CN115537467A - 基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用 - Google Patents

基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用 Download PDF

Info

Publication number
CN115537467A
CN115537467A CN202211271193.5A CN202211271193A CN115537467A CN 115537467 A CN115537467 A CN 115537467A CN 202211271193 A CN202211271193 A CN 202211271193A CN 115537467 A CN115537467 A CN 115537467A
Authority
CN
China
Prior art keywords
ovarian cancer
model
survival
data
gene
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
CN202211271193.5A
Other languages
English (en)
Inventor
郎廷元
杨牧垚
周琦
李蕴哲
杨玲玲
崔晨曦
邹冬玲
王冬
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.)
Chongqing University Cancer Hospital
Original Assignee
Chongqing University Cancer Hospital
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 Chongqing University Cancer Hospital filed Critical Chongqing University Cancer Hospital
Priority to CN202211271193.5A priority Critical patent/CN115537467A/zh
Publication of CN115537467A publication Critical patent/CN115537467A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • 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
    • 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
    • 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
    • G16H50/30—ICT 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/118—Prognosis of disease development

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Organic Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biotechnology (AREA)
  • Epidemiology (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Hospice & Palliative Care (AREA)
  • Primary Health Care (AREA)
  • Oncology (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Microbiology (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明公开了基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用，以TCGA数据库中卵巢癌样本RNA测序数据经预处理后的数据作为模型训练和验证的数据；以通过Kaplan‑Meier、Cox‑PH和ROC分析方法鉴定的生存相关特征经K‑means聚类结果衡量最终选择的13种基因在卵巢癌样本中的mRNA表达水平；以深度神经网络(Deep neural network，DNN)算法训练，用于单样本预测的整合模块，以HNRPLL基因为内参和预处理过程中的参数制定而成，该模型能够预测3年和5年生存率，并且准确度高，因此能够用于卵巢癌生存预后预测。

