资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本发明公开了一种胃癌患者就医延迟风险预测方法，属于人工智能技术领域，包括如下步骤：获取不同胃癌患者的就医数据，并分别构建预测目标变量和预测特征；利用显著特征目标函数选择显著预测特征；基于决策树进行特征分组和标签分配，得到显著预测特征的分组标签；构建胃癌患者就医延迟风险预测模型；构建预测损失函数；根据预测损失函数，基于显著预测特征数据集训练胃癌患者就医延迟风险预测模型，得到训练好的就医延迟风险预测模型；基于待预测胃癌患者的就医数据，获取其显著预测特征，并将该显著预测特征输入训练好的就医延迟风险预测模型，得到该胃癌患者的就医延迟风险结果。本发明解决了难以准确预测胃癌患者就医延迟风险的问题。
主权项：
1.一种胃癌患者就医延迟风险预测方法，其特征在于，包括如下步骤： S1、获取不同胃癌患者的就医数据，并分别构建预测目标变量和预测特征； S2、根据Lasso回归算法，利用显著特征目标函数从预测特征中选择显著预测特征，并构建显著预测特征数据集； S3、基于决策树为显著预测特征数据集中的各显著预测特征进行特征分组和标签分配，得到显著预测特征的分组标签； 所述S3包括如下步骤： S31、根据决策树算法，构建特征分类二叉树； S32、利用特征分类二叉树为显著预测特征数据集中的各显著预测特征进行特征分组和标签分配，得到显著预测特征的分组标签； S4、构建胃癌患者就医延迟风险预测模型； 所述S4中的胃癌患者就医延迟风险预测模型包括依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和特征输出模块； 所述第一特征提取模块、第二特征提取模块和第三特征提取模块均包括一个线性映射层和一个Relu激活层；所述特征输出模块包括一个线性映射层和一个Sigmoid激活层； S5、基于显著预测特征的分组标签，构建预测损失函数； 所述S5中预测损失函数的计算表达式如下： ， ， ， ， ， 其中，L表示预测损失函数，LCE表示交叉熵损失函数，表示特征空间相似性损失权重系数，LFS表示特征空间相似性损失函数，表示第i个显著预测特征对应的就医延迟风险预测结果，表示第i个显著预测特征与第j个显著预测特征具有相同分组标签的参数，表示第i个显著预测特征与第j个显著预测特征间相似度的指数参数，表示可变调节量，表示第i个显著预测特征与第k个显著预测特征具有相同分组标签的参数，表示第i个显著预测特征与第k个显著预测特征间相似度的指数参数，if表示如果，gi表示第i个显著预测特征的分组标签，gj表示第j个显著预测特征的分组标签，otherwise表示其他情况，表示第i个显著预测特征与第j个显著预测特征间的相似度，fi表示第i个显著预测特征对应的中间特征，fj表示第j个显著预测特征对应的中间特征，其中，j，k均为正整数； S6、根据预测损失函数，基于显著预测特征数据集训练胃癌患者就医延迟风险预测模型，得到训练好的就医延迟风险预测模型； S7、基于待预测胃癌患者的就医数据，获取其显著预测特征，并将该显著预测特征输入训练好的就医延迟风险预测模型，得到该胃癌患者的就医延迟风险结果。
