基于多源数据融合的肝移植受者预后预测装置制造方法及图纸

本发明专利技术公开了一种基于多源数据融合的肝移植受者预后预测装置，多源数据融合能够充分整合肝移植受者的影像学、肿瘤标志物、肿瘤免疫组化和肿瘤多组学等多源数据信息，相比现有的肝移植受者表征方式，能够容纳更多数据域的生物信息，同时也充分考虑肝移植受者在多源数据层面其反应的信息之间的潜在联系；提出的基于多源数据融合的肝移植受者预后预测模型，在高效提取个体特异性的多源数据的同时，能够充分考虑不同数据源之间的一致性与互补性，以全方面地考虑肝移植受者的病情，从而实现更加精准的肝移植受者预后预测。准的肝移植受者预后预测。准的肝移植受者预后预测。

【技术实现步骤摘要】
基于多源数据融合的肝移植受者预后预测装置


[0001]本专利技术属于肝移植受者预后检测与评价
，具体涉及一种基于多源数据融合的肝移植受者预后预测装置。

技术介绍

[0002]肝癌是一种全身性疾病，肝癌发展到一定阶段，肿瘤细胞可能转移到其他器官(肺部、骨骼、脑等)。进行肝移植前，现阶段的检查检测不到，术后因免疫抑制状态，潜伏在其他器官的微病灶可能导致肝癌复发。不少研究者在这一问题上做出了很多努力和贡献，尝试进行术后受者的胸部、上腹部CT、肿瘤多组学数据或肿瘤标志物AFP表达的分析对患者进行预后是否好转的预测。
[0003]近年来，深度学习技术在各行各业迅猛发展，结合深度学习技术进行医疗辅助成为了越来越多的人努力的目标和方向。如何利用深度学习探究肝移植受者的多源数据域之间可能存在的联系以实现更加精准的肝移植受者预后预测，将是一项令人期待的工作。
[0004]具体来看，对于每个术后受者，从不同数据域的检测得到的数据均隐含着两种语义信息：一致性信息，即不同数据域的数据共享的一致的语义信息，可以体现为共享一个语义特征空间；互补性信息，即一个数据域的数据包含了其他数据域所缺乏的信息，可以利用多个数据域之间的互补信息来增强模型。如何引入深度学习模型充分利用每个术后受者其多源数据域数据来实现更高效的特征提取并充分挖掘不同数据域之间一致性和互补性，以综合多数据域的信息更加全面地表述肝移植术后受者对象的疾病情况，从而能够实现更加精准的肝移植受者预后预测。
[0005]专利文献CN113140318A公开了一种基于深度学习的肝移植术后肺部感染风险预测方法，包括：，S1
‑
建立数据集：S2
‑
定制神经网络模型；通过精心选择术前、术中及术后的综合数据，包括一般资料、临床特征、实验室检验、影像学检查和麻醉记录，合理处理数据缺失、错漏等问题，构建完备的数据集，按照数据集的规模定义合适的神经网络分类模型，通过迭代训练直至神经网络收敛，得到的分类模型能够对新病例的预期寿命进行较准确的预测，针对不同情况采取不同治疗措施；该方法虽然利用深度学习技术实现对肝移植术后肺部感染预测模型的构建和评估，由于没有结合病理相关数据进行预测，移植后的其他一些风险，如是否排斥并不清楚，即不能实现对移植后免疫情况的预测。

