【技术实现步骤摘要】
本申请涉及辅助医疗，尤其涉及一种淋巴瘤亚型预测方法、装置、设备及存储介质。
技术介绍
1、淋巴瘤是一种恶性肿瘤，起源于淋巴结和淋巴组织，由于淋巴瘤的病理亚型复杂，其发病的分子机制和生物学行为都不同，临床需要根据分子分型进行准确而精准的靶向治疗，因此，需要医生精准的确定淋巴瘤的亚型。
2、由于淋巴瘤亚型与特定的基因变异相关，通过基因变异的情况预测患者所属淋巴瘤亚型本质上是一个多分类问题，虽然对于多分类问题，已将有很多经典的模型或分类技术。但是，由于在淋巴瘤分型的场景下，用户用于区分亚型的特征稀疏，数据不平衡，总体样本也较少，将现有的模型或将分类技术应用于对淋巴瘤患者进行亚型预测，会降低预测结果的准确性。
技术实现思路
1、本申请的主要目的在于提供一种淋巴瘤亚型预测方法、装置、设备及存储介质，旨在解决现有技术中在淋巴瘤分型的场景下，用户用于区分亚型的特征稀疏，数据不平衡，总体样本也较少，会降低预测结果的准确性的技术问题。
2、为实现上述目的，本申请提供一种淋巴瘤亚型预测方法，所述淋巴瘤亚型预测方法，包括：
3、获取从患者的检测信息中采集到的待预测数据；
4、通过预设亚型预测模型对所述待预测数据进行预测，获得预测结果，所述预设亚型预测模型包括多条分类器模型链与结果链表模块，所述分类器模型链是基于多个判断节点组成的，所述分类器模型链还包括纳入分类器链与排除分类器链，所述纳入分类器链中的判断节点用于判断能否识别所述待预测数据属于对应亚型，若能识
5、基于所述预测结果确定所述患者患有淋巴瘤参考亚型的诊断建议。
6、可选地，所述判断节点均为通过训练分类模型获得的二分类模型，每个所述判断节点对应一种淋巴瘤亚型；
7、所述通过预设亚型预测模型对所述待预测数据进行预测，获得预测结果的步骤，包括：
8、将所述待预测数据输入至所述预设亚型预测模型的输入节点，所述输入节点为所述预设亚型预测模型的第一分类器模型链中第一个判断节点；
9、按照所述分类器模型链的顺序，依次通过各所述判断节点对所述待预测数据进行预测，获得亚型结果；
10、通过所述结果链表记录各所述判断节点预测的亚型结果，所述亚型结果包括排除属性的排除亚型与纳入属性的纳入亚型；
11、通过所述结果链表模块删除所述结果链表中同为排除亚型的纳入亚型，保留首次出现的所述排除亚型，获得纳入亚型序列；
12、通过所述结果链表模块将所述纳入亚型序列中首个所述纳入亚型作为所述患者患有的淋巴瘤参考亚型，获得预测结果。
13、可选地，所述预设亚型预测模型中还包括通用分类器，所述通用分类器与所述预设亚型预测模型的最后一条分类器链的末端连接，所述通用分类器用于在各所述分类器模型链预测不出所述淋巴瘤亚型时，预测所述待预测数据所属的模糊亚型；
14、所述通过所述结果链表模块将所述纳入亚型序列中首个所述纳入亚型作为所述患者患有的淋巴瘤参考亚型，获得预测结果的步骤，包括：
15、若所述纳入亚型序列为空，则通过所述结果链表模块调取所述通用分类器预测的模糊亚型与各所述模糊亚型的预测概率；
16、通过所述结果链表模块筛选按照所述预测概率从高到低序列中首个不属于排除亚型的目标亚型；
17、通过所述结果链表模块将所述目标亚型作为所述患者患有的淋巴瘤参考亚型，获得预测结果。
18、可选地，所述通过预设亚型预测模型对所述待预测数据进行预测，获得预测结果的步骤，还包括：
19、通过所述二分类模型预测所述待预测数据为与所述二分类模型对应的亚型概率；
20、通过预测过所述待预测数据的已工作判断节点，确定所述待预测数据的亚型特征，并对所述亚型特征进行去重处理，获得参考特征；
21、通过所述预设亚型预测模型对所述亚型概率与所述参考特征汇总，获得预测结果。
22、可选地，所述获取从患者的检测信息中采集到的待预测数据的步骤之前，还包括：
23、获取亚型训练集；
24、基于所述亚型训练集对各判断节点中待训练的初始亚型预测模型进行迭代训练，获得二分类模型；
25、基于全量所述亚型训练集对待训练的初始通用分类模型进行迭代训练，获得通用分类器；
26、基于不同的所述判断节点串联的分类器链与所述通用分类器，获得预设亚型预测模型。
27、可选地，所述基于所述亚型训练集对各判断节点中待训练的初始亚型预测模型进行迭代训练，获得二分类模型的步骤，包括：
28、基于所述亚型训练集对待训练的初始亚型预测模型进行迭代训练，并标记训练所述初始亚型预测模型使用的待剔除数据，所述待剔除数据属于所述亚型训练集；
29、确定所述初始亚型预测模型预测所述待剔除数据属于对应亚型的匹配概率；
30、若所述匹配概率满足预设亚型阈值，则将待剔除数据从所述亚型训练集中剔除，获得更新后的亚型训练集；
