【技术实现步骤摘要】
本专利技术属于数据处理，具体涉及一种基于人工智能的癌症患者生存预测方法及装置。
技术介绍
1、癌症是全球范围内最严重的健康问题之一，癌症的复杂性，癌症患者之间的病理学和分子学特征存在着显著的差异，而且临床特征也存在着显著差异是导致适当的治疗和准确预后的主要障碍。因此，癌症患者的准确生存预测可以评估患者的预后情况，有助于患者和临床医生共同指定个性化的治疗计划。
2、传统技术中，已经提出了许多解决癌症预测生存的方法主要用到的多模态数据包括组织病理学图像，组学数据(基因组，拷贝数变异，甲基化等)和临床记录等。多模态数据预处理之后，许多方法机器学习算法和深度学习方法被应用到特征提取的工作中，然而，这些方法未能将同一模态内和不同模态间的数据特征进行交互，从而限制了多组学数据融合的优势，降低了生存预测的准确性。
技术实现思路
1、为此，本专利技术提供一种基于人工智能的癌症患者生存预测方法及装置，解决现有技术存在的生存预测准确性低的问题。
2、为了实现上述目的，本专利技术提供如下技术方案：基于人工智能的癌症患者生存预测方法，包括：
3、获取癌症患者的病理学数据、基因组学图谱和临床记录；分别对所述病理学数据、所述基因组学图谱和所述临床记录进行异构图形表示形成多模态数据；
4、构建基于元路径的特征边缘重构策略获取异构图形结构中的语义信息，通过元路径采样为每个元路径创建基于元路径的邻接矩阵；创建遵循伯努利分布的二进制掩码，利用伯努利分布获得基于掩码元路径
5、构建卷积掩码自编码器处理特征重构后的异构图形，卷积掩码自编码器包括编码器部分和解码器部分，编码器部分和解码器部分均基于convnext的网络结构；将被遮挡的图形表示为二维稀疏的数组，将二维稀疏的数组卷积合并到卷积掩码自编码器；
6、在convnext的网络结构中添加全局归一化函数增加通道的对比度和选择性，通过全局归一化函数进行全局特征聚合，特征归一化和特征校准；
7、构建特征交叉通信模型建立多模态数据特征之间的通信，特征交叉通信模型包括两个mlp层混合来自卷积掩码自编码器的特征，将特征边缘重构的特征图跳跃连接到特征交叉通信模型的输出特征中，得到多模态数据的混合输出；根据多模态数据的混合输出结果对癌症患者进行生存预测。
8、作为基于人工智能的癌症患者生存预测方法优选方案，对所述病理学数据进行异构图形表示过程中，对病理学数据的wis切片图像进行背景去除保留所述wis切片图像中的组织部分；对所述wis切片图像中的组织部分进行切分得到图块，对切分得到的图块进行特征提取并进行矢量化表示，构建所述wis切片图像的异构图形表示为gp＝{vp,ep}；
9、对所述基因组学图谱进行异构图形表示过程中，从基因图谱中挑选出若干个基因并使用基因集富集分析进行分组，得到的所述基因组学图谱的异构图形表示为：gg＝{vg,eg}；
10、对所述临床记录进行异构图形表示过程中，对每条所述临床记录进行量化，使用one-hot编码处理得到每个患者的所述临床记录的向量表示，通过对one-hot向量的全连接，得到所述临床记录的异构图形表示为：gc＝{vc,ec}；
11、式中，vp,vg,vc分别表示为节点的特征集合。ep,eg,ec分别表示根据邻域关系构建的边的集合。
12、作为基于人工智能的癌症患者生存预测方法优选方案，设异构图形表示为g＝{v,e}，v表示节点对象集，e表示边的连接集；
13、异构图形与节点类型的映射函数为φ:v→a，异构图形与连接类型映射函数为ψ:e→b；
14、式中，a和b表示预定义对象类型和连接类型的集合，其中|a|+|b|＞2；
15、在异构图形中，两个对象通过元路径ψ进行连接，元路径ψ的定义为：
16、
17、通过元路径ψ描述对象a1→al之间的复合关系式中，l是元路径的长度，o表示关系上的复合操作；
18、特征边缘重构策略中，设计学习节点嵌入h＝fe(g)的编码器fe，以对异构图形信息进行编码；设计解码器fd对输入特征进行重构，记为g'＝fd(h)，g'为特征边缘重构的邻接矩阵。
19、作为基于人工智能的癌症患者生存预测方法优选方案，通过元路径采样为每个元路径ψ∈ψ创建基于元路径的邻接矩阵aψ；对于每个邻接矩阵aψ，创建一个遵循伯努利分布的二进制掩码，利用伯努利分布获得基于掩码元路径的邻接矩阵：
20、
21、将基于掩码元路径的邻接矩阵和相关的节点属性x传递给编码器fe，以获取潜在节点嵌入
22、
23、将潜在节点嵌入传递给解码器fd中获得解码的节点嵌入利用解码的节点嵌入重构邻接矩阵：
24、
25、式中，aψ‘是经过编码和解码之后且基于元路径重构的邻接矩阵。
26、作为基于人工智能的癌症患者生存预测方法优选方案，比较每个节点的目标邻接矩阵aψ和特征边缘重构邻接矩阵aψ‘：使用缩放余弦误差作为衡量标准：
27、