技术实现思路

[0006]鉴于上述，本专利技术目的是提供一种基于多源数据的肝移植受者预后预测装置，以解决以往单源检测得到的数据不足以反应肝移植受者全面信息或者未同时考虑多源数据的一致性和互补性而导致移植受者预后预测准确性差的问题。
[0007]为实现上述专利技术目的，实施例提供的一种基于多源数据融合的肝移植受者预后预测装置，包括：
[0008]包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机
程序，其特征在于，所述存储器中存有参数优化后的预后预测模型，所述预后预测模型包括影像学特征提取模块、多组学特征提取模块、肿瘤特征离散化模块、肿瘤离散特征提取模块、特征融合模块、预测模块；
[0009]所述处理器执行所述计算机程序时实现以下步骤：
[0010]获取肝移植受者的影像学数据、肿瘤标志物表达量、肿瘤免疫组化表达量和肿瘤多组学数据，并将肿瘤多组学数据表征为细胞系多关系图；
[0011]利用预后预测模型进行预后预测，包括：利用影像学特征提取模块对影像学数据进行特征提取以输出影像学数据表征；利用多组学特征提取模块对细胞系多关系图进行特征提取以输出多组学数据表征；利用肿瘤特征离散化模块对肿瘤标志物表达量和肿瘤免疫组化表达量进行离散化处理，以得到肿瘤离散特征；利用肿瘤离散特征提取模块对肿瘤离散特征进行特征提取以输出肿瘤离散数据表征；利用特征融合模块对影像学数据表征、多组学数据表征以及肿瘤离散数据表征进行融合处理，以输出多源数据一致性表征和多源数据交互性表征；利用预测模块对多源数据一致性表征和多源数据交互性表征进行预测计算以输出预后预测结果。
[0012]在一个实施例中，所述肿瘤多组学数据包括基因组学数据、蛋白组学数据、代谢组学数据，将肿瘤多组学数据表征为细胞系多关系图，包括：
[0013]以基因作为结点，并以基因组学数据作为结点特征，依据基因组学数据确定的基因之间的相关性、根据蛋白组学数据确定的基因之间的蛋白相互作用、根据代谢组学数据确定的基因之间的代谢通路信息构建结点之间的连边，依此构建细胞系多关系图。
[0014]在一个实施例中，所述影像学特征提取模块采用基于ResNet为核的LSTM架构模型，将影像学数据构建成图像批次序列后，利用ResNet提取图像批次序列的图像特征序列，然后利用LSTM对图像特征序列进行特征提取以得到影像学数据表征。
[0015]在一个实施例中，所述多组学特征提取模块采用基于Graclus层次化池化的图卷积神经网络结构，即利用每层图卷积神经网络对细胞系多关系图进行特征提取后，利用Graclus池化层对特征提取后的细胞系多关系图进行粗化得到粗化后的细胞系多关系图，将粗化后的细胞系多关系图中每个结点特征连接一起作为多组学数据表征。
[0016]在一个实施例中，所述基于Graclus层次化池化的图卷积神经网络结构包括至少3层GATv2图卷积层，每个GATv2图卷积层包括图卷积操作和Graclus池化操作，利用图卷积操作对输入的粗化后细胞系多关系图对应的多种结点特征、多种边组成的矩阵进行卷积运算以更新结点特征后，再利用Graclus池化操作将经过图卷积操作得到的细胞系多关系图进行粗化处理以更新图结构和结点特征，得到粗化后细胞系多关系图；将最后的粗化后细胞系多关系图中的结点特征进行连接操作以进行全局池化，得到多组学数据表征。
[0017]在一个实施例中，所述肿瘤特征离散化模块采用XGboost模型，利用XGboost模型分别对输入的肿瘤标志物表达量和肿瘤免疫组化表达量进行离散化处理，以输出肿瘤离散特征，肿瘤标志物表达量对应的肿瘤离散特征属于一种特征域，肿瘤免疫组化表达量对应的肿瘤离散特征属于另外一种特征域。
[0018]在一个实施例中，所述肿瘤离散特征提取模块包括Embedding层和基于Cross网络的特征交叉层，并引入特征域感知，利用特征域感知和Embedding层将不同特征域的肿瘤离散数据特征分别转换为对应特征域下的嵌入特征，并将不同特征域的嵌入特征连接为一个
特征向量，接着利用多层特征交叉层对特征向量进行特征交叉，以得到肿瘤离散数据表征。
