CN116779179A - 一种基于支持向量机的肾细胞瘤背景信息分析系统 - Google Patents
一种基于支持向量机的肾细胞瘤背景信息分析系统 Download PDFInfo
- Publication number
- CN116779179A CN116779179A CN202311055890.1A CN202311055890A CN116779179A CN 116779179 A CN116779179 A CN 116779179A CN 202311055890 A CN202311055890 A CN 202311055890A CN 116779179 A CN116779179 A CN 116779179A
- Authority
- CN
- China
- Prior art keywords
- index
- risk
- background information
- indexes
- prediction model
- 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.)
- Granted
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 46
- 210000003734 kidney Anatomy 0.000 title claims abstract description 7
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 43
- 238000013058 risk prediction model Methods 0.000 claims abstract description 15
- 230000003902 lesion Effects 0.000 claims description 39
- 208000008035 Back Pain Diseases 0.000 claims description 14
- 206010064571 Gene mutation Diseases 0.000 claims description 14
- 206010020772 Hypertension Diseases 0.000 claims description 14
- 208000008930 Low Back Pain Diseases 0.000 claims description 14
- 208000008589 Obesity Diseases 0.000 claims description 14
- 208000020832 chronic kidney disease Diseases 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 14
- 208000006750 hematuria Diseases 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 235000020824 obesity Nutrition 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 10
- 210000001015 abdomen Anatomy 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000779 smoke Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 206010000077 Abdominal mass Diseases 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 5
- 206010023126 Jaundice Diseases 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 23
- 210000003292 kidney cell Anatomy 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 208000006265 Renal cell carcinoma Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000004926 tubular epithelial cell Anatomy 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗信息处理领域,具体公开了一种基于支持向量机的肾细胞瘤背景信息分析系统,包括背景信息收集模块、背景信息匹配模块、风险预测模型、分级归类模块以及信息存储模块;本发明通过背景信息匹配模块,将背景信息数据库中的数据通过指标匹配算法分别匹配至第一风险指标、第二风险指标、第三风险指标以及第四风险指标中,利用风险预测模块将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型,便于医护人员制定相应的预防措施。
Description
技术领域
本发明涉及医疗信息处理领域,更具体地说,本发明涉及一种基于支持向量机的肾细胞瘤背景信息分析系统。
背景技术
