[发明专利]一种基于神经网络的健康风险预测方法

说明书

本发明公开了一种基于神经网络的健康风险预测方法，使用的经过k‑means算法优化过的SOM神经网络聚类算法，将食管癌患者的临床指标进行聚类分析，初步得到与生存期显著相关的几个临床指标，并通过COX多因素回归分析的验证，本发明通过传统医学分析与统计学Kendall相关系数相结合，挑选出与患者生存状态有更高相关的临床表型指标，然后使用卷积神经网络构建预后风险评估模型，合理、方便、有效的对食管鳞癌患者的预后风险等级进行预测，帮助患者更好的判断预后效果。该方法解决了现有评估模型的预测效果差和不能帮助患者判断预后效果的技术问题，实现了能够准确判断健康的预后风险。

技术领域

本发明涉及早期癌症风险评估技术领域，特别是指一种基于神经网络的食管早期鳞癌患者生存风险预测方法。

背景技术

食管癌是我国高发肿瘤，全球超半数新发病例发生在我国。不同于西方国家以“腺癌”为主，我国90％以上的食管癌病例为鳞状细胞癌。食管鳞癌患者发现时多为中晚期，整体预后差，5年总生存率约为20％，而分期较早的根治术后患者5年生存率也仅为40-59％。

随着现代医学的不断发展，医疗数据不断增多，从这些信息数据中获取对研究有益的数据就变得非常重要。计算机辅助下的数据分析及建模技术越来越多的应用于癌症诊疗。疾病的风险评估模型是当前广泛应用的疾病高危人群评估工具。基于数据挖掘的智能诊疗是利用大量医学数据，通过相关算法进行数据的分析，构建疾病的风险评估模型。目前国内外已建立的食管鳞癌风险评估模型多以食管鳞癌发病风险预测模型为主，食管鳞癌预后风险评估模型较少且模型预测效果较差。食管鳞癌研究需要一种能够准确判断预后风险的方法。

发明内容

本发明目的在于针对现有的背景技术中存在的不足，本发明提出了一种基于神经网络的健康风险预测方法，该方法解决了现有评估模型的预测效果差和不能帮助患者判断预后效果的技术问题，实现了能够准确判断健康的预后风险。本发明使用的经过k-means算法优化过的SOM神经网络聚类算法，将食管癌患者的临床指标进行聚类分析，初步得到与生存期显著相关的几个临床指标，并通过COX多因素回归分析的验证，该方法效果更好、显著性更强，且运算复杂度降低，节省大量不必要的试验时间。

本发明解决其技术问题所采用的技术方案是：一种基于神经网络的健康风险预测方法，该方法包括如下步骤：

步骤1：获取食管早期鳞癌患者的临床病理、实验室检查、生存期信息以及生存状态等多维度数据，一共M种；

步骤2：将收集到的数据进行预处理，进行无量纲化以及异常值处理，生成合理的数据；

步骤3：将预处理后的数据集进行分层随机抽样，分为训练集以及测试集，比例为8：2；

步骤4：利用k-means优化后的SOM算法对M种临床表型指标以及生成期信息和生成状态进行聚类，再用COX风险回归模型对聚类结果进行回归验证，初步得到对食管鳞癌影响较大的N种指标(NM)；

步骤5：利用Kendall相关性分析法进一步地计算与食管鳞癌患者生存风险相关度高的临床表型指标之间的相关度，剔除相关性低的临床表型指标，最终得到与食管鳞癌患者生存风险相关度更高的临床表型指标；

步骤6：使用卷积神经网络构建食管鳞癌患者生存风险预测模型，设置卷积神经网络结构参数，将上述步骤5中得到的相关性高的临床表型指标作为卷积神经网络的输入，食管鳞癌患者风险等级作为卷积神经网络的输出。

进一步地，本发明所述步骤1中的多维度数据包括患者的年龄、身高、体重以及临床指标信息分别为白细胞计数、淋巴细胞计数、单核细胞、中性粒细胞计数、嗜酸粒细胞计数、嗜碱粒细胞计数、红细胞计数、血红蛋白浓度、血小板计数、总蛋白、白蛋白、球蛋白、凝血酶原时间、国际标准化比值、活化部分凝血活酶时间、凝血酶时间、纤维蛋白原；

所述生存期信息是指生存时间，生存期的范围为[0.26月，137.00月]。