CN107833636A - 一种肿瘤预测方法 - Google Patents
一种肿瘤预测方法 Download PDFInfo
- Publication number
- CN107833636A CN107833636A CN201711259057.3A CN201711259057A CN107833636A CN 107833636 A CN107833636 A CN 107833636A CN 201711259057 A CN201711259057 A CN 201711259057A CN 107833636 A CN107833636 A CN 107833636A
- Authority
- CN
- China
- Prior art keywords
- tumour
- data
- forecasting methodology
- detection sample
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肿瘤预测方法，具体步骤如下：步骤一，建立肿瘤数据库；步骤二，根据肿瘤数据库建立比例风险函数；步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行转换，得到转换后的新检测样本数据；步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值。本发明通过收集不同类型恶性肿瘤患者的历史肿瘤数据建立数据库，进而建立比例风险函数，再对受检测者的数据进行转换和缺失值填充，然后将填充后的数值代入比例风险函数中，建立肿瘤预测的模型，可以较准确的进行肿瘤的预测。
Description
技术领域
本发明涉及肿瘤诊断领域，具体是一种肿瘤预测方法。
背景技术
随着人们生活习惯的改变和人们饮食习惯的改变，越来越多的肿瘤在人们身体上产生。肿瘤是指机体在各种致瘤因子作用下，局部组织的细胞在基因水平上失去对其生长的正常调控导致异常增生与分化而形成的新生物，新生物一旦形成，不因病因消除而停止生长，他的生长不受正常机体生理调节，而是破坏正常组织与器官，因为这种新生物多呈占位性块状突起，也称赘生物。根据肿瘤的病理学形态、生长方式以及对病人的危害程度，又将肿瘤分为良性肿瘤和恶性肿瘤两大类，而癌症即为恶性肿瘤的总称。
良性肿瘤对人体的危害不大，恶性肿瘤对人体的危害很大，恶性肿瘤分为早期、中期和晚期，早期的恶性肿瘤大多可以治愈，中期的恶性肿瘤可以减轻痛苦，延长生命，因此肿瘤的预测是很有必要的，但是目前尚未有好的肿瘤预测方法。
发明内容
本发明的目的在于提供一种肿瘤预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种肿瘤预测方法，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行转换，得到转换后的新检测样本数据；
步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小。
作为本发明进一步的方案：步骤一中历史肿瘤数据包括患者的肿瘤基因表达数据、生活习惯、肿瘤位置、CT影像、穿刺活检的病理检查数据、患者的患者从发病到死亡的时间、生存或死亡数据。
作为本发明进一步的方案：受检测者的数据映射到矩阵形式，然后采用拉普拉斯变换，得到新检测样本数据。
作为本发明进一步的方案：历史肿瘤数据在建立肿瘤数据库需要删除明显特殊的数据。
作为本发明进一步的方案：缺失值填充的方式为通过预先定义的余弦相似性函数得到。
作为本发明进一步的方案：该预测方法还包括对预测者进行跟踪观察，建立该预测方法成功或失败的数据库。
与现有技术相比，本发明的有益效果是：本发明设计合理，通过收集不同类型恶性肿瘤患者的历史肿瘤数据建立数据库，进而建立比例风险函数，再对受检测者的数据进行转换和缺失值填充，然后将填充后的数值代入比例风险函数中，建立肿瘤预测的模型，可以较准确的进行肿瘤的预测，满足用户的使用需求。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
一种肿瘤预测方法，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行转换，得到转换后的新检测样本数据；
步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小。
实施例2
一种肿瘤预测方法，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，历史肿瘤数据包括患者的肿瘤基因表达数据、生活习惯、肿瘤位置、CT影像、穿刺活检的病理检查数据、患者的患者从发病到死亡的时间、生存或死亡数据，建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行映射到矩阵形式，然后采用拉普拉斯变换，得到新检测样本数据；
步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小。
实施例3
一种肿瘤预测方法，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，删除明显特殊的数据之后建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行转换，得到转换后的新检测样本数据；
步骤四，将转换后的新检测样本通过预先定义的余弦相似性函数进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小。
实施例4
一种肿瘤预测方法，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，历史肿瘤数据包括患者的肿瘤基因表达数据、生活习惯、肿瘤位置、CT影像、穿刺活检的病理检查数据、患者的患者从发病到死亡的时间、生存或死亡数据，建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据映射到矩阵形式，然后采用拉普拉斯变换，得到新检测样本数据；
步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小，对预测者进行跟踪观察，建立该预测方法成功或失败的数据库。
实施例5