Description

基于深度神经网络的卵巢癌生存预后预测分子模型的建立方 法及其应用
技术领域
本发明涉及癌症预后领域，具体涉及基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法，还涉及建立模型的应用。
背景技术
卵巢癌(Ovarian cancer,OC)是致死率最高的恶性肿瘤疾病之一，5年生存率仅46％，在过去20年中无明显提高，严重危害全球女性生命，其诊治和管理水平亟待提高。
准确预测卵巢癌患者生存预后有助于提高卵巢癌管理水平。第一，生存预后与癌细胞恶性成反比，生存预后预测可为临床决策提供参考；第二，生存预后与复发时间之间存在相关性，生存预后预测有助于提高复发预防意识；第三，生存预后预测可为患者及其家属提供相对准确的期许，避免过度医疗等情况。但目前卵巢癌预后预测方法的准确性仍然不高，不能满足临床需求。
肿瘤的特征可分如下四个层次：第一，病灶大小、转移情况等癌组织表观特征；第二，癌细胞形状、细胞核比例等癌细胞表观特征；第三，患者体液标志物浓度等体液标志物特征；第四，癌组织细胞中基因表达水平、蛋白表达水平等癌细胞分子特征。目前建立的生存预后预测分子模型多基于前三种特征，但这三种特征在预测卵巢癌生存预后方面均存在特异性不高和准确度差的问题，如：E Sun Paik等人所建立的以模型国际妇产科联盟(TheInternational Federation of Gynecology and Obstetrics,FIGO)分期、组织学分级、初诊手术后的减瘤情况、CA125血液浓度等指标为基础的机器学习算法模型(Paik ES,LeeJW,Park JY,et al.Prediction of survival outcomes in patients with epithelialovarian cancer using machine learning methods.[Journal Article].J GynecolOncol.2019；30(4):e65.)所区别的两类患者仅在2年生存率上存在差别，且经验证得出代表预测准确率的AUC值仅为0.843。而分子特征是随着近年大规模测序研究技术的发展而被逐渐挖掘成熟的一种特征，包括：基因突变、染色体异常、基因mRNA水平、基因蛋白表达水平等。分子特征是细胞行为的基础，因此，以分子特征为基础可提高预测肿瘤细胞恶性程度和患者生存预后的准确性。
人工智能在预测模型的建立方面相比传统回归分析克服了对数据分布的要求，在处理非线性和交互作用方面也存在优势，利用支持向量机或深度学习等人工智能中的机器学习或深度学习建立预测模型可显著提高模型的准确性。
基于此，一种以卵巢癌分子特征为基础的人工智能预后预测模型亟待开发。
发明内容
有鉴于此，本发明的目的之一在于提供一种13个基因标志物在建立基于深度神经网络的卵巢癌生存预后预测分子模型中的应用；本发明的目的之二在于提供基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法；本发明的目的之三在于提供检测13个基因标志物mRNA表达水平的试剂在制备卵巢癌生存预后预测分子模型的试剂盒中的应用。
为达到上述目的，本发明提供如下技术方案：
1、13个基因标志物在建立基于深度神经网络的卵巢癌生存预后预测分子模型中的应用，所述13个基因标志物为分别为：SLC44A5、AGR2、TEX261、HBP1、NUMB、ZNF76、ADIPOR2、MARCHF9、GTF2IRD1P1、COG5、APMAP、GOLT1B、LYVE1。
本发明优选的，所述预测分子模型还包括检测13个基因标志物表达量的试剂。
本发明优选的，所述预测分子模型以13个基因在卵巢癌样本中的表达水平为数据，以深度神经网络为算法，训练集和测试集的分割比例为8:2，通过5折交叉验证获取最优超参数，超参数分别为：网络第一层：Neurons number＝200，Activation＝Relu，Dropout＝0.2；网络第二层：Neurons number＝100，Activation＝Tanh，Dropout＝0.2；网络第三层：Neurons number＝3，Activation＝Softmax，Dropout＝0.2，经测试集测试通过的模型为初始训练模型，初始训练模型整合单样本数据转换模块后为得到预测分子模型。
本发明优选的，所述单样本数据的转换公式：
Figure BDA0003894058830000021
本发明优选的，所述内参基因为HNRPLL基因。
本发明优选的，所述预测分子模型的预测结果为以下三种：
1)生存能力强，3年生存率100％，5年生存率90％；
2)生存能力中，3年生存率90％，5年生存率50％；
3)生存能力低，3年生存率40％，5年生存率18％。
2、基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法，包括如下步骤：
(1)以TCGA数据库中284个卵巢癌样本的mRNA测序数据经预处理后的数据作为模型开发所用数据；
(2)利用K邻近缺失值填充方法填充数据中的缺失值，再以Quantile标准化方法对数据进行标准化处理，再以Z-score缩放方法对数据进行缩放，完成数据的预处理；
(3)项目利用以中位数为表达水平临界值的Kaplan-Meier分析、以四分位数为表达水平临界值的Kaplan-Meier分析和Cox-PH分析鉴定卵巢癌生存相关基因，再取三次分析具有统计学意义
Figure BDA0003894058830000032
的结果的交集，筛选出卵巢癌生存相关特征基因；
(4)绘制卵巢癌生存相关特征基因患者三年和五年生存情况的ROC曲线，取结果具有统计学意义
Figure BDA0003894058830000033
且AUC大于0.5的特征交集，并利用平均AUC值对筛选所得特征降序排序，再通过K均值聚类评价获得模型建立所需的13个基因mRNA基因表达水平作为特征；
