[发明专利]基于深度学习的癌症预后生存预测方法、设备及存储介质

权利要求书

1.一种基于深度学习的癌症预后生存预测方法，其特征在于，所述方法包括：

数据获取：获取样本数据，所述样本数据包括样本的病理影像数据和临床数据；

数据预处理：基于所述样本数据对深度学习分类器模型进行训练和评估，得到最优分类器模型；使用所述最优分类器模型对所述样本数据进行预处理，提取所述病理影像数据中患癌部位的数据特征，每个样本得到一个第一预处理数据，将所述临床数据进行转换以便计算机语言识别，每个样本得到一个第二预处理数据；

训练预测模型：使用所有所述第一预处理数据和第二预处理数据对预测模型进行训练和评估，得到最佳预测模型；

风险预测：基于所述最优分类器模型和所述最佳预测模型，对新样本进行风险预测；

其中，“基于所述样本数据对深度学习分类器模型进行训练和评估，得到最优分类器模型”包括：

以所述样本的病理影像数据为输入数据，通过弱监督深度学习训练和评估分类器模型，得到最优分类器模型，其中所述病理影像数据包括按预设比例收集的患癌病理切片和非患癌病理切片；

“提取所述病理影像数据中患癌部位的数据特征，每个样本得到一个第一预处理数据”包括：

将所述患癌病理切片输入到所述最优分类器模型，选取每个患癌病理切片的前K个患癌概率最高的图片区域，得到所述第一预处理数据；

所述预测模型包括两层，使用所述第一预处理数据和第二预处理数据对所述预测模型进行训练和评估的过程包括：

在所述预测模型的第一层，以所述最优分类器模型去除全连接层作为特征提取器，从所述第一预处理数据的每个图片区域中抽取特征向量，每个图片区域抽取的特征向量为第一特征向量；使用两个隐层的MLP深度学习算法压缩所述第一特征向量，每个第一特征向量得到一个长度为1的单一特征数值；将每个所述单一特征数值与所述第二预处理数据进行横向拼接，得到第二特征向量；

在所述预测模型的第二层，基于负对数似然损失函数的优化训练及一致性指数作为所述预测模型的性能衡量指标，对每个所述第二特征向量进行压缩后经激活函数输出概率值，所有概率值的平均即为每个样本的预后风险指标。

2.根据权利要求1所述基于深度学习的癌症预后生存预测方法，其特征在于，使用一个样本的所述第一预处理数据和第二预处理数据对预测模型进行训练的过程包括：

将所述第一预处理数据进行压缩，得到与所述第二预处理数据具有相同数据类型的第三预处理数据，将所述第二预处理数据和第三预处理数据拼接成特征向量，再对所述特征向量进行压缩后通过激活函数，得到最终的预测结果。

3.根据权利要求1所述基于深度学习的癌症预后生存预测方法，其特征在于，“以所述样本的病理影像数据为输入数据，通过弱监督深度学习训练和评估分类器模型，得到最优分类器模型”包括：

选用固定尺寸的滑窗、用指定步长水平和垂直遍历每个病理影像数据，生成与对应病理影像数据具有相同标签的多个滑窗区域图像；

基于所有所述滑窗区域图像，训练并评估基于交叉熵损失函数的分类器模型，得到最优分类器模型。

4.根据权利要求1所述基于深度学习的癌症预后生存预测方法，其特征在于：

每个样本的所述病理影像数据是通过统一的染色方法制备、并统一放大倍数而得到；

每个样本的所述临床数据为针对癌症进行治疗和判断的指标，包括性别、年龄、病灶大小、病理分期、T/N/M分期和组织学分期。

5.根据权利要求1所述基于深度学习的癌症预后生存预测方法，其特征在于，所述临床数据包括离散型变量和连续型变量，将所述临床数据进行转换以便计算机语言识别，包括：

对于具有缺失值的离散型变量，通过独立的条目进行填补；

对于具有缺失值的连续型变量，通过整体均值进行填补；

对于离散型变量，通过数字化进行编码。

6.一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-5任意一项所述基于深度学习的癌症预后生存预测方法中的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述基于深度学习的癌症预后生存预测方法中的步骤。