肾细胞瘤是发源于肾小管上皮细胞的一种肿瘤,也是最主要的泌尿系统恶性肿瘤之一。在全世界范围内,肾细胞瘤的病例数每年都在增加,通常多见于男性。早发现、早治疗是提高恶性肿瘤患者长期生存率和降低病死率的有效手段,同时也是恶性肿瘤诊治的关键步骤。因此,对患者的肾细胞瘤背景信息进行分析预测尤为重要,为了解决上述问题,现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷,本发明通过背景信息匹配模块,将背景信息数据库中的数据通过指标匹配算法分别匹配至第一风险指标、第二风险指标、第三风险指标以及第四风险指标中,利用风险预测模块将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型,便于医护人员制定相应的预防措施,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于支持向量机的肾细胞瘤背景信息分析系统,包括背景信息收集模块、背景信息匹配模块、风险预测模型、分级归类模块以及信息存储模块,背景信息匹配模块包括四种风险指标,风险预测模块将风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型,其中,肾细胞瘤评估模型的公式为:
;
式中,为肾细胞瘤风险度,/>为第一风险指标,/>为第二风险指标,/>为第三风险指标,/>为第四风险指标。
作为本发明进一步的方案,背景信息收集模块与背景信息匹配模块相连接,背景信息匹配模块与风险预测模型相连接,风险预测模型与分级归类模块相连接,分级归类模块与信息存储模块相连接。
作为本发明进一步的方案,各模块功能具体为:
背景信息收集模块用于收集目标患者的肾细胞瘤背景信息数据库;
背景信息匹配模块中包括四种风险指标,将背景信息数据库中的数据通过指标匹配算法匹配至四种风险指标中,风险指标中的子风险指标与背景信息数据库中的数据一一对应;
风险预测模块用于将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型;
分级归类模块用于通过根据肾细胞瘤评估模型得到的患病风险度对目标患者的患病风险进行分级;
信息存储模块用于对所涉及的所有信息以及数据进行存储。
作为本发明进一步的方案,背景信息匹配模块中包括四种风险指标,四种风险指标分别为第一风险指标、第二风险指标、第三风险指标以及第四风险指标。
作为本发明进一步的方案,风险指标中的子风险指标与背景信息数据库中的数据一一对应,其中,第一风险指标的子风险指标包括年龄指标以及性别指标,第二风险指标的子风险指标包括遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第三风险指标包括血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第四风险指标包括病变严重程度、病变尺寸以及病变面积。
根据风险预测模块用于将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,第一风险指标通过预先训练的支持向量机模型的输入为年龄指标以及性别指标,第一风险指标通过预先训练的支持向量机模型的输出为第一风险指标;
第二风险指标通过预先训练的支持向量机模型的输入为遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第二风险指标通过预先训练的支持向量机模型的输出为第二风险指标;
第三风险指标通过预先训练的支持向量机模型的输入为血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第三风险指标通过预先训练的支持向量机模型的输出为第三风险指标;
第四风险指标通过预先训练的支持向量机模型的输入为病变严重程度、病变尺寸以及病变面积,第四风险指标通过预先训练的支持向量机模型的输出为第四风险指标。
作为本发明进一步的方案,将背景信息数据库中的数据通过指标匹配算法匹配至四种风险指标中,其中,指标匹配算法的公式为:
;
;
;
式中,为一种风险指标最多包括5个子风险指标,/>为任一背景信息数据库中的数据仅能与一种风险指标匹配,/>为背景信息数据库中的数据组成的矩阵,/>为矩阵的行,/>为矩阵的列。
作为本发明进一步的方案,风险预测模块用于通过匹配完成的风险指标建立指标预测模型,指标预测模型分为第一风险指标预测模型、第二风险指标预测模型、第三风险指标预测模型以及第四风险指标预测模型,其中,第一风险指标预测模型的公式为:
;
式中:为第一风险指标,/>为年龄指标,/>为性别指标;
第二风险指标预测模型的公式为:
;
式中:为第二风险指标,/>为遗传指标,/>为吸烟指标,/>为肥胖指标,/>为高血压指标,/>为慢性肾病指标。
作为本发明进一步的方案,第三风险指标预测模型的公式为:
;
式中:为第三风险指标,/>为血尿指标,/>为基因突变指标,/>为腰痛指标,/>为腹部肿块指标。
第四风险指标预测模型的公式为:
;
式中:为第四风险指标,/>为病变严重程度,/>为病变尺寸,/>为病变面积。
作为本发明进一步的方案,肾细胞瘤评估模型的输入为第一风险指标、第二风险指标、第三风险指标以及第四风险指标,其中,每个风险指标中包含多个节点,第一风险指标的多个节点为年龄指标以及性别指标,第二风险指标的多个节点为包括遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第三风险指标的多个节点为血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第四风险指标的多个节点为病变严重程度、病变尺寸以及病变面积。
作为本发明进一步的方案,风险指标中的子风险指标与相应风险指标的节点相对应。
