CN115985513B - 一种基于多组学癌症分型的数据处理方法、装置及设备 - Google Patents
一种基于多组学癌症分型的数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN115985513B CN115985513B CN202310012073.1A CN202310012073A CN115985513B CN 115985513 B CN115985513 B CN 115985513B CN 202310012073 A CN202310012073 A CN 202310012073A CN 115985513 B CN115985513 B CN 115985513B
- Authority
- CN
- China
- Prior art keywords
- data
- omic
- attention
- sets
- group
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 112
- 201000011510 cancer Diseases 0.000 title claims abstract description 103
- 238000003672 processing method Methods 0.000 title abstract description 19
- 239000000126 substance Substances 0.000 title description 32
- 238000000034 method Methods 0.000 claims abstract description 70
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000005096 rolling process Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000012545 processing Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 15
- 230000002962 histologic effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011282 treatment Methods 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 101100314454 Caenorhabditis elegans tra-1 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000007067 DNA methylation Effects 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000026535 luminal A breast carcinoma Diseases 0.000 description 1
- 208000026534 luminal B breast carcinoma Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 108020004999 messenger RNA Proteins 0.000 description 1
- 108091070501 miRNA Proteins 0.000 description 1
- 239000002679 microRNA Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本说明书提供一种基于多组学癌症分型的数据处理方法、装置及设备,该方法包括:获取目标对象的多组学数据;利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征;利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征;利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征;对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型,实现了癌症分型的自动化。本说明书实施例为癌症的精准诊断与治疗提供了更加准确、细致的数据基础,进而可以提升癌症的治愈率。
Description
技术领域
本说明书属于计算机技术领域,尤其涉及一种基于多组学癌症分型的数据处理方法、装置及设备。
背景技术
随着计算机技术的发展,医疗领域利用计算机技术进行辅助诊断和治疗也在逐渐普及,癌症作为一种难以治愈的疾病,针对癌症的研究越来越多,如果能够在癌症的诊断过程中对癌症的亚型进行更加细致准确的甄别,对于后续治疗就能够提供更加准确的数据依据。
一般情况下,大多由医生根据检查报告或病历信息,结合经验对癌症进行诊断,这种诊断方式只能够分出癌症的类型,且分类方法需要很强的个人经验,分类准确性不能得到保证。并且,癌症具有高度的异质性,每一种癌症可以分为多个不同的亚型,癌症分型就是临床及病理医生根据肿瘤细胞的某些分子改变,将其分成若干亚型的分类分型确定。若能够对癌症进行更加细化的分型诊断,就可以为临床提供更加针对性的个性化治疗方案,提升癌症治疗的效果。
