CN114724705A - 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 - Google Patents
基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 Download PDFInfo
- Publication number
- CN114724705A CN114724705A CN202210358247.5A CN202210358247A CN114724705A CN 114724705 A CN114724705 A CN 114724705A CN 202210358247 A CN202210358247 A CN 202210358247A CN 114724705 A CN114724705 A CN 114724705A
- Authority
- CN
- China
- Prior art keywords
- neural network
- algorithm
- data
- esophageal squamous
- ant lion
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 93
- 241001206881 Myrmeleon inconspicuus Species 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 58
- 206010041823 squamous cell carcinoma Diseases 0.000 title claims abstract description 54
- 230000004083 survival effect Effects 0.000 title claims abstract description 42
- 206010030155 Oesophageal carcinoma Diseases 0.000 claims abstract description 25
- 208000000461 Esophageal Neoplasms Diseases 0.000 claims abstract description 23
- 241000282320 Panthera leo Species 0.000 claims abstract description 23
- 201000004101 esophageal cancer Diseases 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000013058 risk prediction model Methods 0.000 claims abstract description 17
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 206010061534 Oesophageal squamous cell carcinoma Diseases 0.000 claims abstract description 12
- 208000036765 Squamous cell carcinoma of the esophagus Diseases 0.000 claims abstract description 12
- 208000007276 esophageal squamous cell carcinoma Diseases 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 43
- 210000004369 blood Anatomy 0.000 claims description 31
- 239000008280 blood Substances 0.000 claims description 31
- 238000000513 principal component analysis Methods 0.000 claims description 29
- 241000257303 Hymenoptera Species 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000005295 random walk Methods 0.000 claims description 7
- 241000258923 Neuroptera Species 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004820 blood count Methods 0.000 claims description 5
- 210000000265 leukocyte Anatomy 0.000 claims description 5
- 210000001616 monocyte Anatomy 0.000 claims description 5
- 210000000440 neutrophil Anatomy 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 claims description 4
- 108010088751 Albumins Proteins 0.000 claims description 4
- 102000009027 Albumins Human genes 0.000 claims description 4
- 108010049003 Fibrinogen Proteins 0.000 claims description 4
- 102000008946 Fibrinogen Human genes 0.000 claims description 4
- 102000006395 Globulins Human genes 0.000 claims description 4
- 108010044091 Globulins Proteins 0.000 claims description 4
- 102000001554 Hemoglobins Human genes 0.000 claims description 4
- 108010054147 Hemoglobins Proteins 0.000 claims description 4
