欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024113340128
申请人: 佛山大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于可解释生成式深度学习的癌症评估模型,其特征在于,包括结合L2正则化项的Cox比例风险模型;所述Cox回归模型如下所示:;

其中,是给定协变量下的危险函数,是基准危险函数,描述在t时刻风险变化情况,是协变量向量,是回归系数;

所述L2正则化的Cox回归模型的构建方法包括以下步骤:将样本数据输入无监督对抗自编码器,对无监督对抗自编码器进行训练,输出特征,根据特征采用Cox回归模型计算部分似然函数,在对数部分似然函数中添加L2正则化项,使正则化后的对数部分似然函数最大化,确定Cox回归模型的回归系数,得到L2正则化的Cox回归模型;

添加L2正则化项后的对数部分似然函数如下所示:,其中:是正则化强度的超参数,是回归系数向量的L2范数;

所述样本数据为mRNA数据;所述L2正则化的Cox回归模型的危险函数用于判断癌症预后风险和/或筛选癌症预后靶点。

2.根据权利要求1所述的癌症评估模型,其特征在于,所述训练包括自编码器训练、对抗训练,所述自编码器训练包括以下步骤:将样本数据通过编码器映射到潜在空间,编码器输出潜在变量,通过解码器重新构建,得到重构结果,计算重构误差,反向传播最小化重构误差,更新编码器、解码器的参数;

所述对抗训练包括训练判别器、训练编码器,所述训练判别器包括以下步骤:从先验分布中采样先验分布潜在变量,从编码器输出的潜在变量中采样编码器潜在变量,判别器对先验分布潜在变量、编码器潜在变量进行区分,计算判别器的对抗损失,反向传播最小化判别器的对抗损失,更新判别器的参数;

所述训练编码器包括以下步骤:计算编码器的对抗损失,反向传播最小化编码器的对抗损失,更新编码器的参数,直至模型收敛。

3.权利要求1-2中任一项所述癌症评估模型的构建方法,其特征在于,包括以下步骤:数据处理:获得基因表达数据,进行预处理,得到样本数据;

获得特征:将样本数据输入无监督对抗自编码器,对无监督对抗自编码器进行训练,输出特征;

构建癌症评估模型:根据特征采用Cox回归模型计算部分似然函数,在对数部分似然函数中添加L2正则化项,使正则化后的对数部分似然函数最大化,确定Cox回归模型的回归系数,得到L2正则化的Cox回归模型。

4.根据权利要求3所述的构建方法,其特征在于,所述预处理包括以下步骤:对基因表达数据中的缺失样本、特征进行删除,对剩余的缺失项进行填补,标准化,得到样本数据;

所述训练包括自编码器训练、对抗训练,所述自编码器训练包括以下步骤:将样本数据通过编码器映射到潜在空间,编码器输出潜在变量,通过解码器重新构建,得到重构结果,计算重构误差,反向传播最小化重构误差,更新编码器、解码器的参数;

所述对抗训练包括训练判别器、训练编码器,所述训练判别器包括以下步骤:从先验分布中采样先验分布潜在变量,从编码器输出的潜在变量中采样编码器潜在变量,判别器对先验分布潜在变量、编码器潜在变量进行区分,计算判别器的对抗损失,反向传播最小化判别器的对抗损失,更新判别器的参数;

所述训练编码器包括以下步骤:计算编码器的对抗损失,反向传播最小化编码器的对抗损失,更新编码器的参数,直至模型收敛。

5.根据权利要求4所述的构建方法,其特征在于,所述Cox回归模型如下所示:;其中,是给定协变量下的危险函数,是基准危险函数,是协变量向量,是回归系数;

所述对数部分似然函数如下所示:;其中,是观察数据的数量,是协变量向量,是在时间之前仍然未发生死亡事件的个体集合,j表示在时间发生死亡事件的个体,是回归系数;

添加L2正则化项后的对数部分似然函数如下所示:,其中:是正则化强度的超参数,是回归系数向量的L2范数。

6.一种评估癌症预后风险的方法,其特征在于,包括以下步骤:将待评估人员的基因表达数据输入无监督对抗自编码器,输出特征,将特征代入权利要求1-2中任一项所述的癌症评估模型,得到危险函数,若危险函数>0则判断待评估人员癌症预后风险高。

7.一种筛选癌症预后靶点的方法,其特征在于,包括以下步骤:将样本数据输入随机森林模型,得到重要性系数;采用权利要求1-2中任一项所述的癌症评估模型对样本数据进行分析,得到危险函数,将危险函数进行差异表达分析,得到差异表达基因,将差异表达基因与重要性系数求交集,得到癌症预后靶点;

所述随机森林模型如下所示:其中,是对第个样本的预测风险值,是随机森林中决策树的数量,是第棵决策树的预测函数。

8.一种用于评估癌症预后风险的系统,其特征在于,包括:

数据储存模块,用于存储待评估人员的基因表达数据、权利要求1-2中任一项所述的癌症评估模型;

数据分析模块,用于按照权利要求6所述的方法进行分析;以及

数据展示模块,用于展示待评估人员的癌症预后风险。