因此,本领域亟需一种能够准确细致的对癌症进行分型处理的技术方案。
发明内容
本说明书实施例的目的在于提供一种基于多组学癌症分型的数据处理方法、装置及设备,实现了癌症诊断时的自动化分型,为后续癌症的精准治疗提供了更加准确、细致的数据基础,提升了癌症的治愈率。
一方面,本说明书实施例提供了一种基于多组学癌症分型的数据处理方法,所述方法包括:
获取目标对象的多组学数据;
利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征;
利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征;
利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征;
对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型。
另一方面,本说明书提供了一种基于多组学癌症分型的数据处理装置,所述装置包括:
组学数据获取模块,用于获取目标对象的多组学数据;
特征降维模块,用于利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征;
特征提取模块,用于利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征;
特征融合模块,用于利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征;
癌症分型模块,用于对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型。
又一方面,本说明书提供了一种基于多组学癌症分型的数据处理设备,包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该设备实现上述基于多组学癌症分型的数据处理方法。
还一方面,本说明书提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述基于多组学癌症分型的数据处理方法。
本说明书提供的基于多组学癌症分型的数据处理方法、装置及设备,采集目标对象的多组学数据,通过对多组学数据进行特征降维、特征提取、特征融合,进而学习到目标对象的多组学数据的综合特性,基于特征融合后的数据进行癌症分型的分类处理,确定出目标对象的癌症分型,实现了癌症分型的自动化,为癌症的精准诊断与治疗提供了更加准确、细致的数据基础,进而可以提升癌症的治愈率。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,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是本说明书实施例提供的基于多组学癌症分型的数据处理方法实施例的流程示意图;
图2是本说明书一个实施例中基于多组学数据的癌症分型方法中特征融合的原理示意图;
图3是本说明书一个实施例中基于多组学数据的癌症分型的原理示意图;
图4是本说明书提供的基于多组学癌症分型的数据处理装置一个实施例的模块结构示意图;
图5是本说明书一个实施例中基于多组学癌症分型的数据处理服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
癌症被世界卫生组织列为世界五大疑难杂症之一,癌症的治愈率与其分型的准确率有着紧密的联系,早确诊,早治疗,将大大提高癌症的治愈率。为了减轻医护人员的工作压力,加快癌症的诊断过程,把更多的医疗资源用于癌症的治疗,进而提高癌症的治愈率,人们尝试采用机器设备对癌症患者进行分型。
本说明书实施例提供了一种基于多组学癌症分型的数据处理方法,可以采集目标对象的多组学数据,对采集到的多组学数据进行特征降维、特征提取以及特征融合,最后基于融合的组学特征确定出目标对象的癌症分型,实现癌症分型的自动化分类,进而辅助医生进行癌症疾病诊断和治疗,提升癌症的治愈率。
图1是本说明书实施例提供的基于多组学癌症分型的数据处理方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的基于多组学癌症分型的数据处理方法的一个实施例中,所述方法可以应用在计算机、平板电脑、服务器、智能手机等终端设备中,所述方法可以包括如下步骤:
步骤102、获取目标对象的多组学数据。
在具体的实施过程中,目标对象可以理解为需要进行癌症分型的病患,可以对目标对象的血液进行分析,采集目标对象的多组学数据。其中,基因组学主要是对生物体所有基因进行表征和量化,在基因组水平上识别与疾病相关的变异,组学一般可以包括基因组学、转录组学、表观组学、代谢组学、蛋白质组学等,本说明书实施例中的多组学数据可以包括:mRNA表达数据、miRNA表达数据、DNA甲基化数据,当然,根据实际需要多组学数据还可以包括其他数据,本说明书实施例不做具体限定。
步骤104、利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征。
在具体的实施过程中,获取到目标对象的多组学数据后,可以采用全连接网络对多组学数据分别进行特征降维处理,获得低维的组学特征。
