数据处理方法、装置、介质及电子设备与流程

本发明涉及电数据处理技术领域，具体而言，涉及一种数据处理方法、装置、介质及电子设备。

背景技术：

癌症作为一个重要的健康问题，在发达国家已经成为了第二大致死病因，其致病原因主要与老龄化和人们的生活习惯密切相关。

国际抗癌联盟指出，癌症如能及早发现和充分治疗，三分之一的癌症可以预防，三分之一的癌症患者可以完全治愈，但不幸的是80％的癌症患者错过了最佳诊断和治疗时机。因此，癌症早期风险预测和预防是战胜癌症的最佳方法。

因此，需要一种新的数据处理方法、装置、介质和电子设备。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本发明实施例的目的在于提供一种数据处理方法、装置、介质及电子设备，进而至少在一定程度上克服相关技术中存在的至少一个或者全部的技术问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本公开的一个方面，提供一种数据处理方法，包括：获取目标对象距离待预测时间点最近的n个时间点的目标肿瘤标志物含量；根据所述距离待预测时间点最近的n个时间点的目标肿瘤标志物含量，并利用训练完成的基于时间序列的深度学习模型，获取所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量；其中，n为大于等于1的正整数。

在本公开的一种示例性实施例中，还包括：确定所述目标对象在所述待预测时间点的所述目标肿瘤标志物初始预测含量所属目标类别；获取所述目标类别的目标肿瘤标志物含量上限和下限。

在本公开的一种示例性实施例中，还包括：获取所述目标对象在所述待预测时间点的目标年龄；根据所述目标年龄并利用训练完成的多项式模型，预测所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量；根据所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量，及所述所述目标类别的目标肿瘤标志物含量上限和下限，获取所述目标对象在所述待预测时间点的目标肿瘤标志物预测含量。

在本公开的一种示例性实施例中，还包括：获得多个对象在各年龄的目标肿瘤标志物含量；根据所述多个对象在各年龄的目标肿瘤标志物含量，获得各年龄的目标肿瘤标志物平均含量；根据各年龄及对应的目标肿瘤标志物平均含量确定所述多项式模型的各系数。

在本公开的一种示例性实施例中，还包括：判断所述目标肿瘤标志物预测含量是否为异常值；若所述目标肿瘤标志物预测含量为异常值，则发送患癌预警信息。

在本公开的一种示例性实施例中，还包括：获取所述目标对象预定时间段内的目标肿瘤标志物含量并形成目标肿瘤标志物含量时间序列；通过所述目标肿瘤标志物含量时间序列训练所述深度学习模型。

在本公开的一种示例性实施例中，通过所述目标肿瘤标志物含量时间序列训练所述深度学习模型，包括：将所述目标肿瘤标志物含量时间序列转化为二值向量时间序列；利用长度为n的滑动窗口且以步长为m在所述二值向量时间序列上滑动，形成n个二值矩阵；以每个二值矩阵最后一个时间点的下一个时间点对应的目标肿瘤标志物含量的二值向量作为每个二值矩阵的目标向量；将每个二值矩阵的目标向量作为标签，利用所述n个二值矩阵训练所述深度学习模型；其中，m和n均为大于等于1的正整数。

在本公开的一种示例性实施例中，将所述目标肿瘤标志物含量时间序列转化为二值向量时间序列，包括：将连续的目标肿瘤标志物含量离散化为多个类别，每个类别包括目标肿瘤标志物含量上限和下限；根据所述多个类别及相应的目标肿瘤标志物含量上限和下限，将所述目标肿瘤标志物含量时间序列上每一个时间点对应的目标肿瘤标志物含量分别转化为二值向量，形成所述二值向量时间序列。

根据本公开的一个方面，提供一种数据处理装置，包括：当前含量数据获取模块，配置为获取目标对象距离待预测时间点最近的n个时间点的目标肿瘤标志物含量；初始预测含量获取模块，配置为根据所述距离待预测时间点最近的n个时间点的目标肿瘤标志物含量，并利用训练完成的基于时间序列的深度学习模型中，获取所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量；其中，n为大于等于1的正整数。