- 108010094028 Prothrombin Proteins 0.000 claims description 4
- 102100027378 Prothrombin Human genes 0.000 claims description 4
- 108090000190 Thrombin Proteins 0.000 claims description 4
- 108010000499 Thromboplastin Proteins 0.000 claims description 4
- 102000002262 Thromboplastin Human genes 0.000 claims description 4
- 210000003651 basophil Anatomy 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 210000003979 eosinophil Anatomy 0.000 claims description 4
- 210000003743 erythrocyte Anatomy 0.000 claims description 4
- 229940012952 fibrinogen Drugs 0.000 claims description 4
- 210000004698 lymphocyte Anatomy 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 229940039716 prothrombin Drugs 0.000 claims description 4
- 229960004072 thrombin Drugs 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 208000017897 Carcinoma of esophagus Diseases 0.000 claims 2
- 201000005619 esophageal carcinoma Diseases 0.000 claims 2
- 206010028980 Neoplasm Diseases 0.000 claims 1
- 201000011510 cancer Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 241000238633 Odonata Species 0.000 description 2
- 241000251555 Tunicata Species 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Physiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出一种基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，步骤为：利用PCA法将采集的食管鳞癌数据进行降维处理得到样本数据；根据样本数据确定BP神经网络的拓扑结构，对样本数据进行预处理并输入BP神经网络，计算全局误差；在标准的ALO算法中加入交叉变异算子和非线性动态权重得到IALO算法，将全局误差作为适应度函数，更新精英蚁狮的位置；将精英蚁狮作为BP神经网络的最优权值和阈值构建食管癌风险预测模型，利用训练好的食管癌风险预测模型对食管鳞癌数据进行生存分析预测。本发明的PCA法对食管鳞癌数据进行降维，去除冗余；引入了变异算子，增强种群的多样性，提高全局搜索能力，避免陷入局部最优，提高了诊断效率。
Description
技术领域
本发明涉及食管鳞癌生存预测的技术领域，尤其涉及一种基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法。
背景技术
近年来，随着大数据技术在医疗行业的出现，医疗领域的数字化水平不断提高，食管鳞癌的各项数据也更加全面，食管鳞癌数据本身包含了各种隐藏的信息和规律，而数据意义在于需要借助合适的工具才能更直观地将深层次的信息得到表达。随着大数据技术的飞速发展，在计算机辅助下的数据挖掘与建模已成为当前食管鳞癌诊疗技术的热点，全球越来越多的国家重视大数据技术和医学数据技术的结合与应用。
能够快速有效地分析和预测食管鳞癌患者的生存水平，是实现精准医疗患者的基础。食管鳞癌患者生存期预测的研究主要缘由在临床表型和血液指标两个方面。目前针对国内外预测食管鳞癌患者的生存水平的主要有Elman神经网络、回归分析、线性支持向量机(SVM)等。对于优化BP神经网络的仿生算法可以分为两大类：进化算法和群体智能算法。进化算法模仿自然界中的进化概念，在这类算法中，目前科研人员用的最多的是遗传算法，遗传算法模拟了达尔文进化论的概念。在遗传算法的思想中，优化问题的开始是从一组特定的随机解，通过目标函数对解进行评价后，根据解的适应度值对解的变量进行修正。主成分分析(PCA)是为了数据简化，从而能有效地减少食管鳞癌患者的血液指标的维数和血液中冗杂信息的影响。BP神经网络是为了建立食管鳞癌患者的生存水平预测模型。为了优化BP神经网络收敛能力差，精度不高，目前有很多的元启发式对BP神经网络进行了优化。
蚁狮(ALO)算法是澳大利亚学者Mirjalili通过模仿蚁狮幼虫捕食蚂蚁来设计的一个智能算法，ALO算法可以增强种群的多样性。
发明内容
针对现有的食管鳞癌生存预测方法诊断效率低，计算复杂的技术问题，本发明提出一种基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，基于PCA(主成分分析法)对食管鳞癌数据进行预处理，用变异算子和非线性权重策略对ALO(蚁狮优化)算法进行改进，利用改进ALO算法得出的最优权值和阈值构建BP神经网络模型，对食管鳞癌数据进行训练，具有较好的可行性，寻优精度和收敛速度均有明显提升，受维度变化影响很小，高维求解能力更强、更稳定。
为了达到上述目的，本发明的技术方案是这样实现的：一种基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其步骤如下：
步骤一：利用PCA法将采集的食管鳞癌数据进行降维处理，以重要性排列提取食管鳞癌数据的特征值组成样本数据；
步骤二：根据样本数据确定BP神经网络的拓扑结构，对样本数据进行预处理并输入BP神经网络，计算BP神经网络的全局误差；
步骤三：在标准的ALO算法中加入交叉变异算子和非线性动态权重得到IALO算法，将步骤二的全局误差作为IALO算法的适应度函数，保存并更新精英蚁狮的位置；