一般的组学数据原始特征维度比较大,里面包含着大量的噪声和冗余信息,本说明书实施例通过降维处理后,大大降低了组学数据的特征量,提升了癌症分型的数据处理速度。如:若多组学数据为三个组学,可以将每个组学数据分别输入三个全连接层(fullyconnected layers,FC),获取每个组学的低维特征表示。对于每个全连接层,令 表示网络输入的第m个组学数据,/>表示网络的输出数据,其中,N表示每一个组学数据中的样本的数量,Dm和dm分别表示输入和输出的特征维度。Ym可以表示为:
Ym=WmXm+bm
其中,Wm是权重矩阵,bm表示偏置。经过三个全连层最终得到的每个组学的低维特征记为Ym。
步骤106、利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征。
在具体的实施过程中,在获得多组学数据的降维组学特征后,利用图卷积网络(Graph Convolutional Network,GCN)对每一组学数据对应的降维组学特征进行特征提取,进而获得每一组学数据对应的组学特征。组学特征可以理解为采用智能学习算法对组学数据进行特征属性学习获得的数据,可以是特征参数的矩阵,本说明书实施例不做具体限定。
此外,本说明书一些实施例中,在利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取之前,所述方法还包括:
根据每一组学的数据特点,采用图学习的方式自适应构建样本之间的邻接矩阵;
所述利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,包括:
利用所述图卷积网络对每一组学数据对应的降维组学特征以及所述邻接矩阵进行特征提取,获得每一组学数据对应的组学特征。
在具体的实施过程中,本说明书实施例中,为了在特征提取过程中融入样本关系,根据每一组学的数据特点,构建样本在每一组学数据上的邻接矩阵。邻接矩阵是表示样本之间相邻关系的矩阵,将每个样本的每个组学数据视为样本关系图中的一个节点,令Gm={V,E,A}表示第m个组学的样本关系图,其中V表示节点,E为图中的边,A为边的权重,即邻接矩阵。假设有N个样本,则每个组学数据中生成一个N*N的邻接矩阵。将邻接矩阵以及每一组学数据对应的降维组学特征作为图卷积网络GCN的输入,即可得到每个组学数据对应的组学特征。GCN网络共有两个输入,一个输入是每个组学降维后的特征矩阵Ym,另一个输入是邻接矩阵A。GCN网络输出为:
Hm=f(Ym,A)=σ(AYmW)
其中,W为权重矩阵。σ(·)为非线性激活函数。本说明书实施例采用图学习的方式自适应构建样本之间的邻接矩阵A,给定图节点作为一个输入,其中/>表示图的第i个节点。图学习的目的用于自适应构建样本之间的邻接矩阵,首先设置A的初始值为样本之间的余弦距离,然后通过图学习生成一个软邻接矩阵表示两两样本之间的成对关系权重。在数学上,可以用一个单层神经网络来学习邻接矩阵A,公式如下:
其中,为可学习的加权向量,为了解决训练阶段梯度消失的问题,使用LeakRelu作为激活函数。对矩阵Α的每一行进行Softmax(·)函数运算,以保证学习到的邻接矩阵Α满足以下性质:
本说明书实施例将不同组学数据的样本之间的相关性作为组学特征提取的一个重要影响因素考虑,以提升癌症分型的准确性。
此外,在提取每一个组学数据特征时,通过设计损失函数进行邻接矩阵优化学习,使得每个组学学习到的特征更好。本说明书实施例使用以下损失函数对邻接矩阵Α进行优化。
其中,‖·‖F代表Frobenius范数。直观的说,上述公式的第一项意味着如果节点vi和节点vj在特征空间上相距越远,则权重值Aij越小。类似的,在特征空间上彼此越接近的节点具有更大的权重值,这个过程可以防止图卷积聚合噪声节点的信息。η是一个控制图中节点重要性的权衡参数。为减少节点数的影响,对所有节点取平均操作。上述公式的第二项用于控制邻接矩阵A的稀疏性,γ是一个权衡参数,较大的γ使图的软邻接矩阵A更稀疏。
本说明书一些实例中,在利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取之后,所述方法还包括:
将所述全连接网络的全连接层与所述图卷积网络进行残差连接,所述每一组学数据对应的组学特征为所述全连接网络输出的每一组数据对应的降维组学特征与所述图卷积网络输出的组学特征进行残差计算获得的。
在具体的实施过程中,本说明书实施例中将最后一个全连接层与GCN层做残差连接,进而最后GCN网络输出的每一组学数据的组学特征即为全连接网络输出的每一组数据对应的降维组学特征与图卷积网络输出的组学特征进行残差计算获得,用公式可以表示为:
Zm=Ym+Hm
通过将全连接网络和图卷积网络进行残差连接,解决了深度神经网络的退化问题,提升了组学数据特征的准确性。
步骤108、利用注意力机制对各组学学习到的组学特征进行特征融合,获得多组学数据的组学融合特征。
在具体的实施过程中,在获得每一组学数据的组学特征后,采用注意力机制对各组学数据对应的组学特征进行特征融合,进而获得多组学数据的组学融合特征。通过特征融合将多组学数据的特征进行集成,进而提升癌症分型的准确性。本说明书实施例应用注意机制来获取不同组学的权重,通过对各组学特征进行加权以获得组学融合特征。
本说明书实施例中,所述利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征,包括:
对多组学数据对应的组学特征进行线性变换,并对线性变换后的组学特征通过加权平均计算,获得多组学数据的注意力查询矩阵Q;
对多组学数据对应的组学特征进行线性变换,然后通过堆叠计算,获得多组学数据的注意力键矩阵K;
对多组学数据对应的组学特征采用图编码器进行图编码,并对图编码后的组学特征通过堆叠计算,获得多组学数据的注意力值矩阵V;
