买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中山大学申请的专利可融合不完备多模态且可跨医疗站点的鼻咽癌预后预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115938532B 。

龙图腾网通过国家知识产权局官网在2025-11-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211538034.7，技术领域涉及：G16H20/00；该发明授权可融合不完备多模态且可跨医疗站点的鼻咽癌预后预测方法是由任传贤;许耿鑫设计研发完成，并于2022-12-02向国家知识产权局提交的专利申请。

本可融合不完备多模态且可跨医疗站点的鼻咽癌预后预测方法在说明书摘要公布了：本发明涉及预后预测技术领域，公开了可融合不完备多模态且可跨医疗站点的鼻咽癌预后预测方法，包括以下步骤：S1.接收原始数据，并提取得到多模态数据；S2.引入全连接重构网络，通过重构网络得到多模态数据的融合特征；S3.引入多层全连接的生存分析网络，得到生存风险；S4.构建跨站点的偏对比学习模型；偏对比学习模型按正配对的样本来源不同，进行对比学习；S5.基于重构网络、生存分析网络、偏对比学习模型得到总损失函数，训练重构网络和生存分析网络；S6.通过步骤S5中训练好的重构网络和生存分析网络计进行鼻咽癌预后预测。本发明解决了现有技术无法应对不完备多模态数据和医疗站点间数据偏移的问题。

本发明授权可融合不完备多模态且可跨医疗站点的鼻咽癌预后预测方法在权利要求书中公布了：1.可融合不完备多模态且可跨医疗站点的鼻咽癌预后预测方法，其特征在于：包括以下步骤： S1.接收包括核磁共振影像和临床特征的原始数据，并提取其影像组学特征，得到多模态数据； S2.引入全连接重构网络，通过重构网络进行多模态数据融合、跨站点特征变换，得到多模态数据的融合特征；其具体步骤为； S201.记多模态数据的源域上个样本组成的数据集为，多模态数据的靶域上个样本组成的数据集为；表示截到收集时间的病人已发生局部复发或死亡的状态，对应的为生存时间；表示截到收集时间的病人既没有原位癌存在也没有浸润性疾病的状态，对应的为删失时间； S202.构建个并行的全连接重构网络，针对多模态样本和，利用个并行的全连接重构网络，寻找多模态数据的源域的数据集和多模态数据的靶域的数据集融合空间中对应的融合特征，重构网络的目标函数为： 其中为融合特征构成的矩阵，为个并行的全连接重构网络的所有待优化参数； S203.对多模态数据的源域和靶域中所有样本重复执行S202，得到多模态数据的源域的融合特征矩阵Fs和多模态数据的靶域的融合特征矩阵Ft，即和； S204.根据多模态数据的源域和靶域各自的融合特征矩阵，计算跨站点的注意力矩阵： 其中为的维度，softmax表示对矩阵进行按行归一化处理； S205.根据跨站点的注意力矩阵，对多模态数据的靶域的融合特征矩阵进行变换，得到变换后的源域的融合特征矩阵： 将变换后的源域的融合特征矩阵和多模态数据的靶域的融合特征矩阵作为多模态数据的融合特征； S3.引入多层全连接的生存分析网络，将融合特征输入生存分析网络中，得到生存风险； S4.构建跨站点的偏对比学习模型；将多模态数据中具有生存事件和生存时间数据标的站点称为源域，将多模态数据中不具有数据标签、待进行模型预测的站点称为靶域；偏对比学习模型按正配对的样本来源不同，分别对多模态数据的融合特征的源域、靶域、跨域特征进行对比学习，其具体步骤为； S401.将多模态数据的融合特征中的已发生局部复发或死亡的源域样本中生存时间超过的源域样本按照生存时间进行递增排序，在每一次对比学习中，寻找生存时间相差较小的配对为正样本对，通过生存时间不等式的配对为负样本对： 其中和分别对应正样本、负样本的生存时间，且； S402.通过全连接生存分析网络得到多模态数据的融合特征中的已发生局部复发或死亡的源域样本及源域正样本中生存风险低于的靶域样本作为靶域负样本； S403.构建跨站点的偏对比学习模型；结合正样本对、负样本对、负样本通过偏对比学习模型进行偏对比学习，对比学习的目标函数为： 其中为求和项的个数，为两个特征向量之间的相似度，为温度参数； S404.对于正样本对中的靶域的正样本对，通过不等式，直接比较得到靶域的正样本配对和负样本配对；将靶域的正样本配对和负样本配对输入偏对比学习模型进行偏对比学习： 其中为求和项的个数； S405.对于正样本对中的跨域正样本对，通过生存时间不等式鉴定跨域正样本对的源域配对，并鉴定跨域正样本对的靶域配对和跨域配对；将鉴定后的跨域正样本对的源域配对、靶域和跨域配对输入偏对比学习模型进行偏对比学习： 其中和为求和项的个数； S5.基于重构网络、生存分析网络、偏对比学习模型得到总损失函数，并利用PyTorch进行梯度优化，训练重构网络和生存分析网络； S6.通过步骤S5中训练好的重构网络和生存分析网络求得融合特征、生存风险，进一步计算并输出相似样本配对、个体化生存曲线，通过相似样本配对和个体化生存曲线进行鼻咽癌预后预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。