根据本公开的一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的数据处理方法。

根据本公开的一个方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一实施例所述的数据处理方法。

本发明实施例提供的技术方案可以包括以下有益效果：

在本发明的一些实施例所提供的技术方案中，一方面，通过将获取的目标对象的距离待预测时间点最近的n个时间点的目标肿瘤标志物含量输入至预先训练好的基于时间序列的深度学习模型，可以实现自动的、较为准确地预测所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量；另一方面，可以将预测的所述目标肿瘤标志物初始预测含量应用于多种应用场景中，例如可以将其应用至癌症早期征兆的发现，从而有助于人们早发现早诊断早治疗，大大降低了人们的癌症恶化带来的身体和精神上的痛苦；再例如还可以将其应用至已经确诊患癌患者的癌症发展趋势监测过程中，通过预测癌症发展趋势能够更有利的帮助到癌症患者；再例如还可以将其应用于保险公司的核保过程中，通过分析被保险人的历史体检指标数据，预测被保险人的患癌风险，可以可以减少保险公司的理赔风险。

在本发明的另一些实施例所提供的技术方案中，针对上述基于时间序列的深度学习模型预测的目标对象在待预测时间点的目标肿瘤标志物初始预测含量，还可以结合该目标对象的至少一个约束条件例如年龄、生活环境、生活地理区域、生活习惯、家族病史等对所述目标肿瘤标志物初始预测含量进行修正，从而获得目标肿瘤标志物最终预测含量，这样，可以进一步提高目标肿瘤标志物的预测准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本发明的一个实施例的数据处理方法的流程图；

图2示意性示出了根据本发明的再一个实施例的数据处理方法的流程图；

图3示意性示出了图2中的步骤s220的一个实施例的流程图；

图4示意性示出了图3中的步骤s221的一个实施例的流程图；

图5示意性示出了根据本发明的又一个实施例的数据处理方法的流程图；

图6示意性示出了根据本发明的另一个实施例的数据处理方法的流程图；

图7示意性示出了根据本发明的再一个实施例的数据处理方法的流程图；

图8示意性示出了根据本发明的一个实施例的数据处理装置的框图；

图9示意性示出了根据本发明的另一个实施例的数据处理装置的框图；

图10示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

相关技术中，存在以下技术方案用于预测患癌或者发病风险：

第一种技术方案是：建立在单一危险因素与发病率基础上的单因素加权法，即将这些单一危险因素与发病率的关系以相对危险性表示其强度，得出的各相关因素的加权分数即为患病的危险性。但该单因素加权法主要用于评估职业病，对于个体发病风险评估的准确度仍然有待提高。

第二种技术方案是：建立在多因素数理分析基础上的多因素模型法，即采用统计学概率论的方法得出患病风险与危险因素之间的关系模型，常见的模型包括逻辑(logistic)回归和cox回归等，但这种多因素模型法往往只能给出定性分析结果，很少能给出定量分析结果。

第三种技术方案是：基于医学影像，通过机器学习的方法来预测疾病。但针对癌症预测，仅凭影像数据，无法在疾病早期准确发现，等到确诊时往往已是癌症晚期，不能实现癌症的早发现、早治疗。

第四种技术方案是：依据对象的多个检测指标预测癌症，但这多个检测指标往往是一次体检得到的，并无时间维度上的信息，不能真实反映与癌症相关的指标随时间的变化情况。

近年来随着大数据和机器学习等技术的发展，本发明实施例通过建立基于时间序列的深度学习模型对癌症的早期征兆进行识别和预测，将获得更准确地预测效果，通过对癌症指标变化趋势的监测可以实现早期的癌症风险预测，也将成为未来其他各类疾病预防的发展趋势和有力手段。因此建立基于深度学习模型的保健和风险预测系统将具有重要意义。。