根据所述注意力查询矩阵Q和所述注意力键矩阵K计算各组学注意力得分及权重,根据注意力权重和所述注意力值矩阵V获得多组学数据的组学融合特征。
图2是本说明书一个实施例中基于多组学数据的癌症分型方法中特征融合的原理示意图,如图2所示,假设多组学数据为3个组学数据,图2中输入为上述实施例中获得的3个组学数据的组学特征Z1、Z2、Z3,注意机制可以理解为使用查询矩阵和键矩阵来计算注意力得分,进而得到注意力权重,然后将注意力权重与值矩阵进行加权求和。本说明书实施例使用Q、K来计算每个组学的注意力得分,然后通过归一化得到每个组学的注意力权重,根据组学注意力权重和V求得多组学数据的融合特征。如图2所示,对多组学数据的组学特征如:Z1、Z2、Z3,首先利用矩阵WQ进行线性变换,然后通过加权平均即Average计算,获得多组学数据的注意力查询矩阵Q;再对多组学数据的组学特征如:Z1、Z2、Z3利用矩阵WK进行线性变换,然后通过堆叠计算即Stack运算,获得多组学数据的注意力键矩阵K;再采用图编码器对多组学数据的组学特征如:Z1、Z2、Z3进行图编码,然后通过堆叠计算即Stack运算,获得多组学数据的注意力值矩阵V。图2中的矩阵WQ和WK分别定义为每个节点表示的两个可学的线性变换,Q矩阵和K矩阵计算过程如下:
Qi=ZiWQ,Q=Average[Q1,Q2,Q3]
Ki=ZiWK,K=Stack[K1,K2,K3]
其中,Average是元素平均,Stack运算将所有矩阵堆叠成一个新矩阵,WQ和Wk被所有组学共享,这样能使特征融合可以扩展到任意数量的组学。
由于组学注意力的输出是值矩阵V的加权求和,因此要求矩阵V尽可能保留原有的结构信息。不同于Q矩阵和K矩阵,本说明书实施例利用图编码器来获得矩阵V,目的是进一步考虑高阶结构信息。其中,图编码器由函数g和加权矩阵WV定义,公式如下:
Vi=g(Ai,Zi)=AiZiWV,V=Stack[V1,V2,V3]
在得到Q、K、V矩阵后,利用注意力机制,首先计算每个组学的注意力得分Si,计算公式如下:
其中,<>表示内积操作,表示比例因子。如果矩阵Q和Ki内积值越大,即注意力得分越高,意味着组学i的信息量更大,可以为该组学分配更大的权重,归一化的组学注意力权重αi可表示为:
αi=Softmax(Si)
将值矩阵V与各组学注意力权重加权求和,可得到最终的多组学融合特征即:
其中,M表示组学个数。在实际应用中,由于现实网络中节点大小的限制,可能无法用矩阵乘法来计算注意力分数。本说明书实施例采用内积运算,与矩阵乘法相比,内积运算的时间复杂度降低了N倍,大大加快了运算速度。
本说明书一些实施例中,所述根据所述注意力查询矩阵和所述注意力键矩阵计算各组学注意力得分及权重,根据注意力权重和所述注意力值矩阵获得多组学数据的组学融合特征,包括:
采用多头注意力机制独立学习得到多个不同的注意力查询矩阵、注意力键矩阵、注意力值矩阵;
将这多个不同的注意力查询矩阵、注意力键矩阵、注意力值矩阵,并行地输入注意力汇聚中;
将多个注意力汇聚的输出拼接在一起,并且通过线性投影进行变换,获得多组学数据的组学融合特征。
在具体的实施过程中,本说明书实施例将组学注意力机制扩展到多头注意力机制,以稳定组学注意力的学习过程,解决不同组学之间可能存在差异以及网络数据方差很大的问题。具体来说,可以利用H个头的注意力同时独立地执行,然后将它们的结果串联起来,得到如下融合特征表示:
其中,||表示连接,h表示第h个头。
步骤110、对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型。
在具体的实施过程中,在获得目标对象的多组学数据的组学融合特征后,可以使用分类器对组学融合特征进行癌症亚型分类,确定出目标对象的癌症分型。癌症分型即肿瘤分型可以理解为临床及病理医生根据肿瘤细胞的某些分子改变,将肿瘤分成若干亚型。确定出患者的癌症分型,一方面可以对患者的临床转归做出预判,另一方面,根据不同的分子亚型采取不同的后续治疗。如:乳腺癌的病理分型,根据免疫组化结果,可以分为LuminalA型、Luminal B型、Her-2过表达型、Basal-like型以及Normal-like型五种分子亚型,这五种分子亚型所采用的治疗方法和预后是完全不一样的。利用本说明书实施例提供的癌症分型方法,确定出目标对象的癌症分型后,可以辅助医生进行癌症的诊断和治疗,针对目标对象的癌症分型给出最优的治疗方案,提升癌症治愈的成功率。
可以将本说明书实施例提供的癌症分型数据处理方法训练成癌症分型的智能模型,利用模型对多组学数据进行特征提取、特征融合以及最后的分类,模型的结构以及训练方法可以根据实际需要进行设置,本说明书实施例不做具体限定。
此外,本说明书实施例还可以将输出的特征应用到最终的有监督分类任务中,利用LCE(·)交叉熵损失函数训练模型,如下表示:
其中,n表示训练的样本数,表示第j个样本经过模型训练输出的癌症亚型的标签,yj表示该样本真实的亚型标签。
此外,本说明书实施例添加了组学特征重构的辅助任务,令其中,/>组学特征重构可以被视为一种无监督任务与分类任务一起训练,损失函数设计为均方误差,表示为:
其中,M表示组学的数量,N表示构图的节点数。最终的损失函数可以表示为:
Loss=LC+αLGL+βLr
其中,α和β分别表示图学习任务和组学特征重构任务的权衡参数。
