[发明专利]基于深度神经网络的乳腺癌预后指示系统、存储介质及设备

权利要求书

1.基于深度神经网络的乳腺癌预后指示系统，其特征在于，包括系统实例特征获取单元、相关系数计算单元、最相近基因相似系数矩阵生成单元、相似性多组学特征融合单元、用户输入加权单元和乳腺癌转移预测单元；其中，

系统实例特征获取单元：根据用户输入实例对应的组学特征在TCGA数据库中获取相同的全部乳腺癌实例的组学特征F_TCGA；

相关系数计算单元：针对组学特征F_raw和组学特征F_TCGA中的每个组学数据，分别计算特征的肯德尔相关系数矩阵T；

全局基因相似系数矩阵生成单元：通过公式(1)生成标准化特征相似系数矩阵P；矩阵P对角线元素代表基因与自身的相关系数；

其中，P^(v)表示组学v对应的全局基因相似系数矩阵；N_Omic是根据用户输入组学特征确定的组学个数；T(i,j)是肯德尔相关系数矩阵的第i行j列元素，代表基因i和基因j的相关系数；用户输入的组学特征F_raw为基因表达量CE、DNA甲基化特征METH、基因特征突变率MR中的一种或多种；

最相近基因相似系数矩阵生成单元：选取大小为k的核，代表对于每个基因关注前k个与它最相似的基因，其余的赋值为0；通过公式(2)计算核矩阵：

其中，S^(v)表示组学v对应的最相近基因相似系数矩阵；

这个操作表示对于每个基因选取k个与它最相似的基因作为重点关注基因列表，其余基因相似性系数赋为0，不予考虑；

相似性多组学特征融合单元：通过公式(3)迭代计算多组学特征相似性融合矩阵：

其中，为组学v数据在t次迭代后的特征相似性融合矩阵，t＝0代表未经迭代的初始矩阵；

通过公式(4)计算多组学特征的全局相似性：

如果输入的是单一组学特征，那么就是对应的

用户输入加权单元：首先根据非负矩阵分解的方式对进行分解，得到非负矩阵分解中z个基对应的矩阵W；然后根据矩阵W对用户输入的组学特征F_raw进行加权，记为F；包括以下步骤：

非负矩阵分解是把一个高维度矩阵分解成两个低维度矩阵的积：

W矩阵有z个基，H矩阵每一列为V矩阵投影到W上得到的向量，矩阵分解方法把x个基因的y维特征减少为z维，此时用W_(x×z)和H_(z×y)表示原矩阵；

上述问题的解由如下最小化问题求解获得：

minimize||V-WH||²，s.t.W≥0，H≥0

引入特征相似性约束算子δ，问题的解转化为：

minimize||V-δ(WH)||²，s.t.W≥0，H≥0

其中δ＝(D^-1/2·D^-1/2)，D为矩阵分解中的分解矩阵；

目标函数转化为：

minimize||V-D^-1/2WHD^-1/2||²，s.t.W≥0，H≥0

这里

定义标签约束C为已知转移相关基因标签信息，I是单位矩阵，标签约束表示C中基因类别已知，I中基因每个基因单独一类；引入矩阵Z将标签约束嵌入目标函数，使得同类基因映射到同一点，目标函数转化为：

minimize||V-D^-1/2W(AZ)D^-1/2||²，s.t.W≥0，Z＝A^-1H≥0

对上式求解得到W和H；

乳腺癌转移预测单元：将F输入给乳腺癌转移预测模型预测乳腺癌是否转移，所述的乳腺癌转移预测模型为机器学习模型，模型输出乳腺癌预后预测结果；

所述的乳腺癌转移预测模型包括：输入层、第一Hidden层、第一激活层、第二Hidden层、第二激活层、第三Hidden层、第三激活层、第一Drop层、第四Hidden层、第四激活层、第一Flatten层、第一Dense层、第一BatchNormalization层、第二Drop层、第二Dense层和输出层；

其中Hidden是隐层，对数据进行感知操作，Output＝h(Input)＝ω·input+b，ω和b权重和偏置；Input、Output表示输入和输出；

ReLU是激活函数，ReLI(Input)＝max{0，Input}；

“Flatten”层把二维数据重新排列变成一维数据；

“Dense”层进行全连接操作，全连接就是对所有获取的数据分配一个权值；

“BatchNormalization”进行批量标准化操作；

“Drop”操作随机丢弃一些神经元。