(5)以13个基因在卵巢癌样本中的表达水平为数据，以深度神经网络为算法，训练集和测试集的分割比例为8:2，通过5折交叉验证获取最优超参数，超参数分别为：网络第一层：Neurons number＝200，Activation＝Relu，Dropout＝0.2；网络第二层：Neuronsnumber＝100，Activation＝Tanh，Dropout＝0.2；网络第三层：Neurons number＝3，Activation＝Softmax，Dropout＝0.2，经测试集测试通过的模型为初始训练模型，初始训练模型整合单样本数据转换模块后为得到预测分子模型。
本发明优选的，所述单样本数据的转换公式：
Figure BDA0003894058830000031
3、检测13个基因标志物mRNA表达水平的试剂在制备卵巢癌生存预后预测分子模型的试剂盒中的应用，所述13个基因标志物为分别为：SLC44A5、AGR2、TEX261、HBP1、NUMB、ZNF76、ADIPOR2、MARCHF9、GTF2IRD1P1、COG5、APMAP、GOLT1B、LYVE1。
本发明优选的，所述试剂为qPCR检测试剂。
本发明的有益效果在于：本发明公开了基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法，通过该方法筛选到13个基因标志物为卵巢癌生存相关基因，可以构建卵巢癌生存预后预测分子模型，能够预测得以下三种：1)生存能力强，意味3年生存率100％，5年生存率90％；2)生存能力中，意味3年生存率90％，5年生存率50％；3)生存能力低，意味3年生存率40％，5年生存率18％，并且模型预测的准确率为AUC＝0.9408。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为基于深度神经网络的卵巢癌生存预后预测分子模型开发流程图；
图2为模型开发所需数据预处理流程图；
图3为模型开发数据的热图展示；
图4为模型所需特征选择研究流程图；
图5为模型所选特征表达谱的热图展示；
图6为基于模型所选特征的卵巢癌样本聚类结果；
图7为模型开发流程图；
图8为模型准确性验证流程图；
图9为模型准确性验证结果(A：整合模型ROC；B：整合模型预测TCGA卵巢癌样本)。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例1、基于深度神经网络的卵巢癌生存预后预测分子模型开发的设计
基于深度神经网络的卵巢癌生存预后预测分子模型开发包括以下几个步骤，具体如图1所示：
步骤一：TCGA数据库卵巢癌基因表达数据准备；
步骤二：根据准备的数据预处理数据，建立模型训练所需数据集；
步骤三：在数据集中筛选模型构建所需基因特征，即生存相关基因mRNA表达水平；
步骤四：以模型训练所需特征对数据集中的样本聚类，并确定不同类别的样本间存在生存差异；
步骤五：以深度神经网络算法、模型训练所需特征、数据集中的样本分类进行模型训练，并整合单样本数据转换模块，形成最终模型；
步骤六：对模型的准确度进行验证。
实施例2、基于深度神经网络的卵巢癌生存预后预测分子模型开发的数据准备和预处理
如图2所示，模型训练所需数据集来源于The Cancer Genome Atlas(TCGA)数据库中284个原发原位卵巢癌样本的mRNA测序数据，利用K邻近缺失值填充方法填充数据中的缺失值，再以Quantile标准化方法对数据进行标准化处理，再以Z-score缩放方法对数据进行缩放，完成数据的预处理，预处理后的基因和小微RNA在284例卵巢癌样本中的mRNA表达水平在图3中呈现。
实施例3、基于深度神经网络的卵巢癌生存预后预测分子模型开发所需的特征选择及卵巢癌样本聚类结果
根据模型的目的，本项目应该选择卵巢癌生存相关基因的mRNA表达水平作为特征。如图4所示，项目分别利用以中位数为表达水平临界值的Kaplan-Meier分析、以四分位数为表达水平临界值的Kaplan-Meier分析和Cox-PH分析鉴定卵巢癌生存相关基因，再取三次分析具有统计学意义
Figure BDA0003894058830000051
的结果的交集，完成卵巢癌生存相关特征的筛选。进一步的，利用ROC分析方法对每一个生存相关特征再次筛选并排序，具体方法为：绘制每个生存相关特征鉴别患者三年和五年生存情况的ROC曲线，取结果具有统计学意义
Figure BDA0003894058830000052
且AUC大于0.5的特征交集，并利用平均AUC值对筛选所得特征降序排序。再通过K均值聚类评价获得模型建立所需的13个基因的mRNA基因表达水平作为特征，13个基因分别为：SLC44A5(Gene ID：204962)、AGR2(Gene ID：10551)、TEX261(Gene ID：113419)、HBP1(Gene ID：26959)、NUMB(Gene ID：8650)、ZNF76(Gene ID：7629)、ADIPOR2(Gene ID：79602)、MARCHF9(Gene ID：92979)、GTF2IRD1P1(Gene ID：729156)、COG5(Gene ID：10466)、APMAP(Gene ID：57136)、GOLT1B(Gene ID：51026)、LYVE1(Gene ID：10894)。该13个基因在284例卵巢癌样本中的mRNA表达水平在图5中呈现。以该13个基因的mRNA表达水平特征为基础的284个卵巢癌样本聚类结果在图6中呈现，可见284个样本可聚为生存能力高、中、低三类。
实施例4、基于深度神经网络的卵巢癌生存预后预测分子模型开发及验证
如图7所示，模型训练所需的数据为上述13个基因在284个卵巢癌样本中的表达水平数据，被标记为生存能力高、中、低三类的284个卵巢癌样本，HNRPLL基因为内参基因。模型训练的主要参数如下：算法为深度神经网络，训练集和测试集的分割比例为8:2，通过5折交叉验证获取最优超参数，超参数分别为：网络第一层：Neurons number＝200，Activation＝Relu，Dropout＝0.2；网络第二层：Neurons number＝100，Activation＝Tanh，Dropout＝0.2；网络第三层：Neurons number＝3，Activation＝Softmax，Dropout＝0.2，经测试集测试通过的模型为初始训练模型。初始训练模型整合单样本数据转换模块后为最终模型。上述单样本数据转换模块的公式如下：