图1示意性示出了根据本发明的一个实施例的数据处理方法的流程图。该数据处理方法的执行主体可以是具有计算处理功能的设备，如服务器和/或移动终端等。

如图1所示，本发明实施例提供的数据处理方法可以包括以下步骤。

在步骤s110中，获取目标对象距离待预测时间点最近的n个时间点的目标肿瘤标志物含量。

其中，n为大于等于1的正整数。n的选择可以根据具体的应用场景和实际需求来确定，本发明对此不作限定。

本发明实施例中，由于老年人患癌风险明显大于年轻人，因此，所述目标对象可以是选择的一个待预测的老年人，但本发明并不限定于此，实际上，所述目标对象可以是任意的一种动物中的一个确定的对象。

本发明实施例中，可以假设每个时间点之间的时间间隔是等间隔的。例如，可以每天或者每周或者每月固定时间抽取所述目标对象的血液，并对抽取的血液进行医学检测，从而采集到所述目标对象最近n个时间点的目标肿瘤标志物含量。所述待预测时间点可以是距离今天或者本周或者本月的下一天或者下q(q为大于等于1的正整数)天或者下一周或者下q周或者下一月或者下q月，本发明对此不作限定。

本发明实施例中，所述目标肿瘤标志物可以包括一种或者多种，例如，ca125是卵巢癌和子宫内膜癌的首先标志物；psa(prostatespecificantigen，前列腺特异抗原)是前列腺特异性标志物，血清psa是监测和早日发现前列腺癌最重要的指标之一；铁蛋白sf可用于检测肝脏转移性肿瘤；肌酐scr是肾脏功能的重要指标，scr的上升意味着肾功能的损害。

需要说明的是，在下面的实施例中，虽然仅以所述目标肿瘤标志物为ca125这一种为例进行说明，但实际上本发明并不限定于此。

在步骤s120中，根据所述距离待预测时间点最近的n个时间点的目标肿瘤标志物含量，并利用训练完成的基于时间序列的深度学习模型，获取所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量。

本发明实施例中，可以首先按照n个时间点的采集顺序将n个目标肿瘤标志物含量进行排序，形成目标肿瘤标志物含量时间序列。

本发明实施例中，由于通常初步采集的目标肿瘤标志物含量是连续数值，因此，可以对获取的距离所述待预测时间点最近的n个时间点的连续的目标肿瘤标志物含量进行离散化处理。

具体的，以所述目标肿瘤标志物为ca125为例，可以首先将连续的肿瘤标志物ca125等间距离散化为多个类别，若检测获得的肿瘤标志物ca125的含量值属于某一类别，则对应位置取值为1；若不属于某一类别，则对应位置取值为0。当然，本发明并不限定于此，例如，也可以将含量值属于某一类别，则对应位置取值为0；若不属于某一类别，则对应位置取值为1。

对于ca125而言，其正常范围是<35ku/l，等间距离散化后例如可分为6类：第一类别：0<ca125≤35ku/l；第二类别：35ku/l<ca125≤70ku/l；第三类别：70ku/l<ca125≤105ku/l；第四类别：105ku/l<ca125≤140ku/l；第五类别：140ku/l<ca125≤175ku/l；第六类别：ca125>175ku/l。

需要说明的是，对于某一种目标肿瘤标志物而言，其等间距离散化后的类别数量可以根据该目标肿瘤标志物的正常范围、系统要求的预测精度、实际需求和应用场景来确定，本发明并不限于上述举例，通常而言，若划分的类别数量越多，则预测精度越高，但相应的会增大数量处理量。

这里假设所述目标对象在所述n个时间点中的某一个时间点采集获得的ca125含量为50ku/l，则该时间点的ca125含量可以量化为二值向量(0,1,0,0,0,0)。

采用类似的方法，可以将n个时间点上的每一个目标肿瘤标志物含量均量化为二值向量，即将目标肿瘤标志物含量时间序列转换为了二值向量时间序列，然后将这n个二值向量组合在一起可以形成一个n×6维的二值矩阵，将该二值矩阵输入至训练好的基于时间序列的深度学习模型，可以输出所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量。

