[发明专利]基于机器学习的预后生存阶段预测方法和系统

权利要求书

1.一种基于机器学习的预后生存阶段预测方法，其特征在于，所述方法包括：

获取既往预设时间段内的患者原始信息数据，并对所述患者原始信息数据进行整合，以得到无复发时间的第一数据集和带有复发时间的第二数据集，各数据集均包括对应患者的术前信息、术后信息和生存状态；

基于各对应患者所述术前信息、术后信息和生存状态，分析得到所述术前信息、所述术后信息与所述生存状态之间的相关程度；

基于所述术前信息、所述术后信息与所述生存状态之间的相关程度，在所述第一数据集中训练得到术后生存几率预测模型；

根据所述术后生存几率预测模型，判定目标患者的生存几率小于或等于预设值，则在所述第二数据集中训练得到生存时间段预测模型；

其中，所述对所述患者原始信息数据进行整合，具体包括：

将术前信息、术后信息和生存状态分别划分为多个必要特征；

遍历所述患者原始信息数据，并删除未包含全部必要特征的数据；

对删除后的剩余数据进行预处理，并将预处理后的数据划分为训练集和验证集。

2.根据权利要求1所述的预后生存阶段预测方法，其特征在于，所述分析得到所述术前信息、所述术后信息与所述生存状态之间的相关程度，之后还包括：

分析多种所述术前信息、多种所述术后信息对所述生存状态的影响程度，以得到多个影响因素对应的影响程度结果；

基于所述影响程度结果对各所述影响因素进行排序。

3.根据权利要求2所述的预后生存阶段预测方法，其特征在于，所述分析多种所述术前信息、多种所述术后信息对所述生存状态的影响程度，具体包括：

利用卡方检验、F检验、信息增益、Pearson相关性、Spearman相关性和决策树算法，分析多种所述术前信息、多种所述术后信息对所述生存状态的影响程度。

4.根据权利要求2所述的预后生存阶段预测方法，其特征在于，所述分析得到所述术前信息、所述术后信息与所述生存状态之间的相关程度，具体包括：

利用Kaplan-Meier分析法，分析得到所述术前信息、所述术后信息与所述生存状态之间的相关程度。

5.根据权利要求1所述的预后生存阶段预测方法，其特征在于，所述对删除后的剩余数据进行预处理，具体包括：

利用分期特征和远处转移特征，对剩余数据进行独热编码和归一化处理，以得到所述训练集和所述验证集。

6.根据权利要求5所述的预后生存阶段预测方法，其特征在于，所述训练集与所述验证集的数据比例为9:1。

7.一种基于机器学习的预后生存阶段预测系统，用于实施如权利要求1-6任一项所述的方法，其特征在于，所述系统包括：

数据处理单元，用于获取既往预设时间段内的患者原始信息数据，并对所述患者原始信息数据进行整合，以得到无复发时间的第一数据集和带有复发时间的第二数据集，各数据集均包括对应患者的术前信息、术后信息和生存状态；

相关度分析单元，用于基于各对应患者所述术前信息、术后信息和生存状态，分析得到所述术前信息、所述术后信息与所述生存状态之间的相关程度；

第一预测模型生成单元，用于基于所述术前信息、所述术后信息与所述生存状态之间的相关程度，在所述第一数据集中训练得到术后生存几率预测模型；

第二预测模型生成单元，用于根据所述术后生存几率预测模型，判定目标患者的生存几率小于或等于预设值，则在所述第二数据集中训练得到生存时间段预测模型；

其中，所述对所述患者原始信息数据进行整合，具体包括：

将术前信息、术后信息和生存状态分别划分为多个必要特征；

遍历所述患者原始信息数据，并删除未包含全部必要特征的数据；

对删除后的剩余数据进行预处理，并将预处理后的数据划分为训练集和验证集。