本发明一种基于支持向量机的肾细胞瘤背景信息分析系统的技术效果和优点:
1、本发明通过分析肾细胞瘤的背景信息,能够提前发现潜在的患病风险因素,从而辨别存在的肾细胞瘤风险,并帮助医生更准确地判断患者病情,为临床决策提供有力支持;
2、本发明通过利用支持向量机对患者患病风险进行分类预测病例,能够提高治疗成功率;
3、本发明根据患者的风险预测结果,医生能够为患者制定更为个性化和有效的治疗方案,有助于提高治疗效果,减少患者不必要的治疗负担。
附图说明
图1为本发明一种基于支持向量机的肾细胞瘤背景信息分析系统的结构示意图;
图2为本发明实施例提供的各风险指标以及其子风险指标的示意图。
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做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。
一种基于支持向量机的肾细胞瘤背景信息分析系统,包括背景信息收集模块、背景信息匹配模块、风险预测模型、分级归类模块以及信息存储模块,背景信息匹配模块包括四种风险指标,风险预测模块将风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型,其中,肾细胞瘤评估模型的公式为:
;
式中,为肾细胞瘤风险度,/>为第一风险指标,/>为第二风险指标,/>为第三风险指标,/>为第四风险指标。
其中,肾细胞瘤风险度与第一风险指标、第二风险指标、第三风险指标以及第四风险指标都成正比函数关系,由函数关系可知四种风险指标等同重要。
实施例1。当某患者的第一风险指标为0.11,第二风险指标为0.32,第三风险指标为0.25,第四风险指标为0.02时,则有肾细胞瘤风险度=(0.11+0.32+0.25+0.02)/4=0.685,故而此时肾细胞瘤风险度为68.5%。根据函数式能够看出患病风险度与第一风险指标、第二风险指标、第三风险指标以及第四风险指标中任意指标数值过高,都将引起患者的患病率增高,这对患者同样起到警示作用。
本发明实施例中背景信息收集模块与背景信息匹配模块相连接,背景信息匹配模块与风险预测模型相连接,风险预测模型与分级归类模块相连接,分级归类模块与信息存储模块相连接。
本发明实施例中各模块功能具体为:
背景信息收集模块用于收集目标患者的肾细胞瘤背景信息数据库;
背景信息匹配模块中包括四种风险指标,将背景信息数据库中的数据通过指标匹配算法匹配至四种风险指标中,风险指标中的子风险指标与背景信息数据库中的数据一一对应;
风险预测模块用于将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型;
分级归类模块用于通过根据肾细胞瘤评估模型得到的患病风险度对目标患者的患病风险进行分级;
信息存储模块用于对所涉及的所有信息以及数据进行存储。
通过背景信息匹配模块,将背景信息数据库中的数据通过指标匹配算法分别匹配至第一风险指标、第二风险指标、第三风险指标以及第四风险指标中,利用风险预测模块将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型。
本发明实施例中背景信息匹配模块中包括四种风险指标,四种风险指标分别为第一风险指标、第二风险指标、第三风险指标以及第四风险指标。
本发明实施例中风险指标中的子风险指标与背景信息数据库中的数据一一对应,其中,第一风险指标的子风险指标包括年龄指标以及性别指标,第二风险指标的子风险指标包括遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第三风险指标包括血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第四风险指标包括病变严重程度、病变尺寸以及病变面积。
根据风险预测模块用于将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,第一风险指标通过预先训练的支持向量机模型的输入为年龄指标以及性别指标,第一风险指标通过预先训练的支持向量机模型的输出为第一风险指标;
第二风险指标通过预先训练的支持向量机模型的输入为遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第二风险指标通过预先训练的支持向量机模型的输出为第二风险指标;
第三风险指标通过预先训练的支持向量机模型的输入为血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第三风险指标通过预先训练的支持向量机模型的输出为第三风险指标;
第四风险指标通过预先训练的支持向量机模型的输入为病变严重程度、病变尺寸以及病变面积,第四风险指标通过预先训练的支持向量机模型的输出为第四风险指标。
本发明实施例中将背景信息数据库中的数据通过指标匹配算法匹配至四种风险指标中,其中,指标匹配算法的公式为:
;
;
;
式中,为一种风险指标最多包括5个子风险指标,/>为任一背景信息数据库中的数据仅能与一种风险指标匹配,/>为背景信息数据库中的数据组成的矩阵,/>为矩阵的行,/>为矩阵的列。
实施例2。当患者进行肾细胞瘤相关检查后,让其通过检查结果将各数据输入至系统中。系统根据患者输入的数据通过匹配算法进行分类,将年龄指标以及性别指标归为第一风险指标,将遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标归为第二风险指标,将血尿指标、基因突变指标、腰痛指标以及腹部肿块指标归为第三风险指标,将病变严重程度、病变尺寸以及病变面积归为第一风险指标。对于归类完成的数据,分别通过第一风险预测模型、第二风险预测模型、第三风险预测模型以及第四风险预测模型计算相应的指标数值。
