CN112164462B - 一种乳腺癌风险评估方法、系统、介质及设备 - Google Patents

一种乳腺癌风险评估方法、系统、介质及设备 Download PDF

Info

Publication number
CN112164462B
CN112164462B CN202011030248.4A CN202011030248A CN112164462B CN 112164462 B CN112164462 B CN 112164462B CN 202011030248 A CN202011030248 A CN 202011030248A CN 112164462 B CN112164462 B CN 112164462B
Authority
CN
China
Prior art keywords
neural network
training
layer
dynamic convergence
hidden layer
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.)
Active
Application number
CN202011030248.4A
Other languages
English (en)
Other versions
CN112164462A (zh
Inventor
张智军
陈博钊
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011030248.4A priority Critical patent/CN112164462B/zh
Publication of CN112164462A publication Critical patent/CN112164462A/zh
Application granted granted Critical
Publication of CN112164462B publication Critical patent/CN112164462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种乳腺癌风险评估方法、系统、介质及设备,该方法包括下述步骤:输入身体指标测量数据样本;构建S型动态收敛差分神经网络,设定S型动态收敛差分神经网络输入层与隐含层之间各个连接权重分量随机初始化且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并进行训练;采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型;完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判,得到预判结果;采用基于少数服从多数的投票原则对预判结果进行评估,得出最终的乳腺癌风险评估结果。本发明提高了模型训练效率,同时运用综合评估机制能有效保证风险评估结果的可靠性。

