检索结果-南通市图书馆

检索条件"主题词=癌症生存期预测"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于多模态数据的癌症生存期预测深度学习方法研究

基于多模态数据的癌症生存期预测深度学习方法研究

引用

作者：吴兴齐中国科学技术大学

学位级别：硕士

作为一种多因素、多阶段的恶性疾病,癌症对社会和经济发展造成了严重影响。对癌症生存期进行准确预测,有助于指导临床医生选择合适的治疗方案,从而提高患者的生活质量。现有研究表明,将基因表达、拷贝数变异组学数据以及病理图像数据多... 详细信息

作为一种多因素、多阶段的恶性疾病,癌症对社会和经济发展造成了严重影响。对癌症生存期进行准确预测,有助于指导临床医生选择合适的治疗方案,从而提高患者的生活质量。现有研究表明,将基因表达、拷贝数变异组学数据以及病理图像数据多模态数据进行整合,有助于更全面、多角度地了解癌症患者病情的进展,从而提高生存期预测的准确性。然而,现有研究不仅很少考虑不同模态数据之间的异构性,还未能对多模态数据的复杂关系进行有效建模,导致无法充分挖掘不同模态数据之间的丰富信息,难以学习具有表达力的多模态表征,从而限制了癌症生存期预测性能的提升。针对上述问题,本文提出了基于多模态数据的癌症生存期预测深度学习方法,通过消除多模态数据的异构性,有效挖掘不同模态数据之间的潜在关系,从而显著提升模型在低级胶质瘤、乳腺癌以及肺鳞癌三种癌症数据集上的准确性。本文主要完成如下工作:(1)为了有效消除多模态数据的异构性,通过结合现有的深度学习方法,本文提出了一种基于解耦表征学习的多模态癌症生存期预测方法CAMR(cross-aligned multimodal representation learning for cancer survival prediction)。该方法首先利用基于对抗训练的跨模态表征对齐学习网络学习模态不变表征,实现模态表征分布对齐,从而消除多模态数据的异构性。然后通过跨模态融合模块对模态不变表征之间的内在关系进行建模,并将其融合为统一的跨模态不变表征。同时,该方法还通过有效学习模态特异性表征,从而获得全面解耦的多模态表征。最后,通过多个性能指标对该方法进行评估,实验结果表明CAMR方法能有效解决不同模态数据异构性所带来的问题,并且其性能优于现有的方法。(2)为了对不同模态之间的潜在关系进行建模,本文提出了一种新颖的联合解耦表征学习和跨模态Transformer的癌症生存期预测方法CAMR-CT(combine cross-aligned multimodal representation learning and cross-modal Transformer for cancer survival prediction)。该方法首先利用解耦表征学习网络获得模态不变和特异性表征,然后提出了一个跨模态交互模块对不同表征进行优化。最后通过Transformer融合模块进一步深入探索多模态数据之间的交互关系,从而学习更具有判别力的多模态表征。实验结果表明,通过对基因表达、拷贝数变异以及病理图像等不同模态数据之间的关系进行有效建模,CAMR-CT可以进一步提升上述三种癌症类型生存期预测的准确性。

关键词：癌症生存期预测深度学习多模态数据数据异构性解耦表征学习 Transformer

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模态深度学习的癌症生存期预测方法研究

基于多模态深度学习的癌症生存期预测方法研究

引用

作者：李瑞清中国科学技术大学

学位级别：硕士

癌症作为一种多病因、多过程的复杂疾病,已成为人类生命和健康的第一杀手。因此,实现对癌症患者生存期的精准预测,在辅助医生制定个性化的诊疗方案,以及改善患者的生存结局等方面具重要意义。根据现有研究,有效融合癌症组学和病理图像... 详细信息

