← 返回列表
基于跨模态视图关联发现网络的卵巢癌预后预测方法
申请人信息
- 申请人:太原理工大学
- 申请人地址:030024 山西省太原市万柏林区迎泽西大街79号
- 发明人: 太原理工大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于跨模态视图关联发现网络的卵巢癌预后预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311332203.6 |
| 申请日 | 2023/10/13 |
| 公告号 | CN117594243A |
| 公开日 | 2024/2/23 |
| IPC主分类号 | G16H50/50 |
| 权利人 | 太原理工大学 |
| 发明人 | 王会青; 韩笑; 程昊; 任建雪 |
| 地址 | 山西省太原市万柏林区迎泽西大街79号 |
摘要文本
本发明公开了基于跨模态视图关联发现网络的卵巢癌预后预测方法，引入随机森林与LASSO回归结合的特征选择方法RLASSO，去除冗余和带有噪声的特征，充分选择与卵巢癌预后相关的基因；引入临床特征，将其分别与mRNA表达、DNA甲基化、miRNA表达和拷贝数变异进行整合；采用多模态深度神经网络并行学习特定组学数据的高级特征表示，进行卵巢癌初始预后预测；提出使用跨模态视图关联网络对初始预测结果构建发现张量，探索空间中交叉组学的互相关性，实现最终的卵巢癌预后预测。本发明能够有效解决现有方法忽略不同组学数据之间的差异性和互相关性的问题，更准确地预测了卵巢癌患者的预后。
专利主权项内容
1.基于跨模态视图关联发现网络的卵巢癌预后预测方法，其特征在于，包括以下步骤：步骤S1、获取卵巢癌患者的临床数据和多个组学数据，构建多模态特征空间，并对临床数据和多个组学数据进行预处理；步骤S2、预处理后的组学数据利用RLASSO进行组学特征选择，使用LASSO回归将组学特征稀疏化，结合随机森林对组学特征进行重要性排序，并将随机森林选取的重要组学特征作为LASSO回归中丢失组学特征的补充，获得与卵巢癌相关的预后特征；步骤S3、预处理后的临床数据与预后特征进行整合，得到整合组学数据；步骤S4、采用多模态深度神经网络，提取整合组学数据的高级特征表示；步骤S5、采用跨模态视图关联发现网络，对整合组学数据的高级特征表示构建发现张量，探索空间中交叉组学的互相关性，构建卵巢癌预后预测模型；步骤S6、训练卵巢癌预后预测模型；步骤S7、验证并评估卵巢癌预后预测模型的预测能力和有效性。