本发明实施例中风险预测模块用于通过匹配完成的风险指标建立指标预测模型,指标预测模型分为第一风险指标预测模型、第二风险指标预测模型、第三风险指标预测模型以及第四风险指标预测模型,其中,第一风险指标预测模型的公式为:
;
式中:为第一风险指标,/>为年龄指标,/>为性别指标;
其中,第一风险指标与年龄指标的三次方成正比函数关系,与十三倍的性别指标的平方成正比函数关系,有函数关系反映可知第一风险指标受年龄指标的影响较小,受性别指标的影响较大。
第二风险指标预测模型的公式为:
;
式中:为第二风险指标,/>为遗传指标,/>为吸烟指标,/>为肥胖指标,/>为高血压指标,/>为慢性肾病指标。
其中,第二风险指标与遗传指标的e的指数成平方根函数关系,e为自然对数函数关系,与吸烟指标对数的三次方成平方根函数关系,与肥胖指标三次方成平方根函数关系,与高血压指标的三次方成平方根函数关系,与慢性肾病指标成平方根函数关系,由函数关系反映第二风险指标受肥胖指标以及高血压指标的影响较大,受遗传指标、吸烟指标以及慢性肾病指标的影响较小。
本发明实施例中第三风险指标预测模型的公式为:
;
式中:为第三风险指标,/>为血尿指标,/>为基因突变指标,/>为腰痛指标,/>为腹部肿块指标。
其中,第三风险指标与血尿指标成三次方函数关系,与基因突变指标的对数成三次方函数关系,与腰痛指标成反函数关系,与腹部肿块指标长征比函数关系,由函数关系反映第三风险指标受血尿指标的影响较大,受基因突变指标、腰痛指标以及腹部肿块指标的影响较小。
第四风险指标预测模型的公式为:
;
式中:为第四风险指标,/>为病变严重程度,/>为病变尺寸,/>为病变面积。
其中,第四风险指标与病变严重程度成平方根函数关系,与病变尺寸的平方成平方根函数关系,与病变面积成平方根函数关系,由函数关系反映第四风险指标受病变尺寸的影响较大,受病变严重程度以及病变面积的影响较小。
本发明实施例中肾细胞瘤评估模型的输入为第一风险指标、第二风险指标、第三风险指标以及第四风险指标,其中,每个风险指标中包含多个节点,第一风险指标的多个节点为年龄指标以及性别指标,第二风险指标的多个节点为包括遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第三风险指标的多个节点为血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第四风险指标的多个节点为病变严重程度、病变尺寸以及病变面积。
本发明实施例中风险指标中的子风险指标与相应风险指标的节点相对应。
图2为本发明实施例提供的各风险指标以及其子风险指标的示意图。如图2所示,目标患者的患病风险模型由四个风险指标A、F、X、W四个模块组成,第一风险指标模块中包括节点A1、A2,第二风险指标模块中包括节点F1、F2、F3、F4,第三风险指标模块中包括节点X1、X2、X3、X4,第四风险指标模块中包括节点W1、W2、W3。通过计算节点中指标的权重得但相应风险指标的数值,再通过综合风险指标所占的权重得到患者患病风险度,通过患者患病风险度对患者换肾细胞瘤的风险进行预测,有助于提前发现并制定相应的治疗方案。
本发明实施例通过背景信息收集模块收集目标患者的肾细胞瘤背景信息数据库,随后,背景信息匹配模块将背景信息数据库中的数据通过指标匹配算法分别匹配至第一风险指标、第二风险指标、第三风险指标以及第四风险指标中,且风险指标中的子风险指标与背景信息数据库中的数据一一对应。再利用风险预测模块将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型获得患者患病率,便于医护人员制定相应的预防措施。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,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)
1.一种基于支持向量机的肾细胞瘤背景信息分析系统,包括背景信息收集模块、背景信息匹配模块、风险预测模型、分级归类模块以及信息存储模块,其特征在于,背景信息匹配模块包括四种风险指标,风险预测模块将风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型,其中,肾细胞瘤评估模型的公式为:
;
式中,为肾细胞瘤风险度,/>为第一风险指标,/>为第二风险指标,/>为第三风险指标,/>为第四风险指标。
2.根据权利要求1所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,背景信息收集模块与背景信息匹配模块相连接,背景信息匹配模块与风险预测模型相连接,风险预测模型与分级归类模块相连接,分级归类模块与信息存储模块相连接。
3.一种基于支持向量机的肾细胞瘤背景信息分析系统,包括背景信息收集模块、背景信息匹配模块、风险预测模型、分级归类模块以及信息存储模块,其特征在于,
背景信息收集模块用于收集目标患者的肾细胞瘤背景信息数据库;
背景信息匹配模块中包括四种风险指标,将背景信息数据库中的数据通过指标匹配算法匹配至四种风险指标中,风险指标中的子风险指标与背景信息数据库中的数据一一对应;
风险预测模块用于将匹配完成的风险指标通过预先训练的支持向量机模型建立指标预测模型,再通过指标预测模型结果针对目标患者建立肾细胞瘤评估模型;
分级归类模块用于通过根据肾细胞瘤评估模型得到的患病风险度对目标患者的患病风险进行分级;
信息存储模块用于对所涉及的所有信息以及数据进行存储。
