基于改进樽海鞘算法的食管癌生存期预测模型的构建与应用制造技术

本申请公开了一种基于改进樽海鞘算法的食管癌生存期预测模型的构建与应用。本申请利用划分迭代策略将算法的迭代划分为两个时期，迭代前期以及迭代后期；在迭代前期，使用领导者融合变异策略对领导者位置进行更新，增加算法的探索能力；在迭代后期，采用最优个体引领运动对领导者位置进行更新，优化算法的开采能力；然后利用逐维高斯变异策略对所有的樽海鞘个体进行更新，提高种群的多样性；在算法迭代结束前对最优樽海鞘位置进行最优领域扰动并进行适应度值比较，利用贪婪策略选择最优适应度值，提高其跳出局部最优解的能力。本申请IPSSA

【技术实现步骤摘要】
基于改进樽海鞘算法的食管癌生存期预测模型的构建与应用


[0001]本申请涉及癌症生存期预测
，具体涉及一种基于改进樽海鞘算法的食管癌生存期预测模型的构建与应用。

技术介绍

[0002]食管癌是常见的消化道肿瘤，全世界每年约有30万人死于食管癌。其发病率和死亡率各国差异很大。我国是世界上食管癌高发地区之一，每年平均病死约15万人。随着医疗技术的不断进步，以手术治疗为核心的食管癌综合治疗模式给食管癌患者带来了良好的效果。但是，由于食管癌手术复杂、食管癌病理也较复杂，导致食管癌术后并发症较多，进而术后患者5年存活率只有10％至30％，然后早期食管癌患者经综合治疗，五年生存率要高于70％。又因为人工诊断和传统的统计学方法对患者的预后推断难免会有一些误差和局限性，从而限制了治疗方式和药物种类的选择。所以，对食管癌患者生存预后状况进行及时有效的预测对提高患者的生存率是至关重要的。通过对食管癌患者生存的临床数据进行分析，构建预测模型用以预测食管癌患者的生存期，能够帮助临床医生及时发现患者的生存预后情况，进而能够采取较好地辅助患者的治疗，从而改善食管癌患者的预后，进一步提高食管癌患者的生存率。
[0003]尽管在过去的几十年里，随着新药物、新技术的引入，食管癌患者的生存期已显著提高，但是由于病理的复杂性，人工判断风险等级存在一定的误差，导致食管癌患者不能得到合适的治疗方式，为了解决这一问题，需要设计一个能够预测食管癌患者生存期模型。
[0004]传统癌症治疗方法的选择是基于“金标准”方法的基础上，包括三项测试：临床检查、放射成像和病理检查，通过医生的临床经验和专业知识决定采取哪一种治疗方式。传统方法的检测具有侵入性，会给被检查人群带来身体上的不适与痛苦，其次成本高昂，不适合大规模推广使用，同时检查结果也只能被用来证明癌症是否存在，并不能判断出风险等级以及生存期。
[0005]为了解决上述问题，统计分析方法被用于预测癌症患者风险等级。统计分析方法只需要患者的一些易于获取到的临床特征指标，就能够用于推断变量之间的相互关系，同时效率较高，成本较低。常用的统计分析方法有Kaplan
‑
Meier(KM)、Cox、生存树、Lasso等。KM是一种从观察生存时间来估计生存概率的单变量分析方法，该方法只描述了单变量和生存之间的关系而忽略其他变量的影响，可以很直观地表现出两组或多组的生存率或死亡率。生存树方法适用于大型队列数据且变量很多，经典生存分析方法应用条件难以满足，且结果用树状结构图表示，更直观，更容易理解和解释。虽然统计分析方法能够使用患者易得的临床数据并且较为快速的分析变量之间的关系，然而统计分析对历史统计数据的完整性和准确性要求较高，并且统计分析在对面较为复杂的数据时，准确性和可靠性较差。
[0006]与统计模型相比，机器学习在处理大规模数据的复杂性和发现预后因素方面显示出了优势。其学习过程通常可以划分为：数据采集、数据预处理、模型训练和预测、模型评价等四个阶段。机器学习技术在面对数量较大且维度较高的数据集时，相比于统计分析具有
绝对优势。通过对患者数据的全面采集，可以对数据进行分析和利用，利用机器学习的方法进一步挖掘数据之间的内在关联，从而构造预后指数，最终建立生存预测模型。生存预测模型可以帮助临床医生根据患者的生存预后制定针对性的个体化治疗方案和较佳的药物选择。
[0007]公开于该
技术介绍
部分的信息仅用于加深对本公开的
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

