CN119480125A 一种基于肿瘤数据库文本识别的肿瘤预后预测方法 （厦门大学附属第一医院(厦门市第一医院、厦门市红十字会医院、厦门市糖尿病研究所)）

一种基于肿瘤数据库文本识别的肿瘤预后种基于肿瘤数据库文本识别的肿瘤预后预测方22.根据权利要求1所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征3.根据权利要求1所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征4.根据权利要求1所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征35.根据权利要求4所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征6.根据权利要求5所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征路径表示向量pk；7.根据权利要求6所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征S43，综合评估与分级建议：结合患者的五年生存率、复发风险和整体预后影响值8.根据权利要求7所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征S411，特征融合：将肿瘤转移路径预测得到49.根据权利要求8所述的一种基于肿瘤数据库文本识别的肿瘤预后预测方法，其特征S421，神经网络结构：通过多层全连接神经S422，损失函数优化：使用二分类交叉熵Qrec以及整体预后影响值ptotal，综合计算患者的个性化预后评估值Rrinal；56S21，分词与文本清洗：通过基于概率的最大熵模型对临床文本数据进行分词处7出的最终节点特征矩阵n(c)中提取与转移路径相关的节点特征，并聚合路径上的所有节S332，预后评分计算：对每条转移路径的表示向量PK使用全连接层计算预后评S412，特征规范化与降维：对拼接后的综合特征表示Fpatien测值Qrec以及整体预后影响值ptotal，综合计算患者的个性化预后评估值Rrinal；8S432，风险水平划分：根据个性化预后评估值Rrinal，对患者量化的个性化预后评估值和明确的风险分级标准，为患者提供精准的风险评估和分级建[0021]下面结合附图和具体实施例对本发明进行详细描述。同9;为词t在文档d中的重要性（权重TF(t,d)为词t在文档d中的频率，DF(t)为包含词t的文档数目，N为总文档数；;为影像数据的标准差；;;其中，为原始基因组数据，xmin和xmax分别为该特征的最小值和最大值，xnorm为归一化后的结果；S21，分词与文本清洗：通过基于概率的最大熵模型对临床文本数据进行分词处;;;其中，plx)为给定输入序列x的情况下输出序列y的条件概率，为当前;;;;是节点度矩阵a为归一化后的邻接矩阵；;练权重矩阵，o()为ReLU非线性激活函数，为第l+1层的节点;合多层图卷积的特征提取和softmax分类器的概率输出，不仅能够准确挖掘潜在的肿瘤转出的最终节点特征矩阵n(c)中提取与转移路径相关的节点特征，并聚合路径上的所有节;x为预测的第k条转移路径上的节点集合，hi为节点的特征向S332，预后评分计算：对每条转移路径的表示向量PK使用全连接层计算预后评;;;S412，特征规范化与降维：对拼接后的综合特征表示Fpatien;其中，Fmin和Fmax分别为特征矩阵Fpatient的最小值和最大值，Fnorm为归一;;m层的偏置项，g为ReLU激活函数；;;h为Sigmoid激活函数；;其中，LSY为五年生存率的损失函数，表示预测的五年生存率Qsyi与实际标签syi之间的误差，Lrec为复发风险的损失函数，表示预测的复发风险Qreci与实际标签测值Qrec以及整体预后影响值ptotal，综合计算患者的个性化预后评估值Rrinal，表示;为患者的个性化预后评估值，数值越高表示预后越好，QS,e[0,1]为五年生存率预测值，表示患者存活的概率，Qrece[0,1]为