这里通过所述基于时间序列的深度学习模型输出的所述目标肿瘤标志物初始预测含量为离散值，即也是一个二值向量，根据上述离散化过程可知，通过观察所述目标肿瘤标志物初始预测含量的二值向量哪一位为1，则可以确定所述目标肿瘤标志物初始预测含量所属类别，以及所述类别的目标肿瘤标志物含量上限和目标肿瘤标志物含量下限。

本发明实施方式提供的数据处理方法，一方面，通过将获取的目标对象的距离待预测时间点最近的n个时间点的目标肿瘤标志物含量输入至预先训练好的基于时间序列的深度学习模型，可以实现自动的、较为准确地预测所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量，例如可自动预测未来一段时间肿瘤标志物(如ca125、血清psa、铁蛋白sf及scr等)的含量；另一方面，可以将预测的所述目标肿瘤标志物初始预测含量应用于多种应用场景中，例如可以将其应用至癌症早期征兆的发现，从而有助于人们早发现早诊断早治疗，大大降低了人们的癌症恶化带来的身体和精神上的痛苦；再例如还可以将其应用至已经确诊患癌患者的癌症发展趋势监测过程中，通过预测癌症发展趋势能够更有利的帮助到癌症患者；再例如还可以将其应用于保险公司的核保过程中，通过分析被保险人的历史体检指标数据，预测被保险人的患癌风险，可以减少保险公司的理赔风险。

图2示意性示出了根据本发明的再一个实施例的数据处理方法的流程图。

如图2所示，与上述图1所示实施例的不同之处在于，本发明实施例提供的数据处理方法还可以包括以下步骤。

在步骤s210中，获取所述目标对象预定时间段内的目标肿瘤标志物含量并形成目标肿瘤标志物含量时间序列。

本发明实施例中，所述预定时间段可以是最近几年(例如最近5-10年)，可以采集所述目标对象例如老年人最近10年内的体检报告数据，从这最近10年内的体检报告数据中提取出这最近10年内的各项肿瘤标志物含量(如ca125、血清psa、铁蛋白sf及scr等)，并将各项肿瘤标志物含量按照采集时间的先后进行排序，形成各肿瘤标志物含量时间序列。

需要说明的是，本发明实施例中，采集所述目标对象的体检报告数据的频次可以远大于通常一年一次的体检获得的体检报告数据，例如，可以每天、每隔q(q为大于等于1的正整数)天、每周、每隔q周、每月或者每隔q月采集一次所述目标对象的体检报告数据，这样可以保证训练数据集的样本数量是足够的。

本发明实施例中，可以将上述获得的目标肿瘤标志物含量时间序列分成两部分，第一部分(例如，总数据量的2/3，但本发明并不限定于此)作为训练数据集用于基于时间序列的深度学习模型的训练；第二部分(例如，总数据量的1/3，但本发明并不限定于此)作为测试数据集用于基于时间序列的深度学习模型的验证。

本发明实施例中，为了扩大样本数据量，还可以对原始的目标肿瘤标志物含量时间序列按照不同时间步长进行重采样，例如对于原始的目标肿瘤标志物含量时间序列上的样本点，每隔1，2，3，…，k(k为大于等于1的正整数)个时间点采样一次，形成k个新的时间序列样本。

需要说明的是，这k个新的时间序列样本的长度仍然保持与原始的目标肿瘤标志物含量时间序列一致，在重采样中间的点可以通过插值的方法进行数据补足，例如每隔1个时间点采样一次，可以在每两个采样点之间插入一个0，但本发明并不限定于此，也可以在每两个采样点之间插入前后两个采样点的平均值。

