[發(fā)明專利]原發(fā)性肝癌分期模型訓(xùn)練方法

在審

• 申請?zhí)枺?/td>: 202010601994.8
• 申請日: 2020-06-28
• 公開（公告）號: CN111783868A
• 公開（公告）日: 2020-10-16
• 發(fā)明（設(shè)計）人: 曹國剛;李夢雪;朱信玉;王一杰;劉順堃;毛紅東;孔德卿
• 申請（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

1.一種原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，包括：

(a)對獲得的已知肝癌分期病人的臨床檢驗數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，得到預(yù)處理后的數(shù)據(jù)；

(b)對所述預(yù)處理后的數(shù)據(jù)進行劃分，以得到訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

(c)將訓(xùn)練數(shù)據(jù)集映射成訓(xùn)練集圖像，并將測試數(shù)據(jù)集映射成測試集圖像；

(d)基于所述訓(xùn)練集圖像數(shù)據(jù)訓(xùn)練原發(fā)性肝癌分期模型；

(e)基于所述測試集圖像數(shù)據(jù)對原發(fā)性肝癌分期模型的性能進行評估驗證。

2.如權(quán)利要求1所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(a)對獲得的已知肝癌分期病人的臨床檢驗數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，得到預(yù)處理后的數(shù)據(jù)，包括：

(a1)獲取已知肝癌分期病人的臨床檢驗數(shù)據(jù)；

(a2)根據(jù)各個維度獲得的臨床檢驗數(shù)據(jù)的完整性以及有效性，剔除不完整數(shù)據(jù)特征維度，確認(rèn)最終維度個數(shù)，得到經(jīng)預(yù)處理后的數(shù)據(jù)集。

3.如權(quán)利要求1所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(b)對所述預(yù)處理后的數(shù)據(jù)進行劃分，以得到訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，包括：

(b1)預(yù)處理后的數(shù)據(jù)包含早期、中期、晚期三類，類別標(biāo)簽分別用0、1、2表示；

(b2)從早期、中期、晚期三類中隨機選取預(yù)設(shè)數(shù)量的數(shù)據(jù)構(gòu)成訓(xùn)練數(shù)據(jù)集，將其余的數(shù)據(jù)作為測試數(shù)據(jù)集；

(b3)對所述訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集作二次處理。

4.如權(quán)利要求3所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(b3)對所述訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集作二次處理，包括：

(b31)取訓(xùn)練數(shù)據(jù)集中各個特征列的均值，其中，缺失值不計入均值計算中；

(b32)根據(jù)特征列的均值補齊訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中的缺失值。

5.如權(quán)利要求1所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(c)將訓(xùn)練數(shù)據(jù)集映射成訓(xùn)練集圖像，并將測試數(shù)據(jù)集映射成測試集圖像，包括：

(c1)確定訓(xùn)練數(shù)據(jù)集的各個特征與分期結(jié)果的第一相關(guān)程度；

(c2)基于所述第一相關(guān)程度將訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的各個特征值分別映射到二維的訓(xùn)練集圖像和測試集圖像中。

6.如權(quán)利要求5所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(c1)確定訓(xùn)練數(shù)據(jù)集的各個特征與分期結(jié)果的第一相關(guān)程度，包括：

(c11)利用算法確定訓(xùn)練數(shù)據(jù)集的各個特征對分期結(jié)果呈正相關(guān)還是負(fù)相關(guān)；

(c12)利用算法確定訓(xùn)練數(shù)據(jù)集中的正相關(guān)以及負(fù)相關(guān)的各個特征對應(yīng)的第一相關(guān)程度值。

7.如權(quán)利要求6所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(c2)基于所述第一相關(guān)程度將訓(xùn)練數(shù)據(jù)集和測試集的各個特征值映射到二維的訓(xùn)練集圖像和測試集圖像中，包括：

(c21)確定映射二維圖像大小，也就是訓(xùn)練集圖像和測試集圖像大小；

(c22)正相關(guān)特征列的對應(yīng)值在二維圖像中表現(xiàn)方式均為加粗，負(fù)相關(guān)特征列的對應(yīng)值在二維圖像中表現(xiàn)方式均為正常；

(c23)根據(jù)訓(xùn)練數(shù)據(jù)集特征列的第一相關(guān)程度值和二維圖像大小，確定各個特征在二維圖像中的像素大小，其中，第一相關(guān)程度值越高，其在圖像中所占用的像素越大。

8.如權(quán)利要求1所述的原發(fā)性肝癌分期模型訓(xùn)練方法，其特征在于，(d)基于所述訓(xùn)練集圖像數(shù)據(jù)訓(xùn)練原發(fā)性肝癌分期模型，包括：

(d1)確定深度學(xué)習(xí)網(wǎng)絡(luò)模型，利用訓(xùn)練集圖像數(shù)據(jù)對所述深度學(xué)習(xí)網(wǎng)絡(luò)模型進行訓(xùn)練；

(d2)通過訓(xùn)練后得到優(yōu)秀的原發(fā)性肝癌分期模型。