[发明专利]一种预测前列腺穿刺与根治术后病理评分一致性的方法

摘要

本发明涉及医学领域，尤其涉及一种预测前列腺穿刺与根治术后病理评分一致性的方法。本发明公开了一种前列腺神经网络模型的构建方法，包括以下步骤：S1、建立数据集；S2、构建深度学习神经网络；S3、神经网络编译：S4、训练神经网络参数。利用该模型可以有效的预测前列腺穿刺与根治术后病理评分的一致性，从而协助医生选择更恰当的前列腺癌术前治疗方案，有效防止过度医疗或者低估病情的发生，提高患者的治疗效果。

主权项

1.一种预测前列腺穿刺和术后病理评分一致性的神经网络模型构建方法，其特征在于，包括以下步骤：S1、建立数据集：收集前列腺临床样本数据，并随机将数据集分为训练组和测试组；所述训练组包括上调训练组和下调训练组，所述测试组分为上调测试组和下调测试组；S2、构建深度学习神经网络：收集数据集分为训练样本和测试样本，采用多层神经网络实现二分类预测，所述神经网络中输入层为10个神经元，对应10个输入变量，隐含层为四个全连接层，每层为64个神经元，最后三层采用Dropout(0.3)策略；四个全链接层把修正线性单元ReLU作为神经元的激活函数，输出层为2个神经元，激活函数为“Softmax”；所述Softmax函数将多个神经元输出，映射到(0,1)区间内；其中，ReLU函数表达式为：，如果输入大于0，输出保持不变，如果输入小于或等于0，输出为0；Softmax函数表达式为：(式中e指自然底数，i指第i个分类项，j是所有分类项的序号，∑是总和)；S3、神经网络编译：神经网络编译中，损失函数采用分类交叉熵，最优化方法为随机梯度下降法(SDG)，对每个训练样本进行参数更新，每次执行都进行一次更新；S4、训练神经网络参数：分别把上调训练组和下调训练组送入神经网络训练，训练组每批送入32个带标签的数据，计算交叉熵作为损失函数，调整模型参数，逐批送入训练数据进行模型训练即得到前列腺穿刺和术后病理评分一致性的预测神经网络模型。