Description

一种乳腺癌风险评估方法、系统、介质及设备
技术领域
本发明涉及人工智能预测评估技术领域,具体涉及一种乳腺癌风险评估方法、系统、介质及设备。
背景技术
在现有的统计学习模型中,神经网络因其优异的学习拟合样本的能力而得以广泛应用,然而以往绝大多数传统神经网络训练方法采用梯度下降思维优化层间权重,随着训练过程的不断进行,神经网络层数的增加可能会导致梯度弥散现象,而且在对乳腺癌风险评估的过程中以往只采用单个神经网络模型,评估结果的可靠性难以保证,这些缺陷在智能化评估风险的过程中受到很大制约。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种乳腺癌风险评估方法,本发明基于神经动力学方法训练S型动态收敛差分神经网络模型,用于评估乳腺癌患病风险,这种方法没有涉及梯度计算等复杂运算,大大提高了模型训练效率,同时运用综合评估机制能够有效保证风险评估结果的可靠性。
本发明的第二目的在提供一种乳腺癌风险评估系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的,本发明采用以下技术方案:
一种乳腺癌风险评估方法,包括下述步骤:
输入身体指标测量数据样本;
构建S型动态收敛差分神经网络,设定输入神经元个数为所需测量的身体指标数目,所述S型动态收敛差分神经网络包括输入层、隐含层和输出层,设定输入层与隐含层之间各个连接权重分量随机初始化且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并进行训练;
采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型;
采用完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判,得到预判结果;
采用基于少数服从多数的投票原则对预判结果进行评估,得出最终的乳腺癌风险评估结果。
为了到达上述第二目的,本发明采用以下技术方案:
一种乳腺癌风险评估系统,包括:身体指标输入模块、神经网络搭建模块、神经网络训练模块、预判模块和综合评估模块;
所述身体指标输入模块用于输入身体指标测量数据样本;
所述神经网络搭建模块用于构建S型动态收敛差分神经网络,设定输入神经元个数为所需测量的身体指标数目;
所述S型动态收敛差分神经网络包括输入层、隐含层和输出层,设定输入层与隐含层之间各个连接权重分量随机初始化且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并进行训练;
所述神经网络训练模块用于采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型;
所述预判模块用于采用完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判,得到预判结果;
所述综合评估模块用于采用基于少数服从多数的投票原则对预判结果进行评估,得出最终的乳腺癌风险评估结果。
作为优选的技术方案,所述变换函数采用线性函数、Tanh函数和Sinh函数。
作为优选的技术方案,所述神经网络训练模块采用神经动力学训练方法,具体表达式为:
E(k+1)-E(k)=-αΦ(E(k)),α>0
其中,E(k)表示在第k(k∈N+)次学习样本后,S型动态收敛差分神经网络输出减去期望值结果,α表示神经动力学系数,Φ(·)表示变换函数。
作为优选的技术方案,所述S型动态收敛差分神经网络中的各个神经元激活函数采用Softsign函数。
作为优选的技术方案,所述S型动态收敛差分神经网络的输出表示为:
Y(k)=g(f(XV)W(k))
Figure BDA0002703359510000031
其中,X表示身体指标测量数据样本的矩阵,V表示输入层与隐含层之间的权重矩阵,W(k)表示第k次学习样本后隐含层与输出层之间的权重矩阵;
求出第k次学习样本后的训练误差ε(k),S型动态收敛差分神经网络判断结果输出Y(k)经过Softmax层得出概率矩阵P(k),得出预判结果。
作为优选的技术方案,所述神经网络训练模块采用交叉熵损失函数得出训练误差ε(k),具体计算公式为:
Figure BDA0002703359510000032
其中,Lsr与Psr分别表示L与P(k)中第s行第r(列元素;
设训练误差阈值为ε',如果ε(k)<ε'则停止对隐含层与输出层之间权重矩阵的训练;
求解隐含层与输出层之间的权重矩阵为W(k+1),表示为:
Figure BDA0002703359510000041
Figure BDA0002703359510000042
其中,(f(XV))+表示隐含层输出矩阵f(XV)的Moore-Penrose伪逆,z为自变量。
为了到达上述第三目的,本发明采用以下技术方案:
一种存储介质,存储有程序,所述程序被处理器执行时实现上述乳腺癌风险评估方法。
为了到达上述第四目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述乳腺癌风险评估方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明基于神经动力学方法训练S型动态收敛差分神经网络模型,用于评估乳腺癌患病风险,这种方法没有涉及梯度计算等复杂运算,大大提高了模型训练效率,同时运用综合评估机制能够有效保证风险评估结果的可靠性。
