【技术实现步骤摘要】
本专利技术涉及医疗信息处理，尤其涉及一种前列腺神经内分泌癌预测模型的训练方法。
技术介绍
1、神经内分泌前列腺癌（neuroendocrine prostate，cancer，nepc）是前列腺癌的一种具有高度侵袭性的组织学亚型，初诊时nepc（原发性nepc）极少见，约占2%。在11%～17%接受过激素治疗的前列腺腺癌患者中可观察到nepc。nepc常常发生在长期接受雄激素剥夺治疗(androgen depr ivat ion treatment，adt)后。
2、nepc常常不伴有血清前列腺特异抗原（prostate specific antigen，psa）升高，影像学表现也无明显特异性，其诊断比较困难。而前列腺癌合并神经内分泌分化，因其同时存在典型的前列腺癌，其临床症状、实验室检查及影像学检查等均与单纯的前列腺癌相似，确诊有赖于病理检查(穿刺为主)发现神经内分泌分化细胞存在。
3、nepc的病理诊断应该包括神经内分泌细胞形态学上的鉴定和神经内分泌分子标志物的监测，对于疾病快速进展但psa并未明显上升的患者，尤其在合并内脏转移的情况下，应重点怀疑nepc，并建议必要时进行病灶组织二次活检。但是病理诊断具有创伤性、二次活检、步骤多、监测周期长、需要有经验的病理医师等限制。这种情况比较依赖医生的经验，并且二次活检过程繁琐。上述的情况，容易导致无法诊断或者误诊或者延迟诊断。如果延迟诊断，临床无法及时调整治疗方案，延误有效的治疗。
技术实现思路
1、鉴于上述的
2、一方面，本专利技术实施例提供了一种前列腺神经内分泌癌预测模型的训练方法，包括以下步骤：
3、获取患者的临床数据，所述临床数据包括药物疗效；所述患者包括前列腺神经内分泌癌患者和其他病理类型的前列腺癌患者；
4、对患者的血液进行检测得到患者的肿瘤分子特征数据；基于所述临床数据和肿瘤分子特征数据构建训练样本集；
5、构建人工智能模型，基于所述训练样本集对构建的人工智能模型进行训练，得到训练好的前列腺神经内分泌癌预测模型。
6、基于上述方法的进一步改进，基于所述临床数据和肿瘤分子特征数据构建训练样本集，包括：
7、将所述临床数据和肿瘤分子特征数据的每一项作为初始特征项；计算每项初始特征项的综合影响度；
8、选择综合影响度高的初始特征项作为最终特征项，构建训练样本集。
9、基于上述方法的进一步改进，采用以下方式计算每项初始特征项的综合影响度：
10、计算每项初始特征项与药物疗效间的相关系数作为相关度；
11、基于患者的临床数据和分子特征数据计算每项初始特征项的完整度；
12、计算每项初始特征项的理论影响度；
13、基于每项初始特征项对应的相关度、完整度和理论影响度得到每项初始特征项的综合影响度。
14、基于上述方法的进一步改进，采用以下公式计算第j个初始特征项的完整度：
15、；
16、其中，表示在最初获取的样本数据中，第j个初始特征项对应的数据不为空的样本的数量，n表示样本的总数量，α表示调节因子，为负数，表示第j个初始特征项的完整度。
17、基于上述方法的进一步改进，采用以下公式计算第j个初始特征项的理论影响度：
18、；
19、其中，表示公开第j个特征项和前列腺神经内分泌癌相关的文献的最高影响因子，γ表示调节因子，为负数，β表示参数，表示第j个初始特征项的理论影响度。
20、基于上述方法的进一步改进，采用以下公式计算每项初始特征项的综合影响度：
21、；
22、其中，表示第j个初始特征项的相关度，表示相关度的权重，表示第j个初始特征项的完整度，表示完整度的权重，表示第j个初始特征项的理论影响度，表示理论影响度的权重，表示第j个初始特征项的综合影响度。
23、基于上述方法的进一步改进，对患者的血液进行活检得到患者的肿瘤分子特征数据，包括：
24、对患者的血液进行循环肿瘤细胞富集得到循环肿瘤细胞富集样本；
25、对所述循环肿瘤细胞富集样本进行前列腺神经内分泌癌相关的目标蛋白的检测得到目标蛋白的蛋白表达水平及目标蛋白对应基因的表达水平；
26、对所述循环肿瘤细胞富集样本进行单细胞分离，对分离后的单细胞进行基因测序得到患者的基因变异特征数据；
27、所述目标蛋白的蛋白表达水平、目标蛋白对应基因的表达水平及基因变异特征数据构成患者的肿瘤分子特征数据。
28、基于上述方法的进一步改进，所述目标蛋白，包括：
29、雄激素受体变异体7、前列腺特异抗原、delta样配体3、神经元特异性烯醇化酶、嗜铬粒蛋白a、突触素蛋白、嗜铬素a、突触素、神经细胞黏附分子cd56、基底细胞标志物p63、细胞增殖标志物ki-67、甲基酰基辅酶a外消旋酶、前列腺酸性磷酸酶和雄激素受体。