步骤四：将步骤三得到的精英蚁狮个体作为BP神经网络的最优权值和阈值构建食管癌风险预测模型，并利用样本数据对食管癌风险预测模型进行训练，利用训练好的食管癌风险预测模型对食管鳞癌数据进行生存分析预测。
所述PCA法通过计算食管鳞癌数据组成矩阵的协方差矩阵，然后得到协方差矩阵的特征值和特征向量，选择特征值最大的p个特征值所对应的特征向量组成的矩阵即为样本数据。
所述样本数据的获取方法为：将食管鳞癌数据组成矩阵X，求出矩阵X的协方差矩阵；运用线性代数的方法求得协方差矩阵的特征值和特征向量；计算各个特征值对应的方差贡献率和累计方差贡献率；将方差贡献和累计方差贡献率按对应大小从上到下按行排列成矩阵，且累计方差贡献率Ti≥0.85，则选择前p个特征值对应行的数据组成矩阵L；
降维后的数据为
其中，lpp表示第p个变量的第p个指标的取值，xp表示食管鳞癌数据组成矩阵X的第p行。
所述食管鳞癌数据的每组数据包括17种血液指标信息和生存期信息；所述17种血液指标信息分别为白细胞计数、淋巴细胞计数、单核细胞、中性粒细胞计数、嗜酸粒细胞计数、嗜碱粒细胞计数、红细胞计数、血红蛋白浓度、血小板计数、总蛋白、白蛋白、球蛋白、凝血酶原时间、国际标准化比值、活化部分凝血活酶时间、凝血酶时间、纤维蛋白原；所述生存期信息是生存时间，生存时间的范围为0.26月到137.00月。
所述PCA法的输入为17组数据，经过降维处理得到5组数据；BP神经网络的结构为5-10-1的结构，即输入层为5个神经元，隐含层有10个神经元，输出层为1层的神经网络。
所述步骤二计算BP神经网络的全局误差的方法为：
S1、对的各个患者的每种血液指标信息进行归一化；
S2、利用随机数随机设定BP神经网络的隐含层和输入层之间的初始连接权重向量wih、隐含层与输出层的连接权值who，设定最大循环次数tmax；
S3、将各个患者的血液指标作为输入向量输入至BP神经网络的输入层；
S4、计算隐含层的连接权值向量与输入向量的欧氏距离，通过连接权值的大小找到与输入向量最近似的神经元作为优胜神经元h；
S5、将血液指标对应的优胜神经元进行标号，直到所有血液指标均输入完成；
S6、判断全局误差是否满足要求：当全局误差达到预设精度或迭代次数大于设定的最大次数tmax，则将全局误差用于IALO算法的适应度函数；否则，选取下一个样本数据及对应的期望输出，循环执行步骤S3到步骤S6。
所述全局误差为：
其中，q为BP神经网络输入层输入向量的个数，do(K)为期望的输入向量，m表示输入向量的个数，yo(K)是实际的输入向量。
所述IALO算法中围绕精英蚁狮周围游走和轮盘赌选择的蚁狮周围游走为并行搜索；
所述交叉变异算子是在每次位置更新后以一定的概率重新初始化，即若rand＞0.7，则x(i,:)＝rands(1,D)；其中，rand表示(0,1)之间的随机数，x(i,:)表示在第i个蚂蚁的所有维空间位置，D表示影响因素的数量；
所述轮盘赌选择的方法为：个体的选择概率
其中，fi为个体的适应度，N表示种群个体数；
将已得到的最优蚁狮适应值定义为精英蚁狮，设每只蚂蚁都是随机地在轮盘赌、精英蚁狮的范围内随机游走：
其中，
是在第t次迭代中由轮盘赌选择的蚂蚁的随机游走的步长；
是在第t次迭代中随机游走于精英蚁狮群的蚂蚁的步长；
表示第t次迭代的第i个蚂蚁的位置；
所述非线性动态权重的实现方法为：
式中：ω_I为自适应权重；ωmax为权值的最大值；ωmin为权值的最小值，t表示当前迭代次数，Tmax表示最大迭代次数；
改进后蚂蚁的位置变化为：
所述IALO算法中初始化蚂蚁和蚁狮的种群，用蚂蚁个体即食管癌数据代表BP神经网络的初始权值和阈值，个体初始化的BP神经网络的预测误差作为该个体的适应度值，确定食管癌风险预测模型的阈值和权值个数；
将得到的适应度值按照大小进行排序，选出最优蚁狮个体；对比每次迭代得到的最优蚁狮个体和精英蚁狮个体，如果得到的最佳蚁狮比精英蚁狮群具有更优的适应值，则替换精英蚁狮；
判断IALO算法是否达到初始设定的最大迭代次数，如果达到最大迭代次数，则输出的精英蚁狮为BP神经网络的所对应的最优权值和阈值；如果未达到最大迭代次数，则迭代次数加1，继续循环IALO算法，直到达到最大的迭代次数Tmax；
在食管癌风险预测模型训练中，当输出的群居误差小于设定的误差时，结束计算；否则循环计算，直到BP神经网络输出的全局误差小于初始设定的误差。
所述食管鳞癌生存预测模型为：
其中，RH为食管癌生存的预测模型；xi为BP神经网络的输入层；ωij和νjl分别为BP神经网络的输入层和隐含层、隐含层和输出层之间的权值；aj和bl分别为BP神经网络的输入层和隐含层、隐含层和输出层之间的阈值；tanh为BP神经网络中隐含层的激励函数，q和m均表示输入向量的个数。
本发明对食管癌样本数据进行PCA降维处理，根据处理后的数据确定BP神经网络的输入层、隐含层和输出层的取值，并初始化蚂蚁和蚁狮的种群，个体初始化的BP神经网络的预测误差作为该个体的适应度值，进而确定适应度函数；通过求解得到的适应度大小进行排序，选出最优蚁狮个体；对比每次迭代得到的最优蚁狮个体和精英蚁狮个体，如果每次迭代得到的最佳蚁狮比精英蚁狮群具有更优的适应值，则替换精英蚁狮群，用IALO(改进ALO)算法进行优化训练集中的每个个体所包含整个BP神经网络的所有权值和阈值，利用交叉变异和自适应权重保存并更新精英蚁狮；当达到初始设定的最大迭代次数时，输出蚁狮精英中所对应的最优权值；否则，返回继续循环，直到达到最大迭代次数；利用优化后得到的最优权值和阈值构建BP神经预测模型；通过已经确定得到BP神经网络模型，对食管鳞癌数据进行生存分析预测。
本发明改进算法(IALO)的主要思想是算子交叉变异，属于差分进化算法中的一部分，在ALO算法中引入了变异算子，可以增强种群的多样性，提高ALO算法的全局搜索能力，避免ALO算法陷入局部最优，构建PCA-IALO-BP模型来预测食管鳞癌患者的生存水平。且本发明：
(1)应用PCA对食管鳞癌患者血液指标进行降维处理，去除冗余。
(2)通过标准ALO，建立PCA-ALO-BP预测模型。
(3)改进标准ALO算法，建立PCA-IALO-BP预测模型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体流程示意图。
图2为本发明具体的实现流程图。
图3为F1-F7函数的收敛图。
图4为F8-F13函数的收敛图。
图5为F14-F23函数的收敛图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其步骤如下：