28、式中，iψ是元路径ψ的损失值，τ是缩放尺度的比率；利用语义级别注意力向量q学习每个元路径ψ中特征部分pψ，使用softmax函数对所有元路径的总得分进行归一化处理，得到元路径ψ的权重信息hψ：
29、
30、式中，w和b分别为元路径ψ的特征权重和特征偏置；
31、计算总的元路径的损失，得到基于元路径的边缘重建的综合损失：
32、
33、式中，imer表示基于元路径的边缘重建的综合损失，zψ为计算的差值。
34、作为基于人工智能的癌症患者生存预测方法优选方案，使用全局归一化函数ο(·)处理特征边缘重构的异构图形h∈rh×w×c变成og；
35、使用l2规范得到一组聚合值ο(h)＝og＝{||h1||,||h2||,...,||hc||}∈rc；采用响应归一化函数ν(·)处理得到：
36、
37、式中，hi是l2-norm的第i个通道；
38、使用特征校正参数调整原始输入特征过程为：hi'＝hi*ν(ο(h)i)∈rh×w。
39、作为基于人工智能的癌症患者生存预测方法优选方案，特征交叉通信模型中两个mlp层混合来自卷积掩码自编码器的特征过程为：
40、hinter:＝h't+mlp2((layernorm(h'))t)
41、hinter:＝(hinter)t+mlp3((layernorm(hinter))t)
42、式中，hinter为特征通信后的特征，h'为输入特征。
43、作为基于人工智能的癌症患者生存预测方法优选方案，将特征边缘重构的特征图h∈rb×1×c跳跃连接到对应的输出特征hinter∈本文档来自技高网...
【技术保护点】
1.基于人工智能的癌症患者生存预测方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的癌症患者生存预测方法，其特征在于，对所述病理学数据进行异构图形表示过程中，对病理学数据的WIS切片图像进行背景去除保留所述WIS切片图像中的组织部分；对所述WIS切片图像中的组织部分进行切分得到图块，对切分得到的图块进行特征提取并进行矢量化表示，构建所述WIS切片图像的异构图形表示为Gp＝{Vp,Ep}；
3.根据权利要求2所述的基于人工智能的癌症患者生存预测方法，其特征在于，设异构图形表示为G＝{V,E}，V表示节点对象集，E表示边的连接集；
4.根据权利要求3所述的基于人工智能的癌症患者生存预测方法，其特征在于，通过元路径采样为每个元路径ψ∈Ψ创建基于元路径的邻接矩阵Aψ；对于每个邻接矩阵Aψ，创建一个遵循伯努利分布的二进制掩码，利用伯努利分布获得基于掩码元路径的邻接矩阵：
5.根据权利要求4所述的基于人工智能的癌症患者生存预测方法，其特征在于，比较每个节点的目标邻接矩阵Aψ和特征边缘重构邻接矩阵Aψ′：使用缩放余弦误差作为衡量标准
6.根据权利要求5所述的基于人工智能的癌症患者生存预测方法，其特征在于，使用全局归一化函数Ο(·)处理特征边缘重构的异构图形H∈Rh×w×c变成og；
7.根据权利要求6所述的基于人工智能的癌症患者生存预测方法，其特征在于，特征交叉通信模型中两个MLP层混合来自卷积掩码自编码器的特征过程为：
8.根据权利要求7所述的基于人工智能的癌症患者生存预测方法，其特征在于，将特征边缘重构的特征图H∈RB×1×C跳跃连接到对应的输出特征Hinter∈RB×N×C中，得到多模态的混合输出H"，表示为：
9.根据权利要求8所述的基于人工智能的癌症患者生存预测方法，其特征在于，对癌症患者进行生存预测过程为：
10.基于人工智能的癌症患者生存预测装置，采用权利要求1至9任一项所述的基于人工智能的癌症患者生存预测方法，其特征在于，包括：
...【技术特征摘要】
1.基于人工智能的癌症患者生存预测方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的癌症患者生存预测方法，其特征在于，对所述病理学数据进行异构图形表示过程中，对病理学数据的wis切片图像进行背景去除保留所述wis切片图像中的组织部分；对所述wis切片图像中的组织部分进行切分得到图块，对切分得到的图块进行特征提取并进行矢量化表示，构建所述wis切片图像的异构图形表示为gp＝{vp,ep}；
3.根据权利要求2所述的基于人工智能的癌症患者生存预测方法，其特征在于，设异构图形表示为g＝{v,e}，v表示节点对象集，e表示边的连接集；
4.根据权利要求3所述的基于人工智能的癌症患者生存预测方法，其特征在于，通过元路径采样为每个元路径ψ∈ψ创建基于元路径的邻接矩阵aψ；对于每个邻接矩阵aψ，创建一个遵循伯努利分布的二进制掩码，利用伯努利分布获得基于掩码元路径的邻接矩阵：
5.根据权利要求4所述的基于人工智能的癌症患者生存预测方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。