4.根据权利要求3所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,背景信息匹配模块中包括四种风险指标,四种风险指标分别为第一风险指标、第二风险指标、第三风险指标以及第四风险指标。
5.根据权利要求3所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,风险指标中的子风险指标与背景信息数据库中的数据一一对应,其中,第一风险指标的子风险指标包括年龄指标以及性别指标,第二风险指标的子风险指标包括遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第三风险指标包括血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第四风险指标包括病变严重程度、病变尺寸以及病变面积。
6.根据权利要求3所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,将背景信息数据库中的数据通过指标匹配算法匹配至四种风险指标中,其中,指标匹配算法的公式为:
;
;
;
式中,为一种风险指标最多包括5个子风险指标,/>为任一背景信息数据库中的数据仅能与一种风险指标匹配,/>为背景信息数据库中的数据组成的矩阵,/>为矩阵的行,/>为矩阵的列。
7.根据权利要求3所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,风险预测模块用于通过匹配完成的风险指标建立指标预测模型,指标预测模型分为第一风险指标预测模型、第二风险指标预测模型、第三风险指标预测模型以及第四风险指标预测模型,其中,第一风险指标预测模型的公式为:
;
式中:为第一风险指标,/>为年龄指标,/>为性别指标;
第二风险指标预测模型的公式为:
;
式中:为第二风险指标,/>为遗传指标,/>为吸烟指标,/>为肥胖指标,/>为高血压指标,/>为慢性肾病指标。
8.根据权利要求7所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,
第三风险指标预测模型的公式为:
;
式中:为第三风险指标,/>为血尿指标,/>为基因突变指标,/>为腰痛指标,为腹部肿块指标;
第四风险指标预测模型的公式为:
;
式中:为第四风险指标,/>为病变严重程度,/>为病变尺寸,/>为病变面积。
9.根据权利要求3所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,肾细胞瘤评估模型的输入为第一风险指标、第二风险指标、第三风险指标以及第四风险指标,其中,每个风险指标中包含多个节点,第一风险指标的多个节点为年龄指标以及性别指标,第二风险指标的多个节点为包括遗传指标、吸烟指标、肥胖指标、高血压指标以及慢性肾病指标,第三风险指标的多个节点为血尿指标、基因突变指标、腰痛指标以及腹部肿块指标,第四风险指标的多个节点为病变严重程度、病变尺寸以及病变面积。
10.根据权利要求3所述的一种基于支持向量机的肾细胞瘤背景信息分析系统,其特征在于,风险指标中的子风险指标与相应风险指标的节点相对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055890.1A CN116779179B (zh) | 2023-08-22 | 2023-08-22 | 一种基于支持向量机的肾细胞瘤背景信息分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055890.1A CN116779179B (zh) | 2023-08-22 | 2023-08-22 | 一种基于支持向量机的肾细胞瘤背景信息分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116779179A true CN116779179A (zh) | 2023-09-19 |
CN116779179B CN116779179B (zh) | 2023-11-10 |
Family
ID=87986284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055890.1A Active CN116779179B (zh) | 2023-08-22 | 2023-08-22 | 一种基于支持向量机的肾细胞瘤背景信息分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116779179B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356272A1 (en) * | 2014-06-10 | 2015-12-10 | Taipei Medical University | Prescription analysis system and method for applying probabilistic model based on medical big data |
US20190279359A1 (en) * | 2018-03-06 | 2019-09-12 | Case Western Reserve University | Phenotyping tumor infiltrating lymphocytes on hematoxylin and eosin (h&e) stained tissue images to predict recurrence in lung cancer |