步骤一：利用PCA法将采集的食管鳞癌数据进行降维处理，将降维后的食管鳞癌数据以重要性排列并提取特征值组成样本数据。
将食管鳞癌多种影响因素的数据通过PCA分析法进行降维处理。本发明原始数据集为501组数据，每组数据包括17种血液指标信息和生存期信息；所述17种血液指标信息分别为白细胞计数、淋巴细胞计数、单核细胞、中性粒细胞计数、嗜酸粒细胞计数、嗜碱粒细胞计数、红细胞计数、血红蛋白浓度、血小板计数、总蛋白、白蛋白、球蛋白、凝血酶原时间、国际标准化比值、活化部分凝血活酶时间、凝血酶时间、纤维蛋白原；所述生存期信息是指生存时间，生存期的范围为0.26月到137.00月。
运用PCA法对食管鳞癌数据进行处理，并将处理后的样本数据分为训练数据和测试数据。根据PCA法将数据进行降维处理以重要性降序找出最重要的变化方向，来降低食管鳞癌影响因素数据的维数。
本发明的PCA法通过计算食管鳞癌数据组成矩阵的协方差矩阵，然后得到协方差矩阵的特征值和特征向量，选择特征值最大(即方差最大)的p个特征值所对应的特征向量组成的矩阵即为样本数据。PCA法的具体操作方法如下：
将食管鳞癌原始数据组成i行j列的矩阵P，所述i为17种血液指标信息分别为白细胞计数、淋巴细胞计数、单核细胞、中性粒细胞计数、嗜酸粒细胞计数、嗜碱粒细胞计数、红细胞计数、血红蛋白浓度、血小板计数、总蛋白、白蛋白、球蛋白、凝血酶原时间、国际标准化比值、活化部分凝血活酶时间、凝血酶时间和纤维蛋白原。
求出矩阵P的协方差矩阵：对于二维数据协方差矩阵的计算公式如下：
其中，Cov(X,Y)为一维的协方差矩阵，xi为第i列的所有值，
为第i列的平均值，yj为第j列的所有值，
为第j列的平均值。J的范围为样本数据的个数，X和Y是矩阵中的不同列。n表示数据的列数。
如果数据是j维的，则协方差矩阵是
协方差为正时，即Cov(X1,X2)为正时，说明矩阵X1和X2是正相关关系，协方差为负时即Cov(X1,X2)为负时，说明矩阵X1和X2是负相关关系；协方差为0时说明矩阵X1和X2是相互独立。协方差Cov(X1,X1)就是矩阵X的方差，当样本数据是n维数据时，它们的协方差实际上就是协方差矩阵(对称矩阵)。
计算食管鳞癌数据的协方差矩阵，运用线性代数的方法求得特征值和特征向量。
由特征值获得方差贡献率和累计方差贡献率，方差贡献率为：
其中，Fi表示第i行的方差贡献率，λi为第i个特征值，λk为第k个特征值。
方差贡献率Fi是指某个主成分的方差占全部方差的比重，实际上也就是某个特征值占全部特征值合计额比重。方差贡献率越大，说明该主成分所包含的原始变量的信息越强。
第k个变量的累计方差贡献率为
其中，λk为第k个特征值，p为临界变量。
累计方差贡献率决定主成分个数的选取，一般要求累计方差贡献率达到85％以上，作为主成分，这样才能保证综合变量能包括原始变量的绝大信息。通过方差贡献率和累计方差贡献率得出各成分所占比重。
将方差贡献和累计方差贡献率按对应大小从上到下按行排列成矩阵，即累计方差贡献率Ti≥0.85，则选择前p个指标变量对应行的数据组成矩阵L。
降维后的数据为Z＝LX，且
其中，lpp表示第p个变量的第p个指标的取值，xp表示原始数据的第p行，矩阵Z中的每一列代表影响食管鳞癌因素变量的特征值所对应的特征向量。
PCA法的输入为17组数据，17组为列数，501组为行数，经过降维处理得到5组数据。为白细胞计数、单核细胞、中性粒细胞、PT、INR国际标准化比值。BP神经网络的结构为5-10-1的结构，5-10-1的结构是指输入层为5个神经元，隐含层有10个神经元，输出层为1层的神经网络模型。
步骤二：根据样本数据确定BP神经网络的拓扑结构，对样本数据进行预处理并输入BP神经网络，计算BP神经网络的全局误差。
利用BP神经网络对血液指标进行聚类的方法为：
S31、利用“mapminmax”函数对i种血液指标信息的501个患者信息进行归一化：
其中，xd,min为第d种血液指标的最小值，xd,max为第d种血液指标的最大值，xd为第d种血液指标，且血液指标p＝(p1,p2,p3…,pm)，yd为第d种血液指标信息归一化后的值。
S32、利用随机数随机设定隐含层和输入层之间的初始连接权重值的向量wih和隐含层与输出层的连接权值who，设定最大循环次数Tmax。
S33、将血液指标作为输入向量输入至输入层，输入向量p＝(p1,p2,p3…,pm)，其中，训练样本Ka＝(Ka,1,Ka,2,Ka,3,…,Ka,501)。
S34、计算隐含层的权值向量与输入向量的欧氏距离：选取一组训练样本xi＝(xi,1,xi,2,xi,3,…,xi,501)，每一次输入训练数据会通过连接权重的大小，找到与该输入向量最近似的神经元作为优胜神经元h，定义误差函数E1为输入向量与连接权重向量的距离：
误差函数E1的作用为计算初始的权值和阈值，q表示输入层输入向量的个数，do(1)为初始期望的输入向量、yo(1)为实际初始的输入向量。
S35、将血液指标对应的优胜神经元进行标号，血液指标种类p+1，返回步骤S34，直到所有血液指标均输入完成；
S36、判断全局误差是否满足要求：当误差达到预设精度或学习次数大于设定的最大次数tmax，则结束算法，将全局误差值用于IALO算法的适应度函数。否则，选取下一个学习样本及对应的期望输出，循环执行步骤S33到步骤S36。全局误差为：
其中，m输入向量的个数，do(K)为期望的输入向量，yo(K)为实际的输入向量。
步骤三：将步骤二的全局误差作为IALO算法的适应度函数，在标准的ALO算法中加入交叉变异算子和非线性动态权重得到IALO算法，保存并更新精英蚁狮的位置。
如图2所示，设置初始参数，样本数据用PCA法进行降维处理，适应度函数为调用的基准函数，围绕精英蚁狮周围游走和轮盘赌选择的蚁狮周围游走为并行搜索，Tmax表示最大迭代次数。
用IALO-BP食管鳞癌影响因素和数据当做初始BP神经网络的阈值和权值，通过适应度函数计算个体适应度，通过蚁狮优化算法找到最优适应度值对应的个体，即找到最优的阈值和权值，找到最优解。
蚁狮优化算法是根据一手幼虫诱捕蚂蚁的猎杀机制原理而提出的一种智能算法。标准的蚁狮优化(ALO)算法是基于蚁狮和蚂蚁之间的相互作用，利用具有更大的锥形坑或洞的蚁狮更有可能捕捉蚂蚁的事实，并且具有更高的适应值。在ALO算法中，蚁狮和蚂蚁的位置是随机初始化的，且
其中，X(t)表示蚂蚁的位置，cumsum为累计和函数，t为当前的迭代次数，Tmax表示最大迭代次数，r(t)是一个定义如下的随机函数：
其中，rand是在区间[0,1]内均匀分布产生的随机数。
