[发明专利]一种基于深度置信网络的肿瘤预后预测系统

说明书

本发明公开了一种基于深度置信网络的肿瘤预后预测系统，包括：用于采集肿瘤信息的数据采集模块；用于对肿瘤原始数据进行缺失值处理和归一化处理的数据预处理模块；用于对肿瘤数据进行深度学习和预测建模的数据学习预测模块；用于将数据学习预测模块输出的相对风险进行显示的预测结果显示模块；本发明利用高斯受限玻尔兹曼机，保留数据的非线性特征；根据输入数据的维度、输出分类的数量、模型的准确度，可以灵活扩展深度置信网络；模型训练过程中，不采用任何限制和假设，可以充分挖掘变量对结果的影响方式以及变量之间的相互作用，全面展现不同因素对肿瘤预后影响的方式，并提高肿瘤预后预测的准确性。

技术领域

本发明涉及肿瘤预测系统，尤其涉及一种基于深度置信网络的肿瘤预后预测系统

背景技术

癌症的发病率和死亡率高，已经成为人类因疾病死亡的主要原因。随着人口数量的增长和人口老龄化的发展，癌症带来的疾病负担正在进一步加大，成为目前医疗费用支付的一大部分。肿瘤预后预测分析可以给临床医生提供用于疾病治疗的预后信息，帮助治疗方案的制定，提高疾病治愈率，改善患者预后生活质量，有效降低疾病负担，对于癌症的控制和治疗意义重大。美国癌症联合会推出的基于肿瘤浸润深度、淋巴结、远处转移的TNM分期系统在世界范围内的癌症临床实践中，得到了广泛应用，是指导治疗和临床研究的重要工具。但是，许多最新的研究发现，TNM分期不能对不同肿瘤特征的患者的生存结局差异进行区分。神经网络以其可以充分逼近任意复杂的非线性关系、学习和自适应未知和不确定的系统、具有鲁棒性和容错性、能同时处理定量和定性数据、并能大规模并行分布处理的优点，在肿瘤预后预测分析中得到广泛应用。

肿瘤预后数据中普遍存在截尾数据，截尾数据并非缺失数据，而是仅能提供起点到截尾时间的预后信息，不能提供起点到事件发生的完整信息的不完整数据。现有的基于神经网络的肿瘤预后预测分析方法，或不能充分利用截尾数据；或在充分利用截尾数据的情况下，不能有效解决预后因素的时间依赖和非线性问题；或得到的生存曲线不呈单调性；或所构建的神经网络不具有可扩展性，不利于海量数据的大规模处理。

深度学习是当前机器学习研究的热门领域，因其具有自主特征学习能力和高准确性被应用于许多领域，包括语音识别、图像处理、自然语言处理和人物画像等，但目前深度学习还很少应用到肿瘤预后预测分析领域。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度置信网络的肿瘤预后预测系统，利用深度学习领域的深度置信网络算法，改进基于神经网络的预测分析方法，在充分利用截尾数据的情况下，有效解决预后因素的时间依赖和非线性问题，提高肿瘤预后预测的准确性，辅助医生制定患者的治疗计划；构建的深度置信网络具有良好的可扩展性，利于海量数据的大规模处理。

本发明的目的是通过以下技术方案来实现的：一种基于深度置信网络的肿瘤预后预测系统，该系统包括：用于采集肿瘤信息的数据采集模块；用于对肿瘤原始数据进行缺失值处理和归一化处理的数据预处理模块；用于对肿瘤数据进行深度学习和预测建模的数据学习预测模块；用于将数据学习预测模块输出的相对风险进行显示的预测结果显示模块；所述数据学习预测模块的处理过程包括两部分：首先基于深度学习的无监督训练方法，利用患者特征对相似患者进行聚类，其次利用相似患者群体，计算累积风险函数，具体步骤如下：

(1)利用深度置信网络模型对相似患者聚类

(1.1)假设患者数量为n，患者特征数量为m，可见层变量为v_i,i＝1,…,m，隐藏层变量为h_j,j＝1,…,g，其中m是可见层变量的数量，g是隐藏层变量的数量；w_ij是可见层变量v_i和隐藏层变量h_j之间的连接权重，则可见层与隐藏层之间的连接权重矩阵W＝(w_ij)_m×g；可见层变量的偏置a＝(a₁,…,a_m)，隐藏层变量的偏置b＝(₁,…,b_g)。