[0019]在一个实施例中，所述特征融合模块包括多源数据一致性融合模块、多源数据互补性融合模块，所述多源数据一致性融合模块对输入的影像学数据表征、多组学数据表征以及肿瘤离散数据表征采用权重不同的域适应的映射头分别进行特征映射，得到三种数据域对应的三种数据表征，通过将三种数据表征中两两数据表征之间的互信息之和最大化保证每种数据域对应数据表征的一致性，进而得到每种数据域的一致性表征，三种数据域一致性表征求和组成多源数据一致性表征，其中，数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据融合的肝移植受者预后预测装置，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述存储器中存有参数优化后的预后预测模型，所述预后预测模型包括影像学特征提取模块、多组学特征提取模块、肿瘤特征离散化模块、肿瘤离散特征提取模块、特征融合模块、预测模块；所述处理器执行所述计算机程序时实现以下步骤：获取肝移植受者的影像学数据、肿瘤标志物表达量、肿瘤免疫组化表达量和肿瘤多组学数据，并将肿瘤多组学数据表征为细胞系多关系图；利用预后预测模型进行预后预测，包括：利用影像学特征提取模块对影像学数据进行特征提取以输出影像学数据表征；利用多组学特征提取模块对细胞系多关系图进行特征提取以输出多组学数据表征；利用肿瘤特征离散化模块对肿瘤标志物表达量和肿瘤免疫组化表达量进行离散化处理，以得到肿瘤离散特征；利用肿瘤离散特征提取模块对肿瘤离散特征进行特征提取以输出肿瘤离散数据表征；利用特征融合模块对影像学数据表征、多组学数据表征以及肿瘤离散数据表征进行融合处理，以输出多源数据一致性表征和多源数据交互性表征；利用预测模块对多源数据一致性表征和多源数据交互性表征进行预测计算以输出预后预测结果。2.根据权利要求1所述的基于多源数据融合的肝移植受者预后预测装置，其特征在于，所述肿瘤多组学数据包括基因组学数据、蛋白组学数据、代谢组学数据，将肿瘤多组学数据表征为细胞系多关系图，包括：以基因作为结点，并以基因组学数据作为结点特征，依据基因组学数据确定的基因之间的相关性、根据蛋白组学数据确定的基因之间的蛋白相互作用、根据代谢组学数据确定的基因之间的代谢通路信息构建结点之间的连边，依此构建细胞系多关系图。3.根据权利要求1所述的基于多源数据融合的肝移植受者预后预测装置，其特征在于，所述影像学特征提取模块采用基于ResNet为核的LSTM架构模型，将影像学数据构建成图像批次序列后，利用ResNet提取图像批次序列的图像特征序列，然后利用LSTM对图像特征序列进行特征提取以得到影像学数据表征。4.根据权利要求1所述的基于多源数据融合的肝移植受者预后预测装置，其特征在于，所述多组学特征提取模块采用基于Graclus层次化池化的图卷积神经网络结构，即利用每层图卷积神经网络对细胞系多关系图进行特征提取后，利用Graclus池化层对特征提取后的细胞系多关系图进行粗化得到粗化后的细胞系多关系图，将粗化后的细胞系多关系图中每个结点特征连接一起作为多组学数据表征。5.根据权利要求1所述的基于多源数据融合的肝移植受者预后预测装置，其特征在于，所述基于Graclus层次化池化的图卷积神经网络结构包括至少3层GATv2图卷积层，每个GATv2图卷积层包括图卷积操作和Graclus池化操作，利用图卷积操作对输入的粗化后细胞系多关系图对应的多种结点特征、多种边组成的矩阵进行卷积运算以更新结点特征后，再利用Graclus池化操作将经过图卷积操作得到的细胞系多关系图进行粗化处理以更新图结构和结点特征，得到粗化后细胞系多关系图；将最后的粗化后细胞系多关系图中的结点特征进行连接操作以进行全局池化，得到多组学数据表征。6.根据权利要求1所述的基于多源数据融合的肝移植受者预后预测装置，其特征在于，
所述肿瘤特征离散化模块采用XGboost模型，利用XGboost模型分别对输入的肿瘤标志物表达量和肿瘤免疫组化表达量进行离散化处理，以输出肿瘤离散特征，肿瘤标志物表达量对应的肿...

【专利技术属性】
技术研发人员：吴健，欧阳振球，徐红霞，应豪超，冯芮苇，黄博，程奕，
申请(专利权)人：浙江大学，
类型：发明
国别省市：