[發明專利]一種基于動態Cox模型的乳腺癌預后生存率預測方法

在審

• 申請號: 201810367585.9
• 申請日: 2018-04-23
• 公開（公告）號: CN108922628A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 滕婧;杜婧;馬卞;周蓉
• 申請（專利權）人: 華北電力大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/30
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 張文寶

1.一種基于動態Cox模型的乳腺癌預后生存率預測方法，其特征在于，該模型是依據患者的陽性淋巴結比率LNR(Lymph Node Ratio)與患者的生存數據、癌癥相關信息及患者年齡指標，使用基于貝葉斯方法的動態估計參數的Cox比例風險模型；利用對數幾率回歸算法，將LNR相關的特征值包括腫瘤大小、位置、陽性淋巴結個數和受檢的淋巴結總數作為輸入，以觀察到的LNR作為輸出，訓練模型；所步LNR指標不受受檢的淋巴結總數的直接影響，但不同患者間，受檢的淋巴結總數不同，同時觀察到的陽性淋巴結總數也大有不同，在統計分析中，應考慮到這種差異；但是，還有與LNR相關的臨床病理因素能夠用于提高其估計的準確性；因此，在統計分析中采用的并不是直接觀察到的LNR值，而是利用對數幾率回歸算法對其進行估計；之后使用估計值進行后續的分析；具體包括如下步驟：

步驟1：首先刪除明顯不合理的數據樣本，之后對樣本數據做歸一化處理，構造數據集；

步驟2：根據步驟1中構造的數據樣本集，建立LNR的對數幾率回歸模型；

步驟3：在得到步驟2中的對數幾率回歸模型后，將LNR與患者的生存數據、癌癥相關信息及患者年齡指標一起擬合基于貝葉斯方法動態估計參數的Cox生存分析模型，得到各個因子的影響權重；

步驟4：采用對數偽邊際似然LPML指標評價模型；

步驟5：根據步驟3中擬合好的模型，建立相應的預測模型，以患者的乳腺癌相關數據作為輸入，得到相應的生存率-時間曲線。

2.根據權利要求1所述基于動態Cox模型的乳腺癌預后生存率預測方法，其特征在于，所述步驟1包括：

步驟1.1：刪除明顯不合理的樣本：某樣本的年齡為189；樣本的受檢的總體淋巴結個數小于陽性淋巴結個數；

步驟1.2：對樣本數據做歸一化處理，構造數據集，數據的歸一化處理能夠提高算法精度，并且加快收斂速度，常用的數據歸一化操作有：線性函數歸一化，0均值標準化和非線性歸一化。

3.根據權利要求1所述基于動態Cox模型的乳腺癌預后生存率預測方法，其特征在于，所述步驟3中得到各個因子的影響權重是將LNR估計值與年齡及患者的生理水平特征一起，患者接受治療后的存活時間，以及是否死亡，作為輸入，再擬合基于貝葉斯方法的動態估計參數的Cox回歸模型，以得到相應的影響因子權重；使用基于貝葉斯方法的模型的優勢在于，能夠結合先驗信息以推斷參數的后驗信息，以得到更為可信的參數估計；而動態的Cox比例風險模型的特點是，根據數據和事先劃定好的時間網格確定參數的變化情況，即參數的變化幅度和變化次數都是根據數據確定的，在不同的時間網格內，根據數據確定的參數是需要變化的。

4.根據權利要求1所述基于動態Cox模型的乳腺癌預后生存率預測方法，其特征在于，所述步驟5包括：

步驟5.1：檢查預測數據的合理性：患者年齡是否符合常理、陽性淋巴結合數是否小于所有淋巴結點個數，對于不合理的數據進行提示；

步驟5.2：對預測數據中的連續型變量進行歸一化操作，得到歸一化的相應的新的預測數據；

步驟5.3：將進步驟5.2中得到的預測數據帶入訓練后的對數幾率回歸模型中，得到相應的LNR估計值；

步驟5.4：將步驟5.3中得到的LNR估計值與與年齡及患者的生理水平特征一起，帶入到訓練后的基于貝葉斯方法動態估計參數的Cox生存分析模型中，得到相應的預測生存率-時間特性預測曲線。

5.根據權利要求1所述基于動態Cox模型的乳腺癌預后生存率預測方法，其特征在于，所述動態估計參數的Cox回歸模型相比于傳統的Cox比例風險模型，這種動態估計參數的方法更為靈活，同時有更好地分析效果和預測效果；并且這種方法，還能夠很好地處理生存數據中常見的右刪失和區間刪失數據。

6.根據權利要求1所述基于動態Cox模型的乳腺癌預后生存率預測方法，其特征在于，所述動態估計參數的Cox回歸模型的性能，采用對數偽邊際似然LPML(Log PseudoMarginal Likelihood)指標評估，采用真實的癌癥數據集，利用該模型對患者的生存率進行預測，用仿真實驗表明本發明所提出的組合模型的有效性。