【技术实现步骤摘要】
本专利技术属于人工智能和生物信息学，具体涉及一种适用于多种癌症的患者生存预后预测方法，尤其是膀胱癌、乳腺癌、肺腺癌和子宫内膜癌。
技术介绍
1、癌症患者的生存预后判断在临床决策，政策制定和患者及家属的计划安排中有着重要的地位。生存预后也是计算病理学的一项基本任务，其利用组织全玻片图像进行自动的风险评估，患者分层和分诊及治疗的反应预测。cox风险比例模型是经典的癌症患者生存预测模型，但该方法未能解释病理和遗传物质起的作用，限制了生存预测的有效性。其次，生存预测分析与癌症的分期和分级任务有着显著的不同，它是依赖于不同因素下大量的数据来进行分析建模和预测，因此高质量的获取多种模态的数据是对于开发患者生存预测模型非常重要的。
2、现有的多模态患者生存预后预测方法，往往忽略了模态内和模态间的数据关系，仅在单个模态上获取较好的特征表示再利用简单的特征融合方案，如向量拼接、模态数据聚合、克罗内克积等融合方法，对不同的模态数据进行处理，从而在实际应用中模型的预测性能被极大限制。并且现实生活中的某些原因也往往会导致患者忽略了某些方面的检查或者不愿意支付检查费用从而导致的多模态数据的缺失，从而影响了患者生存预后预测的准确性。
3、因此需要设计一种新的患者生存预后预测方法。
技术实现思路
1、本专利技术的目的在于提供一种适用于膀胱癌、乳腺癌、肺腺癌和子宫内膜癌的患者生存预后预测方法，以解决
技术介绍
中提出的现有的多模态患者生存预后预测方法，往往忽略了模态内和模态间的数据关系，仅在单
2、为实现上述目的，本专利技术提供了一种适用于多种癌症的患者生存预后预测方法，包括以下步骤：
3、步骤1、获取患者的病理学图像和分子数据，分子数据至少包括基因序列、拷贝数变异数据和基因序列突变数据；
4、步骤2、提取病理学图像中的信息；
5、具体包括：
6、步骤2.1、构建病理学图像大中小视场的空间拓扑图结构，获取细胞层面、组织层面和肿瘤异质性层面的特征；
7、步骤2.2、将大中小视场下的病理学图结构特征进行交叉融合的学习并获取不同视野下图特征之间的跨尺度上下文关系；
8、步骤3、通过混合注意编码器来获取分子数据的特征；
9、步骤4、采用三重掩码编码器来重建缺失的特征信息；
10、步骤5、构建多模态癌症生存预后预测模型，训练后，将获得的患者的所有特征信息导入预测模型中，最终得到患者的生存预测。
11、在一种具体的实施方式中，所述适用于多种癌症的患者生存预后预测方法适用于诊断为膀胱癌、乳腺癌、肺腺癌和子宫内膜癌的患者进行生存预后预测。
12、在一种具体的实施方式中，所述步骤2.1中，包括以下具体步骤：
13、先将病理学图像分割成256×256、512×512和1024×1024的补丁，即为小、中、大的视场，再去除掉背景，保留含有图像信息的补丁；
14、得到的每一个补丁嵌入都统一成1024维的矢量化表示，将这些矢量化的特征表示以8个相邻的特征为一组的方式连接起来，得到不同尺度下病理学图像的图形表示，为gp＝{v,e}，其中v和e表示图中点的集合和边的集合。
15、在一种具体的实施方式中，所述步骤2.2中，包括以下具体步骤：
16、先使用图卷积神经网络分别对小、中和大视场下的图像特征进行特征提取，然后再把提取后的特征保存到gp′中，并传递给transformer；transformer编码器从gp′中获取丰富的语义信息，即gp″；设置残差连接将特征gp′和gp″进行信息传递和特征融合；
17、然后对大视场得到的特征和中视场得到的特征进行融合，对中视场得到的特征和小视场得到的特征进行融合，再让大中小视场的特征相融合。
18、在一种具体的实施方式中，所述步骤3中，混合注意编码器包括上下文注意力模块、通道注意力模块和全局注意力模块。
19、在一种具体的实施方式中，所述上下文注意力模块包括离散小波变换、长短时神经网络和多头注意力机制。
20、在一种具体的实施方式中，所述离散小波变换采用多贝希小波。
21、在一种具体的实施方式中，所述步骤4中，三重掩码编码器包括非对称的编码器和解码器，其中编码器包括并联的三个transformer，解码器包括交叉注意力层和自注意力层。
22、在一种具体的实施方式中，所述步骤5中，构建的多模态癌症生存预后预测模型中包括模态特征混合模块，模态特征混合模块包括两层感知机和归一化层，每个感知机中包含两个完全连接层。
23、在一种具体的实施方式中，所述多模态癌症生存预后预测模型中的超参数设置为：学习率为0.005，batchsize为50，优化器为adam，epoch为40，dropout为0.2。
24、相比于现有技术，本专利技术具有以下有益效果：
25、本专利技术通过针对不同模态数据采用了针对性的特征提取方法，并有效处理模态数据缺失，实现了更准确的生存预测。
26、本专利技术采用的交叉融合transformer能有效融合不同倍率下的图像的局部信息、全局信息，并通过获取跨尺度上下文相关信息来提高生存预测精度。
27、本专利技术所采用的三重掩码编码器为不对称掩码的三重掩码编码器，其基于注意力机制的掩码解码器可从潜在的特征表示和掩码的令牌中重构多模态数据特征。
28、受益于交叉融合trransformer和混合编码器分别对不同模态数据的提取，三重掩码编码器可以重构缺失的模态数据，本专利技术能在模态数据缺失和模态内数据缺失的情况下预测患者的生存。
29、本专利技术不仅能从细胞层面获得与生存相关的特征，也可以从组织层面和肿瘤异质性上获得与生存相关的特征。
30、除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种适用于多种癌症的患者生存预后预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述适用于多种癌症的患者生存预后预测方法适用于诊断为膀胱癌、乳腺癌、肺腺癌和子宫内膜癌的患者进行生存预后预测。
3.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤2.1中，包括以下具体步骤：
4.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤2.2中，包括以下具体步骤：
5.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤3中，混合注意编码器包括上下文注意力模块、通道注意力模块和全局注意力模块。
6.根据权利要求5所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述上下文注意力模块包括离散小波变换、长短时神经网络和多头注意力机制。
7.根据权利要求6所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述离散小波变换采用多贝希小波。
8.根据权利要
9.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤5中，构建的多模态癌症生存预后预测模型中包括模态特征混合模块，模态特征混合模块包括两层感知机和归一化层，每个感知机中包含两个完全连接层。
10.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述多模态癌症生存预后预测模型中的超参数设置为：学习率为0.005，batchsize为50，优化器为Adam，epoch为40，Dropout为0.2。
...【技术特征摘要】
1.一种适用于多种癌症的患者生存预后预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述适用于多种癌症的患者生存预后预测方法适用于诊断为膀胱癌、乳腺癌、肺腺癌和子宫内膜癌的患者进行生存预后预测。
3.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤2.1中，包括以下具体步骤：
4.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤2.2中，包括以下具体步骤：
5.根据权利要求1所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述步骤3中，混合注意编码器包括上下文注意力模块、通道注意力模块和全局注意力模块。
6.根据权利要求5所述的适用于多种癌症的患者生存预后预测方法，其特征在于，所述上下文注意力模块包括离散小波变换、长短时神经网络和多头注...
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。