一种肿瘤预测方法，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，历史肿瘤数据包括患者的肿瘤基因表达数据、生活习惯、肿瘤位置、CT影像、穿刺活检的病理检查数据、患者的患者从发病到死亡的时间、生存或死亡数据，删除明显特殊的数据，建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行映射到矩阵形式，然后采用拉普拉斯变换，得到新检测样本数据；
步骤四，将转换后的新检测样本通过预先定义的余弦相似性函数进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小，对预测者进行跟踪观察，建立该预测方法成功或失败的数据库。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种肿瘤预测方法，其特征在于，具体步骤如下：
步骤一，对各种不同类型的恶性肿瘤患者进行历史肿瘤数据采集，建立肿瘤数据库；
步骤二，根据肿瘤数据库通过卡尔曼滤波器、有限元和神经网络算法建立用于描述患者与死亡概率之间的比例风险函数，对不同的历史肿瘤数据设定不同的影响因子，各种影响因子的和为1；
步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行转换，得到转换后的新检测样本数据；
步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；
步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值，该数值越接近1风险越大，该数值越接近0风险越小。
2.根据权利要求1所述的肿瘤预测方法，其特征在于，所述步骤一中历史肿瘤数据包括患者的肿瘤基因表达数据、生活习惯、肿瘤位置、CT影像、穿刺活检的病理检查数据、患者的患者从发病到死亡的时间、生存或死亡数据。
3.根据权利要求1所述的肿瘤预测方法，其特征在于，所述受检测者的数据映射到矩阵形式，然后采用拉普拉斯变换，得到新检测样本数据。
4.根据权利要求1所述的肿瘤预测方法，其特征在于，所述历史肿瘤数据在建立肿瘤数据库需要删除明显特殊的数据。
5.根据权利要求1所述的肿瘤预测方法，其特征在于，所述缺失值填充的方式为通过预先定义的余弦相似性函数得到。
6.根据权利要求1所述的肿瘤预测方法，其特征在于，所述还包括对预测者进行跟踪观察，建立该预测方法成功或失败的数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711259057.3A CN107833636A (zh) | 2017-12-04 | 2017-12-04 | 一种肿瘤预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711259057.3A CN107833636A (zh) | 2017-12-04 | 2017-12-04 | 一种肿瘤预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107833636A true CN107833636A (zh) | 2018-03-23 |
Family
ID=61641199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711259057.3A Withdrawn CN107833636A (zh) | 2017-12-04 | 2017-12-04 | 一种肿瘤预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833636A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847286A (zh) * | 2018-06-04 | 2018-11-20 | 暨南大学附属第医院（广州华侨医院） | 基于影像特征数据的肿瘤预测方法 |
| CN109125895A (zh) * | 2018-07-24 | 2019-01-04 | 南阳市中心医院 | 一种肿瘤内科给药装置及方法 |
| CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
| CN111028884A (zh) * | 2019-11-22 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 基因型数据缺失的填充方法、装置及服务器 |
| WO2020077552A1 (zh) * | 2018-10-17 | 2020-04-23 | 上海允英医疗科技有限公司 | 一种肿瘤预后预测的方法和系统 |
| CN111329763A (zh) * | 2020-03-03 | 2020-06-26 | 青岛市城阳区人民医院 | 一种肿瘤放疗护理用多功能喂药装置及方法 |
-
2017
- 2017-12-04 CN CN201711259057.3A patent/CN107833636A/zh not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847286A (zh) * | 2018-06-04 | 2018-11-20 | 暨南大学附属第医院（广州华侨医院） | 基于影像特征数据的肿瘤预测方法 |
| CN109125895A (zh) * | 2018-07-24 | 2019-01-04 | 南阳市中心医院 | 一种肿瘤内科给药装置及方法 |
| WO2020077552A1 (zh) * | 2018-10-17 | 2020-04-23 | 上海允英医疗科技有限公司 | 一种肿瘤预后预测的方法和系统 |
| CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
| CN111028884A (zh) * | 2019-11-22 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 基因型数据缺失的填充方法、装置及服务器 |
| WO2021098615A1 (zh) * | 2019-11-22 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 基因型数据缺失的填充方法、装置及服务器 |
| CN111028884B (zh) * | 2019-11-22 | 2023-08-25 | 中国科学院深圳先进技术研究院 | 基因型数据缺失的填充方法、装置及服务器 |
