CN111899869A - 一种抑郁症患者识别系统及其识别方法 - Google Patents

一种抑郁症患者识别系统及其识别方法 Download PDF

Info

Publication number
CN111899869A
CN111899869A CN202010767954.0A CN202010767954A CN111899869A CN 111899869 A CN111899869 A CN 111899869A CN 202010767954 A CN202010767954 A CN 202010767954A CN 111899869 A CN111899869 A CN 111899869A
Authority
CN
China
Prior art keywords
data
model
data set
input
training
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.)
Pending
Application number
CN202010767954.0A
Other languages
English (en)
Inventor
李健
徐治
胡云云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010767954.0A priority Critical patent/CN111899869A/zh
Publication of CN111899869A publication Critical patent/CN111899869A/zh
Priority to CN202110855040.4A priority patent/CN113517066B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/30—Detection of binding sites or motifs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioethics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)

Abstract

本发明公开了一种抑郁症患者识别系统及其识别方法，包括以下步骤：收集和整理数据，构建原始数据集；对原始数据集进行数据预处理得到输入数据集；将输入数据集按照一定比例划分训练数据集和测试数据集；创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。通过本发明可以高效便捷实现对抑郁症精神障碍的早期识别，提高抑郁症治疗的精准度。

Description

一种抑郁症患者识别系统及其识别方法
技术领域
本发明属于数据识别领域，特别涉及一种抑郁症患者识别系统及其识别方法。
背景技术
临床上对抑郁症的识别诊断主要是结合病人的访谈情况、量表及医生诊疗经验进行。这种方式易受患者的配合程度、医生熟练程度等主观因素影响。因此,寻找快速、客观、准确的抑郁症识别诊断方法对个体治疗具有重大意义。
发明内容
发明目的：针对上述问题，本发明提供一种抑郁症患者识别系统及其识别方法，解决了现有抑郁症早期筛查困难的问题，为之后早期干预，及时纠正患者的危险行为以避免抑郁症的发生和进一步加重奠定了基础。
技术方案：本发明提出一种抑郁症患者识别系统，包括数据预处理单元、模型创建单元、模型优化单元和数据识别单元；
数据预处理单元：用于对候选基因DNA甲基化的EWAS分析结果进行预处理；
模型创建单元：用于创建识别抑郁症患者与健康人群的深度学习模型；
模型优化单元：用于对所述深度学习模型进行优化；
数据识别单元：用于基于优化后的深度学习模型对待区分的甲基化测序数据进行有效识别。
一种如上所述的抑郁症患者识别系统的识别方法，包括如下步骤：
(1)收集和整理数据，构建原始数据集，数据为候选基因DNA甲基化的EWAS分析结果；
(2)对原始数据集进行数据预处理得到输入数据集；
(3)将输入数据集划分为训练数据集和测试数据集；
(4)创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；
