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！

龙图腾网获悉重庆大学申请的专利一种基于多任务学习的肝癌预后分析方法、系统及设备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：CN115631860B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202211325073.9，技术领域涉及：G16H50/30；该发明授权一种基于多任务学习的肝癌预后分析方法、系统及设备是由刘慧君;黄果设计研发完成，并于2022-10-27向国家知识产权局提交的专利申请。

本一种基于多任务学习的肝癌预后分析方法、系统及设备在说明书摘要公布了：本发明提供了基于多任务学习的肝癌预后分析方法、系统及设备，方法包括：获取肝癌病例数据集；构建基于多任务神经网络的肝癌预后分析模型；利用肝癌病例数据集，对基于多任务神经网络的肝癌预后分析模型进行训练，得到训练好的基于多任务神经网络的肝癌预后分析模型；获取待预测的肝癌病例数据，并将待预测的肝癌病例数据输入至训练好的基于多任务神经网络的肝癌预后分析模型，获得肝癌病例的预测的各个时间点的生存状态，并估计术后生存时间；基于训练好的肝癌预后分析模型，进行危险因素筛选与风险评估。本发明采用基于多任务学习的肝癌预后分析方法，从而从根源上解决了现有的肝癌预后分析准确度低的问题。

本发明授权一种基于多任务学习的肝癌预后分析方法、系统及设备在权利要求书中公布了：1.一种基于多任务学习的肝癌预后分析方法，其特征在于，包括步骤： S1、获取肝癌病例数据集；所述肝癌病例数据集表示为{Xi，Ti，δi|i＝1,2，…，n}，其中，Xi为第i个肝癌病例的特征向量；Ti为第i个肝癌病例的生存时间；δi为第i个肝癌病例的删失状态，当δi＝0时，表示该病例数据为删失数据，即在随访结束前患者都一直存活，δi＝1表示该病例数据为完整数据，即在随访结束前患者就已经死亡； 其中，所述肝癌病例的特征至少包括：病因和类型、甲胎蛋白、血红蛋白、血小板、白细胞、谷草转氨酶、乳酸脱氢酶、白蛋白、总胆红素、C反应蛋白、肝性脑病、肿瘤直径、病变部位、肝内病变数、新病灶、门静脉侵犯、门静脉受侵支、肝静脉侵犯、侵犯静脉导管或心房、腹水和远处转移，所述类型包括：HBV、HCV和无病毒感染； S2、构建基于多任务神经网络的肝癌预后分析模型，包括： 生存时间的转化，将肝癌病例的生存时间划分为J个时间点，其中J为所纳入病例的最大生存时间；每一个病例数据的生存时间转化为在这J个时间点中的生存状态，分别用“1”代表死亡，“0”代表存活，“？”代表未知；转化后，每个病例的生存时间就转化为J个生存状态，用yi＝[y1，y2，…，yJ]来表示转化后的标签向量；将肝癌病例的特征向量Xi和转化后的标签向量yi作为多任务神经网络的输入； 所述基于多任务神经网络的肝癌预后分析模型中，多任务神经网络包括三个层结构：输入层、参数共享层、多任务输出层；输入层输入肝癌病例的特征向量Xi和转化后的标签向量yi；输入层与参数共享层之间采用全连接方式，参数共享层包括多个层，多任务参数共享方式采用硬参数共享机制，即共享层的各个层之间通过全连接方式连接；网络的输出部分开始分叉，包括J个输出任务，每个输出任务对应两个节点，分别对应死亡或存活的概率，存活概率大于死亡概率时表示此时间点病例存活，反之，J个输出任务就对应了J个时间节点下的生存状态；通过这J个时间点的生存状态来预测病人的存活时间；另外在输出层之前增加dropout层和softmax层，dropout层提高模型的泛化能力，softmax使输出映射到0,1，使得输出结果为概率； S3、利用所述肝癌病例数据集，对所述基于多任务神经网络的肝癌预后分析模型进行训练，得到训练好的基于多任务神经网络的肝癌预后分析模型； 具体地，模型训练过程中，所述基于多任务神经网络的肝癌预后分析模型的目标函数由生存损失和排序损失两个损失函数组成，具体如下： 其中α，β为正常数，用于调节生存损失和排序损失的权重，θ是网络参数，λ为正则化参数； 生存损失和排序损失的计算方式具体如下： 1生存损失 未删失数据的标签包括存活和死亡两种状态；而由于删失的原因，删失病例的某些时间点的生存状态是已知的，其他时间点的生存状态是未知的，因此生存损失由两部分组成，计算方式如下： Lcenθ＝Lobsyij,pXi|θ+λLunlabelpXi|θ 其中，yij代表病例i在时间点j实际的标签值，pXi|θ代表病例预测的标签值，Lobs代表有标签的数据的损失，Lunlabel代表无标签数据的损失； 对于有标签数据是一个二元分类问题，采用交叉熵损失函数，计算公式如下： s代表有标签的任务数，p1是预测该时间点死亡的概率； 对于无标签的数据，熵的计算如下： k是总任务的数量，p0是预测该时间点仍存活的概率，当属于某一状态的概率越高，对应的熵就越低； 2排序损失 生存状态一旦变为死亡后，即标签为“1”，将不能再更改，因此同一病例的各个时间点的生存概率是一个非递增结构，在目标函数中加入排序损失来约束这种非递增趋势，排序损失是一种成对的排序损失，用于计算存活实例与预测值之间的排序误差； 对于病例i在任意两个时间点j和h的生存概率，排序误差计算如下： Ryi,pi＝[yij-yih-pij-pih]2 yij代表病例i在时间点j的实际标签值，yih代表病例i在时间点h的实际标签值，pij代表肝癌病例i在时间点j死亡的概率，pih代表肝癌病例i在时间点h死亡的概率，随着时间点的向后移动，患者的死亡概率逐渐增大； 排序损失的定义如下： 当pijpih而yijyih时排序损失会添加一个惩罚项，即使后一个任务的死亡概率高于前一个任务，保证了生存标签一旦变为“1”，就不会变为“0”； S4、获取待预测的肝癌病例数据，并将所述待预测的肝癌病例数据输入至所述训练好的基于多任务神经网络的肝癌预后分析模型，获得所述肝癌病例的预测的各个时间点的生存状态，基于所述预测的各个时间点的生存状态来估计术后生存时间； S5、获取待预测的肝癌病例数据，基于所述训练好的基于多任务神经网络的肝癌预后分析模型，进行危险因素筛选与风险评估，具体包括： S51、对所述肝癌病例数据的每个特征添加随机噪声； S52、基于训练好的基于多任务神经网络的肝癌预后分析模型，计算评价指标一致性指数在添加噪声前后的变化值，每个特征重复计算50次，取平均变化值作为重要性分数； S53、对所有特征的重要性分数进行排序，筛选出高危因素；其中，重要性分数越大代表与疾病相关性越高； S54、利用所述高危因素将病例划分为不同的风险组，并使用对数秩进行检验，衡量不同风险组的差异性。

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重庆大学，其通讯地址为：400030 重庆市沙坪坝区沙正街174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。