US20200005901A1 (en) * | 2018-06-30 | 2020-01-02 | 20/20 Genesystems, Inc | Cancer classifier models, machine learning systems and methods of use |
KR20200084807A (ko) * | 2019-01-03 | 2020-07-13 | 서울대학교산학협력단 | 만성신장 질환 발생 예측 장치 및 방법 |
CN112509702A (zh) * | 2020-11-30 | 2021-03-16 | 质美(北京)生物科技有限公司 | 基于医疗大数据的疾病预测方法及系统 |
CN112735606A (zh) * | 2021-01-22 | 2021-04-30 | 张厚德 | 结直肠癌风险预测方法、设备及存储介质 |
CN113643812A (zh) * | 2021-08-24 | 2021-11-12 | 季凯 | 一种基于血液检查指标的肿瘤风险倍数计算方法和系统 |
CN114220540A (zh) * | 2021-12-10 | 2022-03-22 | 首都医科大学附属北京潞河医院 | 一种糖尿病肾病风险预测模型的构建方法及应用 |
CN114373544A (zh) * | 2021-12-23 | 2022-04-19 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的预测膜性肾病的方法、系统和装置 |
CN115500851A (zh) * | 2022-10-13 | 2022-12-23 | 深圳市人民医院 | 一种基于深度学习的早期肺癌风险分层预测系统 |
CN115775625A (zh) * | 2022-10-31 | 2023-03-10 | 陕西师范大学 | 基于健康体适能的高校教职工高血压患病风险评估模型构建方法 |
-
2023
- 2023-08-22 CN CN202311055890.1A patent/CN116779179B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356272A1 (en) * | 2014-06-10 | 2015-12-10 | Taipei Medical University | Prescription analysis system and method for applying probabilistic model based on medical big data |
US20190279359A1 (en) * | 2018-03-06 | 2019-09-12 | Case Western Reserve University | Phenotyping tumor infiltrating lymphocytes on hematoxylin and eosin (h&e) stained tissue images to predict recurrence in lung cancer |
US20200005901A1 (en) * | 2018-06-30 | 2020-01-02 | 20/20 Genesystems, Inc | Cancer classifier models, machine learning systems and methods of use |
KR20200084807A (ko) * | 2019-01-03 | 2020-07-13 | 서울대학교산학협력단 | 만성신장 질환 발생 예측 장치 및 방법 |
CN112509702A (zh) * | 2020-11-30 | 2021-03-16 | 质美(北京)生物科技有限公司 | 基于医疗大数据的疾病预测方法及系统 |
CN112735606A (zh) * | 2021-01-22 | 2021-04-30 | 张厚德 | 结直肠癌风险预测方法、设备及存储介质 |
CN113643812A (zh) * | 2021-08-24 | 2021-11-12 | 季凯 | 一种基于血液检查指标的肿瘤风险倍数计算方法和系统 |
CN114220540A (zh) * | 2021-12-10 | 2022-03-22 | 首都医科大学附属北京潞河医院 | 一种糖尿病肾病风险预测模型的构建方法及应用 |
CN114373544A (zh) * | 2021-12-23 | 2022-04-19 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的预测膜性肾病的方法、系统和装置 |
CN115500851A (zh) * | 2022-10-13 | 2022-12-23 | 深圳市人民医院 | 一种基于深度学习的早期肺癌风险分层预测系统 |
CN115775625A (zh) * | 2022-10-31 | 2023-03-10 | 陕西师范大学 | 基于健康体适能的高校教职工高血压患病风险评估模型构建方法 |
Non-Patent Citations (2)
Title |
---|
刘晓东;陈鑫;董超然;张大鹏;: "肾透明细胞癌腹腔镜术后患者远处转移风险相关因素分析", 微创泌尿外科杂志, no. 06 * |
李绍中;: "支持向量机的智能信息安全风险评估模型", 计算机应用与软件, no. 08 * |
Also Published As
