[发明专利]一种用于疾病程度分类的数据决策方法及其系统

权利要求书

1.一种用于疾病程度分类的数据决策方法，其特征在于，包括以下步骤：

对疾病的特征指标进行聚类分析，将所述特征指标划分为关联度高的特征I_high和关联度低的特征I_low；

将所述关联度高的特征I_high和CT图像输入编码器进行训练得到训练后的自编码器；

将训练好的自编码器与softmax分类器结合得到决策分类器，将所述关联度高的特征I_high和CT图像输入所述决策分类器得到决策输出；

对特征指标进行聚类分析前需对提取特征指标的CT图像进行筛选：删去不包含病变区域的图像，保留存在病变区域的图像；

对特征指标进行聚类分析包括以下步骤：

数据预处理，筛选出存在病变区域的CT图像,根据筛选后的CT图像筛选出乳腺癌诊断相关的肿瘤标志物和病理特征中量化的指标；

把同期病人数据分成一类，把病人在筛选出的D个指标作为参考值，并结合波动程度、标准范围以及所述参考值构建目标函数；

根据所述目标函数进行迭代计算得到关联度高的特征I_high和关联度低的特征I_low；

目标函数的模型为：

其中，C为模糊组个数，D为指标的个数，τ_c为组c的聚类中心，为控制参数，σ为指标d的关键值Imp_d的聚类中心，λ为拉格朗日乘子，d_cd为组c的聚类中心τ_c与第d个指标关键值之间的距离。

2.根据权利要求1所述的一种用于疾病程度分类的数据决策方法，其特征在于，所述波动程度的计算模型为：

假设第期患者的第d个指标值的波动程度为则：

其中，为第期患者第d个指标的波动情况，为第期患者第d个指标的均值，I_rd表示第r个患者的d个指标数值，R_κ为数据中期患者总数,指标的值在第期患者中普遍波动范围大的值，即值较大,则该指标d在期患者中没有代表性。

3.根据权利要求1所述的一种用于疾病程度分类的数据决策方法，其特征在于，将所述关联度高的特征I_high和CT图像输入编码器前对输入数据进行加噪处理。

4.根据权利要求3所述的一种用于疾病程度分类的数据决策方法，其特征在于，所述加噪处理为通过编码器为输入数据加上标记信息：

对于只含有一层隐藏层的编码器，第一层隐藏层的输出为：

其中，w₁为第一层隐藏层单元对应的权重向量，v₁表示第一层隐藏层单元所对应的辅助决策信息对应的权重向量，表示所述输入数据经过加噪后的数据，I表示筛选出的标记参数集，标记参数作为辅助决策信息，b₁为偏差向量，

加噪后的数据为：

x^ou＝g(w₂h₁+b₂)

I^ou＝g(v₂h₁+b′₂)

对隐藏层层数为L层的编码器，则对于第l层隐藏层，由于第一层隐藏层输入为加噪后的数据为：

x^ou＝g(w_Lh_L-1+b_L)

I^ou＝g(v_Lh_L-1+b′_L)

假设L层的编码器，前层为编码层，后为解码层，将图像信息作为编码器的输入，输出为输入数据经过编码和解码的重构版本x^ou，并通过最小化损失来训练模型，即最小化输入x和它的重构版本x^ou的差值。

5.根据权利要求3所述的一种用于疾病程度分类的数据决策方法，其特征在于，损失函数的模型为：