技术实现思路

[0008]针对樽海鞘算法的探索能力以及开采能力的不平衡，收敛速度慢，收敛精度低以及容易陷入局部最优等问题，本申请专利技术人提出一种基于划分迭代策略的樽海鞘优化算法：利用划分迭代策略将算法的迭代划分为两个时期，迭代前期以及迭代后期；在迭代前期，使用领导者融合变异策略对领导者位置进行更新，增加算法的探索能力；在迭代后期，采用最优个体引领运动对领导者位置进行更新，优化算法的开采能力；然后利用逐维高斯变异策略对所有的樽海鞘个体进行更新，提高种群的多样性；在算法迭代结束前对最优樽海鞘位置进行最优领域扰动并进行适应度值比较，利用贪婪策略选择最优适应度值，提高其跳出局部最优解的能力。将该算法用于食管癌生存期预测模型的优化，并与其它6种模型进行对比，利用平均绝对误差(Mean Absolute Error，MAE)，均方误差(Mean Square Error，MSE)，以及平均绝对百分比误差(Mean Absolute Percent Error，MAPE)作为评价标准对模型进行分析，结果表明了所提出的模型的有效性。
[0009]根据本公开的一个方面，提供一种基于改进樽海鞘算法的食管癌生存期预测模型的构建方法，包括：
[0010](1)分析筛选出食管癌患者死亡的影响因素，将筛选出的因素作为输入变量，生存时间作为输出变量，建立基于BP神经网络的生存期预测模型；
[0011](2)利用改进樽海鞘算法对所述BP神经网络的初始权值以及阈值进行优化，所述改进樽海鞘算法包括如下步骤：
[0012]S1：设置樽海鞘算法的相关参数：种群规模N，最大迭代次数L，个体的维度Dim，初始化种群；
[0013]S2：根据目标函数计算每个樽海鞘个体的适应度值，并对适应度值进行排序；选择适应度最好的位置作为食物源的位置，设置当前迭代次数l＝1；
[0014]S3：判断当前迭代次数l是否小于划分系数，如果小于，则进入到步骤S4，如果大于，则进入到步骤S5；
[0015]S4：利用领导者融合变异策略对领导者位置进行更新，追随者位置更新时引入自适应惯性权重；
[0016]S5：利用最优个体引领运动策略对领导者位置进行更新，追随者位置更新时引入自适应惯性权重；
[0017]S6：计算适应度值并更新樽海鞘的位置，利用逐维高斯变异策略对所有的樽海鞘位置进行更新；
[0018]S7：利用最优领域扰动策略对最优樽海鞘位置进行更新，并与当前的适应度值作比较，使用贪婪策略选择最优的适应度值；
[0019]S8：若当前迭代次数l小于最大迭代次数L时，对当前迭代l加1，进入步骤S2；否则输出最优解，算法迭代结束。
[0020]在本公开的一些实施例中，在所述步骤S2中，所述目标函数表达式为：
[0021][0022]其中，X为食管癌生存模型的训练样本数，y
i
为第i个食管癌患者的网络模型的输出值，y
′
i
为第i个食管癌患者的实际输出值。
[0023]在本公开的一些实施例中，在所述步骤S4中，领导者位置更新过程如下：
[0024][0025]a+b+c＝1
ꢀꢀꢀ③
；
[0026]式中，表示第1个樽海鞘个体(领导者)，在第j维的位置；是种群中随机选择的两个樽海鞘个体；F
j
为第j维食物源位置；a，b，c为随机数，在[0，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进樽海鞘算法的食管癌生存期预测模型的构建方法，其特征在于，包括如下步骤：(1)分析筛选出食管癌患者生存期的影响因素，将筛选出的因素作为输入变量，生存时间作为输出变量，建立基于BP神经网络的生存期预测模型；(2)利用改进樽海鞘算法对所述BP神经网络的初始权值以及阈值进行优化，所述改进樽海鞘算法包括如下步骤：S1：设置樽海鞘算法的相关参数：种群规模N，最大迭代次数L，个体的维度Dim，初始化种群；S2：根据目标函数计算每个樽海鞘个体的适应度值，并对适应度值进行排序；选择适应度最好的位置作为食物源的位置，设置当前迭代次数l＝1；S3：判断当前迭代次数l是否小于划分系数，如果小于，则进入到步骤S4，如果大于，则进入到步骤S5；S4：利用领导者融合变异策略对领导者位置进行更新，追随者位置更新时引入自适应惯性权重；S5：利用最优个体引领运动策略对领导者位置进行更新，追随者位置更新时引入自适应惯性权重；S6：计算适应度值并更新樽海鞘的位置，利用逐维高斯变异策略对所有的樽海鞘位置进行更新；S7：利用最优领域扰动策略对最优樽海鞘位置进行更新，并与当前的适应度值作比较，使用贪婪策略选择最优的适应度值；S8：若当前迭代次数l小于最大迭代次数L时，对当前迭代l加1，进入步骤S2；否则输出最优解，算法迭代结束。2.根据权利要求1所述的基于改进樽海鞘算法的食管癌生存期预测模型的构建方法，其特征在于，在所述步骤S2中，所述目标函数表达式为：其中，X为食管癌生存模型的训练样本数，y
i
为第i个食管癌患者的网络模型的输出值，y
′
i
为第i个食管癌患者的实际输出值。3.根据权利要求1所述的基于改进樽海鞘算法的食管癌生存期预测模型的构建方法，其特征在于，在所述步骤S4中，领导者位置更新过程如下：a+b+c＝1
ꢀꢀꢀꢀꢀ③
；式中，表示第1个樽海鞘个体(领导者)，在第j维的位置；是种群中随机选择的两个樽海鞘个体；F
j
为第j维食物源位置；a，b，c为随机数，在[0，1]之间取值。4.根据权利要求1所述的基于改进樽海鞘算法的食管癌生存期预测模型的构建方法，其特征在于，在所述步骤S5中，领导者位置更新按如下公式进行：
式中，F
j
是第j维食物源位置，R
2 R3是[0，1]区间的随机数；R是[
‑
1...

【专利技术属性】
技术研发人员：姜素霞，李厚胜，王延峰，孙军伟，黄春，栗三一，李盼龙，兰奇逊，雷霆，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：