(5)利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。
进一步的，所述步骤(1)中收集和整理数据，构建原始数据集的具体步骤如下：
(1.1)对符合标准入组的抑郁症患者和健康人群对照进行候选基因甲基化测序；
(1.2)对测序后的下机数据进行处理，得到抑郁症患者和健康人群的候选基因DNA甲基化测序的EWAS分析结果；
(1.3)将两组分析结果收集整理，构成原始数据集合。
进一步的，所述步骤(2)中对原始数据集进行数据预处理得到输入数据集的步骤如下：去除候选基因DNA甲基化测序位点中未被检测到的情况得到输入数据集。
进一步的，所述步骤(3)中将输入数据集划分为训练数据集和测试数据集的具体步骤如下：将经过处理之后得到的输入数据之后按比例分割训练集和测试集，所述训练集和测试集比例为0.7:0.3或0.8:0.2。
进一步的，所述步骤(4)中创建识别抑郁症患者与健康人群的深度学习模型的具体步骤如下：
(4.1)为训练数据集中的每一个目标位点构建一个神经网络，所述神经网络是以全连接神经网络模型与输出层sigmoid函数构建，包括输入层、隐藏层和输出层；
(4.2)设定所述神经网络模型的输入层，假定训练样本数为m，候选基因甲基化的测序位点数为n，则候选基因甲基化测序数据对应的输入矩阵表示为X(m*n),其中所述的每一行表示一个样本的甲基化测序数据，每一列对应所述甲基化测序数据的位点数据；输入神经元个数设置为N，使用的激活函数为Relu；
(4.3)设定所述神经网络模型的隐藏层，隐藏层的输入数据为输入层的输出数据，隐藏层神经元个数设置为M，使用的激活函数为Relu；
(4.4)设定所述神经网络模型的输出层，其中，输出层的输入数据为隐藏层的输出数据，输出层神经元个数设置为C，使用的激活函数为sigmoid；
(4.5)所述sigmoid函数公式为：
Figure BDA0002615400120000021
(4.6)将训练数据集带入构建的深度学习模型中，其中，输入神经元个数N＝n＝406，隐藏层1神经元个数M＝8，隐藏层2神经元个数M＝4，输出层神经元个数C＝1，以输入向量所对应的输出值作为目标真实值训练模型。
进一步的，所述步骤(5)中利用测试集对训练好的深度学习模型进行性能评估的具体步骤如下：将测试集作为输入矩阵输入到训练好的神经网络中，验证评估过程中调整模型超参数对模型进行不断优化，找到最优模型超参数合集。
本发明采用上述技术方案，具有以下有益效果：
本发明利用计算建模方法对甲基化数据进行多水平分析。基于深度学习算法分析高维数据,该方法可达到在不降低数据维度的情况下可以迅捷准确识别出抑郁症患者，有效地推进抑郁症的防治，进而提高抑郁症治疗的精准度。
附图说明
图1为本发明的流程图；
图2为具体实施例中基于候选基因甲基化测序和深度学习的抑郁症患者识别模型示意图；
图3为具体实施例中神经网络模型示意图；
图4为具体实施例中基于深度学习模型对抑郁症和健康对照候选基因甲基化测序数据识别的准确性示意图；
图5为本发明的结构示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，但是本发明要求保护的范围并不局限于此。
实施例1：
如图1-3所示，本发明一种抑郁症患者识别系统及其识别方法，具体包括如下实施步骤：
S1：收集和整理数据，构建原始数据集，数据为候选基因DNA甲基化的EWAS分析结果；
S2：对原始数据集进行数据预处理，丢弃掉缺失值后得到输入数据集；
S3：将输入数据集按照0.8：0.2的比例随机划分为训练数据集和测试数据集；
S4：创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；
S5：利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型；
在一些具体的实施例中，所述S1中收集和整理数据，构建原始数据集的具体步骤如下：对符合标准入组的抑郁症患者和健康人群对照进行候选基因甲基化测序，对原始甲基化测序样本数据进行质量控制和编码处理，得到抑郁症患者和健康人群的候选基因DNA甲基化测序的EWAS分析结果，将两组分析结果收集整理，构成原始数据集。