附图说明
图1为本发明乳腺癌风险评估方法的流程示意图;
图2为本发明乳腺癌风险评估系统的结构示意图;
图3为本发明S型动态收敛差分神经网络示意图;
图4为本发明的综合评估机制示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本实施例提供一种乳腺癌风险评估方法,包括下述步骤:
S1:输入体检者的身体指标测量数据样本并构建S型动态收敛差分神经网络,身体指标测量数据样本包括年龄,BMI值,血液中抵抗素和葡萄糖含量四项;
S11:构建S型动态收敛差分神经网络,设定输入神经元个数为每位体检者所需测量的身体指标数目,输出神经元个数为预判结果类别数目(患乳腺癌的风险高/低),隐含层数目需要人为调整测试;
S12:S型动态收敛差分神经网络包括输入层、隐含层和输出层,设定输入层与隐含层之间各个连接权重分量随机初始化且保持不变,各个连接权重分量可设置为:由-1到1之间的均匀分布方式生成随机数且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并需要进行训练,隐含层与输出层各个神经元激活函数为Softsign函数;
S2:采用多种不同类型的变换函数训练出多种不同的S型动态收敛差分神经网络模型,其中,变换函数采用线性函数、Tanh函数与Sinh函数三种类型;
S21:在本实施例中,神经网络具体的训练方法采用的表达式为:
E(k+1)-E(k)=-αΦ(E(k)),α>0
其中,E(k)表示在第k(k∈N+)次学习样本后,S型动态收敛差分神经网络输出减去期望值(样本标签)结果,相当于对体检者患乳腺癌风险程度的预判结果与实际患乳腺癌的风险程度之间的偏差;α>0表示动力学系数,相当于在系统建立过程中,风险评估专家对输入体检者样本的学习速度;Φ(·)表示变换函数,相当于学习方法;
S22:根据不同类型的变换函数,将神经动力学训练方法运用到训练S型动态收敛差分神经网络中,迭代更新隐含层与输出层之间的各个连接权重分量,根据运用一种类型的变换函数训练出一个S型动态收敛差分神经网络模型的原则,一共同时训练出三个风险评估专家;
S3:将完成训练的三个风险评估专家用于对未知患癌风险程度的体检者输入的身体指标测量数据样本进行预判,各个专家相对独立,各自按学习认识的知识进行预测判断,总共得出三个预判结果;
S4:运用基于少数服从多数的投票原则对这三个预判结果进行综合评估,得出最终的乳腺癌风险评估结果;
S5:对于多个未知患癌风险程度的体检者输入的身体指标测量数据样本,逐个重复步骤S3和S4进行预测类型;
S6:输出所有体检者最终的乳腺癌风险评估结果,具体为患乳腺癌的风险程度,即高风险或低风险。
实施例2
如图2所示,本实施例提供一种乳腺癌风险评估系统,包括:身体指标输入模块、神经网络搭建模块、神经网络训练模块、预判模块和综合评估模块;
在本实施例中,体检者身体指标输入模块用于输入体检者身体指标测量数据样本;
在本实施例中,神经网络搭建模块用于构建S型动态收敛差分神经网络,设定输入神经元个数为单个体检者所需测量的身体指标数目;
在本实施例中,S型动态收敛差分神经网络包括输入层、隐含层和输出层,设定输入层与隐含层之间各个连接权重分量随机初始化且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并需要进行训练,其中各个神经元激活函数均为Softsign函数;
在本实施例中,神经网络训练模块用于采用多种不同类型的变换函数训练出多种不同的S型动态收敛差分神经网络模型;
在本实施例中,预判模块用于将完成训练的多个S型动态收敛差分神经网络模型,即多个风险评估专家对未知患癌风险程度的体检者所输入的身体指标测量数据样本进行预判,得出多个结果;
在本实施例中,综合评估模块用于综合多个预判结果,采用投票原则得出最终的乳腺癌风险评估结果。
本实施例神经动力学训练方法的表达式为E(k+1)-E(k)=-αΦ(E(k)),α>0,其中E(k)表示风险评估专家在第k(k∈N+)次学习样本后S型动态收敛差分神经网络输出减去期望值(样本标签)结果,相当于对体检者患乳腺癌风险程度的预判结果与实际患乳腺癌的风险程度之间的偏差;α>0表示动力学系数,相当于在系统建立过程中,风险评估专家对体检者所输入的身体指标测量数据样本的学习速度;Φ(·)表示变换函数,相当于学习方法。
本实施例采用三种不同类型的变换函数训练出三种不同的S型动态收敛差分神经网络模型,即线性函数、Tanh函数、Sinh函数,由此形成三个风险评估专家,通过不同学习方式学习认识样本,从而各自未知患癌风险程度的体检者所输入的身体指标测量数据样本进行预判和综合评估。
如图3所示,对于神经网络构建模块和神经网络训练模块中涉及的风险评估专家,即S型动态收敛差分神经网络模型,网络包含三层:输入层、隐含层和输出层,输入层与隐含层之间的权重矩阵为V,由-1到1之间的均匀分布方式生成随机数且保持不变,以此对体检者所输入的身体指标测量数据进行加权汇总;隐含层各个神经元的激活函数f(·)均为Softsign函数,从而对样本进行初步记忆学习;隐含层与输出层之间的权重矩阵W随机初始化等待训练,这相当于对输入样本进行具体分析;输出层各个神经元的激励函数g(·)也均为Softsign函数,将分析结果通过非线性映射的方式转化成预判结果。以z为自变量的Softsign函数的表达式如下:
Figure BDA0002703359510000081
设输入体检者身体指标测量数据样本为矩阵X,输入层与隐含层之间的权重矩阵为V,第k次学习样本后隐含层与输出层之间的权重矩阵为W(k),S型动态收敛差分神经网络输出为Y(k),即风险评估专家对样本的预测判断结果可由以下式子推出:
Y(k)=g(f(XV)W(k)) (2)
设体检者实际患乳腺癌的风险程度为期望值矩阵
Figure BDA0002703359510000082
Figure BDA0002703359510000083
首先求出第k次学习样本后的训练误差ε(k),训练误差相当于对多个体检者样本患乳腺癌的风险预判结果与这些样本实际患癌风险程度之间的总偏差。
S型动态收敛差分神经网络判断结果输出Y(k)经过Softmax层可以得出概率矩阵P(k),得出每位体检者患乳腺癌的概率,并取最大程度对应的风险类型作为预判结果,得到患癌风险高低程度。
设矩阵Y(k)和P(k)规模均为l×q,对于Y(k)中的第s(1≤s≤l;s∈Z)个体检者身体指标测量数据样本对应的预测判断结果ys=[ys1 ys2…ysq],P(k)中的第s行的行向量Ps,即表示相应的第s个样本对每个风险类型的归属程度,通过以下式子而得:
Figure BDA0002703359510000091
同时,作为样本实际标签,期望值矩阵
Figure BDA0002703359510000096
规模设为l×q,里面元素由-1和1组成。因此采取one-hot向量编码形式,需要通过编码层将其中取值为-1的元素改成取值为0,其余元素不变,由此得到编码矩阵L,L其实是对体检者样本实际归属类型的一种编码方式,这样可以通过交叉熵损失函数公式得出训练误差ε(k):
Figure BDA0002703359510000092
其中Lsr与Psr分别表示L与P(k)中第s行第r(1≤r≤q;s∈Z)列元素,L为
Figure BDA0002703359510000097
通过one-hot向量形式编码的结果;
设训练误差阈值为ε',以此对风险评估专家学习认识体检者身体指标测量数据样本程度进行把关,如果ε(k)<ε'则停止对隐含层与输出层之间权重矩阵W的训练,结束对样本的学习过程;否则通过神经动力学方法的表达式可以推出E(k+1)=E(k)-αΦ(E(k)),也就是得到风险评估专家第(k+1)次学习样本后S型动态收敛差分神经网络输出减去期望值应有的结果。在此基础上需要求出隐含层与输出层之间的权重矩阵为W(k+1)。类比式子(2)和
Figure BDA0002703359510000093
可得E(k+1)与Y(k+1)同时满足以下等式关系:
Figure BDA0002703359510000094
Y(k+1)=g(f(XV)W(k+1)) (6)
由式子(5)和式子(6)可以得出W(k+1)的求解表达式:
Figure BDA0002703359510000095
进一步可以得出在第(k+1)次学习样本后,W(k+1)与W(k)的关系。W(k+1)迭代求解表达式为:
Figure BDA0002703359510000101
在式子(7)与式子(8)中,(f(XV))+表示隐含层输出矩阵f(XV)的Moore-Penrose伪逆;函数
Figure BDA0002703359510000102
理论上应表示函数g(·)的反函数。然而g(·)在这里为Softsign函数(如式子(1)所示),不具备反函数。因此将式子(1)按自变量z的取值区间进行分段处理,每段各自求出其反函数,再将各个取值区间的反函数拼接一起近似代替,故以z为自变量,
Figure BDA0002703359510000103
的表达式为:
Figure BDA0002703359510000104
如图4所示,对于图2专家预判模块和综合评估模块涉及的综合评估机制,将完成训练的三个风险评估专家用于对未知患癌风险程度的体检者输入的身体指标测量数据样本进行预判。各个专家相对独立,各自按学习认识的知识进行预测判断,总共得出三个预判结果。在此基础上设定基于少数服从多数的投票规则进行乳腺癌风险综合评估。即将运用不同方法学习体检者所输入身体指标测量数据样本的多个风险评估专家聚集一起,各自对未知风险类型的样本进行预测判断,所得出的预判结果将采取基于少数服从多数的投票规则的形式进行乳腺癌风险综合评估。比如对于图4中对于某个未知患癌风险程度的体检者输入的身体指标测量数据样本,第一个风险评估专家预判结果为高风险而其他两个风险评估专家为低风险,则经过综合评估机制后该未知样本将被估计为低风险患乳腺癌。
实施例3
本实施例提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等储存介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现上述乳腺癌风险评估方法。
实施例4
本实施例提供一种计算设备,所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现上述乳腺癌风险评估方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (5)

