本發(fā)明涉及醫(yī)學(xué)檢測(cè)，具體為基于隨機(jī)森林和多尺度深度神經(jīng)網(wǎng)絡(luò)的多指標(biāo)聯(lián)合系統(tǒng)。

背景技術(shù)：

1、在卵巢癌癥的臨床診斷領(lǐng)域，患者基數(shù)相對(duì)較小、臨床病例稀缺的問題限制了數(shù)據(jù)收集和分析的廣度與深度。癌癥作為一種多因素、多層次的復(fù)雜疾病，其致病機(jī)理涉及多個(gè)生物學(xué)途徑和分子變化，這要求在診斷過程中必須綜合考慮多項(xiàng)指標(biāo)。然而，傳統(tǒng)診斷方法往往局限于單一的生物標(biāo)志物或單一數(shù)據(jù)類型的分析，未能充分利用多指標(biāo)數(shù)據(jù)的聯(lián)合分析潛力，從而使得卵巢癌的預(yù)后預(yù)測(cè)的準(zhǔn)確率低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是：針對(duì)現(xiàn)有技術(shù)未能充分利用多指標(biāo)數(shù)據(jù)的聯(lián)合分析潛力，從而使得卵巢癌的預(yù)后預(yù)測(cè)的準(zhǔn)確率低的問題，提供基于隨機(jī)森林和多尺度深度神經(jīng)網(wǎng)絡(luò)的多指標(biāo)聯(lián)合系統(tǒng)。

2、本發(fā)明為了解決上述技術(shù)問題采取的技術(shù)方案是：

3、基于隨機(jī)森林和多尺度深度神經(jīng)網(wǎng)絡(luò)的多指標(biāo)聯(lián)合系統(tǒng)，所述系統(tǒng)包括實(shí)例特征獲取單元、重要特征選擇單元、數(shù)據(jù)增強(qiáng)單元、特征融合單元以及生存時(shí)間預(yù)測(cè)單元；

4、所述實(shí)例特征獲取單元用于獲取卵巢上皮癌數(shù)據(jù)中三年預(yù)后或五年預(yù)后死亡個(gè)體樣本，并刪除含有缺失值的樣本，之后獲取每個(gè)樣本對(duì)應(yīng)的多個(gè)血液指標(biāo)和生存時(shí)間；

5、所述重要特征選擇單元用于將多個(gè)血液指標(biāo)作為輸入，利用網(wǎng)格搜索最優(yōu)隨機(jī)森林模型，得到每個(gè)血液指標(biāo)的重要性，并根據(jù)每個(gè)血液指標(biāo)的重要性進(jìn)行排序，之后利用排序結(jié)果訓(xùn)練隨機(jī)森林，并結(jié)合五折交叉驗(yàn)證，得到均方誤差最小的血液指標(biāo)組合x_selected及其對(duì)應(yīng)的生存時(shí)間y_selected；

6、所述數(shù)據(jù)增強(qiáng)單元用于將血液指標(biāo)組合x_selected和生存時(shí)間y_selected輸入生成對(duì)抗網(wǎng)絡(luò)，生成新的血液指標(biāo)組合和新的生存時(shí)間，并將新的血液指標(biāo)組合與血液指標(biāo)組合x_selected合并，得到血液指標(biāo)組合x_new，將新的生存時(shí)間與生存時(shí)間y_selected合并，得到生存時(shí)間y_new；

7、所述特征融合單元用于將血液指標(biāo)組合x_new和生存時(shí)間y_new進(jìn)行特征融合，得到血液融合指標(biāo)new；

8、所述生存時(shí)間預(yù)測(cè)單元用于將血液融合指標(biāo)new輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到輸出的預(yù)測(cè)生存時(shí)間。

9、進(jìn)一步的，所述生成對(duì)抗網(wǎng)絡(luò)為xnet深度學(xué)習(xí)網(wǎng)絡(luò)，所述xnet深度學(xué)習(xí)網(wǎng)絡(luò)包括數(shù)據(jù)合成網(wǎng)絡(luò)和數(shù)據(jù)評(píng)估網(wǎng)絡(luò)；