初始化蚁狮优化算法(ALO算法)的蚂蚁和蚁狮的种群，蚁狮和蚂蚁的随机游走均基于式(7)。蚂蚁在每一步的优化中都以随机游动的方式更新自己的位置，由于每个搜索空间都有一个边界(变量的范围)，所以式(7)不能直接用于更新蚂蚁的位置。为了将随机游动保持在搜索空间内，使用以下公式对式(7)进行标准化(归一化)：
其中，ak和bk分别是第k只蚂蚁的随机游动的最小值和最大值；
和
分别是第t次迭代时第k只蚂蚁的最小值和最大值。
表示为第k个蚂蚁在第t次迭代后的位置。
围绕选定的蚁狮行走根据目前提出的机制，蚁狮能够建立与其适应度成比例的陷阱，蚂蚁需要随机移动。然而，一旦蚂蚁意识到陷阱里有蚂蚁，它们就会从坑中心向外喷射沙子，这种行为会从试图逃跑的被困蚂蚁身上滑落下来。为了对这种行为进行数学建模，蚂蚁的随机游动超球体的半径会自适应减小。在这方面，提出了以下方程式：
常数
t是当前迭代次数，Tmax是总迭代次数，ω是常数。ct是第t次迭代时所有变量的最小值、dt是第t次迭代时所有变量的最大值。
蚂蚁的随机游动受到蚂蚁陷阱的影响。为了对这一假设进行数学建模，提出了以下方程式：
其中，ct和dt分别表示第t次迭代时所有数据变量的最小值和最大值。
代表第k只蚁狮在第n次迭代中的位置。这两个方程通过缩小蚂蚁的半径来保证攻击的有效性。将通过适应度计算得到的精英蚁狮与通过公式(17)得到的每次迭代得到的最佳蚁狮进行比较，如果每次迭代得到的最佳蚁狮比精英蚁狮具有更大的适应值，则替换精英蚁狮。这一选择程序确保蚂蚁适合蚁狮。
式中，
表示第t迭代时第j只蚁狮的位置，
表示第t只蚂蚁在第j次迭代时的位置。
引入算子交叉变异：基本思想是在每次位置更新后以一定的概率重新初始化，伪代码如下：
式中，rand表示(0,1)之间的随机数；x(i,:)表示在第i个蚂蚁的所有维空间位置。D表示影响因素的数量，本发明中为5个影响因素。
采用了轮盘赌搜索方法，个体选择概率，使用以下公式表示：
其中，Pi为个体的选择概率，fi为个体的适应度，N表示种群个体数。
某个个体的累加概率为：
如果某个个体的适应度数值高，它所对应的个体选择概率也会越大，通过计算Q(xi)后经过排序得到的最小值定义为精英蚁狮。这里假设每只蚂蚁都是随机地在轮盘赌、精英蚁狮的范围内随机游走的，公式如下：
式中，
是在第t次迭代中由轮盘赌选择的蚂蚁的随机游走的步长；
是在第t次迭代中随机游走于精英蚁狮群的蚂蚁的步长；AntPi t表示第t次迭代的第i个蚂蚁的位置。在标准ALO算法的局部开发性能引入NDSW(非线性动态权重策略)，从而提高ALO算法的约束速度，公式如下：
式中：ω_I为自适应权重；ωmax为权值的最大值；ωmin为权值的最小值，t表示当前迭代次数和Tmax表示最大迭代次数。在ALO算法中最大权重设置为ωmax＝1，最小权重设置为ωmin＝0.001。改进后蚂蚁的位置变化公式如下：
由在测试函数及图像中，IALO算法取得最小值得出NDSW的引入将提高ALO算法的全局搜索性能提高ALO算法的局部开发性能，从而提高ALO算法的约束速度。
初始化蚂蚁和蚁狮的种群，用蚂蚁个体(即食管癌数据)代表BP神经网络的初始权值和阈值，个体初始化的BP神经网络的预测误差作为该个体的适应度值，确定食管癌风险预测模型的阈值和权值个数。
更新精英蚁狮：通过求解得到的适应度大小进行排序，选出最优蚁狮个体；对比每次迭代得到的最优蚁狮个体和精英蚁狮个体，如果每次迭代得到的最佳蚁狮比精英蚁狮群具有更优的适应值，则替换精英蚁狮。通过交叉变异算子和非线性动态权重保存并更新精英蚁狮的位置。
判断IALO算法是否达到初始设定的最大迭代次数Tmax，如果已经达到所设定的最大迭代次数Tmax，则输出的蚁狮精英为BP神经网络的所对应的最优权值和阈值。如果未达到，则迭代次数加1，继续循环计算IALO算法，直到达到最大的迭代次数Tmax。
步骤四：将步骤三得到的精英蚁狮个体作为BP神经网络的最优权值和阈值构建食管癌风险预测模型，并利用样本数据对食管癌风险预测模型进行训练，利用训练好的食管癌风险预测模型对新的食管鳞癌数据进行生存分析预测。
将IALO算法得到的最优精英蚁狮个体作为BP神经网络的最优权值和阈值，当输出的误差小于设定的误差时，结束计算。否则循环计算以上过程，直到BP神经网络输出的误差小于初始设定的误差，终止计算。通过已经确定得到BP神经网络模型，对食管鳞癌数据进行生存分析预测。
作为初始权值和阈值构建BP神经网络，将降维后的食管鳞癌影响因素的数据Z(步骤一经过PCA法处理的样本数据)代入BP神经网络中进行训练，将全局误差用于IALO算法的适应度函数。本发明的基本思想就是用个体代表BP神经网络网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值，通过训练寻找最优解，即最优个体作为最优BP神经网络初始权值。
利用改进蚁狮算法优化BP神经网络权值和全局误差，选取sigmoid作为核函数对样本数据进行训练，建立食管癌风险预测模型的实现方法为：
S1：初始化种群，对种群个体进行编码，基因序列为权值和误差，生成随机种群。
S2：设置最大迭代次数Tmax，用PCA法对种群个体进行优化筛选，将样本数据分为训练样本和测试样本、训练样本用于训练，测试样本用于建立的模型进行测试，对训练样本进行训练，通过适应度函数计算得出种群个体的适应度。
S3：当种群最优个体达到终止迭代时退出寻优过程，得到最优化解，执行步骤S5，否则执行步骤S4。
S4：对当代存活的种群执行适应值比较，将精英蚁狮群与每次迭代得到的最佳蚁狮进行比较，如果每次迭代得到的最佳蚁狮比精英蚁狮群具有更大的适应值，则替换精英蚁狮群，执行步骤S3。
S5：得到最优权值和最优全局误差，并将最优权值和最优全局误差带入到BP神经网络中通过已经确定的BP神经网络模型，对食管鳞癌生存预测模型进行构建，从而模型被提出：
其中，RH为食管癌生存的预测模型；xi为BP神经网络的输入层；ωij和νjl分别为BP神经网络的输入层和隐含层、隐含层和输出层之间的权值；aj和bl分别为BP神经网络的输入层和隐含层、隐含层和输出层之间的阈值；tanh为BP神经网络中隐含层的激励函数，函数的定义域和值域分别为(－∞，+∞)和(－1，+1)。
变量定义：
输入向量：p＝(p1,p2,p3…,pm) (21)
隐含层输入向量：hi＝(hi1,hi2,…,hic) (22)
隐含层输出向量：ho＝(ho1,ho2,…,hoc) (23)
输出层输入向量：yi＝(yi1,yi2,…,yiq) (24)
输出层输出向量：yo＝(yo1,yo2,…,yoq) (25)
期望输出向量：do＝(d1,d2,…,dq) (26)
样本数据个数:Ki＝(Ki,1,Ki,2,Ki,3,…,Ki,501,) (27)