在步骤s220中，通过所述目标肿瘤标志物含量时间序列训练所述深度学习模型。

本发明实施方式提供的数据处理方法，根据训练完成的基于时间序列的深度学习模型，系统可以自动计算出目标对象在未来一段时间内各项肿瘤标志物的预测值以及变化趋势，不仅做了定性分析，同时还进行了定量分析，从而可以将其应用于癌症风险评估，可以将所述目标肿瘤标志物初始预测含量输入到癌症风险评估系统，根据目标肿瘤标志物的正常范围判断所述目标肿瘤标志物初始预测含量是否为异常值，若为异常值，则可以判定所述目标对象具有患癌风险，启动预警。这样可以通过基于时间序列的目标肿瘤标志物含量预测目标肿瘤标志物在未来时间里的含量，并可以基于预测值进行癌症风险评估，从而可以实现癌症早日征兆的识别与预防，促使人们及时到医院进行检查，达到早发现早治疗早康复的目的。此外，也可以将该方法应用到保险领域，为投保检查等带来便利，必将带来较大的经济和社会效益。

图3示意性示出了图2中的步骤s220的一个实施例的流程图。

如图3所示，本发明实施例中，上述步骤s220可以进一步包括以下步骤。

在步骤s221中，将所述目标肿瘤标志物含量时间序列转化为二值向量时间序列。

这里假设所述二值向量时间序列为{o1,o2,...,on+n}，其中n为大于等于1的正整数，即所述二值向量时间序列的长度假设为n+n。

在步骤s222中，利用长度为n的滑动窗口且以步长为m在所述二值向量时间序列上滑动，形成n个二值矩阵。

其中，m和n均为大于等于1的正整数。

在步骤s223中，以每个二值矩阵最后一个时间点的下一个时间点对应的目标肿瘤标志物含量的二值向量作为每个二值矩阵的目标向量。

例如，假设滑动步长m＝1，通过上述滑动窗口在所述二值向量时间序列上滑动，形成多个二值矩阵mi以及对应的目标向量ti，则：

m1＝[o1,o2,...,on]，t1＝on+1；

m2＝[o2,o3,...,on+1]，t2＝on+2；

…

mi＝[oi,oi+1,...,oi+n-1]，ti＝on+i，其中，i＝1,2,...,n；

…

mn＝[on,on+1,...,on+n-1]，tn＝on+n。

再例如，若假设滑动步长m＝2，通过上述滑动窗口在所述二值向量时间序列上滑动，形成多个二值矩阵mj以及对应的目标向量tj，则：

m1＝[o1,o2,...,on]，t1＝on+1；

m2＝[o3,o4,...,on+2]，t2＝on+3；

m3＝[o5,o6,...,on+4]，t3＝on+5；

m4＝[o7,o8,...,on+6]，t4＝on+7；

…

其他滑动步长可以以此类推。

在步骤s224中，将每个二值矩阵的目标向量作为标签，利用所述n个二值矩阵训练所述深度学习模型。

本发明实施例中，可以将上述二值矩阵m1，m2，…，mn分别作为所述基于时间序列的深度学习模型的输入，t1，t2，…tn作为对应二值矩阵的标签，t1’，t2’，…tn’作为模型的预测输出，用于所述基于时间序列的深度学习模型的训练。

本发明实施例中，所述深度学习模型可以包括5层卷积神经网络，第一层是模型输入层，即输入上述所有二值矩阵m1，m2，…，mn的集合；第二层为卷积层，负责从模型输入中提取特征；第三层为池化层，负责对已识别的特征做稀疏处理；第四层为全连接层；第五层为输出层，其中输出层可以为softmax层，用于输出目标肿瘤标志物含量的初始预测值，从而可以根据所述初始预测值确定目标肿瘤标志物所属类别，及相对应的含量上限和下限。

本发明实施例中，为了减小所述深度学习模型的过拟合，还可以在输出层前引入dropout。

需要说明的是，上述深度学习模型的层级结构仅用于举例说明，本发明并不限定于此，可以采用任意一种合适的深度学习模型。

图4示意性示出了图3中的步骤s221的一个实施例的流程图。

如图4所示，本发明实施例中，上述步骤s221可以进一步包括以下步骤。

在步骤s2211中，将连续的目标肿瘤标志物含量离散化为多个类别，每个类别包括目标肿瘤标志物含量上限和下限。

本发明实施例中，首先将连续的目标肿瘤标志物含量等间距离散化为多个类别，再将样本数据转化为二值向量，属于某一类别为1，不属于某一类别为0，例如，对于ca125，其正常范围是<35ku/l，等间距离离散化后可分为6类：①0-35ku/l，②35-70ku/l，③70-105ku/l，④105-140ku/l，⑤140-175ku/l，⑥>175ku/l。

