一种前列腺癌患者预后风险评估方法及装置

1.本发明涉及生物医学技术领域，具体涉及一种前列腺癌患者预后风险评估方法及装置。


背景技术：

2.在世界范围内，前列腺癌发病率排名第二，死亡率排名第五，是严重威胁男性健康的高发疾病。
3.当前医学研究中，cox比例风险(cph)模型经常被用于生存分析，通常被称为cox模型。它可以通过将一组患者数据的特征或协变量回归到失效时间来预测风险评分，同时有效地利用删失数据。然而，cox模型作为一个线性模型，模型应用假设比较严格，如时间无关依赖性假设，临床数据通常不能满足该假设，且现行cox模型并不能完全代表对数风险比与静态协变量之间复杂的非线性关系。
4.公开号为cn112489800a的中国专利公开了一种前列腺癌患者的预后评估系统及其应用，包括检测adc、angiogenesis、csf1response、grans、hck、lymphocyte-specific、attractor、 neutrophils、nkcd56 brightcells、nkcd56 dimcells、macrophages、pro-inflammatory、 proliferation、stromal cell和zmynd10 metagene14个免疫相关特征基因集合的系统。
5.公开号为cn107743524a的中国专利公开了一种前列腺癌的预后方法，用于诊断前列腺癌患者的基因表达签名例如以建立针对这样的患者的预后、用于确定例如在初级处置之后所述患者发展侵袭性或惰性疾病的倾向、和/或用于针对可用疗法对患者进行识别和分级。
6.但是，上述公开的专利中，无法对前列腺癌患者的预后风险进行量化，且无法指导临床医师对患者的进行个性化随访与干预。


