(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111528003.9 (22)申请日 2021.12.14 (71)申请人 中国科学院深圳先进技 术研究院 地址 518055 广东省深圳市南 山区深圳大 学城学苑大道1068号 (72)发明人 张睿　吴红艳　蔡云鹏　林越　 (74)专利代理 机构 深圳市科进知识产权代理事 务所(普通 合伙) 44316 代理人 刘建伟 (51)Int.Cl. G16H 50/30(2018.01) G16H 50/20(2018.01) G06Q 10/04(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06K 9/00(2022.01) (54)发明名称 脑恶性肿瘤患者生存预测方法、 系统、 终端 及存储介质 (57)摘要 本申请提供的脑恶性肿瘤患者生存预测方 法、 系统、 终端及存储介质， 获取脑恶性肿瘤患者 生物学数据， 对所述生物学数据进行预处理， 构 建患者关系虚拟属性图， 基于所述患者关系虚拟 属性图对相似患者人群进行聚类， 基于相似患者 聚类， 对患者的预后生存概率进行预测， 本申请 提供的脑恶性肿瘤患者生存预测方法、 系统、 终 端及存储介质， 通过建立患者关系虚拟图， 可自 动化的建立患者关系网络， 通过患者各个特征属 性之间的相似度进行患者聚类， 从而更多的保留 脑肿瘤各个亚型的疾病异质性信息， 在患者生存 分析中为预测精度提供了保证 。 权利要求书3页 说明书8页 附图3页 CN 114171199 A 2022.03.11 CN 114171199 A 1.一种脑恶性肿瘤患者 生存预测方法， 其特 征在于， 包括下述 步骤： 获取脑恶性肿瘤患者 生物学数据； 对所述生物学数据进行 预处理； 构建患者关系虚拟属性图； 基于所述患者关系虚拟属性图对相似患者人群进行聚类； 基于相似患者聚类， 对患者的预后生存概 率进行预测。 2.根据权利要求1所述的脑恶性肿瘤患 者生存预测方法， 其特征在于， 在获取脑恶性肿 瘤患者生物学数据的步骤中， 所述 生物学数据包括临床数据、 多组学 数据及影 像数据。 3.根据权利要求2所述的脑恶性肿瘤患 者生存预测方法， 其特征在于， 在对所述生物学 数据进行 预处理的步骤中， 具体包括下述 步骤： 将所述生物学数据整理为行代 表特征及列代 表患者样本的矩阵形式； 对所述生物学数据进行初步的缺失值 填充； 对缺失值 填充后的数据进行 标准化处理， 即行标准化与列标准化分别进行。 4.根据权利要求3所述的脑恶性肿瘤患 者生存预测方法， 其特征在于， 在对所述生物学 数据进行初步的缺失值 填充的步骤中， 具体包括下述 步骤： 针对每一个特征如果在某个患 者样本中的表达存在缺失的情况， 则通过如下方法进行 填充： 计算其余表达值的几何平均值、 算数平均值， 将其替代缺失值； 或者直接将缺失值补 充为0。 5.根据权利要求1所述的脑恶性肿瘤患 者生存预测方法， 其特征在于， 在构建患 者关系 虚拟属性图的步骤中， 具体包括下述 步骤： 所述患者关系虚拟属性图为 一个可以学习的神经网络， 如下述公式： sv＝ τ(obsv， obs(v ‑1)， ...， obs(v‑p+1)； θ τ ) ＝ τ(O(v， p)； θ τ ) 其中， obsv是患者在v时刻的状态， τ 是一个神经网络， θ τ 是 该网络的参数； 虚拟图的边表示患者之间 的相似度， 如 下述公式所示， 其中： Wline_proj表示可训练的 线性映射， t(v， u)＝κ(sv， su) inst_norm[Wline_proj， Sv]⊙inst_norm[Wline_proj， Su] 所述虚拟图作为后 续的神经网络下游任务的输入， 经过模型训练自动化的训练调 整成 为理想的患者关系图； 其中Wline_proj表示可训练的线性映射， inst_norm代表 InstanceN orm， 即一个实例归一 化函数。 6.根据权利要求5所述的脑恶性肿瘤患 者生存预测方法， 其特征在于， 在基于所述患 者 关系虚拟属性图对相似患者人群进行聚类的步骤中， 具体包括： 基于图信号的图平滑表达表征所述神经网络的阶数： 对于输入向量为 的 图， 可以分解为m个独立的图信号， 一个图信号是描述图的光滑程度的n维信号， 其中ei是基 向量ui的系数， 如下述所示： 权　利　要　求　书 1/3 页 2 CN 114171199 A 2图信号的光滑程度可以由特 征值来度量： 其中： 表示特征向量uq的第i个元素， ai， j是图邻接矩阵的第i行和第j列元素， 使用低 通滤波对图信号卷积的阶次越多， 则图信号越平滑， 低通滤波器的频率响应函数可表示为： G＝Up(∧)U‑1， 其中p(Λ)＝diag(p( λ1)， ...， p( λn))， 邻接矩阵A和图拉普拉斯矩阵可以表示 为D＝dia g(d1， ...， dn)和L＝D‑A， 图拉普拉斯 算子可表示 为 其中： 是来自X的第j个图形信号的滤波版本， p( λi)为通过缩放ei的值来保 留低频信 号并移除高频信号； 采用自监督聚类以对相似患者人群进行聚类： 通过下述公式对相似患者人群进行聚 类： λtig表示聚类内的损失函数， λseq表示聚类间的损失函数， 其中： 其中， C(i)表示顶点vi所属的类簇节点集合， C ′(i)表示顶点vi所属类簇之外的节点集 合， dis(·)用于描述两个对象间的差异性。 7.根据权利要求6所述的脑恶性肿瘤患 者生存预测方法， 其特征在于， 在基于相似患 者 聚类， 对患者的预后生存概 率进行预测的步骤中， 具体包括下述 步骤： 患者聚类节点作为输入， 通过全连接层对患者的生存概率进行回归， 通过模型的反向 传播与不断优化调整对患者的生存概 率进行输出， 实现患者的生存分析。 8.一种脑恶性肿瘤患者 生存预测系统， 其特 征在于， 包括： 生物学数据采集单 元： 用于获取脑恶性肿瘤患者 生物学数据； 数据处理单元： 用于对所述 生物学数据进行 预处理；权　利　要　求　书 2/3 页 3 CN 114171199 A 3