在步骤s2212中，根据所述多个类别及相应的目标肿瘤标志物含量上限和下限，将所述目标肿瘤标志物含量时间序列上每一个时间点对应的目标肿瘤标志物含量分别转化为二值向量，形成所述二值向量时间序列。

例如，若某人某次体检ca125含量的数值为50ku/l，则转化为二值向量{0,1,0,0,0}。将所述目标肿瘤标志物含量时间序列上每一个时间点对应的样本数据都转化为二值向量o1,o2,…,on,…，on+n。

本发明实施例，针对上述基于时间序列的深度学习模型预测的目标对象在待预测时间点的目标肿瘤标志物初始预测含量，还可以结合该目标对象的至少一个约束条件例如年龄、生活环境、生活地理区域、生活习惯、家族病史等对所述目标肿瘤标志物初始预测含量进行修正，从而获得目标肿瘤标志物最终预测含量，这样，可以进一步提高目标肿瘤标志物的预测准确性。

在下面的实施例中，仅以所述约束条件为年龄进行举例说明，但本领域技术人员应当知晓，所述约束条件可以包括年龄、生活环境、生活地理区域、生活习惯(是否有吸烟喝酒史等)、家族病史等中的任意一种或者多种。

图5示意性示出了根据本发明的又一个实施例的数据处理方法的流程图。

如图5所示，与上述实施例在不同之处在于，本发明实施例提供的数据处理方法还可以包括以下步骤。

在步骤s510中，确定所述目标对象在所述待预测时间点的所述目标肿瘤标志物初始预测含量所属目标类别。

例如，通过所述基于时间序列的深度学习模型，若预测出在所述待预测时间点的ca125初始预测含量为{0,0,1,0,0}，则可以确定所述目标对象在所述待预测时间点的ca125初始预测含量属于第3类别。

在步骤s520中，获取所述目标类别的目标肿瘤标志物含量上限和下限。

例如，上述ca125第3类别的含量上限r1为70ku/l，含量下限r2为105ku/l。

在步骤s530中，获取所述目标对象在所述待预测时间点的目标年龄。

假设所述目标对象在所述待预测时间点的目标年龄x为60岁。

在步骤s540中，根据所述目标年龄并利用训练完成的多项式模型，预测所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量。

例如，假设所述多项式模型为：

φf(x)＝a0+a1*x+a2*x²+…+af*x^f

上述公式中，f为大于等于1的正整数。这里假设已知上述公式中的各个系数a0，a1，a2，…，af，将所述目标对象的目标年龄x＝60岁代入上述公式即可计算出所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量q。

在步骤s550中，根据所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量，及所述所述目标类别的目标肿瘤标志物含量上限和下限，获取所述目标对象在所述待预测时间点的目标肿瘤标志物预测含量。

本发明实施例中，可以根据年龄等约束条件对深度学习模型的目标肿瘤标志物初始预测结果进行修正，最终获得的目标肿瘤标志物预测含量final_q可以通过以下公式计算获得：

final_q＝w1*q+w2*(r1+r2)/2

其中，上述公式中，w1和w2分别是所述目标肿瘤标志物平均含量、目标肿瘤标志物含量上限和下限的权重系数，可以预先设定。w1和w2的具体取值可以根据实际情况进行设定，本发明对此不作限定。

