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

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))

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：

其中，L_sr与P_sr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：

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：

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

则

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y_s＝[y_s1 y_s2…y_sq]，P(k)中的第s行的行向量P_s，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：

同时，作为样本实际标签，期望值矩阵

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)：

其中L_sr与P_sr分别表示L与P(k)中第s行第r(1≤r≤q；s∈Z)列元素，L为

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

可得E(k+1)与Y(k+1)同时满足以下等式关系：

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：

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：

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

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，

的表达式为：

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))

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：

其中，L_sr与P_sr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：

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))

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：

其中，L_sr与P_sr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：

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。

Images