在一些具体的实施例中，所述S2原始数据集进行数据预处理得到输入数据集的具体步骤如下：原始数据集中可能会由于各种原因，包含缺失值，它们通常编码为空白，NaN或其他占位符。这样的数据不能直接作为参数传入到模型中。缺失值的处理策略，可以选择直接丢弃，或者使用缺失值所在行或列的平均值、中值或众数等对其进行填补。对原始数据集进行缺失值处理后得到输入数据集。
在一些具体的实施例中，所述S3将输入数据集按照一定比例划分训练数据集和测试数据集的具体步骤如下：预处理之后的数据集被划分为训练数据和测试数据，其中训练集数据用于进行模型的训练，测试数据不参与模型训练，用于优化模型和检验模型的预测能力。获取方式是在处理所有的数据之后按一定的比例分割训练集和测试集，该比例通常为0.7:0.3和0.8:0.2，如在0.8:0.2中，0.8为训练集，0.2为测试集。
在一些具体的实施例中，所述S4创建识别抑郁症患者与健康人群的深度学习模型的具体步骤如下：
S401：为训练数据集中的每一个目标位点构建一个神经网络，所述神经网络是以全连接神经网络模型与输出层sigmoid函数构建，包括输入层、隐藏层和输出层。
S402：设定所述神经网络模型的输入层，其中，假定训练样本数为m，候选基因甲基化的测序位点数为n，则候选基因甲基化测序数据对应的输入矩阵表示为X(m*n),其中所述的每一行表示一个样本的甲基化测序数据，每一列对应所述甲基化测序数据的位点数据。输入神经元个数设置为N，使用的激活函数为Relu。
S403：设定所述神经网络每层之间采用全连接的方法，即除输入层外，模型中各个神经元存储的数据与上一层所有神经元有关。即所述神经网络模型的隐藏层，隐藏层的输入数据为输入层的输出数据，隐藏层神经元个数设置为M，使用的激活函数为Relu。
S404：所述神经网络模型的输出层，其中，输出层的输入数据为上一隐藏层的输出数据，输出层神经元个数设置为C，使用的激活函数为sigmoid。
S405：所述sigmoid函数公式为：
Figure BDA0002615400120000051
S406：将训练数据集带入构建的深度学习模型中，其中，输入神经元个数N＝n＝406，隐藏层1神经元个数M＝8，隐藏层2神经元个数M＝4，输出层神经元个数C＝1，以输入向量所对应的输出值作为目标真实值训练模型。
在一些具体的实施例中，所述S5利用测试集对训练好的深度学习模型进行性能评估的具体步骤如下：将测试集输入到训练好的神经网络中，验证评估过程中调整模型超参数对模型进行不断优化，找到最优模型超参数合集。
实施例2
如图4所示，以实施例1的方法为基础，对符合标准入组的291例抑郁症患者和100例健康对照，共391例样本进行测试，并计算出结果进行比较。
1、对符合标准入组的391例样本进行候选基因甲基化测序，其中候选基因为：HTR1A,HTR1B,S100A10和BDNF，对测序结果进行质量控制和分析，将得到DNA甲基化的EWAS分析结果作为原始数据集，其中测序位点数为449个；
2、原始数据集进行数据预处理。考虑某些测序位点出现缺失的原因，进行填补不能反应真实的测序结果，所以对缺失值选择直接丢弃。缺失值处理完之后，相应测序位点数为406，样本数为333；
3、将预处理之后得到的输入数据按照0.8：0.2的比例划分为训练集和测试集；
4、为330样本数据分别构建一个神经网络；其中输入层(Input Layer)神经元个数为406个，隐藏层1神经元为8个，隐藏层2神经元个数为4个，输出层为1个；隐藏层所使用的激活函数为Relu，输出层函数为sigmoid，随机梯度下降学习率为0.01，迭代次数为200，批输入数据为32；
5、将训练数据集中每个样本的406个测序位点信息作为神经网络的输入向量，代入模型，以输入向量所对应的Y值作为目标真实值训练模型；
6、将测试集数据输入到训练好的模型中，将测试集合的预测效果与真实结果做比较，对模型的超参数不断进行优化，得到最优模型的超参数合集。模型最终预测性能结果如图4所示。
实施例3
如图5所示，提出了一种基于深度学习模型识别抑郁症患者的系统，包括：
A:数据预处理单元，该单元能够对候选基因DNA甲基化测序的EWAS分析结果进行预处理；
B:模型创建单元，该单元能够创建识别抑郁症患者与健康人群的深度学习模型
C:模型优化单元，该单元能够对所述深度学习模型进行优化；
D:数据识别单元，该单元能够基于优化后的深度学习模型对待区分的甲基化测序数据进行有效识别。