图3是本说明书一个实施例中基于多组学数据的癌症分型的原理示意图,图3中Samples表示样本数据,如图3所示,本说明书一个实施例中可以有3个组学数据,图3中左边部分可以用于进行特征降维和提取特征,可以先对每一个组学数据采用全连接网络即图3中的FC进行特征降维,FC下方的图形表示上述实施例中的邻接矩阵,可以将全连接网络的输出以及邻接矩阵作为图卷积网络GCN的输入,进而获得每个组学数据对应的组学特征Z1、Z2、Z3。此外,如图3所示,参见上述实施例的记载,还可以将全连接网络FC和GCN进行残差连接。图3右边表示对多组学数据的组学特征进行特征融合,如图3所示,可以将Z1、Z2、Z3分别进行不同的线性变换,然后求平均(Average)、堆叠(Stack)、图编码(GraphEncoder),分别获得注意力查询矩阵Q、注意力键矩阵K以及注意力值矩阵V,对Q、K、V进行多头注意力计算,具体方式参见上述实施例的记载,此处不再赘述。
本说明书一些实施例中,所述方法还包括:
在获得各组学数据的组学融合特征之后,利用图解码器对多组学数据的组学融合特征进行解码重构。
在具体的实施过程中,如图3所示,参见上述实施例的记载,在利用注意力查询矩阵Q和键矩阵K计算各组学注意力得分,得到各组学注意力权重后,根据各组学注意力权重和注意力值矩阵V获得多组学数据的组学融合特征,再利用图解码器即GraphDecoder对所述的组学融合特征进行解码,通过构建重构损失函数,克服图编码过程导致特征过度平滑的问题。
如上述实施例的记载,在进行特征融合时,本说明书实施例采用了图编码器对多组学数据的组学特征进行图编码操作,对多组学融合后的特征,并通过解码器构建重构损失函数,克服图编码过程导致特征过度平滑的问题。
如图3所示,在获得多组学数据的融合特征后,可以采用分类器进行分类,进而确定出最终的癌症分型。
本说明书实施例提供的基于多组学癌症分型的数据处理方法,采集目标对象的多组学数据,通过对多组学数据进行特征降维、特征提取、特征融合,进而学习到目标对象的多组学数据的融合特性,基于融合特征后的数据进行癌症分型的分类处理,确定出目标对象的癌症分型,为癌症的诊断提供了更加细化的诊断,实现了癌症分型的自动化,为癌症的诊断和治疗提供了更加准确、细致的数据基础,进而可以提升癌症的治愈率。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的基于多组学癌症分型的数据处理方法,本说明书一个或多个实施例还提供了一种用于基于多组学癌症分型的数据处理的系统、装置。所述系统可以包括使用了本说明书实施例所述方法的装置(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图4是本说明书提供的基于多组学癌症分型的数据处理装置一个实施例的模块结构示意图,如图4所示,本说明书中提供的基于多组学癌症分型的数据处理装置可以包括:
组学数据获取模块41,用于获取目标对象的多组学数据;
特征降维模块42,用于利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征;
特征提取模块43,用于利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征;
特征融合模块44,用于利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征;
癌症分型模块45,用于对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型。
本说明书一些实施例中,所述特征提取模块还用于:
在利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取之前,根据每一组学的数据特点,采用图学习的方式自适应构建样本之间的邻接矩阵;
利用所述图卷积网络对每一组学数据对应的降维组学特征以及所述邻接矩阵进行特征提取,获得每一组学数据对应的组学特征。
本说明书一些实施例中,还提供了一种基于多组学癌症分型的数据处理设备,包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该设备实现上述基于多组学癌症分型的数据处理方法。
需要说明的,上述所述的装置、设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的基于多组学癌症分型的数据处理装置,也可以应用在多种数据分析处理系统中。所述系统或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图5是本说明书一个实施例中基于多组学癌症分型的数据处理服务器的硬件结构框图,该计算机终端可以是上述实施例中的基于多组学癌症分型的数据处理服务器或基于多组学癌症分型的数据处理装置。如图5所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图5所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图5中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图5所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的基于多组学癌症分型的数据处理方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的上述基于多组学癌症分型的数据处理方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程资源数据更新设备的处理器以产生一个机器,使得通过计算机或其他可编程资源数据更新设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程资源数据更新设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (8)
