[發明專利]一種篩查消化系統腫瘤的方法

在審

• 申請號: 202211038137.7
• 申請日: 2022-08-29
• 公開（公告）號: CN115346663A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 王正;季凱
• 申請（專利權）人: 王正;季凱
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種篩查消化系統腫瘤的方法，發明基于外周血檢查指標，包括全血細胞檢查數據、血清學指標、CEA、AFP，通過量子遺傳算法建立機器學習模型，利用模型篩查消化系統腫瘤。該方法包括：獲取學習樣本的年齡、性別、全血細胞、血液生化、AFP、CEA的檢查結果以及疾病診斷情況；基于量子遺傳算法篩選構建最優學習樣本，利用最優學習樣本訓練機器學習算法模型，使用模型篩查消化系統腫瘤。本發明的創新性在于利用多組學數據，通過量子遺傳算法篩選最優學習樣本，建立機器學習模型篩查消化系統腫瘤。

技術領域

本發明屬于醫療數據處理領域，具體涉及一種篩查消化系統腫瘤的方法。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

消化系統由消化管和消化腺兩大部分組成。其中消化管包括口腔、咽、食管、胃、小腸和結直腸等部。消化腺有小消化腺和大消化腺兩種。小消化腺散在于消化管各部的管壁內，大消化腺有三對唾液腺（腮腺、下頜下腺、舌下腺）、肝臟和胰臟。

高發的消化系統腫瘤包括胃癌、結直腸癌、食管癌、肝癌 4種。目前這4種癌癥的篩查，要很大程度上依賴于B超以及消化內鏡內窺鏡檢查。這些檢查，都需要專業的執業醫師、技師以及護理人員，后者因患者依從度的考量還需要麻醉醫師做無痛處理，屬于人力和資源密集型的篩查手段。這限制了消化道腫瘤的篩查效率。

另外，目前體檢市場上實際廣泛采用了CEA、AFP等腫瘤標志物，來進行消化系統腫瘤的篩查。而現有腫瘤標志物，大多存在靈敏度、特異性不足等問題，多用于輔助診斷、預后判斷、放療敏感度預測以及療效監控，對腫瘤篩查的意義較小。

近年來，機器學習利用外周血中的血細胞、腫瘤標志物、基因、蛋白等多組學數據篩查惡性腫瘤，逐漸成為了研究熱點。但既往研究中一般僅考慮健康人群和癌癥病人，或者采用控制陽性樣本比例等方法，在真實病人中進行篩查時，會因為存在多種細菌、病毒感染、復雜疾病的干擾，導致假陽性率非常高。如能夠進一步提高機器學習多組學篩查在真實世界中的準確性，有很高的實際應用價值。

發明內容

為了解決上述問題，本發明提供一種篩查消化系統腫瘤的方法，包括：

獲取臨床檢驗數據年齡、性別、全血細胞檢查數據、血清學檢查數據、AFP、CEA檢查結果以及疾病診斷情況；

處理臨床數據，將同一人的72小時內的全血細胞檢查數據、生化檢查數據、AFP、CEA檢查結果作為一組臨床檢驗數據。

對臨床檢驗數據進行分組，分為五組，即健康組、消化道腔內腫瘤組、肝癌組、對照惡性腫瘤組、高發疾病組。

其中，健康組不包含重大疾病患者；消化道腔內腫瘤組包括胃癌、結直腸癌、食管癌；對照惡性腫瘤組包括排除消化道腔內腫瘤組和肝癌外的其他惡性腫瘤； 高發疾病組包括除惡性腫瘤外的其他常見疾病。

將臨床檢驗數據分為訓練數據集和測試數據集，其中測試數據集按照真實的疾病發病率創建。

通過量子遺傳算法建立訓練數據集，計算五個分組人員的最佳選取比例，生成最優訓練數據集。包括：

隨機初始化量子比特編碼的染色體，測量每個染色體個體的確定解。根據確定解對應的五個分組人員的選取比例，生成訓練數據集。使用機器學習算法生成對應的篩查模型，用篩查模型檢驗測試數據。將篩查結果中，消化道腔內腫瘤組和肝癌組的平均F1值定義為適應度函數值。

對各確定解進行適應度評估，利用量子旋轉門對染色體實施調整，得到新的種群，進行以上迭代計算，獲取最優染色體和對應的適應度，生成最優學習樣本。

利用最優學習樣本訓練機器學習算法模型，優化機器學習超參數，選擇在測試數據集檢驗結果中，消化道腔內腫瘤組和肝癌組的平均F1值最高的參數，建立消化系統腫瘤篩查模型。使用消化系統腫瘤篩查模型篩查胃癌、結直腸癌、食管癌、肝癌。

附圖說明