| CN111329763A (zh) * | 2020-03-03 | 2020-06-26 | 青岛市城阳区人民医院 | 一种肿瘤放疗护理用多功能喂药装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107833636A (zh) | 一种肿瘤预测方法 | |
| Ferris et al. | Computer-aided classification of melanocytic lesions using dermoscopic images | |
| Kimmel et al. | Peripheral excision margins for dermatofibrosarcoma protuberans: a meta-analysis of spatial data | |
| Zhang et al. | Significant geometry features in tongue image analysis | |
| Moiseev et al. | Pixel classification method in optical coherence tomography for tumor segmentation and its complementary usage with OCT microangiography | |
| Korfitis et al. | Skin biopsy in the context of dermatological diagnosis: a retrospective cohort study | |
| Boldrick et al. | Evaluation of digital dermoscopy in a pigmented lesion clinic: clinician versus computer assessment of malignancy risk | |
| Tan et al. | Spectrum of dermoscopic patterns in lichen planus: a case series from China | |
| Chen et al. | Colour analysis of skin lesion regions for melanoma discrimination in clinical images | |
| Rengo et al. | Magnetic resonance tumor regression grade (MR-TRG) to assess pathological complete response following neoadjuvant radiochemotherapy in locally advanced rectal cancer | |
| Lu et al. | Quantitative wavelength analysis and image classification for intraoperative cancer diagnosis with hyperspectral imaging | |
| Deng et al. | Fusion of FDG‐PET Image and Clinical Features for Prediction of Lung Metastasis in Soft Tissue Sarcomas | |
| Flohil et al. | Frequency of non‐histologically diagnosed basal cell carcinomas in daily Dutch practice | |
| Ogawa et al. | Marjolin's ulcer arising at the elbow: a case report and literature review | |
| Mutgi et al. | Hypocellular Plaque‐Like CD 34‐Positive Dermal Fibroma (Medallion‐Like Dermal Dendrocyte Hamartoma) Presenting as a Skin‐Colored Dermal Nodule | |
| Tognetti et al. | Dermoscopy of early melanomas: variation according to the anatomic site | |
| CN108847286A (zh) | 基于影像特征数据的肿瘤预测方法 | |
| Maher et al. | Melanoma diagnosis may be a pitfall for optical coherence tomography assessment of equivocal amelanotic or hypomelanotic skin lesions | |
| CN106214149A (zh) | 乳腺癌早期风险监测评估系统 | |
| RU2563437C1 (ru) | Способ прогнозирования исходов рака молочной железы | |
| Asanuma et al. | Macroscopic extranodal invasion is a risk factor for tumor recurrence in papillary thyroid cancer | |
| Meshram et al. | A review of skin melanoma detection based on machine learning | |
| Bhosale | Comparison of deep learning and machine learning models and frameworks for skin lesion classification | |
| Vardasca et al. | Towards an effective imaging-based decision support system for skin cancer | |
| Chauhan et al. | Dermoscopy of urticaria pigmentosa |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180323 |
|
| WW01 | Invention patent application withdrawn after publication |