[發(fā)明專(zhuān)利]非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型及其構(gòu)建方法、裝置和應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 202110500821.1
• 申請(qǐng)日: 2021-05-08
• 公開(kāi)（公告）號(hào): CN113223727B
• 公開(kāi)（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 呂旭東;胡丹青;段會(huì)龍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江大學(xué)
• 主分類(lèi)號(hào): G16H50/70
• 分類(lèi)號(hào): G16H50/70;G06K9/62
• 代理公司: 杭州天勤知識(shí)產(chǎn)權(quán)代理有限公司 33224
• 代理人: 曹兆霞

1.一種非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建方法，其特征在于，包括以下步驟：

(1)將原始數(shù)據(jù)集按K折交叉驗(yàn)證機(jī)制分割成K個(gè)子集，并從K個(gè)子集中選擇1個(gè)子集作為驗(yàn)證集D_dev，其余子集合并成訓(xùn)練數(shù)據(jù)池D_pool；

(2)根據(jù)預(yù)定義的訓(xùn)練集樣本個(gè)數(shù)N_init，針對(duì)每個(gè)類(lèi)別，從訓(xùn)練數(shù)據(jù)池D_pool中抽取N_init/2個(gè)樣本組成訓(xùn)練數(shù)據(jù)集D_train，并從訓(xùn)練數(shù)據(jù)池D_pool中移除組成訓(xùn)練數(shù)據(jù)集D_train的樣本；

(3)根據(jù)訓(xùn)練數(shù)據(jù)集D_train，基于有監(jiān)督分類(lèi)算法構(gòu)建基預(yù)后預(yù)測(cè)模型，并利用驗(yàn)證集D_dev對(duì)基預(yù)后預(yù)測(cè)模型進(jìn)行驗(yàn)證評(píng)估，將得到的評(píng)估值和基預(yù)后預(yù)測(cè)模型存入基預(yù)后預(yù)測(cè)模型池Pool，其中，以訓(xùn)練數(shù)據(jù)集D_train中預(yù)測(cè)對(duì)象的基礎(chǔ)信息、臨床數(shù)據(jù)以及術(shù)后癌癥分期作為輸入數(shù)據(jù)，以預(yù)后情況作為學(xué)習(xí)標(biāo)簽對(duì)有監(jiān)督分類(lèi)算法進(jìn)行優(yōu)化學(xué)習(xí)，以構(gòu)建基預(yù)后預(yù)測(cè)模型；

(4)根據(jù)步驟(3)得到的預(yù)后預(yù)測(cè)模型，選擇查詢(xún)策略從訓(xùn)練數(shù)據(jù)池D_pool中主動(dòng)采樣包含信息最多的N_batch個(gè)樣本，將這N_batch個(gè)樣本添加到訓(xùn)練數(shù)據(jù)集D_train中，并從訓(xùn)練數(shù)據(jù)池D_pool中移除N_batch個(gè)樣本；

(5)根據(jù)步驟(4)得到的新訓(xùn)練數(shù)據(jù)集D_train、訓(xùn)練數(shù)據(jù)池D_pool和驗(yàn)證集D_dev，重復(fù)步驟(3)和步驟(4)，直到訓(xùn)練數(shù)據(jù)池D_pool中的樣本不足N_batch個(gè)為止；

(6)從步驟(5)迭代結(jié)束后得到的基預(yù)后預(yù)測(cè)模型池Pool中選擇N_ens個(gè)評(píng)估值最高的基預(yù)后預(yù)測(cè)模型，用于構(gòu)建集成預(yù)后預(yù)測(cè)模型；

(7)根據(jù)步驟(1)得到的訓(xùn)練數(shù)據(jù)池D_pool，重復(fù)步驟(2)重新采樣得到新訓(xùn)練數(shù)據(jù)集D_train，并重復(fù)步驟(3)到步驟(6)T次；

(8)從步驟(1)得到的K個(gè)子集中選取1個(gè)未做過(guò)驗(yàn)證集的子集作為新的驗(yàn)證集D_dev，其余子集合并成新的訓(xùn)練數(shù)據(jù)池D_pool，根據(jù)新的驗(yàn)證集D_dev、新的訓(xùn)練數(shù)據(jù)池D_pool，重復(fù)步驟(2)到(7)K次，最終得到K×T×N_ens個(gè)基預(yù)后預(yù)測(cè)模型，將這些預(yù)后預(yù)測(cè)模型的平均作為集成預(yù)后預(yù)測(cè)模型。

2.如權(quán)利要求1所述的非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建方法，其特征在于，步驟(1)中，采用分層K折交叉驗(yàn)機(jī)制來(lái)進(jìn)行數(shù)據(jù)分割。

3.如權(quán)利要求1所述的非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建方法，其特征在于，步驟(3)中，采用的有監(jiān)督分類(lèi)算法包括支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、邏輯回歸、決策樹(shù)、樸素貝葉斯。

4.如權(quán)利要求1所述的非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建方法，其特征在于，步驟(4)中，采用的查詢(xún)策略包括基于不確定度的查詢(xún)策略、基于不一致的查詢(xún)策略、基于信息密度的查詢(xún)策略。

5.如權(quán)利要求1所述的非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建方法，其特征在于，步驟(8)中，采用不同的隨機(jī)種子采集子集作為驗(yàn)證集，確保得到的新驗(yàn)證集和新訓(xùn)練數(shù)據(jù)池與原始驗(yàn)證集和訓(xùn)練數(shù)據(jù)池不同。

6.一種非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建裝置，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上執(zhí)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下權(quán)利要求1～5任一項(xiàng)所述的非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型的構(gòu)建方法。

7.一種非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)方法，其特征在于，所述非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)方法采用權(quán)利要求1所述的方法構(gòu)建的非小細(xì)胞肺癌集成預(yù)后預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。