本发明涉及计算机辅助医学，尤其涉及一种肺癌预后生存预测方法和系统。
背景技术：
1、肺癌作为全球范围内极具影响力的公共卫生难题，其发病率与死亡率均处于高位。据统计，每年约有 180 万人因肺癌离世，这一疾病已成为全球癌症相关死亡的首要原因。因此，对于肺癌患者的预后生存预测对临床治疗方案制定至关重要。
2、目前，许多发达国家和发展中国家都在积极探索利用人工智能和大数据来改善医疗服务质量，但通常依赖于影像学或实验室检测结果等单一类型数据源，并且预测过程容易受不相干数据干扰，影响预测结果的准确性。
技术实现思路
1、有鉴于此，本发明的主要目的在于：提供一种肺癌预后生存预测方法和系统，有效解决问题。
2、第一方面，本申请实施例提供了一种肺癌预后生存预测方法，包括如下步骤：
3、获取当前患者的影像数据和临床数据，并进行预处理；
4、针对预处理后的所述影像数据和所述临床数据进行特征提取，将提取到的影像特征和临床特征融合，生成特征融合向量；
5、利用所述特征融合向量在预先构建好的训练集节点中寻找邻居节点，并将所述当前患者作为临时新节点与所述邻居节点连接，构建临时关联子图；
6、对所述临时关联子图进行稀疏化处理，得到稀疏化子图后输入训练好的生存预测模型，输出对应的预测结果。
7、在其中一些实施例中，所述获取当前患者的影像数据和临床数据，并进行预处理，包括：
8、获取当前患者的影像数据，并对所述影像数据进行标准化和去噪后，分割出感兴趣区域；
9、获取当前患者的临床数据，并对所述临床数据进行缺失值处理和标准化处理。
10、在其中一些实施例中，所述预处理后的所述影像数据和所述临床数据进行特征提取，将提取到的影像特征和临床特征融合，生成特征融合向量，包括：
11、从预处理后的所述影像数据中提取放射组学特征，并与从感兴趣区域提取到的深度特征向量融合，得到综合影像特征向量；
12、从预处理后的所述临床数据中提取临床特征，形成临床特征向量；
13、将所述综合影像特征向量和所述临床特征向量融合，得到特征融合向量。
14、在其中一些实施例中，所述利用所述特征融合向量在预先构建好的训练集节点中寻找邻居节点，并将所述当前患者作为临时新节点与所述邻居节点连接，构建临时关联子图，包括：
15、计算所述特征融合向量与所述训练集节点中患者节点特征的相似度；
16、选择所述相似度符合要求的对应训练集患者节点作为邻居节点，将当前患者作为临时新节点，与所述邻居节点连接构建临时关联子图；且所述特征融合向量作为所述临时新节点的节点属性。
17、在其中一些实施例中，在选择所述相似度最高的对应训练集患者节点作为邻居节点，与所述临时新节点构建临时关联子图时，确定所述邻居节点之间在原始训练集中是否存在边，并在存在的情况下对应添加至所述临时关联子图。
18、在其中一些实施例中，所述对所述临时关联子图进行稀疏化处理，得到稀疏化子图后输入训练好的生存预测模型，输出对应的预测结果，包括：
19、利用训练好的重要性预测器对所述临时关联子图进行稀疏化处理，得到稀疏化子图；
20、将所述稀疏化子图输入至训练好的生存预测模型，前向传播，输出对应的预测结果。
21、在其中一些实施例中，所述利用训练好的重要性预测器对所述临时关联子图进行稀疏化处理，得到稀疏化子图，包括：
22、利用所述重要性预测器计算所述临时关键子图中的邻居节点对应的重要性分数；
23、保留所述重要性分数大于决策阈值的邻居节点，与临时节点构建稀疏化子图。
24、在其中一些实施例中，所述生存预测模型的训练步骤，包括：
25、获取患者的训练影像数据和训练临床数据，对应预处理，分别得到第一影像数据和第一临床数据；
26、将所述第一临床数据中的生存时间与事件字段提取为生存标签，其余字段进行特征提取，得到训练临床特征，与从所述第一影像数据中提取得到的训练影像数据拼接融合，得到每个患者的表征向量；
27、将每个患者对应为一个节点，相应的所述表征向量为节点属性，并通过计算出的全局相似度筛选出每个节点对应的边，构建全局属性图；其中，所述生存标签为所述全局属性图的附加属性；
28、确定所述全局属性图中的若干中心节点，并划分以若干所述中心节点为中心的训练子图；
29、将所述训练子图和稀疏化后的所述训练子图输入生存预测模型联合训练，得到训练好的生存预测模型。
30、在其中一些实施例中，所述确定所述全局属性图中的若干中心节点，并划分以若干所述中心节点为中心的训练子图，包括：
31、根据预设筛选条件从所述全局属性图中筛选出若干高边数量节点为中心节点；
32、提取所述中心节点的至少一跳邻居节点，并与所述中心节点形成对应训练子图。
33、第二方面，本申请实施例提供了一种肺癌预后生存预测系统，包括：
34、数据预处理模块，被配置为获取当前患者的影像数据和临床数据，并进行预处理；
35、特征融合模块，被配置为针对预处理后的所述影像数据和所述临床数据进行特征提取，将提取到的影像特征和临床特征融合，生成特征融合向量；
36、子图构建模块，被配置为利用所述特征融合向量在预先构建好的训练集节点中寻找邻居节点，并将所述当前患者作为临时新节点与所述邻居节点连接，构建临时关联子图；
37、结果生成模块，被配置为对所述临时关联子图进行稀疏化处理，得到稀疏化子图后输入训练好的生存预测模型，输出对应的预测结果。
38、本发明的技术效果：
39、本申请通过采集到患者影像数据和临床数据以对患者预后具体情况进行预测。患者影像数据和临床数据依次执行预处理和特征提取后，生成的特征融合向量，并以该特征融合向量作为当前患者这一临时新节点的节点属性。将临时新节点与在预先构建好的训练集节点中寻找到的相似节点并连接，构建临时关联子图。为了能够提高模型处理效率，得到最相关预测结果，本申请在利用生存预测模型进行预测前，针对临时关联子图增设稀疏化处理步骤，在原本的临时关联子图基础上，进一步删减不相关边或节点，以使新节点的最终嵌入能够聚合稀疏化的邻居信息，进而得到更准确的预测结果。
40、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
1.一种肺癌预后生存预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的肺癌预后生存预测方法，其特征在于，所述获取当前患者的影像数据和临床数据，并进行预处理，包括：
3.根据权利要求1所述的肺癌预后生存预测方法，其特征在于，所述预处理后的所述影像数据和所述临床数据进行特征提取，将提取到的影像特征和临床特征融合，生成特征融合向量，包括：
4.根据权利要求1所述的肺癌预后生存预测方法，其特征在于，所述利用所述特征融合向量在预先构建好的训练集节点中寻找邻居节点，并将所述当前患者作为临时新节点与所述邻居节点连接，构建临时关联子图，包括：
5.根据权利要求4所述的肺癌预后生存预测方法，其特征在于，在选择所述相似度最高的对应训练集患者节点作为邻居节点，与所述临时新节点构建临时关联子图时，确定所述邻居节点之间在原始训练集中是否存在边，并在存在的情况下对应添加至所述临时关联子图。
6.根据权利要求1所述的肺癌预后生存预测方法，其特征在于，所述对所述临时关联子图进行稀疏化处理，得到稀疏化子图后输入训练好的生存预测模型，输出对应的预测结果，包括：
7.根据权利要求6所述的肺癌预后生存预测方法，其特征在于，所述利用训练好的重要性预测器对所述临时关联子图进行稀疏化处理，得到稀疏化子图，包括：
8.根据权利要求1-7任一项所述的肺癌预后生存预测方法，其特征在于，所述生存预测模型的训练步骤，包括：
9.根据权利要求8所述的肺癌预后生存预测方法，其特征在于，所述确定所述全局属性图中的若干中心节点，并划分以若干所述中心节点为中心的训练子图，包括：
10.一种肺癌预后生存预测系统，其特征在于，包括：