其中，p为降维后的样本数据，隐含层输入向量＝与他相关的各输入向量*输入层和隐含层的连接权值、隐含层的输出向量作为输出的输入向量，输出层输出向量＝与他相关的输出层输入向量*隐含层与输出层的连接权值。
BP神经网络的参数初始化：将BP神经网络的输入层、隐含层、输出层的节点数设为n、c、q。
给各连接权值分别赋一个区间(-1,1)内的随机数，给定误差函数E1，给定计算精度值和最大学习次数Tmax，误差函数为：
其中，do(K)为期望的输出函数、yo(K)为实际输出的函数
随机选取第K个样本数据及对应期望输出，输入样本数据及对应期望输出为：
p(K)＝(p1(K),p2(K),…,pm(K)) (29)
do(K)＝(d1(K),d2(K),…,dq(K)) (30)
计算隐含层各神经元的输入和输出
hoh(K)＝f(hih(K))h＝1,2,…,p (32)
yoo(K)＝f(yio(K))o＝1,2,…q (34)
其中，wih为输入层和隐含层的连接权值，who为隐含层与输出层的连接权值，bh为隐含层各神经元的阈值，bo为输出层各神经元的阈值，f()为激活函数sigmoid函数。
利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数(找误差曲面中的最低点)，计算误差函数对输出层的各神经元的偏导数公式：
利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)：
利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正链接权值who(k)：
利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权。
计算全局误差
当
此时Δwho＜0 (47)
误差对权值的偏导数大于零时，权值调整量为负，实际输出大于期望输出，权值向减少方向调整，使得实际输出与期望输出的差减少
当
此时Δwho＞0 (48)
误差对权值的偏导数小于0时，权值调整量为正，实际输出少于期望输出，权值向增大方向调整，使得实际输出与期望输出的差减少。
判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法，将公式(46)计算的得到的全局误差值用于IALO算法的适应度函数。否则，选取下一个学习样本及对应的期望输出，进入下一轮学习。
由公式(48)计算网络与期望输出误差，利用公式(42)、(43)、(44)、(45)更新权值与阈值。将PCA降维后的5维测试数据代入到训练好的BP神经网络模型中，预测食管癌患者的生存期。
函数测试实验与结果分析：
(1)参数设置：
本发明选取蚁狮优化算法(ALO)、樽海鞘算法(SSA)、自适应蚁狮优化算法(AALO)、变异算子蚁狮优化算法(MALO)和蜻蜓算法(DA)。为了使得算法的公平性，对比的算法的种群和迭代次数设置都为统一。种群设置为30，迭代次数设置为500。
(2)测试函数：
本发明选择了23个基准函数对6种算法进行对比分析。1-8为单峰基准函数，9-14为多峰函数，14-23为混合函数。
表1基准函数测试
(3)实验结果与分析
选取蚁狮优化算法(ALO)、樽海鞘算法(SSA)、自适应蚁狮优化算法(AALO)、变异算子蚁狮优化算法(MALO)和蜻蜓算法(DA)与本发明的改进蚁狮优化算法(IALO)进行函数优化的结果对比，以验证IALO算法的性能。分别计算出基准函数适应度的平均值和标准方差，均值可以反映每个算法的寻优精度，标准方差可以直观反映每个算法的鲁棒性和稳定性。根据实验结果可以看出，对于所有的测试函数F1-F23，本发明的IALO算法的平均值、标准方差全部明显优于ALO、SSA、AALO、MALO和DA算法。如图3、图4、图5和表2所示，IALO算法除部分函数的收敛图比其他算法大，剩余的IALO算法的收敛曲线都比其他算法好，并且体现出IALO算法的优化速度快，稳定性高。
表2测试函数的结果
本发明应用PCA将食管鳞癌数据进行降维处理；初始化相关参数，对样本数据进行处理，在确定好BP神经网络拓扑结构的前提下，通过初始化BP神经网络的初始权值和阈值，确定IALO算法的适应度函数；初始化蚂蚁和蚁狮的种群；通过适应度大小进行排序；利用交叉变异和自适应权重保存并更新精英蚁狮；当达到初始设定的最大迭代次数时，输出蚁狮精英中所对应的最优权值。如果未达到，则迭代次数加1，返回继续循环，直到达到最大迭代次数；利用最优权值和阈值构建BP神经网络；计算网络和期望输出误差，当输出的误差小于设定的误差时，结束计算，将训练好的BP神经网络用于食管鳞癌的生存预测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，其步骤如下：
步骤一：利用PCA法将采集的食管鳞癌数据进行降维处理，以重要性排列提取食管鳞癌数据的特征值组成样本数据；
步骤二：根据样本数据确定BP神经网络的拓扑结构，对样本数据进行预处理并输入BP神经网络，计算BP神经网络的全局误差；
步骤三：在标准的ALO算法中加入交叉变异算子和非线性动态权重得到IALO算法，将步骤二的全局误差作为IALO算法的适应度函数，保存并更新精英蚁狮的位置；
步骤四：将步骤三得到的精英蚁狮个体作为BP神经网络的最优权值和阈值构建食管癌风险预测模型，并利用样本数据对食管癌风险预测模型进行训练，利用训练好的食管癌风险预测模型对食管鳞癌数据进行生存分析预测。
2.根据权利要求1所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述PCA法通过计算食管鳞癌数据组成矩阵的协方差矩阵，然后得到协方差矩阵的特征值和特征向量，选择特征值最大的p个特征值所对应的特征向量组成的矩阵即为样本数据。
3.根据权利要求2所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述样本数据的获取方法为：将食管鳞癌数据组成矩阵X，求出矩阵X的协方差矩阵；运用线性代数的方法求得协方差矩阵的特征值和特征向量；计算各个特征值对应的方差贡献率和累计方差贡献率；将方差贡献和累计方差贡献率按对应大小从上到下按行排列成矩阵，且累计方差贡献率Ti≥0.85，则选择前p个特征值对应行的数据组成矩阵L；
降维后的数据为
其中，lpp表示第p个变量的第p个指标的取值，xp表示食管鳞癌数据组成矩阵X的第p行。