1.一种基于多组学癌症分型的数据处理方法,其特征在于,所述方法包括:
获取目标对象的多组学数据;
利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征;
利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征;
利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征;
对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型;
所述利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征,包括:
对多组学数据对应的组学特征进行线性变换,并对线性变换后的组学特征通过加权平均计算,获得多组学数据的注意力查询矩阵;
对多组学数据对应的组学特征进行线性变换,并对线性变换后的组学特征通过堆叠计算,获得多组学数据的注意力键矩阵;
对多组学数据对应的组学特征采用图编码器进行图编码,并对图编码后的组学特征通过堆叠计算,获得多组学数据的注意力值矩阵;
根据所述注意力查询矩阵和所述注意力键矩阵计算各组学注意力得分及权重,根据注意力权重和所述注意力值矩阵获得多组学数据的组学融合特征;
所述根据所述注意力查询矩阵和所述注意力键矩阵计算各组学注意力得分及权重,根据注意力权重和所述注意力值矩阵获得多组学数据的组学融合特征,包括:
利用多头注意力机制独立学习得到多个不同的注意力查询矩阵、注意力键矩阵、注意力值矩阵;
将多个不同的注意力查询矩阵、注意力键矩阵、注意力值矩阵,并行地输入注意力汇聚中;
将多个注意力汇聚的输出拼接在一起,并且通过线性投影进行变换,获得多组学数据的组学融合特征。
2.如权利要求1所述的方法,其特征在于,在利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取之前,所述方法还包括:
根据每一组学的数据特点,采用图学习的方式自适应构建样本之间的邻接矩阵;
所述利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,包括:
利用所述图卷积网络对每一组学数据对应的降维组学特征以及所述邻接矩阵进行特征提取,获得每一组学数据对应的组学特征。
3.如权利要求1所述的方法,其特征在于,在利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取之后,所述方法还包括:
将所述全连接网络的全连接层与所述图卷积网络进行残差连接,所述每一组学数据对应的组学特征为所述全连接网络输出的每一组数据对应的降维组学特征与所述图卷积网络输出的组学特征进行残差计算获得的。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
在获得各组学数据的组学融合特征之后,利用图解码器对多组学数据的组学融合特征进行解码重构。
5.一种基于多组学癌症分型的数据处理装置,其特征在于,所述装置包括:
组学数据获取模块,用于获取目标对象的多组学数据;
特征降维模块,用于利用全连接网络对所述多组学数据分别进行特征降维,获取每一组学数据对应的降维组学特征;
特征提取模块,用于利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取,获得每一组学数据对应的组学特征;
特征融合模块,用于利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征;
癌症分型模块,用于对所述组学融合特征进行癌症亚型分类,确定出所述目标对象的癌症分型;
所述利用注意力机制对各组学数据对应的组学特征进行特征融合,获得多组学数据的组学融合特征,包括:
对多组学数据对应的组学特征进行线性变换,并对线性变换后的组学特征通过加权平均计算,获得多组学数据的注意力查询矩阵;
对多组学数据对应的组学特征进行线性变换,并对线性变换后的组学特征通过堆叠计算,获得多组学数据的注意力键矩阵;
对多组学数据对应的组学特征采用图编码器进行图编码,并对图编码后的组学特征通过堆叠计算,获得多组学数据的注意力值矩阵;
根据所述注意力查询矩阵和所述注意力键矩阵计算各组学注意力得分及权重,根据注意力权重和所述注意力值矩阵获得多组学数据的组学融合特征;
所述根据所述注意力查询矩阵和所述注意力键矩阵计算各组学注意力得分及权重,根据注意力权重和所述注意力值矩阵获得多组学数据的组学融合特征,包括:
利用多头注意力机制独立学习得到多个不同的注意力查询矩阵、注意力键矩阵、注意力值矩阵;
将多个不同的注意力查询矩阵、注意力键矩阵、注意力值矩阵,并行地输入注意力汇聚中;
将多个注意力汇聚的输出拼接在一起,并且通过线性投影进行变换,获得多组学数据的组学融合特征。
6.如权利要求5所述的装置,其特征在于,所述特征提取模块还用于:
在利用图卷积网络对每一组学数据对应的降维组学特征进行特征提取之前,根据每一组学的数据特点,采用图学习的方式自适应构建样本之间的邻接矩阵;