图6示意性示出了根据本发明的另一个实施例的数据处理方法的流程图。

如图6所示，与上述实施例在不同之处在于，本发明实施例提供的数据处理方法还可以包括以下步骤。

在步骤s610中，获得多个对象在各年龄的目标肿瘤标志物含量。

本发明实施例中，可以采集多个对象例如多个老人在不同年龄的目标肿瘤标志物含量，例如，可以采集1000个老人分别在55岁、56岁、57岁，…，55+f岁的ca125含量。

在步骤s620中，根据所述多个对象在各年龄的目标肿瘤标志物含量，获得各年龄的目标肿瘤标志物平均含量。

具体的，可以分别计算上述1000个老人在55岁、56岁、57岁，…，55+f岁的ca125平均含量，例如将1000个老人在55岁的ca125含量相加求和之后再除以1000，即可以得到这1000个老人在55岁的ca125平均含量，以此类推，可以计算获得f+1个ca125平均含量。

在步骤s630中，根据各年龄及对应的目标肿瘤标志物平均含量确定所述多项式模型的各系数。

具体的，将上述f+1个ca125平均含量分别代入下面公式：

φf(x)＝a0+a1*x+a2*x²+…+af*x^f

即可求解获得上述系数a0，a1，a2，…，af。

图7示意性示出了根据本发明的再一个实施例的数据处理方法的流程图。

如图7所示，与上述实施例在不同之处在于，本发明实施例提供的数据处理方法还可以包括以下步骤。

在步骤s710中，判断所述目标肿瘤标志物预测含量是否为异常值；若所述目标肿瘤标志物预测含量为异常值，则进入步骤s720；若所述目标肿瘤标志物预测含量不为异常值，则跳转至步骤s730。

在步骤s720中，发送患癌预警信息。

在步骤s730中，不发送患癌预警信息。

本发明实施例中，可以将目标肿瘤标志物预测含量例如的ca125最终预测值final_q与ca125的正常范围进行比较，若指标超出正常范围，则患癌风险增大。

例如，肿瘤标志物ca-125的正常范围以及监测的癌症如下：正常范围ca125<35ku/l，如果最终预测值final_q大于35ku/l，则说明所述目标对象患肺癌概率很大。

本发明实施例中，进一步的，若预测结果超出正常范围，则可以启动预警，及时告知所述目标对象例如老年人，促使老年人及时到医院进行检查，实现癌症早期征兆的识别与预防，达到早发现早治疗早康复的目的。

本发明实施方式提供的数据处理方法，通过采集目标对象历年来体检报告数据，对一段时期内(比如5-10年)各项肿瘤标志物(如ca125、血清psa、铁蛋白sf及scr等)的变化情况进行监测，并以此作为训练数据，训练基于时间序列的深度学习模型，并可以进一步根据年龄等约束条件完成深度学习模型的预测结果的优化，进一步提高预测结果的准确性。

以下介绍本发明的装置实施例，可以用于执行本发明上述的数据处理方法。

图8示意性示出了根据本发明的一个实施例的数据处理装置的框图。

如图8所示，本发明实施方式提供的数据处理装置800可以包括当前含量数据获取模块810和初始预测含量获取模块820。

其中，当前含量数据获取模块810可以配置为获取目标对象距离待预测时间点最近的n个时间点的目标肿瘤标志物含量。

初始预测含量获取模块820可以配置为根据所述距离待预测时间点最近的n个时间点的目标肿瘤标志物含量，并利用训练完成的基于时间序列的深度学习模型，获取所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量。