4.根据权利要求1-3中任意一项所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述食管鳞癌数据的每组数据包括17种血液指标信息和生存期信息；所述17种血液指标信息分别为白细胞计数、淋巴细胞计数、单核细胞、中性粒细胞计数、嗜酸粒细胞计数、嗜碱粒细胞计数、红细胞计数、血红蛋白浓度、血小板计数、总蛋白、白蛋白、球蛋白、凝血酶原时间、国际标准化比值、活化部分凝血活酶时间、凝血酶时间、纤维蛋白原；所述生存期信息是生存时间，生存时间的范围为0.26月到137.00月。
5.根据权利要求4所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述PCA法的输入为17组数据，经过降维处理得到5组数据；BP神经网络的结构为5-10-1的结构，即输入层为5个神经元，隐含层有10个神经元，输出层为1层的神经网络。
6.根据权利要求5所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述步骤二计算BP神经网络的全局误差的方法为：
S1、对各个患者的每种血液指标信息进行归一化；
S2、利用随机数随机设定BP神经网络的隐含层和输入层之间的初始连接权重向量wih、隐含层与输出层的连接权值who，设定最大循环次数tmax；
S3、将各个患者的血液指标作为输入向量输入至BP神经网络的输入层；
S4、计算隐含层的连接权值向量与输入向量的欧氏距离，通过连接权值的大小找到与输入向量最近似的神经元作为优胜神经元h；
S5、将血液指标对应的优胜神经元进行标号，直到所有血液指标均输入完成；
S6、判断全局误差是否满足要求：当全局误差达到预设精度或迭代次数大于设定的最大次数tmax，则将全局误差用于IALO算法的适应度函数；否则，选取下一个样本数据及对应的期望输出，循环执行步骤S3到步骤S6。
7.根据权利要求6所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述全局误差为：
其中，q为BP神经网络输入层输入向量的个数，do(K)为期望的输入向量，m表示输入向量的个数，yo(K)是实际的输入向量。
8.根据权利要求1或6所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述IALO算法中围绕精英蚁狮周围游走和轮盘赌选择的蚁狮周围游走为并行搜索；
所述交叉变异算子是在每次位置更新后以一定的概率重新初始化，即若rand＞0.7，则x(i,:)＝rands(1,D)；其中，rand表示(0,1)之间的随机数，x(i,:)表示在第i个蚂蚁的所有维空间位置，D表示影响因素的数量；
所述轮盘赌选择的方法为：个体的选择概率
其中，fi为个体的适应度，N表示种群个体数；
将已得到的最优蚁狮适应值定义为精英蚁狮，设每只蚂蚁都是随机地在轮盘赌、精英蚁狮的范围内随机游走：
其中，
是在第t次迭代中由轮盘赌选择的蚂蚁的随机游走的步长；
是在第t次迭代中随机游走于精英蚁狮群的蚂蚁的步长；
表示第t次迭代的第i个蚂蚁的位置；
所述非线性动态权重的实现方法为：
式中：ω_I为自适应权重；ωmax为权值的最大值；ωmin为权值的最小值，t表示当前迭代次数，Tmax表示最大迭代次数；
改进后蚂蚁的位置变化为：
9.根据权利要求8所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述IALO算法中初始化蚂蚁和蚁狮的种群，用蚂蚁个体即食管癌数据代表BP神经网络的初始权值和阈值，个体初始化的BP神经网络的预测误差作为该个体的适应度值，确定食管癌风险预测模型的阈值和权值个数；
将得到的适应度值按照大小进行排序，选出最优蚁狮个体；对比每次迭代得到的最优蚁狮个体和精英蚁狮个体，如果得到的最佳蚁狮比精英蚁狮群具有更优的适应值，则替换精英蚁狮；
判断IALO算法是否达到初始设定的最大迭代次数，如果达到最大迭代次数，则输出的精英蚁狮为BP神经网络的所对应的最优权值和阈值；如果未达到最大迭代次数，则迭代次数加1，继续循环IALO算法，直到达到最大的迭代次数Tmax；
在食管癌风险预测模型训练中，当输出的全局误差小于设定的误差时，结束计算；否则循环计算，直到BP神经网络输出的全局误差小于初始设定的误差。
10.根据权利要求1、6、7或9所述的基于改进蚁狮算法和BP神经网络的食管鳞癌生存预测方法，其特征在于，所述食管鳞癌生存预测模型为：
其中，RH为食管癌生存的预测模型；xi为BP神经网络的输入层；ωij和νjl分别为BP神经网络的输入层和隐含层、隐含层和输出层之间的权值；aj和bl分别为BP神经网络的输入层和隐含层、隐含层和输出层之间的阈值；tanh为BP神经网络中隐含层的激励函数，q和m均表示输入向量的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210358247.5A CN114724705A (zh) | 2022-04-06 | 2022-04-06 | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210358247.5A CN114724705A (zh) | 2022-04-06 | 2022-04-06 | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114724705A true CN114724705A (zh) | 2022-07-08 |
Family
ID=82241407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210358247.5A Pending CN114724705A (zh) | 2022-04-06 | 2022-04-06 | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114724705A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115458167A (zh) * | 2022-09-13 | 2022-12-09 | 郑州市中心医院 | 基于正余弦机制改进飞蛾扑火算法的肺癌预测方法 |
| CN117233540A (zh) * | 2023-11-15 | 2023-12-15 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
| CN117936103A (zh) * | 2024-03-22 | 2024-04-26 | 莆田市军源特种装备科技有限公司 | 一种基于神经网络的智能ai针灸模型训练系统及方法 |
-
2022