利用所述图卷积网络对每一组学数据对应的降维组学特征以及所述邻接矩阵进行特征提取,获得每一组学数据对应的组学特征。
7.一种基于多组学癌症分型的数据处理设备,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该设备实现如权利要求1至4中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012073.1A CN115985513B (zh) | 2023-01-05 | 2023-01-05 | 一种基于多组学癌症分型的数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012073.1A CN115985513B (zh) | 2023-01-05 | 2023-01-05 | 一种基于多组学癌症分型的数据处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115985513A CN115985513A (zh) | 2023-04-18 |
CN115985513B true CN115985513B (zh) | 2023-11-03 |
Family
ID=85970002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310012073.1A Active CN115985513B (zh) | 2023-01-05 | 2023-01-05 | 一种基于多组学癌症分型的数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115985513B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116741397B (zh) * | 2023-08-15 | 2023-11-03 | 数据空间研究院 | 基于多组学数据融合的癌症分型方法、系统及存储介质 |
CN118296442B (zh) * | 2024-06-05 | 2024-08-16 | 山东大学 | 多组学癌症亚型分类方法、系统、设备、介质及程序产品 |
CN118335200B (zh) * | 2024-06-12 | 2024-09-03 | 山东大学 | 基于因果特征选择的肺腺癌亚型分类系统、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020113673A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳先进技术研究院 | 一种基于多组学集成的癌症亚型分类方法 |
CN113486922A (zh) * | 2021-06-01 | 2021-10-08 | 安徽大学 | 基于栈式自编码器的数据融合优化方法及其系统 |
CN114334012A (zh) * | 2021-12-16 | 2022-04-12 | 天津大学 | 一种基于多组学数据识别癌症亚型的方法 |
CN114334014A (zh) * | 2021-12-31 | 2022-04-12 | 徐州医科大学 | 一种基于自注意力深度学习的癌症亚型识别方法和系统 |
CN114530222A (zh) * | 2022-01-13 | 2022-05-24 | 华南理工大学 | 一种基于多组学和影像数据融合的癌症患者分类系统 |
CN114550906A (zh) * | 2022-01-14 | 2022-05-27 | 山东师范大学 | 基于多视图鲁棒表示的癌症亚型识别系统 |
CN115064266A (zh) * | 2022-07-21 | 2022-09-16 | 山东大学 | 基于不完整多组学数据的癌症诊断系统 |
-
2023
- 2023-01-05 CN CN202310012073.1A patent/CN115985513B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020113673A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳先进技术研究院 | 一种基于多组学集成的癌症亚型分类方法 |
CN113486922A (zh) * | 2021-06-01 | 2021-10-08 | 安徽大学 | 基于栈式自编码器的数据融合优化方法及其系统 |
CN114334012A (zh) * | 2021-12-16 | 2022-04-12 | 天津大学 | 一种基于多组学数据识别癌症亚型的方法 |
CN114334014A (zh) * | 2021-12-31 | 2022-04-12 | 徐州医科大学 | 一种基于自注意力深度学习的癌症亚型识别方法和系统 |
CN114530222A (zh) * | 2022-01-13 | 2022-05-24 | 华南理工大学 | 一种基于多组学和影像数据融合的癌症患者分类系统 |
CN114550906A (zh) * | 2022-01-14 | 2022-05-27 | 山东师范大学 | 基于多视图鲁棒表示的癌症亚型识别系统 |