10、所述數(shù)據(jù)合成網(wǎng)絡(luò)結(jié)構(gòu)如下：

11、輸入層：接收由隨機(jī)噪聲向量z和生存時(shí)間組成的輸入；

12、第一個(gè)全連接層：將輸入向量z和生存時(shí)間在特征維度上進(jìn)行拼接后，通過一個(gè)全連接層，將拼接后的向量映射到128維；

13、第一個(gè)激活層：使用leakyrelu激活函數(shù)，斜率為0.5，對(duì)第一個(gè)全連接層的輸出進(jìn)行非線性變換；

14、第二個(gè)全連接層：將第一個(gè)激活層的輸出從128維映射到256維；

15、第二個(gè)激活層：再次使用leakyrelu激活函數(shù)，斜率為0.5，對(duì)第二個(gè)全連接層的輸出進(jìn)行非線性變換；

16、第三個(gè)全連接層：將第二個(gè)激活層的輸出從256維映射到512維；

17、第三個(gè)激活層：再次使用leakyrelu激活函數(shù)，斜率為0.5，對(duì)第三個(gè)全連接層的輸出進(jìn)行非線性變換；

18、第四個(gè)全連接層：將第三個(gè)激活層的輸出從512維映射到output，作為合成網(wǎng)絡(luò)輸出的生存時(shí)間；

19、所述數(shù)據(jù)評(píng)估網(wǎng)絡(luò)結(jié)構(gòu)如下：

20、輸入層：接收由待評(píng)估數(shù)據(jù)和生存時(shí)間組成的輸入；

21、第一個(gè)全連接層：將輸入的待評(píng)估數(shù)據(jù)和生存時(shí)間在特征維度上進(jìn)行拼接后，通過一個(gè)全連接層，將拼接后的向量映射到256維；

22、第一個(gè)激活層：使用leakyrelu激活函數(shù)，斜率為0.2，對(duì)第一個(gè)全連接層的輸出進(jìn)行非線性變換；

23、第二個(gè)全連接層：將第一個(gè)激活層的輸出從256維映射到1維，用于輸出評(píng)估結(jié)果，即對(duì)輸入數(shù)據(jù)的評(píng)估值。

24、進(jìn)一步的，所述評(píng)估網(wǎng)絡(luò)的損失函數(shù)為：

25、

26、其中，d(x)表示數(shù)據(jù)評(píng)估網(wǎng)絡(luò)對(duì)真實(shí)數(shù)據(jù)x的輸出，表示數(shù)據(jù)評(píng)估網(wǎng)絡(luò)，表示對(duì)真實(shí)數(shù)據(jù)分布pdata(x)的期望值，表示對(duì)生成數(shù)據(jù)分布的期望值。

27、進(jìn)一步的，所述合成網(wǎng)絡(luò)的損失函數(shù)為：

28、

29、進(jìn)一步的，所述xnet深度學(xué)習(xí)網(wǎng)絡(luò)的梯度懲罰函數(shù)為：

30、

31、其中，表示真實(shí)數(shù)據(jù)和生成數(shù)據(jù)的插值，表示判別器d對(duì)的梯度，||·||表示l2范數(shù)，表示對(duì)插值數(shù)據(jù)分布的期望值。

32、進(jìn)一步的，所述xnet深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練步驟為：

33、步驟1：將血液指標(biāo)組合x_selected轉(zhuǎn)換為浮點(diǎn)型的張量，得到數(shù)據(jù)張量x_tensor；

34、步驟2：將生存時(shí)間y_selected轉(zhuǎn)換為浮點(diǎn)型的張量，并增加一個(gè)維度，得到標(biāo)簽張量y_tensor；

35、步驟3：對(duì)xnet深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每個(gè)訓(xùn)練周期具體執(zhí)行以下步驟：

36、步驟31：設(shè)定每個(gè)批次包含的樣本數(shù)量，并根據(jù)每個(gè)批次包含的樣本數(shù)量將x_selected中的樣本進(jìn)行批次劃分；

37、步驟32：在每個(gè)批次中，執(zhí)行以下操作：

38、步驟321：從數(shù)據(jù)張量x_tensor和標(biāo)簽張量y_tensor中獲取當(dāng)前批次的真實(shí)數(shù)據(jù)real_data和標(biāo)簽real_labels；

39、步驟322：訓(xùn)練合成網(wǎng)絡(luò)五次，每次執(zhí)行以下操作：

40、步驟3221：清零合成網(wǎng)絡(luò)優(yōu)化器的梯度；

41、步驟3222：生成一個(gè)維度為(batch_size,input_size)的隨機(jī)噪聲向量z；

42、步驟3223：使用合成網(wǎng)絡(luò)和隨機(jī)噪聲向量z以及真實(shí)標(biāo)簽real_labels生成假數(shù)據(jù)fake_data；

