[发明专利]一种基于人工智能的颅颌面骨骼和软组织形态预测方法

摘要

本发明提出一种基于人工智能的颅颌面骨骼和软组织形态预测方法，第一，采集基因组数据，第二，采集骨骼或软组织形态数据并获取特征点，第三，利用质控后的基因组数据和降维后的形态数据进行全基因组关联分析，获得SNP位点，第四，根据SNP位点和特征点坐标训练机器学习模型，获得骨骼和软组织形态预测模型。本发明结合基因组数据和形态数据来获取骨骼和软组织预测模型，所得模型精确度高，预测具有效率高、结果精准等优点。

主权项

1.一种基于人工智能的颅颌面骨骼和软组织形态预测方法，其特征在于，包括以下步骤：步骤1：采集研究对象个体的基因组数据，并进行填补和质量控制；步骤2：采集研究对象个体的骨骼或软组织形态数据，进行坐标降维并获得特征点；步骤3：根据质量控制后的基因组数据和坐标降维后的形态数据进行全基因组关联分析，获得非高度连锁的单核苷酸多态性SNP位点；步骤4：根据非高度连锁的SNP位点和特征点坐标，使用包括神经网络在内的机器学习，获得骨骼和软组织形态预测模型：步骤4‑1：进行数据预处理：对于SNP位点的基因型，将SNP位点分成野生型位点、突变杂合型位点、突变纯合型位点三种类型，并分别对基因型缺失值进行填补，再将SNP位点的基因型和性别均转换成哑变量，年龄数据保留为数值变量；步骤4‑2：选择机器学习模型：采用XGboost算法模型，利用CPU多线程并行运算，通过弱分类器进行迭代计算分类；步骤4‑3：将数据分成训练数据集和测试集：随机将其中80％的数据作为训练数据集，剩余的20％数据作为测试集；步骤4‑4：将训练数据集中的SNP位点基因型数据作为输入，每个个体的形态特征点坐标数据作为输出，训练包含神经网络的机器学习模型，使得机器学习模型能够根据输入的SNP基因组数据，获得形态特征点坐标数据；步骤4‑5：采用重采样策略进行k折交叉验证：将训练数据集随机分成k组，k为正整数，用其中的k‑1组用作训练集，另外1组用作评估集，机器学习模型在训练集进行训练，并在评估集进行验证，重复多次操作，每次选取不同的组作为训练集进行训练和验证，直到每组数据都被用作验证；同时使用网格搜索法选择一套适合模型的超参数：对于每个超参数网格都进行训练和交叉验证，得到一组最优参数组合，将机器学习回归模型的均方根误差作为最终评价指标；输入测试集基因组数据，利用机器学习模型获取形态特征点坐标数据的预测值，计算每个坐标的真实值和预测值的差异，则得到最优的预测模型。