Claims (7)

1.一种抑郁症患者识别系统，其特征在于，包括数据预处理单元、模型创建单元、模型优化单元和数据识别单元；
数据预处理单元：用于对候选基因DNA甲基化的EWAS分析结果进行预处理；
模型创建单元：用于创建识别抑郁症患者与健康人群的深度学习模型；
模型优化单元：用于对所述深度学习模型进行优化；
数据识别单元：用于基于优化后的深度学习模型对待区分的甲基化测序数据进行有效识别。
2.一种如权利要求1所述的抑郁症患者识别系统的识别方法，其特征在于，包括如下步骤：
(1)收集和整理数据，构建原始数据集，数据为候选基因DNA甲基化的EWAS分析结果；
(2)对原始数据集进行数据预处理得到输入数据集；
(3)将输入数据集划分为训练数据集和测试数据集；
(4)创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；
(5)利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。
3.根据权利要求2所述的一种抑郁症患者识别系统的识别方法，其特征在于，所述步骤(1)中收集和整理数据，构建原始数据集的具体步骤如下：
(1.1)对符合标准入组的抑郁症患者和健康人群对照进行候选基因甲基化测序；
(1.2)对测序后的下机数据进行处理，得到抑郁症患者和健康人群的候选基因DNA甲基化测序的EWAS分析结果；
(1.3)将两组分析结果收集整理，构成原始数据集合。
4.根据权利要求2所述的一种抑郁症患者识别系统的识别方法，其特征在于，所述步骤(2)中对原始数据集进行数据预处理得到输入数据集的步骤如下：去除候选基因DNA甲基化测序位点中未被检测到的情况得到输入数据集。
5.根据权利要求2所述的一种抑郁症患者识别系统的识别方法，其特征在于，所述步骤(3)中将输入数据集划分为训练数据集和测试数据集的具体步骤如下：将经过预处理之后得到的输入数据之后按比例分割训练集和测试集，所述训练集和测试集比例为0.7:0.3或0.8:0.2。
6.根据权利要求2所述的一种抑郁症患者识别系统的识别方法，其特征在于，所述步骤(4)中创建识别抑郁症患者与健康人群的深度学习模型的具体步骤如下：
(4.1)为训练数据集中的每一个目标位点构建一个神经网络，所述神经网络是以全连接神经网络模型与输出层sigmoid函数构建，包括输入层、隐藏层和输出层；
(4.2)设定所述神经网络模型的输入层，假定训练样本数为m，候选基因甲基化的测序位点数为n，则候选基因甲基化测序数据对应的输入矩阵表示为X(m*n),其中所述的每一行表示一个样本的甲基化测序数据，每一列对应所述甲基化测序数据的位点数据；输入神经元个数设置为N，使用的激活函数为Relu；
(4.3)设定所述神经网络模型的隐藏层，隐藏层的输入数据为输入层的输出数据，隐藏层神经元个数设置为M，使用的激活函数为Relu；
(4.4)设定所述神经网络模型的输出层，其中，输出层的输入数据为隐藏层的输出数据，输出层神经元个数设置为C，使用的激活函数为sigmoid；
(4.5)所述sigmoid函数公式为：
Figure FDA0002615400110000021
(4.6)将训练数据集输入到构建的深度学习模型中，其中，输入神经元个数N＝n＝406，隐藏层1神经元个数M＝8，隐藏层2神经元个数M＝4，输出层神经元个数C＝1，以输入向量所对应的输出值作为目标真实值训练模型。
7.根据权利要求2所述的一种抑郁症患者识别系统的识别方法，其特征在于，所述步骤(5)中利用测试集对训练好的深度学习模型进行性能评估的具体步骤如下：将测试集作为输入矩阵输入到训练好的神经网络中，验证评估过程中调整模型超参数对模型进行不断优化，找到最优模型超参数合集。
CN202010767954.0A 2020-08-03 2020-08-03 一种抑郁症患者识别系统及其识别方法 Pending CN111899869A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010767954.0A CN111899869A (zh) 2020-08-03 2020-08-03 一种抑郁症患者识别系统及其识别方法
CN202110855040.4A CN113517066B (zh) 2020-08-03 2021-07-26 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010767954.0A CN111899869A (zh) 2020-08-03 2020-08-03 一种抑郁症患者识别系统及其识别方法

Publications (1)

Publication Number Publication Date
CN111899869A true CN111899869A (zh) 2020-11-06

Family

ID=73183557

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010767954.0A Pending CN111899869A (zh) 2020-08-03 2020-08-03 一种抑郁症患者识别系统及其识别方法
CN202110855040.4A Active CN113517066B (zh) 2020-08-03 2021-07-26 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110855040.4A Active CN113517066B (zh) 2020-08-03 2021-07-26 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统

Country Status (1)

Country Link
CN (2) CN111899869A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113571176A (zh) * 2021-06-19 2021-10-29 内蒙古卫数数据科技有限公司 一种基于血常规检验数据的抑郁症识别方法
CN115910329A (zh) * 2023-01-06 2023-04-04 江苏瑞康成医疗科技有限公司 一种智能抑郁识别方法及装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114203261A (zh) * 2021-10-26 2022-03-18 昂凯生命科技(苏州)有限公司 一种用于基因检测Panel临床诊断指标算法开发的方法
CN114155955A (zh) * 2021-12-01 2022-03-08 中国人民解放军总医院第一医学中心 气道梗阻严重程度评估方法及系统
CN115527673A (zh) * 2022-09-19 2022-12-27 内蒙古卫数数据科技有限公司 一种基于大数据的心理健康风险筛查系统及其方法
CN117059165A (zh) * 2023-07-27 2023-11-14 上海睿璟生物科技有限公司 基于集成学习的差异甲基化区域选择及筛选方法、系统、终端及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609351A (zh) * 2017-10-23 2018-01-19 桂林电子科技大学 一种基于卷积神经网络预测假尿苷修饰位点的方法
CN110310700A (zh) * 2019-07-02 2019-10-08 河海大学常州校区 基于深度学习模型的dna甲基化芯片标志位点筛选方法
CN111128298A (zh) * 2019-12-24 2020-05-08 大连海事大学 一种基于深度学习模型获取多基因风险评分的方法及系统
US20200184338A1 (en) * 2018-12-11 2020-06-11 The Toronto-Dominion Bank Regularization of recurrent machine-learned architectures