1.一种乳腺癌风险评估方法,其特征在于,包括下述步骤:
输入身体指标测量数据样本;
构建S型动态收敛差分神经网络,设定输入神经元个数为所需测量的身体指标数目,所述S型动态收敛差分神经网络包括输入层、隐含层和输出层,设定输入层与隐含层之间各个连接权重分量随机初始化且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并进行训练;
采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型;
所述变换函数采用线性函数、Tanh函数或Sinh函数中的任意一种;
采用神经动力学训练方法,具体表达式为:
E(k+1)-E(k)=-αΦ(E(k)),α>0
其中,E(k)表示在第k(k∈N+)次学习样本后,S型动态收敛差分神经网络输出减去期望值结果,α表示神经动力学系数,Φ(·)表示变换函数;
所述S型动态收敛差分神经网络的输出表示为:
Y(k)=g(f(XV)W(k))
Figure FDA0003461978390000011
其中,X表示身体指标测量数据样本的矩阵,V表示输入层与隐含层之间的权重矩阵,W(k)表示第k次学习样本后隐含层与输出层之间的权重矩阵;
求出第k次学习样本后的训练误差ε(k),S型动态收敛差分神经网络判断结果输出Y(k)经过Softmax层得出概率矩阵P(k),得出预判结果;
所述神经网络训练模块采用交叉熵损失函数得出训练误差ε(k),具体计算公式为:
Figure FDA0003461978390000021
其中,Lsr与Psr分别表示L与P(k)中第s行第r列元素;l 为矩阵 Y(k) 的行数, q 为矩阵Y(k) 的列数;
设训练误差阈值为ε',如果ε(k)<ε'则停止对隐含层与输出层之间权重矩阵的训练;
求解隐含层与输出层之间的权重矩阵为W(k+1),表示为:
Figure FDA0003461978390000022
Figure FDA0003461978390000023
其中,(f(XV))+表示隐含层输出矩阵f(XV)的Moore-Penrose伪逆,z为自变量;
采用完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判,得到预判结果;
采用基于少数服从多数的投票原则对预判结果进行评估,得出最终的乳腺癌风险评估结果。
2.一种乳腺癌风险评估系统,其特征在于,包括:身体指标输入模块、神经网络搭建模块、神经网络训练模块、预判模块和综合评估模块;
所述身体指标输入模块用于输入身体指标测量数据样本;
所述神经网络搭建模块用于构建S型动态收敛差分神经网络,设定输入神经元个数为所需测量的身体指标数目;
所述S型动态收敛差分神经网络包括输入层、隐含层和输出层,设定输入层与隐含层之间各个连接权重分量随机初始化且保持不变,隐含层与输出层之间各个连接权重分量随机初始化并进行训练;
所述神经网络训练模块用于采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型;
所述变换函数采用线性函数、Tanh函数或Sinh函数中的任意一种;
采用神经动力学训练方法,具体表达式为:
E(k+1)-E(k)=-αΦ(E(k)),α>0
其中,E(k)表示在第k(k∈N+)次学习样本后,S型动态收敛差分神经网络输出减去期望值结果,α表示神经动力学系数,Φ(·)表示变换函数;
所述S型动态收敛差分神经网络的输出表示为:
Y(k)=g(f(XV)W(k))
Figure FDA0003461978390000031
其中,X表示身体指标测量数据样本的矩阵,V表示输入层与隐含层之间的权重矩阵,W(k)表示第k次学习样本后隐含层与输出层之间的权重矩阵;
求出第k次学习样本后的训练误差ε(k),S型动态收敛差分神经网络判断结果输出Y(k)经过Softmax层得出概率矩阵P(k),得出预判结果;
所述神经网络训练模块采用交叉熵损失函数得出训练误差ε(k),具体计算公式为:
Figure FDA0003461978390000032
其中,Lsr与Psr分别表示L与P(k)中第s行第r列元素;
l 为矩阵 Y(k) 的行数, q 为矩阵 Y(k) 的列数;
设训练误差阈值为ε',如果ε(k)<ε'则停止对隐含层与输出层之间权重矩阵的训练;
求解隐含层与输出层之间的权重矩阵为W(k+1),表示为:
Figure FDA0003461978390000041
Figure FDA0003461978390000042
其中,(f(XV))+表示隐含层输出矩阵f(XV)的Moore-Penrose伪逆,z为自变量;
所述预判模块用于采用完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判,得到预判结果;
所述综合评估模块用于采用基于少数服从多数的投票原则对预判结果进行评估,得出最终的乳腺癌风险评估结果。
3.根据权利要求2所述的乳腺癌风险评估系统,其特征在于,所述S型动态收敛差分神经网络中的各个神经元激活函数采用Softsign函数。
4.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1所述的乳腺癌风险评估方法。
5.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1所述的乳腺癌风险评估方法。
CN202011030248.4A 2020-09-27 2020-09-27 一种乳腺癌风险评估方法、系统、介质及设备 Active CN112164462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011030248.4A CN112164462B (zh) 2020-09-27 2020-09-27 一种乳腺癌风险评估方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011030248.4A CN112164462B (zh) 2020-09-27 2020-09-27 一种乳腺癌风险评估方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN112164462A CN112164462A (zh) 2021-01-01
CN112164462B true CN112164462B (zh) 2022-05-24