30、基于上述方法的进一步改进，对分离后的单细胞进行基因测序得到患者的基因变异特征数据，包括：
31、采用高通量测序技术对分离后的单细胞进行基因测序；
32、基于基因测序结果得到基因变异特征数据；
33、所述基因变异特征数据包括：基因名、基因转录本、变异类型、变异临床意义类型、变异所在染色体号、染色体起始位置、染色体终止位置、变异频率、基因拷贝数以及肿瘤突变负荷。
34、基于上述方法的进一步改进，所述患者的临床数据还包括患者的年龄、分期数、前期药物方案、前期药物类型和前期用药周期。
35、与现有技术相比，通过对患者的血液进行活检得到患者的肿瘤分子特征数据，基于临床数据和肿瘤分子特征数据构建训练样本集来训练人工智能模型，基于训练好的前列腺神经内分泌癌预测模型可快速进行前列腺神经内分泌癌的预测，并且对患者无创，异质性小，预测准确性高；同时，样本容易获取，血液能反复取样而对患者伤害很小。本专利技术采用的方法对临床医生和病理医师的经验依赖性相对较小，训练好的前列腺神经内分泌癌预测模型可作为有效的补充或者初筛或者辅助诊断手段，尤其对于拒绝或无法进行活检的患者以及需要二次或多次活检的患者非常适用。
36、本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
本文档来自技高网...【技术保护点】
1.一种前列腺神经内分泌癌预测模型的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，基于所述临床数据和肿瘤分子特征数据构建训练样本集，包括：
3.根据权利要求2所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下方式计算每项初始特征项的综合影响度：
4.根据权利要求3所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下公式计算第j个初始特征项的完整度：
5.根据权利要求3所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下公式计算第j个初始特征项的理论影响度：
6.根据权利要求3所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下公式计算每项初始特征项的综合影响度：
7.根据权利要求1所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，对患者的血液进行活检得到患者的肿瘤分子特征数据，包括：
8.根据权利要求7所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，所述目标蛋白，包括：
9.根据权利要求3所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，对分离后的单细胞进行基因测序得到患者的基因变异特征数据，包括：
10.根据权利要求1所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，所述患者的临床数据还包括患者的年龄、分期数、前期药物方案、前期药物类型和前期用药周期。
...【技术特征摘要】
1.一种前列腺神经内分泌癌预测模型的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，基于所述临床数据和肿瘤分子特征数据构建训练样本集，包括：
3.根据权利要求2所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下方式计算每项初始特征项的综合影响度：
4.根据权利要求3所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下公式计算第j个初始特征项的完整度：
5.根据权利要求3所述的前列腺神经内分泌癌预测模型的训练方法，其特征在于，采用以下公式计算第j个初始特征项的理论影响度：
6.根据权利要求3所述的前列腺神经...
【专利技术属性】
技术研发人员：卢剑，王凯，徐赞美，陈丽娟，庞菲，郝庆，陆皓东，何继德，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
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。