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2914752B1 (en) * 2012-11-02 2022-03-09 The Johns Hopkins University Dna methylation biomarkers of post-partum depression risk
CN106086179A (zh) * 2016-06-16 2016-11-09 北京东方亚美基因科技研究院有限公司 一种评估儿童禀赋能力的基因检测方法
KR101911339B1 (ko) * 2017-07-17 2018-10-25 고려대학교 산학협력단 카테콜아민-o-메틸 전이 효소 유전자의 메틸화 비율을 이용한 우울증 진단에 관한 정보를 제공하는 방법
CN108920893B (zh) * 2018-09-06 2019-04-16 南京医科大学 一种基于人工智能的颅颌面骨骼和软组织形态预测方法
CN109852714B (zh) * 2019-03-07 2020-06-16 南京世和基因生物技术有限公司 一种肠癌早期诊断和腺瘤诊断标志物及用途
CN110517790B (zh) * 2019-06-24 2023-06-09 江苏大学 基于深度学习和基因表达数据的化合物肝毒性早期预测方法
CN110838364A (zh) * 2019-10-30 2020-02-25 浙江工业大学 一种基于深度学习混合模型的克罗恩病预测方法及装置
CN111027590B (zh) * 2019-11-11 2023-03-24 郑州大学第一附属医院 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法
CN111261282A (zh) * 2020-01-21 2020-06-09 南京航空航天大学 一种基于机器学习的脓毒症早期预测方法
CN111440861B (zh) * 2020-04-01 2022-11-04 上海市精神卫生中心（上海市心理咨询培训中心） 甲基化的miR-124基因在制备用于诊断抑郁症的标志物中的用途

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609351A (zh) * 2017-10-23 2018-01-19 桂林电子科技大学 一种基于卷积神经网络预测假尿苷修饰位点的方法
US20200184338A1 (en) * 2018-12-11 2020-06-11 The Toronto-Dominion Bank Regularization of recurrent machine-learned architectures
CN110310700A (zh) * 2019-07-02 2019-10-08 河海大学常州校区 基于深度学习模型的dna甲基化芯片标志位点筛选方法
CN111128298A (zh) * 2019-12-24 2020-05-08 大连海事大学 一种基于深度学习模型获取多基因风险评分的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
余玲芳等: "抑郁症的遗传学研究进展", 《上海交通大学（医学版）》 *
刘光辉: "基于神经网络的全基因组DNA甲基化预测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
张理义等: "《临床心理学》", 31 July 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113571176A (zh) * 2021-06-19 2021-10-29 内蒙古卫数数据科技有限公司 一种基于血常规检验数据的抑郁症识别方法
CN115910329A (zh) * 2023-01-06 2023-04-04 江苏瑞康成医疗科技有限公司 一种智能抑郁识别方法及装置

Also Published As

Publication number Publication date
CN113517066B (zh) 2022-05-10
CN113517066A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111899869A (zh) 一种抑郁症患者识别系统及其识别方法
CN111899894B (zh) 一种抑郁症患者预后药效评估系统及其评估方法
CN108595913B (zh) 鉴别mRNA和lncRNA的有监督学习方法
CN109659033A (zh) 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN112086195B (zh) 一种基于自适应集成学习模型的再入院风险预测方法
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN115985503B (zh) 基于集成学习的癌症预测系统
Bruno et al. Using heatmaps for deep learning based disease classification
CN116798093A (zh) 一种基于课程学习和标签平滑的两阶段面部表情识别方法
CN111863248B (zh) 一种构建临床决策模型的有效方法
CN111261283B (zh) 基于金字塔型卷积层的心电信号深度神经网络建模方法
CN112488188A (zh) 一种基于深度强化学习的特征选择方法
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
CN114999628B (zh) 一种利用机器学习寻找退行性膝骨关节炎显著性特征方法
CN116543215A (zh) 一种基于深度哈希互学习的脑网络分类方法
CN116089801A (zh) 一种基于多重置信度的医疗数据缺失值修复的方法
Lahmer et al. Classification of DNA microarrays using deep learning to identify cell cycle regulated genes
CN112382382B (zh) 一种代价敏感的集成学习分类方法及系统
CN111402953B (zh) 基于层次注意力网络的蛋白质序列分类方法
CN115376614A (zh) 基于卷积神经网络与注意力机制结合的关键路径识别方法
CN116226629B (zh) 一种基于特征贡献的多模型特征选择方法及系统
CN111400685A (zh) 一种采用竞争匹配的安全身份验证方法
Feng et al. A Novel Binary Classification Algorithm for Carpal Tunnel Syndrome Detection Using LSTM
Okamoto et al. Evolutionary Acquisition of CNN Architecture by Thermodynamical Genetic Algorithm
CN113838569A (zh) 一种基于上下文概率神经网络的房颤心脏病诊断方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201106