Family

ID=73864199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011030248.4A Active CN112164462B (zh) 2020-09-27 2020-09-27 一种乳腺癌风险评估方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN112164462B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506630A (zh) * 2021-07-08 2021-10-15 上海中医药大学附属龙华医院 一种乳腺癌术后全程全方位智能管理系统
CN117236900B (zh) * 2023-10-23 2024-03-29 广东电网有限责任公司 基于流程自动化的个税数据处理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN107767946A (zh) * 2017-09-26 2018-03-06 浙江工业大学 基于pca和pso‑kelm模型的乳腺癌诊断系统
CN108230311A (zh) * 2018-01-03 2018-06-29 四川大学 一种乳腺癌检测方法及装置
WO2019094857A1 (en) * 2017-11-13 2019-05-16 The Trustees Of Columbia Univeristy In The City Of New York System, method and computer-accessible medium for determining breast cancer risk
CN111211724A (zh) * 2018-11-21 2020-05-29 浙江工业大学 适用于重复性伺服系统的rbf自适应神经网络重复控制器
CN111383328A (zh) * 2020-02-27 2020-07-07 西安交通大学 一种面向乳腺癌病灶的3d可视化方法及系统
AU2020101122A4 (en) * 2020-06-25 2020-07-30 A, Tamilselvi MS Cnn model based approach towards breast cancer features detection from ultra sound images

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190125272A1 (en) * 2017-05-09 2019-05-02 Harold Szu Using Helmholtz Minimum Free Energy Slopes to Define Glial Cells that Diagnose Brain Disorder

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN107767946A (zh) * 2017-09-26 2018-03-06 浙江工业大学 基于pca和pso‑kelm模型的乳腺癌诊断系统
WO2019094857A1 (en) * 2017-11-13 2019-05-16 The Trustees Of Columbia Univeristy In The City Of New York System, method and computer-accessible medium for determining breast cancer risk
CN108230311A (zh) * 2018-01-03 2018-06-29 四川大学 一种乳腺癌检测方法及装置
CN111211724A (zh) * 2018-11-21 2020-05-29 浙江工业大学 适用于重复性伺服系统的rbf自适应神经网络重复控制器
CN111383328A (zh) * 2020-02-27 2020-07-07 西安交通大学 一种面向乳腺癌病灶的3d可视化方法及系统
AU2020101122A4 (en) * 2020-06-25 2020-07-30 A, Tamilselvi MS Cnn model based approach towards breast cancer features detection from ultra sound images

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络对乳腺癌诊断的分析与预测;袁炫昊;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20200315(第03期);第E072-656页 *
基于神经网络的乳腺瘤诊断方法研究;雷进军;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20131015(第10期);第E072-127页 *

Also Published As

Publication number Publication date
CN112164462A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
Yang et al. A novel method of multiaxial fatigue life prediction based on deep learning
Zhang et al. Sound quality prediction of vehicle interior noise and mathematical modeling using a back propagation neural network (BPNN) based on particle swarm optimization (PSO)
CN110909926A (zh) 基于tcn-lstm的太阳能光伏发电预测方法
CN112164462B (zh) 一种乳腺癌风险评估方法、系统、介质及设备
CN112101418B (zh) 一种乳腺肿瘤类型识别方法、系统、介质及设备
Yu et al. Solar photovoltaic model parameter estimation based on orthogonally-adapted gradient-based optimization
Huang et al. SDARE: A stacked denoising autoencoder method for game dynamics network structure reconstruction
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
Wu et al. Mapping the unknown: The spatially correlated multi-armed bandit
CN113866391B (zh) 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
CN115114843A (zh) 一种电池容量的预测方法、相关装置、设备以及存储介质
Qi et al. Deep learning for medical materials: review and perspective
Park et al. GTSNet: Flexible architecture under budget constraint for real-time human activity recognition from wearable sensor
RU151549U1 (ru) Искусственная нейронная сеть
CN111461308B (zh) 忆阻神经网络及权值训练方法
CN113012133A (zh) 一种新冠肺炎诊断系统、介质及设备
Dong et al. IRI: An intelligent resistivity inversion framework based on fuzzy wavelet neural network
CN113476065B (zh) 一种多类肺炎诊断系统
CN113688770A (zh) 高层建筑长期风压缺失数据补全方法及装置
CN114492199A (zh) 一种电压互感器性能的分析方法、系统、电子设备及介质
Saito et al. A large-scale open dataset for bandit algorithms
Jeon et al. Topological knowledge distillation for wearable sensor data
CN113130077A (zh) 基于人工神经网络的卵巢功能年龄评估方法和装置
Choi et al. Early termination of STDP learning with spike counts in spiking neural networks

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
GR01 Patent grant
GR01 Patent grant