Figure BDA0003894058830000061
模型的验证流程如图8所示，未经预处理的开发数据原数据样本逐一输入模型进行预测，预测结果通过ROC曲线和Kaplan-Meier生存分析评价。如图9中A所示，模型预测的准确率为AUC＝0.9408，如图9中B所示，Kaplan-Meier生存分析结果显示经预测的284例卵巢癌患者分为三组，三组患者具有明显不同的生存能力。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.13个基因标志物在建立基于深度神经网络的卵巢癌生存预后预测分子模型中的应用，其特征在于：所述13个基因标志物为分别为：SLC44A5、AGR2、TEX261、HBP1、NUMB、ZNF76、ADIPOR2、MARCHF9、GTF2IRD1P1、COG5、APMAP、GOLT1B、LYVE1。
2.根据权利要求1所述的应用，其特征在于：所述预测分子模型还包括检测13个基因标志物表达量的试剂。
3.根据权利要求1所述的应用，其特征在于：所述预测分子模型以13个基因在卵巢癌样本中的表达水平为数据，以深度神经网络为算法，训练集和测试集的分割比例为8:2，通过5折交叉验证获取最优超参数，超参数分别为：网络第一层：Neurons number＝200，Activation＝Relu，Dropout＝0.2；网络第二层：Neurons number＝100，Activation＝Tanh，Dropout＝0.2；网络第三层：Neurons number＝3，Activation＝Softmax，Dropout＝0.2，经测试集测试通过的模型为初始训练模型，初始训练模型整合单样本数据转换模块后为得到预测分子模型。
4.根据权利要求1所述的应用，其特征在于：所述单样本数据的转换公式：
Figure FDA0003894058820000011
5.根据权利要求4所述的应用，其特征在于：所述内参基因为HNRPLL基因。
6.根据权利要求1～5任一项所述的应用，其特征在于：所述预测分子模型的预测结果为以下三种：
1)生存能力强，3年生存率100％，5年生存率90％；
2)生存能力中，3年生存率90％，5年生存率50％；
3)生存能力低，3年生存率40％，5年生存率18％。
7.基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法，其特征在于：包括如下步骤：
(1)以TCGA数据库中284个卵巢癌样本的mRNA测序数据经预处理后的数据作为模型开发所用数据；
(2)利用K邻近缺失值填充方法填充数据中的缺失值，再以Quantile标准化方法对数据进行标准化处理，再以Z-score缩放方法对数据进行缩放，完成数据的预处理；
(3)项目利用以中位数为表达水平临界值的Kaplan-Meier分析、以四分位数为表达水平临界值的Kaplan-Meier分析和Cox-PH分析鉴定卵巢癌生存相关基因，再取三次分析具有统计学意义(P<0.05)的结果的交集，筛选出卵巢癌生存相关特征基因；
(4)绘制卵巢癌生存相关特征基因患者三年和五年生存情况的ROC曲线，取结果具有统计学意义
Figure FDA0003894058820000022
且AUC大于0.5的特征交集，并利用平均AUC值对筛选所得特征降序排序，再通过K均值聚类评价获得模型建立所需的13个基因mRNA基因表达水平作为特征；
(5)以13个基因在卵巢癌样本中的表达水平为数据，以深度神经网络为算法，训练集和测试集的分割比例为8:2，通过5折交叉验证获取最优超参数，超参数分别为：网络第一层：Neurons number＝200，Activation＝Relu，Dropout＝0.2；网络第二层：Neurons number＝100，Activation＝Tanh，Dropout＝0.2；网络第三层：Neurons number＝3，Activation＝Softmax，Dropout＝0.2，经测试集测试通过的模型为初始训练模型，初始训练模型整合单样本数据转换模块后为得到预测分子模型。
8.根据权利要求7所述基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法，其特征在于：所述单样本数据的转换公式：
Figure FDA0003894058820000021
9.检测13个基因标志物mRNA表达水平的试剂在制备卵巢癌生存预后预测分子模型的试剂盒中的应用，其特征在于：所述13个基因标志物为分别为：SLC44A5、AGR2、TEX261、HBP1、NUMB、ZNF76、ADIPOR2、MARCHF9、GTF2IRD1P1、COG5、APMAP、GOLT1B、LYVE1。
10.根据权利要求9所述的应用，其特征在于：所述试剂为qPCR检测试剂。
CN202211271193.5A 2022-10-17 2022-10-17 基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用 Pending CN115537467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211271193.5A CN115537467A (zh) 2022-10-17 2022-10-17 基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211271193.5A CN115537467A (zh) 2022-10-17 2022-10-17 基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用

