[发明专利]一种基于深度半监督多任务学习生存分析的疾病预后预测系统

说明书

本发明公开了一种基于深度半监督多任务学习生存分析的疾病预后预测系统，包括数据获取模块、数据预处理模块和预测模型构建模块等；本发明以深度神经网络模型为基础，将生存分析问题转化为多时序点生存概率预测的半监督学习问题组成的多任务学习模型；模型直接对生存概率建模，不依赖比例风险假设，可以拟合时间依赖效应，具有更好的解释性；提出利用半监督损失函数和排序损失函数对数据进行拟合，充分利用了完全数据和删失数据，可以处理传统的生存分析问题和考虑竞争风险的生存分析问题；模型通过多时序点的多任务学习，实现多个预测任务之间的数据共享，同时实现多个预测任务之间的相互约束，提升模型的泛化能力。

技术领域

本发明属于医疗及机器学习技术领域，尤其涉及一种基于深度半监督多任务学习生存分析的疾病预后预测系统。

背景技术

疾病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，对于疾病的控制和治疗意义重大。生存分析是疾病预后预测中常用的数据分析方法，用于分析和预测事件发生的时间。在医学上，它在确定治疗过程、开发新药、预防药物不良反应和改进医院流程方面起着关键作用。近来，随着深度学习模型的兴起和训练技术的改进，深度神经网络、卷积神经网络、长短期记忆网络等深度学习网络结构在疾病预后预测中的应用研究开始增多。此外，一些高级的机器学习策略也逐渐被应用在基于深度学习的生存分析方法中，包括主动学习、迁移学习和多任务学习，提升了疾病预后预测的性能。

疾病预后数据中普遍存在删失数据，删失数据并非缺失数据，而是仅能提供起点到删失时间的预后信息，不能提供起点到事件发生的完整信息的不完整数据。现有的基于深度学习的方法，或不能充分利用删失数据；或在充分利用删失数据的情况下，不能有效解决特征的时间依赖现象；或模型的泛化能力不足；或模型的可解释性差。现有的基于多任务学习的方法，不能充分利用删失数据。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度半监督多任务学习生存分析的疾病预后预测系统。

本发明以深度神经网络模型为基础，将生存分析问题转化为多时序点生存概率预测的半监督学习问题组成的多任务学习模型；考虑生存分析中删失数据和生存概率非递增趋势，提出利用半监督损失函数和排序损失函数对数据进行拟合，可以处理传统的生存分析问题和考虑竞争风险的生存分析问题。同时，提供了特征重要性的评估方法，并用可视化的方式展现特征的时间依赖和非线性效应。

模型中的深度神经网络结构包含了多层非线性变换单元层，可以拟合特征的非线性效应。模型直接对生存概率建模，不依赖比例风险假设，可以拟合时间依赖效应，也具有更好的解释性。模型通过对数损失函数和半监督损失函数，充分利用了完全数据和删失数据；通过排序损失函数利用生存概率非递增趋势；通过L1和L2损失函数，实现特征自动选择和防止模型过拟合。模型通过多时序点的多任务学习，实现多个预测任务之间的数据共享，同时实现多个预测任务之间的相互约束，提升模型的泛化能力。

本发明的目的是通过以下技术方案来实现的：一种基于深度半监督多任务学习生存分析的疾病预后预测系统，包括：用于获取疾病预后数据的数据获取模块；用于对疾病预后数据进行缺失值处理和归一化处理的数据预处理模块；用于对疾病预后数据进行建模的预测模型构建模块；用于将数据预测结果进行展示的预测结果展示模块；所述预测模型构建模块中采用基于深度半监督多任务学习的生存分析方法，具体步骤如下：