31、利用更新后的亚型训练集训练后续待训练的初始亚型预测模型，直至所有所述初始亚型预测模型完成训练，获得各所述判断节点的第一分类器；
32、对所述第一分类器进行权重处理，获得各所述判断节点的二分类模型。
33、可选地，所述对所述第一分类器进行权重处理，获得各所述判断节点的二分类模型的步骤，包括：
34、利用所述亚型训练集分别对各所述判断节点中待训练的初始亚型预测模型进行迭代训练，获得各所述判断节点对应的第二分类器；
35、对所述第一分类器与所述第二分类器进行权重集成处理，获得各所述判断节点的二分类模型。
36、此外，为实现上述目的，本申请还提供一种淋巴瘤亚型预测装置，淋巴瘤亚型预测装置包括：
37、第一获取模块，用于获取从患者的检测信息中采集到的待预测数据；
38、预测模块，用于通过预设亚型预测模型对所述待预测数据进行预测，获得预测结果，所述预设亚型预测模型包括多条分类器模型链与结果链表模块，所述分类器模型链是基于多个判断节点组成的，所述分类器模型链还包括纳入分类器链与排除分类器链，所述纳入分类器链中的判断节点用于判断能否识别所述待预测数据属于对应亚型，若能识别，则将亚型标记纳入属性后记录在所述结果链表模块中的结果链表中，所述排除分类器链中的判断节点用于判断能否识别所述待预测数据不属于对应亚型，若能识别，则将亚型标记排除属性后记录在所述结果链表中，所述结果链表模块用于从所述结果链表中筛选出所述待预测数据所属的淋巴瘤亚型；
39、建议模块，用于基于所述预测结果确定所述本文档来自技高网...
【技术保护点】
1.一种淋巴瘤亚型预测方法，其特征在于，所述淋巴瘤亚型预测方法，包括：
2.如权利要求1所述的淋巴瘤亚型预测方法，其特征在于，所述判断节点均为通过训练分类模型获得的二分类模型，每个所述判断节点对应一种淋巴瘤亚型；
3.如权利要求2所述的淋巴瘤亚型预测方法，其特征在于，所述预设亚型预测模型中还包括通用分类器，所述通用分类器与所述预设亚型预测模型的最后一条分类器链的末端连接，所述通用分类器用于在各所述分类器模型链预测不出所述淋巴瘤亚型时，预测所述待预测数据所属的模糊亚型；
4.如权利要求2所述的淋巴瘤亚型预测方法，其特征在于，所述通过预设亚型预测模型对所述待预测数据进行预测，获得预测结果的步骤，还包括：
5.如权利要求1-4任一项所述的淋巴瘤亚型预测方法，其特征在于，所述获取从患者的检测信息中采集到的待预测数据的步骤之前，还包括：
6.如权利要求5所述的淋巴瘤亚型预测方法，其特征在于，所述基于所述亚型训练集对各判断节点中待训练的初始亚型预测模型进行迭代训练，获得二分类模型的步骤，包括：
7.如权利要求6所述的淋巴
8.一种淋巴瘤亚型预测装置，其特征在于，所述淋巴瘤亚型预测装置包括：
9.一种淋巴瘤亚型预测设备，其特征在于，所述淋巴瘤亚型预测设备包括：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淋巴瘤亚型预测程序，所述淋巴瘤亚型预测程序配置为实现如权利要求1至7中任一项所述的淋巴瘤亚型预测方法的步骤。
10.一种存储介质，其特征在于，存储介质上存储有实现淋巴瘤亚型预测方法的程序，实现淋巴瘤亚型预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述淋巴瘤亚型预测方法的步骤。
...【技术特征摘要】
1.一种淋巴瘤亚型预测方法，其特征在于，所述淋巴瘤亚型预测方法，包括：
2.如权利要求1所述的淋巴瘤亚型预测方法，其特征在于，所述判断节点均为通过训练分类模型获得的二分类模型，每个所述判断节点对应一种淋巴瘤亚型；
3.如权利要求2所述的淋巴瘤亚型预测方法，其特征在于，所述预设亚型预测模型中还包括通用分类器，所述通用分类器与所述预设亚型预测模型的最后一条分类器链的末端连接，所述通用分类器用于在各所述分类器模型链预测不出所述淋巴瘤亚型时，预测所述待预测数据所属的模糊亚型；
4.如权利要求2所述的淋巴瘤亚型预测方法，其特征在于，所述通过预设亚型预测模型对所述待预测数据进行预测，获得预测结果的步骤，还包括：
5.如权利要求1-4任一项所述的淋巴瘤亚型预测方法，其特征在于，所述获取从患者的检测信息中采集到的待预测数据的步骤之前，还包括：
6.如权利要求...
【专利技术属性】
技术研发人员：张敏扬，韩晓雪，颜呈呈，周剑峰，屈文萍，闫克强，朱敏，曹锐，孙佳琪，赵子仪，李映华，梁小丹，梁耀铭，
申请(专利权)人：广州金域医学检验集团股份有限公司，
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。