Publications (1)

Publication Number Publication Date
CN115537467A true CN115537467A (zh) 2022-12-30

Family

ID=84735780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211271193.5A Pending CN115537467A (zh) 2022-10-17 2022-10-17 基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用

Country Status (1)

Country Link
CN (1) CN115537467A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862876A (zh) * 2023-03-02 2023-03-28 北京师范大学 基于免疫微环境基因群预测肺腺癌患者预后和用药指导的装置及计算机可读存储介质
CN117594243A (zh) * 2023-10-13 2024-02-23 太原理工大学 基于跨模态视图关联发现网络的卵巢癌预后预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862876A (zh) * 2023-03-02 2023-03-28 北京师范大学 基于免疫微环境基因群预测肺腺癌患者预后和用药指导的装置及计算机可读存储介质
CN117594243A (zh) * 2023-10-13 2024-02-23 太原理工大学 基于跨模态视图关联发现网络的卵巢癌预后预测方法
CN117594243B (zh) * 2023-10-13 2024-05-14 太原理工大学 基于跨模态视图关联发现网络的卵巢癌预后预测方法

Similar Documents

Publication Publication Date Title
Yao et al. Whole slide images based cancer survival prediction using attention guided deep multiple instance learning networks
CN115537467A (zh) 基于深度神经网络的卵巢癌生存预后预测分子模型的建立方法及其应用
Tang et al. CapSurv: Capsule network for survival analysis with whole slide pathological images
US7370021B2 (en) Medical applications of adaptive learning systems using gene expression data
CN109872776A (zh) 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用
US20140235487A1 (en) Oral cancer risk scoring
Li et al. Integrative analysis of histopathological images and genomic data in colon adenocarcinoma
Sahu et al. Efficient role of machine learning classifiers in the prediction and detection of breast cancer
Wen et al. Deep learning in digital pathology for personalized treatment plans of cancer patients
Sun et al. Five-year prognosis model of esophageal cancer based on genetic algorithm improved deep neural network
CN113096810A (zh) 一种基于卷积神经网络的食管鳞癌患者生存风险预测方法
CN111763738A (zh) 一种特征mRNA表达谱组合及肝癌早期预测方法
CN111944900A (zh) 一种特征lincRNA表达谱组合及子宫内膜癌早期预测方法
CN116895380A (zh) 基于多因素特征融合的疾病风险预测方法MFF-DeepPRS
CN111584005B (zh) 一种基于融合不同模式标志物的分类模型构建算法
CN115171906A (zh) 一种基于机器学习的前列腺癌筛查和诊断方法
CN108546761A (zh) 一种用于口腔鳞癌淋巴结转移预测的检测试剂盒
Patel et al. Predicting Mutation Status and Recurrence Free Survival in Non-Small Cell Lung Cancer: A Hierarchical ct Radiomics–Deep Learning Approach
CN111733252A (zh) 一种特征miRNA表达谱组合及胃癌早期预测方法
KR102485316B1 (ko) 딥러닝을 활용한 개인의 전체 유전체 데이터와 암 발생과의 연관성 예측에 관한 방법
Wang et al. Biologically-informed deep neural networks provide quantitative assessment of intratumoral heterogeneity in post-treatment glioblastoma
CN116790754B (zh) 一种用于甲状腺未分化癌预后预测的标志物组合及其应用
CN117153392B (zh) 一种胃癌预后预测的标志物、评估模型及其构建方法
CN118006789B (zh) 与结直肠癌相关生物标志物或其检测试剂在制备诊断结直肠癌的产品中的应用
CN115472294B (zh) 预测小细胞转化肺腺癌患者转化速度的模型及其构建方法

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