- 2022-04-06 CN CN202210358247.5A patent/CN114724705A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115458167A (zh) * | 2022-09-13 | 2022-12-09 | 郑州市中心医院 | 基于正余弦机制改进飞蛾扑火算法的肺癌预测方法 |
| CN117233540A (zh) * | 2023-11-15 | 2023-12-15 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
| CN117233540B (zh) * | 2023-11-15 | 2024-02-20 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
| CN117936103A (zh) * | 2024-03-22 | 2024-04-26 | 莆田市军源特种装备科技有限公司 | 一种基于神经网络的智能ai针灸模型训练系统及方法 |
| CN117936103B (zh) * | 2024-03-22 | 2024-05-28 | 莆田市军源特种装备科技有限公司 | 一种基于神经网络的智能ai针灸模型训练系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114724705A (zh) | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 | |
| CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
| Chang et al. | Evolutionary design of a fuzzy classifier from data | |
| Pham et al. | Application of the bees algorithm to the training of learning vector quantisation networks for control chart pattern recognition | |
| Sinkkonen et al. | Clustering based on conditional distributions in an auxiliary space | |
| Pham et al. | Application of the bees algorithm to the training of radial basis function networks for control chart pattern recognition | |
| CN112215259B (zh) | 基因选择方法和装置 | |
| CN111079074A (zh) | 一种基于改进的正弦余弦算法构建预测模型的方法 | |
| CN110991494A (zh) | 一种基于改进的飞蛾优化算法构建预测模型的方法 | |
| Badriyah et al. | Improving stroke diagnosis accuracy using hyperparameter optimized deep learning | |
| CN113762370A (zh) | 一种结合高斯随机场的深度网络集合生成方法 | |
| Topchy et al. | Fast learning in multilayered neural networks by means of hybrid evolutionary and gradient algorithms | |
| CN115472291A (zh) | 基于改进樽海鞘优化bp神经网络的食管鳞癌生存预测方法 | |
| Hou et al. | Evolving dendritic neuron model by equilibrium optimizer algorithm | |
| Cho | Combining modular neural networks developed by evolutionary algorithm | |
| CN113066522A (zh) | 一种基于模块化识别的基因网络推理方法 | |
| Kumar et al. | An efficient adaptive genetic algorithm technique to improve the neural network performance with aid of adaptive GA operators | |
| Soares et al. | Feature selection in small databases: a medical-case study | |
| Coy et al. | Improving evolutionary training for sugeno fuzzy inference systems using a mutable rule base | |
| Meenakshi et al. | Categorisation and Prognosticationof Diabetic Retinopathy using Ensemble Learning and CNN | |
| Iacob et al. | Delay-Sensitive Local Plasticity in Echo State Networks | |
| Gagula-Palalic et al. | An organized committee of artificial neural networks in the classification of human chromosomes | |
| CN117727373B (zh) | 基于样本和特征双加权的特征约简中智c-均值聚类方法 | |
| Liew et al. | Hierarchical parallel genetic optimization fuzzy ARTMAP ensemble | |
| Sasithradevi et al. | AntLion Optimization Algorithm based Type II Diabetes Mellitus Prediction |
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 |