43、步驟3224：使用評(píng)估網(wǎng)絡(luò)對(duì)假數(shù)據(jù)fake_data進(jìn)行判別，得到假數(shù)據(jù)輸出fake_output：

44、步驟3225：計(jì)算合成網(wǎng)絡(luò)損失，獲取假數(shù)據(jù)輸出的均值，并將均值取負(fù)作為損失函數(shù)g_loss；

45、步驟3226：反向傳播損失函數(shù)g_loss，并更新合成網(wǎng)絡(luò)優(yōu)化器；

46、步驟323：訓(xùn)練評(píng)估網(wǎng)絡(luò)一次，執(zhí)行以下操作：

47、步驟3231：清零評(píng)估網(wǎng)絡(luò)優(yōu)化器的梯度；

48、步驟3232：使用評(píng)估網(wǎng)絡(luò)對(duì)真實(shí)數(shù)據(jù)real_data進(jìn)行判別，得到真實(shí)數(shù)據(jù)輸出real_output：

49、步驟3233：使用評(píng)估網(wǎng)絡(luò)對(duì)假數(shù)據(jù)fake_data進(jìn)行判別，得到假數(shù)據(jù)輸出fake_output；

50、步驟3234：結(jié)合wasserstein損失和梯度懲罰項(xiàng)，計(jì)算評(píng)估網(wǎng)絡(luò)損失d_loss；

51、步驟3235：調(diào)用backward()函數(shù)進(jìn)行反向傳播評(píng)估網(wǎng)絡(luò)損失d_loss，并更新評(píng)估網(wǎng)絡(luò)優(yōu)化器。

52、進(jìn)一步的，所述神經(jīng)網(wǎng)絡(luò)為多尺度dnn神經(jīng)網(wǎng)絡(luò)得到，所述多尺度dnn神經(jīng)網(wǎng)絡(luò)包括四個(gè)dnn層和一個(gè)kan層，所述多尺度dnn神經(jīng)網(wǎng)絡(luò)具體執(zhí)行如下步驟：

53、步驟a：每個(gè)dnn層獨(dú)立處理輸入數(shù)據(jù)；

54、步驟b：將四個(gè)dnn層的輸出在特征維度上進(jìn)行拼接，得到組合特征向量combined；

55、步驟c：將組合特征向量combined輸入kan層，得到最終預(yù)測(cè)結(jié)果。

56、進(jìn)一步的，所述多尺度dnn神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為正則化損失函數(shù)，表示為：

57、

58、其中，||param||1表示param的l1范數(shù)，即參數(shù)的絕對(duì)值之和，||param||22表示param的l2范數(shù)的平方，即參數(shù)的平方和，λl1表示l1正則化的超參數(shù)，θ表示模型的所有參數(shù)，λl2表示模型的所有參數(shù)。

59、進(jìn)一步的，所述血液指標(biāo)包括ldh、堿性磷酸酶、ca125、淋巴細(xì)胞絕對(duì)值、中性粒細(xì)胞絕對(duì)值、單核細(xì)胞絕對(duì)值、血小板計(jì)數(shù)和白蛋白。

60、進(jìn)一步的，所述均方誤差表示為：

61、

62、其中，b表示選取的樣本數(shù)量，yi表示輸入的真實(shí)值，表示預(yù)測(cè)值。

63、本發(fā)明的有益效果是：

64、本技術(shù)通過應(yīng)用隨機(jī)森林算法對(duì)特征選擇進(jìn)行優(yōu)化，評(píng)估各指標(biāo)的重要性并進(jìn)行排序。通過逐步增加指標(biāo)數(shù)量，并記錄每次模型訓(xùn)練的均方誤差，最終選出最優(yōu)的指標(biāo)組合。之后利用生成對(duì)抗網(wǎng)絡(luò)生成新的數(shù)據(jù)，進(jìn)而訓(xùn)練神經(jīng)網(wǎng)絡(luò)。最后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)后預(yù)測(cè)。本技術(shù)預(yù)后預(yù)測(cè)準(zhǔn)確率與現(xiàn)有技術(shù)相比，準(zhǔn)確率提高了一倍以上。