[發(fā)明專利]基于深度學習的腫瘤早期篩查方法、裝置、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810145237.7
• 申請日: 2018-02-11
• 公開（公告）號: CN108416190A
• 公開（公告）日: 2018-08-17
• 發(fā)明（設(shè)計）人: 謝文傳;江向武;白楊;李榮;劉亮;曹彬彬;楊金華;游君霞;舒寧;姚利;范秋麗;杜崗
• 申請（專利權(quán)）人: 廣州市碳碼科技有限責任公司
• 主分類號: G06F19/20
• 分類號: G06F19/20;G06F19/24
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

1.一種基于深度學習的腫瘤早期篩選方法，其特征在于，包括以下步驟：

獲取通過基因測序的樣本的基因序列；

對所述基因序列進行數(shù)據(jù)分析，以獲取目的基因的有效表達水平；

根據(jù)所述目的基因的表達水平，通過腫瘤分類模型對所述樣本的類別屬性進行預測；

獲取各個類別屬性的概率，以根據(jù)概率最大的類別屬性生成疾病風險建議。

2.根據(jù)權(quán)利要求1所述的基于深度學習的腫瘤早期篩選方法，其特征在于，所述基因測序包括RNA-seq測序及qPCR測序。

3.根據(jù)權(quán)利要求1所述的基于深度學習的腫瘤早期篩選方法，其特征在于，所述對所述基因序列進行數(shù)據(jù)分析，以獲取目的基因的有效表達水平，具體為：

對所述基因序列進行預處理，以獲取預處理后的基因序列的表達水平；其中，所述預處理包括數(shù)據(jù)格式轉(zhuǎn)換、清洗、缺失值分析及離群值分析；

通過特征選擇算法對所述基因序列的表達水平進行特征選擇，以獲取目的基因的有效表達水平；其中，所述目的基因的特征基因數(shù)目小于200，所述特征選擇算法包括皮爾森相關(guān)系數(shù)矩陣及卡方檢驗。

4.根據(jù)權(quán)利要求1所述的基于深度學習的腫瘤早期篩選方法，其特征在于，

通過支持向量機算法、樸素貝葉斯算法或者堆疊去噪自編碼器算法構(gòu)建所述腫瘤分類綜合模型。

5.一種基于深度學習的腫瘤早期篩選裝置，其特征在于，包括：

基因序列獲取單元，用于獲取通過基因測序的樣本的基因序列；

數(shù)據(jù)分析單元，用于對所述基因序列進行數(shù)據(jù)分析，以獲取目的基因的有效表達水平；

模型預測單元，用于根據(jù)所述目的基因的表達水平，通過腫瘤分類模型對所述樣本的類別屬性進行預測；

結(jié)果生成單元，用于獲取各個類別屬性的概率，以根據(jù)概率最大的類別屬性生成疾病風險建議。

6.根據(jù)權(quán)利要求5所述的基于深度學習的腫瘤早期篩選裝置，其特征在于，所述基因測序包括RNA-seq測序及qPCR測序。

7.根據(jù)權(quán)利要求5所述的基于深度學習的腫瘤早期篩選裝置，其特征在于，所述數(shù)據(jù)分析單元，具體包括：

預處理模塊，用于對所述基因序列進行預處理，以獲取預處理后的基因序列的表達水平；其中，所述預處理包括數(shù)據(jù)格式轉(zhuǎn)換、清洗、缺失值分析及離群值分析；

特征選擇模塊，用于通過特征選擇算法對所述基因序列的表達水平進行特征選擇，以獲取目的基因的有效表達水平；其中，所述目的基因的特征基因數(shù)目小于200，所述特征選擇算法包括皮爾森相關(guān)系數(shù)矩陣及卡方檢驗。

8.根據(jù)權(quán)利要求5所述的基于深度學習的腫瘤早期篩選裝置，其特征在于，

通過支持向量機算法、樸素貝葉斯算法或者堆疊去噪自編碼器算法構(gòu)建所述腫瘤分類綜合模型。

9.一種基于深度學習的腫瘤早期篩選終端設(shè)備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至4中任意一項所述的基于深度學習的腫瘤早期篩選方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質(zhì)所在設(shè)備執(zhí)行如權(quán)利要求1至4中任意一項所述的基于深度學習的腫瘤早期篩選方法。