Publication number | Publication date |
---|---|
CN116779179B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Freedland et al. | Utilization of a genomic classifier for prediction of metastasis following salvage radiation therapy after radical prostatectomy | |
CN112086129B (zh) | 预测肿瘤组织cfDNA的方法及系统 | |
CN111739641A (zh) | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 | |
Yadav et al. | Thermal infrared imaging based breast cancer diagnosis using machine learning techniques | |
Wang et al. | A novel approach combined transfer learning and deep learning to predict TMB from histology image | |
CN111640518A (zh) | 一种宫颈癌术后生存预测方法、系统、设备及介质 | |
CN111440869A (zh) | 一种用于预测原发性乳腺癌发生风险的dna甲基化标记物及其筛选方法和应用 | |
Mathur et al. | Detecting malignancy of ovarian tumour using convolutional neural network: A review | |
CN110055331A (zh) | 一种用于膀胱癌辅助诊断或筛查的试剂盒及其应用 | |
CN116779179B (zh) | 一种基于支持向量机的肾细胞瘤背景信息分析系统 | |
Gui et al. | AIR-Net: A novel multi-task learning method with auxiliary image reconstruction for predicting EGFR mutation status on CT images of NSCLC patients | |
CN112768060A (zh) | 基于随机生存森林的肝癌术后复发预测方法、存储介质 | |
CN114974552A (zh) | 一种建立乳腺癌早期筛查模型的方法 | |
Mishra et al. | Cancer detection in highly dense breasts using coherently focused time versa microwave imaging and using warm-boot random forest classifier | |
CN111554381A (zh) | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 | |
Zhu et al. | Ultrasound-based deep learning using the VGGNet model for the differentiation of benign and malignant thyroid nodules: A meta-analysis | |
CN114743685A (zh) | 一种基于人工智能的子宫内膜癌风险筛查方法及系统 | |
Sajiv et al. | A Novel and Robust Breast Cancer classification based on Histopathological Images using Naive Bayes Classifier | |
Guo et al. | LesionTalk: Core data extraction and multi-class lesion detection in IoT-based intelligent healthcare | |
Hajela et al. | Deep learning for cancer cell detection and segmentation: a survey | |
CN112687329B (zh) | 一种基于非癌组织突变信息的癌症预测系统及其构建方法 | |
Xiong et al. | Deep Ensemble Learning Network for Kidney Lesion Detection | |
Anandaraj | Overhead cross section sampling machine learning based cervical cancer risk factors prediction | |
Li et al. | Structure regularized attentive network for automatic femoral head necrosis diagnosis and localization | |
EP3164824A1 (en) | Method for prognosing a risk of occurrence of a 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 |