CN115064266A (zh) * | 2022-07-21 | 2022-09-16 | 山东大学 | 基于不完整多组学数据的癌症诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115985513A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tobore et al. | Deep learning intervention for health care challenges: some biomedical domain considerations | |
Jayatilake et al. | Involvement of machine learning tools in healthcare decision making | |
CN115985513B (zh) | 一种基于多组学癌症分型的数据处理方法、装置及设备 | |
Zhang et al. | A survey on deep learning for neuroimaging-based brain disorder analysis | |
Rahmani et al. | Machine learning (ML) in medicine: Review, applications, and challenges | |
CN111180068A (zh) | 一种基于多任务学习模型的慢病预测系统 | |
CN116364299B (zh) | 一种基于异构信息网络的疾病诊疗路径聚类方法及系统 | |
CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
Moreira et al. | Evolutionary radial basis function network for gestational diabetes data analytics | |
Zhang et al. | A rough set-based multiple criteria linear programming approach for the medical diagnosis and prognosis | |
Dong et al. | Subject sensitive EEG discrimination with fast reconstructable CNN driven by reinforcement learning: A case study of ASD evaluation | |
CN110400610B (zh) | 基于多通道随机森林的小样本临床数据分类方法及系统 | |
Islam et al. | A data-driven dimensionality-reduction algorithm for the exploration of patterns in biomedical data | |
KR102534453B1 (ko) | 의료 영상 기반의 질환 예측 방법 | |
Bostanci et al. | Machine learning analysis of RNA-seq data for diagnostic and prognostic prediction of colon cancer | |
CN113270192A (zh) | 基于动静态数据结合与深度自编码器的血透风险预测系统 | |
Chi et al. | Deep semisupervised multitask learning model and its interpretability for survival analysis | |
Bhardwaj et al. | Computational biology in the lens of CNN | |
Sampath et al. | Ensemble Nonlinear Machine Learning Model for Chronic Kidney Diseases Prediction | |
Tahiri et al. | Optimized quaternion radial Hahn Moments application to deep learning for the classification of diabetic retinopathy | |
Roopa et al. | Teaching learning-based brain storm optimization tuned Deep-CNN for Alzheimer’s disease classification | |
CN116261733A (zh) | 用于预测新模型参数的辅助模型 | |
CN108122028A (zh) | 深度非线性主成分分析网络的训练方法、装置及计算机可读存储介质 | |
Thilagavathy et al. | Digital transformation in healthcare using eagle perching optimizer with deep learning model | |
Settouti et al. | Generating fuzzy rules for constructing interpretable classifier of diabetes disease |
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 |