路网络进行构建,获得可视神经网络,包括:
4.如权利要求2所述的癌症预后预测方法,其特征在于,所述对所述初始预后模型进行训练,获得预设癌症预后模型,包括:
5.如权利要求4所述的癌症预后预测方法,其特征在于,所述基于预设损失函数,根据所述预后风险得分、生存时间和生存状态计算模型当前损失,包括:
6.如权利要求5所述的癌症预后预测方法,其特征在于,所述预设损失函数包括非线性比例风险损失函数,具体为:
7.如权利要求6所述的癌症预后预测方法,其特征在于,所述根据所述模型当前损失对所述初始预后模型进行训练,获得预设癌症预后模型,包括:
8.一种癌症预后预测装置,其特征在于,所述装置包括:
9.一种癌症预后预测设
10.一种存储介质,其特征在于,所述存储介质上存储有癌症预后预测程序,所述癌症预后预测程序被处理器执行时实现如权利要求1至7任一项所述的癌症预后预测方法的步骤。
...【技术特征摘要】
1.一种癌症预后预测方法,其特征在于,所述癌症预后预测方法包括:
2.如权利要求1所述的癌症预后预测方法,其特征在于,所述采集目标癌症患者的遗传基因信息和当前临床信息之前,还包括:
3.如权利要求2所述的癌症预后预测方法,其特征在于,所述通过预设基因变异特征集和预设基因通路关系对初始通路网络进行构建,获得可视神经网络,包括:
4.如权利要求2所述的癌症预后预测方法,其特征在于,所述对所述初始预后模型进行训练,获得预设癌症预后模型,包括:
5.如权利要求4所述的癌症预后预测方法,其特征在于,所述基于预设损失函数,根据所述预后风险得分、生存时间和生存状态计算模型当前损失,包括:
6.如权利要求5所述的癌症预后预测方法...
【专利技术属性】
技术研发人员:谭洁,朱敏,林垂旭,李映华,梁小丹,梁耀铭,
申请(专利权)人:广州金域医学检验中心有限公司,
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。