1.一种基于深度神经网络的乳腺癌预后预测方法,其特征在于,包括以下步骤:S1:获取三阴乳腺癌样本的基因表达数据,所述三阴乳腺癌样本包括病灶完全去除样本与病灶残留样本;
S2:对所述基因表达数据进行数据预处理,提取有效的表达数量性状位点;
S3:对所述表达数量性状位点进行分组,再依次用t检验函数、方差分析函数和相关性函数进行筛选,得到核心表达数量性状位点;
S4:用所述核心表达数量性状位点构建深度神经网络,用所述基因表达数据训练所述深度神经网络,同时优化所述深度神经网络的参数,得到优化后的三阴乳腺癌预后深度神经网络;
S5:输入待检测三阴乳腺癌样本的基因表达数量性状位点至所述三阴乳腺癌预后深度神经网络进行预后复发预测;
其中,所述数据预处理包括:
S21:将所述三阴乳腺癌样本中数据类型为无表型的数据进行删除,转S22;
S22:提取基因表达数据,并删除重复或者同义的基因表达数据,转S23;
S23:计算所述基因表达数据的表达比例,剔除表达比例小于30%的基因表达数据;
所述对所述表达数量性状位点进行分组,具体为:
对所述有效的表达数量性状位点,赋值所述病灶完全去除样本的表达数量性状位点为数组变量X,赋值所述病灶残留样本的表达数量性状位点为数组变量Y;
所述依次用t检验函数、方差分析函数和相关性函数进行筛选,具体为:S31:将所述数组变量X和所述数组变量Y进行t检测,保留P值小于0.01的表达数量性状位点;
S32:将所述S31保留的表达数量性状位点进行方差分析,根据所述数组变量X和所述数组变量Y之间的方差值排序筛选,同时保留所述P值小于0.001的表达数量性状位点;
S33:对所述S32保留的表达数量性状位点使用相关性函数计算两两之间的相关值,保留所述P值小于1.0e-16的表达数量性状位点。
2.根据权利要求1所述的一种基于深度神经网络的乳腺癌预后预测方法,其特征在于,所述S3还包括:所述t检验函数和所述相关性函数均采用双尾检验方法。
3.根据权利要求2所述的一种基于深度神经网络的乳腺癌预后预测方法,其特征在于,所述深度神经网络是隐藏层为2层的深度神经网络。
4.根据权利要求3所述的一种基于深度神经网络的乳腺癌预后预测方法,其特征在于,所述参数包括:每次训练样本个数至少为80、90、100、110、120、130或140中的一种;
每次训练步长至少为10000、12500、15000、17500或20000中的一种。
5.根据权利要求4所述的一种基于深度神经网络的乳腺癌预后预测方法,其特征在于,所述隐藏层还包括:第一层隐藏层的节点数至少为20、30、40、50或60中的一种;
第二层隐藏层的节点数至少为8、9、10、11或12中的一种。
6.一种基于深度神经网络的乳腺癌预后预测系统,其特征在于,包括:数据获取模块,获取三阴乳腺癌样本的基因表达数据,所述三阴乳腺癌样本包括病灶完全去除样本与病灶残留样本;
数据过滤模块,对所述基因表达数据进行数据预处理,得到有效的表达数量性状位点;包括将所述三阴乳腺癌样本中数据类型为无表型的数据进行删除,提取基因表达数据,并删除重复或者同义的基因表达数据,计算所述基因表达数据的表达比例,剔除表达比例小于30%的基因表达数据;
位点筛选模块,对所述表达数量性状位点进行分组,再依次用t检验函数、方差分析函数和相关性函数进行筛选,得到核心表达数量性状位点;其中,所述对所述表达数量性状位点进行分组,具体为:对所述有效的表达数量性状位点,赋值所述病灶完全去除样本的表达数量性状位点为数组变量X,赋值所述病灶残留样本的表达数量性状位点为数组变量Y;其中,所述依次用t检验函数、方差分析函数和相关性函数进行筛选,具体为:将所述数组变量X和所述数组变量Y进行t检测,保留P值小于0.01的表达数量性状位点;将保留的表达数量性状位点进行方差分析,根据所述数组变量X和所述数组变量Y之间的方差值排序筛选,同时保留所述P值小于0.001的表达数量性状位点;对所保留的表达数量性状位点使用相关性函数计算两两之间的相关值,保留所述P值小于1.0e-16的表达数量性状位点;
神经网络模块,用所述核心表达数量性状位点构建深度神经网络,用所述基因表达数据训练所述深度神经网络,同时优化所述深度神经网络的参数,得到优化后的三阴乳腺癌预后深度神经网络;
输入输出模块,输入待检测三阴乳腺癌样本的基因表达数量性状位点至所述三阴乳腺癌预后深度神经网络进行预后复发预测,将预测结果转换为纸质报告或电子报告。