其中，n为大于等于1的正整数。

在示例性实施例中，数据处理装置800还可以包括：

含量时间序列获取模块，可以配置为获取所述目标对象预定时间段内的目标肿瘤标志物含量并形成目标肿瘤标志物含量时间序列；

深度学习模型训练模块，可以配置为通过所述目标肿瘤标志物含量时间序列训练所述深度学习模型。

在示例性实施例中，所述深度学习模型训练模块可以进一步包括：

向量时间序列转换单元，可以配置为将所述目标肿瘤标志物含量时间序列转化为二值向量时间序列；

二值矩阵形成单元，可以配置为利用长度为n的滑动窗口且以步长为m在所述二值向量时间序列上滑动，形成n个二值矩阵；

目标向量生成单元，可以配置为以每个二值矩阵最后一个时间点的下一个时间点对应的目标肿瘤标志物含量的二值向量作为每个二值矩阵的目标向量；

深度学习模型训练单元，可以配置为将每个二值矩阵的目标向量作为标签，利用所述n个二值矩阵训练所述深度学习模型；

其中，m和n均为大于等于1的正整数。

在示例性实施例中，所述向量时间序列转换单元可以进一步包括：

离散化子单元，可以配置为将连续的目标肿瘤标志物含量离散化为多个类别，每个类别包括目标肿瘤标志物含量上限和下限；

向量时间序列转换子单元，可以配置为根据所述多个类别及相应的目标肿瘤标志物含量上限和下限，将所述目标肿瘤标志物含量时间序列上每一个时间点对应的目标肿瘤标志物含量分别转化为二值向量，形成所述二值向量时间序列。

图9示意性示出了根据本发明的另一个实施例的数据处理装置的框图。

如图9所示，与上述图8实施例提供的数据处理装置的不同之处在于，本发明实施方式提供的数据处理装置900还可以包括目标类别确定模块910、含量上下限获取模块920、目标年龄获取模块930、平均含量预测模块940以及预测含量获取模块950。

其中，目标类别确定模块910可以配置为确定所述目标对象在所述待预测时间点的所述目标肿瘤标志物初始预测含量所属目标类别。

含量上下限获取模块920可以配置为获取所述目标类别的目标肿瘤标志物含量上限和下限。

目标年龄获取模块930可以配置为获取所述目标对象在所述待预测时间点的目标年龄。

平均含量预测模块940可以配置为根据所述目标年龄并利用训练完成的多项式模型，预测所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量。

在示例性实施例中，数据处理装置900还可以包括：

年龄含量获得模块，可以配置为获得多个对象在各年龄的目标肿瘤标志物含量；

年龄平均含量获得模块，可以配置为根据所述多个对象在各年龄的目标肿瘤标志物含量，获得各年龄的目标肿瘤标志物平均含量；

多项式模型训练模块，可以配置为根据各年龄及对应的目标肿瘤标志物平均含量确定所述多项式模型的各系数。

预测含量获取模块950可以配置为根据所述目标对象在所述待预测时间点的目标肿瘤标志物平均含量，及所述所述目标类别的目标肿瘤标志物含量上限和下限，获取所述目标对象在所述待预测时间点的目标肿瘤标志物预测含量。

在示例性实施例中，数据处理装置900还可以包括：

异常值判断模块，可以配置为判断所述目标肿瘤标志物预测含量是否为异常值；

预警信息发送模块，可以配置为若所述目标肿瘤标志物预测含量为异常值，则发送患癌预警信息。

由于本发明的示例实施例的数据处理装置的各个功能模块或者单元或者子单元与上述数据处理方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的数据处理方法的实施例。

下面参考图10，其示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图10示出的电子设备的计算机系统700仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分707加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分707。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块或者单元或者子单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块或者单元或者子单元也可以设置在处理器中。其中，这些模块或者单元或者子单元的名称在某种情况下并不构成对该模块或者单元或者子单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的数据处理方法。

例如，所述的电子设备可以实现如图1中所示的：步骤s110，获取目标对象距离待预测时间点最近的n个时间点的目标肿瘤标志物含量；步骤s120，根据所述距离待预测时间点最近的n个时间点的目标肿瘤标志物含量，并利用训练完成的基于时间序列的深度学习模型，获取所述目标对象在所述待预测时间点的目标肿瘤标志物初始预测含量；其中，n为大于等于1的正整数。

又如，所述的电子设备可以实现如图2至图7所示的各个步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元或者子单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元或者子单元的特征和功能可以在一个模块或者单元或者子单元中具体化。反之，上文描述的一个模块或者单元或者子单元的特征和功能可以进一步划分为由多个模块或者单元或者子单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。