技术实现要素：

7.本发明提供的一种前列腺癌患者预后风险评估方法及装置，旨在解决上述背景技术中存在的问题。
8.为了实现上述技术目的，本发明主要采用如下技术方案：
9.本发明提供了一种前列腺癌患者预后风险评估方法，包括以下步骤：
10.s1：获取前列腺患者临床历史数据，并将获取得到的数据信息按8:2分割成训练集和验证集；
11.s2：基于xgboost算法和训练集，进行建模，模型采用aft(accelerated failure time) 损失，损失函数定义如下：
12.13.其中，laft代表aft模型，τ(x)表示给定输入x的决策树集合的输出，fz和fz分别表示y的概率密度函数(pdf)和累积分布函数(cdf)。其中，是一个链接函数；
14.s3：利用步骤s2得到的模型对术后前列腺患者预后评估和个性化医学干预。
15.其中，本发明步骤s1中，所述前列腺患者临床历史数据包括检验数据和随访记录，所述检验数据包括检验指标数据、超声影像数据；所述随访记录包括确诊时住院号、确诊年龄、bmi、复发时间、生化复发、手术日期、穿刺针数、阳性针数、穿刺gleason评分、确诊psa、确诊 fpsa、包膜侵犯、精囊侵犯、切缘阳性、神经侵犯、术后gleason评分、病理分期。
16.本发明步骤s2中，在建模前，还需要对步骤s1中获取的数据信息预处理：针对采集的数据，建立研究队列，剔除错误数据、异常数据，将数据进行标准化。
17.进一步的，步骤s2中，在所述损失函数定义下，xgboost算法框架所需梯度和海森矩阵变更如下：
[0018][0019][0020]
其中，f'z和f”z
分别为pdffz的一阶导数和二阶导数，s(y)＝(lny-u)/σ是一个链接函数。
[0021]
优选的，步骤s1中，所述验证集用于对模型进行实际验证，验证评估指标为一致性指数(index of concordance)。
[0022]
本发明的另一个目的是提供一种前列腺癌患者预后风险评估装置，包括：
[0023]
数据获取模块：用于实时获取前列腺癌患者临床数据；
[0024]
数据处理模块：针对获取的前列腺癌患者临床数据进行处理，剔除错误数据和异常数据，将数据进行标准化；
[0025]
模型加载模块：加载已经建好的评估模型；
[0026]
模型预测与临床干预模块：根据前列腺癌患者个体特征和预测结果评估复发风险和关键影响因素，及时进行干预。
[0027]
本发明的另一个目的是提供一种电子设备，包括：
[0028]
处理器；以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所
述处理器执行上述的前列腺癌患者预后风险评估方法。
[0029]
此外，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的前列腺癌患者预后风险评估方法。
[0030]
本发明还一个目的是提供一种上述的前列腺癌患者的预后风险评估方法在对前列腺癌患者预后评估和个性化医学干预中的应用。
[0031]
与现有技术相比，本发明具有以下有益效果：本发明提供的前列腺癌患者预后风险评估方法和装置，可以根据患者个体差异，预测复发风险，实现精准医疗，精准预防。
附图说明
[0032]
图1为本发明的前列腺癌患者预后风险评估方法流程图；
[0033]
图2为本发明的前列腺癌患者预后风险评估装置图；
[0034]
图3为本发明的实施例产品的表征数据以及效果数据图。
具体实施方式
[0035]
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
实施例1
[0037]
一种前列腺癌患者预后风险评估方法，包括以下步骤：
[0038]
step1预后复发模型建立，如图1所示，所述方法包括：
[0039]
step11、获取患者的临床数据。对接合作医院his、lis、emr等系统，采集患者临床历史数据，临床历史数据包括检验数据和随访记录，检验数据包括检验指标数据、超声影像数据；随访记录包括：
‘
确诊时住院号’,
‘
确诊年龄’,
‘
bmi’,
‘’
复发时间,
‘
生化复发’,
‘
手术日期’,
‘
穿刺针数’,
‘
阳性针数’,
‘
穿刺gleason评分’,
‘
确诊psa’,
‘
确诊fpsa’,
‘
包膜侵犯’,
‘
精囊侵犯’,
‘
切缘阳性’,
‘
神经侵犯’,
‘
术后gleason评分’,
‘
病理分期’。
[0040]
step12：数据预处理，针对采集的数据，建立研究队列，剔除错误数据、异常数据，将数据进行标准化。
[0041]
step13：数据集分割，将研究队列数据集分割为训练集、验证集，分割比例依次为80％:20％。
[0042]
step14：模型训练。基于xgboost算法【1】和训练集，进行建模，模型采用aft(acceleratedfailuretime)损失，损失函数定义：
[0043][0044]
其中，laft代表aft模型，τ(x)表示给定输入x的决策树集合的输出，fz和fz分别表示y的概率密度函数(pdf)和累积分布函数(cdf)。其中，
是一个链接函数。
[0045]
在此损失定义下，xgboost算法框架所需梯度和海森矩阵变更如下：
[0046][0047][0048]
其中，f'z和f”z
分别为pdffz的一阶导数和二阶导数，s(y)＝(lny-u)/σ的定义同上。
[0049]
step15：模型评估，本实施例选择评估指标为主要c-index，即一致性指数(index ofconcordance)，用来评价模型的预测能力。c指数是指所有病人对子中预测结果与实际结果一致的对子所占的比例。它估计了预测结果与实际观察到的结果相一致的概率。c指数在0.5-1 之间，0.5为完全随机，说明该模型没有预测作用,1为完全一致，说明该模型预测结果与实际完全一致。在实际应用中,很难找到完全一致的预测模型,既往研究认为，c-index在0.50-0.70 为较低准确度:在0.71-0.90之间为中等准确度；而高于0.90则为高准确度。
[0050]
经过计算，本发明的模型评价指标c-index可以达到0.77，如图3所示，为中等准确度。
[0051]
实施例2
[0052]
一种前列腺癌患者预后风险评估装置，如图2所示，包括，
[0053]
数据获取模块：用于实时获取前列腺癌患者临床数据；
[0054]
数据处理模块：针对获取的前列腺癌患者临床数据进行处理，剔除错误数据和异常数据，将数据进行标准化；
[0055]
模型加载模块：加载已经建好的评估模型；
[0056]
模型预测与临床干预模块：根据前列腺癌患者个体特征和预测结果评估复发风险和关键影响因素，及时进行干预。
[0057]
当采用该实施例1的方法和实施例2的评估装置对前列腺癌患者预后评估和个性化医学干预时，其工作流程如图2所示。
[0058]
step21：利用数据获取模块进行新数据获取，实时获取新患者临床数据，如下检验检测数据，手术记录等。
[0059]
step22：利用数据处理模块对数据进行预处理，针对采集的数据，剔除错误数据、异常数据，将数据进行标准化。
[0060]
step23：通过模型加载模块加载已经好的训练模型。
[0061]
step24：最后通过模型预测与临床干预，根据患者个体特征和预测结果评估复发风险，和关键影响因素，及时进行干预。
[0062]
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0063]
实施例3
[0064]
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
[0065]
电子设备一般以通用计算设备的形式表现。电子设备的组件可以包括但不限于：至少一个处理单元、至少一个存储单元、连接不同系统组件(包括存储单元和处理单元)的总线、显示单元等。
[0066]
其中，存储单元存储有程序代码，该程序代码可以被处理单元执行，使得处理单元执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元可以执行如图1所示的步骤。
[0067]
存储单元可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)和/或高速缓存存储单元，还可以进一步包括只读存储单元(rom)。
[0068]
总线可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0069]
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器可以通过总线与电子设备的其它模块通信。可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0070]
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，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计算机可读的存储介质(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、或者网络设备等)执行根据本发明的上述方法。当计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
[0071]
计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表) 包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
[0072]
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、光缆、rf等等，或者上述的任意合适的组合。
[0073]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0074]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。