[發明專利]蛋白質質譜結合深度學習評估甲狀腺結節的方法

在審

• 申請號: 202010072784.4
• 申請日: 2020-01-21
• 公開（公告）號: CN111292801A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 郭天南;戈帕拉克里希納·艾耶;官愛蓮;李子青;孫耀庭;臧澤林;薩蒂亞穆爾蒂·塞爾瓦拉揚;朱怡
• 申請（專利權）人: 西湖大學
• 主分類號: G16B20/00
• 分類號: G16B20/00;G06N3/04;G06N3/08
• 代理公司: 無錫市匯誠永信專利代理事務所(普通合伙) 32260
• 代理人: 張歡勇

1.一種蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,包括以下步驟:獲取待測甲狀腺組織樣本的蛋白質矩陣結果,將該蛋白質矩陣結果輸入到深度學習模型中,輸出該待測甲狀腺組織樣本的甲狀腺結節惡性概率,該方法用于非診斷目的。

2.根據權利要求1所述的蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,從如下的蛋白中選擇不同的蛋白組合:

TBCA,THY1,CLU,MSN,CRABP1,CALR,PEBP1,MYH9,LRP2,RAB10,BCAM,ACTN4,PPIA,MFAP5,HNRNPK,ACADM,WFDC2,SERPINF2,LDHB,CAVIN1,S100A9,ANXA2,HNRNPD,AGRN,ILF3,VWA1,RNH1,ANXA6,NID1,MAOA,RPL22,CPQ,AHNAK,TRIM28,TAGLN2,S100A6,TPO,CTSD,HSPB1,TPL1,NCAM1,HMGA1,CD44,HSP90B1,PDIA3,VDAC2,ENO1,ANXA3,PSMA2,DCN,LMNA,AK1,TFF3,TIMP3,TIMP1,QPCT,H1-2,SIAE,PSME1,UFL1,PGK1,CRYAB,RPN2,LAMB1,VIM,ARF4,ANXA7,VEGFC,ACLY,C1QBP,PIN1,POSTN,NPNT,KHSRP,SERPINA1,FN1,ANXA1,PROS1,TXN,HSPA8,COL6A2,LGALS3,HNRNPA2B1,PSMA3,SERPINB6,ME1,MVP,EMD,PDCD4,AKT1,CFL1,PCNA,CPNE1,S100A13,IGSF1,FUCA1

3.根據權利要求1所述的蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,深度學習模型的構建過程如下:將所選的蛋白質對應的特征輸入評估模型,判斷循環次數是否小于N,如若是的話,設置α₁＝1,α₂＝0,α₃＝1；如果不是的話,設置α₁＝0,α₂＝1,α₃＝1,獲取學習網絡的損失函數L,根據根據損失函數L進行反向傳播調整權值矩陣和偏置矩陣W,更新評估模型,其中損失函數的計算公式如下:

L＝α₁*L_C+α₂*L_e+α₃*L_r

其中Lc為對比損失,Le為交叉熵損失,Lr為正則化系數。

4.根據權利要求3所述的蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,其中Lc的計算公式如下:

其中Vp,Vq分別表示不同患者的特征提取子空間的向量,M為margin。

5.根據權利要求4所述的蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,其中Le的計算公式如下:

其中Y為真實標簽,為分類預測結果。

6.根據權利要求3所述的蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,Lr為正則化系數的計算公式如下:

其中為第i層的權值矩陣。

7.根據權利要求3所述的蛋白質質譜結合深度學習評估甲狀腺結節的方法,其特征在于,將待測甲狀腺組織樣本進行前處理得到的蛋白對應的特征,將蛋白對應的特征輸入到深度學習模型中,得到特征提取子空間的向量V和分類預測結果其中向量V為將蛋白質特征輸入特征提取子模型后經過其處理后得到的特征向量；其中分類預測結果的獲取方式如下:為將V輸入分類子模型獲得的預測結果,根據分類預測結果得到預測結果P公式如下: