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！

龙图腾网获悉杭州电子科技大学申请的专利基于非负矩阵分解联合预测乳腺癌多个临床指标的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：CN115345864B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211015445.8，技术领域涉及：G06T7/00；该发明授权基于非负矩阵分解联合预测乳腺癌多个临床指标的方法是由范明;关健;厉力华设计研发完成，并于2022-08-24向国家知识产权局提交的专利申请。

本基于非负矩阵分解联合预测乳腺癌多个临床指标的方法在说明书摘要公布了：本发明提出了一种基于非负矩阵分解联合预测乳腺癌多个临床指标的方法，首先采集乳腺癌病例的影像数据和临床数据，进行预处理获得临床指标矩阵和影像特征矩阵。其次将数据集划分为训练集和测试集。然后，利用乘法更新法则对目标函数进行迭代求解操作，以得到优化的特征权重矩阵，对特征权重按对应标签进行排序选择最优的K个特征。最后，用测试集中的临床指标矩阵和特征矩阵验证本发明所提方法的性能。本发明合理提取了标签之间的共享特征和标签独立相关的特征，有效地提高了多个临床指标的预测效果。

本发明授权基于非负矩阵分解联合预测乳腺癌多个临床指标的方法在权利要求书中公布了：1.一种基于非负矩阵分解联合预测乳腺癌多个临床指标的方法，具体包括以下步骤： 步骤1：数据获取和预处理；筛选待预测的临床指标构建肿瘤样本和多临床标签的标签矩阵Ya；对乳腺癌患者的影像进行肿瘤分割，并提取肿瘤的影像组学特征，构建肿瘤样本和影像特征的特征矩阵Xa； 步骤2：对数据集进行划分为训练集{X，Y}和测试集{Xt，Yt}； 步骤3：利用训练集的标签矩阵Y和训练集的特征矩阵X构建最小二乘回归模型以获得各个标签自身相关的特征选择权重矩阵W； 步骤4：利用耦合非负矩阵分解方法对训练集的标签矩阵Y的标签和特征矩阵X进行降维，以获得潜在标签矩阵Z；耦合矩阵分解的损失函数为使潜在标签矩阵Z能够同时嵌有标签的信息和特征的信息； 步骤5：利用潜在标签矩阵Z和训练集的特征矩阵X构建最小二乘回归模型以获得多个标签共享的特征选择权重矩阵Q； 步骤6：利用L2,1范数正则化对多个标签共享的特征选择权重矩阵Q进行约束；通过行稀疏约束，以使得Q中的权重集中在个别行上，其他行都趋于零，从而选择和多个标签都相关的少数重要特征； 步骤7：利用图拉普拉斯约束，促使Q和W上的特征在不同的标签空间上的局部几何结构保持一致，实现共享特征和标签独立特征的融合；Q和W在优化过程中是动态变化的，因此对应的约束为动态图拉普拉斯约束，计算方法为： TrWTLQW 其中，Tr*为矩阵的迹，LQ＝PQ-SQ为Q的图拉普拉斯矩阵；SQ为由热核函数作为距离的近邻矩阵，PQ为度矩阵，是SQ中每行所有列元素之和构成的对角矩阵； 其中，NpQ*j表示Q*j的最近邻的p个邻居的集合； 步骤8：综合考虑步骤3至步骤7的目标项，构建总的目标函数为： s.t.W≥0，Q≥0，Z≥0，A≥0，B≥0 步骤9：初始化目标函数的各个变量矩阵； 步骤10：对目标函数求各个变量的偏导，得到各个变量的乘法更新公式为： 其中，⊙为矩阵的哈德玛积，v为全1的列向量；R＝{Ω+ΩT+2∑}⊙SQ，WWT＝∑，Ω＝WWT⊙I，I为单位矩阵，D＝[Dij]， 步骤11：判断是否满足停止条件，如果满足则执行步骤12，否则根据步骤10，更新各个变量； 步骤12：根据优化得到的特征选择权重矩阵w每个标签对应的权重值进行排序并输出每个标签对应的K个最优特征的集合； 步骤13：根据选择的最优特征，利用训练集对逻辑回归分类器进行训练，后用测试集进行评估模型结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘新区白杨街道2号大街1158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。