癌症作为一种多病因、多过程的复杂疾病,已成为人类生命和健康的第一杀手。因此,实现对癌症患者生存期的精准预测,在辅助医生制定个性化的诊疗方案,以及改善患者的生存结局等方面具重要意义。根据现有研究,有效融合癌症组学和病理图像多模态数据对提升生存期预测的准确性具有重大意义。然而,现有基于克罗内克积的生存期预测方法不仅会引入大量参数,从而导致计算成本过高以及模型过拟合等诸多问题,而且现有方法采用的单次融合方式,难以充分融合组学和病理图像等不同模态的数据。针对上述问题,本研究提出了基于多模态深度学习的癌症生存期预测方法,通过对多模态癌症数据进行更加专业有效的融合,不仅显著提升了癌症生存期的预测性能,而且有效降低了计算成本。本研究主要完成以下几个方面的工作:(1)为有效融合多模态癌症数据,从而实现对患者生存期的准确预测,本研究提出了一种新颖的端到端多模态癌症生存期预测方法HFBSurv(hierarchical factorized bilinear fusion for cancer survival prediction)。该方法通过采用基于深度神经网络的分层融合框架,将多模态数据融合问题分解为低层和高层两个不同的融合层次。同时,分别在低层和高层融合中设计了参数更少的模态特异性注意力分解双线性模块和跨模态注意力分解双线性模块,用于捕获各个模态内部和不同模态之间的特征交互关系,在此基础上进一步结合预测模块进行癌症生存期的有效预测。通过多种性能指标对该方法进行评估,结果表明HFBSurv中各模块不仅有助于提升癌症生存期预测的准确性,而且大大降低了模型的计算复杂度,同时与现有方法的对比,也显示了 HFBSurv在生存期预测方面的优越性。(2)为对癌症患者间的潜在关系进行有效建模,从而提升癌症生存期的预测性能,本研究进一步提出了图注意力分解双线性分层癌症生存期预测方法G-HFBSurv(graph attention hierarchical factorized bilinear fusion for cancer survival prediction)。该方法在HFBSurv的基础上,首先有效融合患者的组学和病理图像数据并生成相应的多模态特征,然后利用上述多模态特征构建患者相似性图以有效建模患者间的潜在关系。最后通过基于患者相似性图的图注意力模块对患者的多模态特征进行精化,从而实现癌症生存期的准确预测。实验结果表明,G-HFBSurv通过对患者间的潜在关系进行有效建模,显著提升了癌症生存期的预测性能。

关键词：癌症生存期预测多模态深度学习分解双线性模型图注意力组学数据数字病理图像

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图卷积网络的癌症生存期预测方法

基于图卷积网络的癌症生存期预测方法

引用

作者：郭峻凌哈尔滨工业大学

学位级别：硕士

癌症作为人类疾病历史上色彩最浓重的一笔,其一直是人类生命和健康的最主要威胁之一。癌症的高死亡率在很大程度上是由于癌症的复杂性及其临床结果的显著差异所致。因此,提高癌症生存预测的准确性具有重要意义,并成为癌症研究的主要领... 详细信息

癌症作为人类疾病历史上色彩最浓重的一笔,其一直是人类生命和健康的最主要威胁之一。癌症的高死亡率在很大程度上是由于癌症的复杂性及其临床结果的显著差异所致。因此,提高癌症生存预测的准确性具有重要意义,并成为癌症研究的主要领域之一。目前已有许多癌症生存预测的计算模型被提出,但大多只利用单种基因组学数据或者临床数据生成预测模型,目前还未出现有效融合基因多组学数据和临床数据的方法,从而全面地考虑癌症并对其生存期进行预测。为了有效的整合基因多组学数据(包括基因表达、拷贝数改变、基因甲基化、外显子表达)和临床数据,并将其用于癌症的生存期预测研究中,本文提出了一种融合基因多组学与临床数据的基于图卷积的癌症生存期预测方法GCGCN(Integrating Genomic Data and Clinical Data by Graph Convolutional Network),该方法首先利用相似网络融合算法(SNF)对基因多组学数据和临床数据进行整合,生成样本相似度矩阵,同时利用最小冗余最大相关算法(mRMR)对癌症样本的基因多组学数据和临床数据进行特征选择,生成样本特征矩阵,最后利用两个矩阵通过图卷积网络(GCN)进行半监督训练,得到可用于癌症预后生存期预测的模型。GCGCN模型的性能指标表明,基因多组学数据和临床数据在准确预测癌症患者生存期中都起着关键作用。同时与现有的癌症生存期预测方法进行了比较,结果表明融合基因多组学与临床数据的基于图卷积网络的癌症生存期预测方法GCGCN,其模型性能具有显著的有效性和优越性。此外,我们改进GCGCN模型,得到所有特征的重要性指数并取topN特征,通过分析这些特征进一步验证该方法的准确性和可靠性。本研究的所有结果表明,GCGCN在癌症生存期预测方面所具有的有效性和优越性。

关键词：图卷积网络模型基因多组学数据相似网络融合最小冗余最大相关算法癌症生存期预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：