本說明書涉及醫(yī)療人工智能，尤其涉及一種急性髓系白血病的動態(tài)風險分層方法和裝置。

背景技術(shù)：

1、急性髓系白血病（acute?myeloid?leukemia,?aml）是一種高度異質(zhì)性的血液腫瘤，患者生存時間差異顯著。當前基于eln?2022指南的預(yù)后評估體系主要依賴傳統(tǒng)細胞遺傳學分析技術(shù)和有限分子標記檢測（如flt3-itd、npm1等），難以充分利用高通量測序生成的復(fù)雜基因組數(shù)據(jù)。而現(xiàn)有的cox比例風險模型(cox?proportional-hazards?model)假設(shè)線性風險關(guān)系，無法捕捉基因特征間的復(fù)雜交互作用。因此，開發(fā)能夠融合多維度生物標志物、捕捉非線性關(guān)聯(lián)特征，同時具備生物學可解釋性的智能預(yù)后系統(tǒng)，已成為優(yōu)化aml精準診療的關(guān)鍵科學問題。

2、因此亟需開發(fā)一種通過融合多維度生物標志物和機器學習技術(shù)提高預(yù)后評估準確性和個性化的智能系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種急性髓系白血病的動態(tài)風險分層方法及裝置，旨在解決現(xiàn)有預(yù)后評估體系中基因組數(shù)據(jù)利用不足以及特征間交互效應(yīng)解析不充分的問題。

2、本說明書采用下述技術(shù)方案：

3、本說明書提供了一種急性髓系白血病的動態(tài)風險分層方法，包括：

4、對多源數(shù)據(jù)進行融合，構(gòu)建規(guī)范化特征集合；

5、通過單變量cox回歸分析、lasso懲罰的cox回歸分析以及多變量cox回歸分析進行特征篩選，從所述規(guī)范化特征集合中提取出具有獨立預(yù)后價值的特征集合；以及

6、基于所述具有獨立預(yù)后價值的特征集合，構(gòu)建隨機生存森林模型，生成個體化風險評分；對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級。

7、可選的，所述通過單變量cox回歸分析、lasso懲罰的cox回歸分析以及多變量cox回歸分析進行特征篩選，從所述規(guī)范化特征集合中提取出具有獨立預(yù)后價值的特征集合包括：

8、對所述規(guī)范化特征集合中的每個特征進行所述單變量cox比例風險回歸分析，篩選出p值<0.2的特征，得到初步特征集合；

9、將所述初步特征集合輸入lasso懲罰的cox模型，通過s折交叉驗證確定正則化參數(shù)，篩選出稀疏特征集合；

10、對所述稀疏特征集合執(zhí)行多變量cox逐步回歸優(yōu)化，獲得所述具有獨立預(yù)后價值的特征集合。

11、可選的，所述對多源數(shù)據(jù)進行融合，構(gòu)建規(guī)范化特征集合包括：

12、對所述多源數(shù)據(jù)中的離散特征進行二元邏輯編碼，對所述多源數(shù)據(jù)中的連續(xù)特征保留原始值域；

13、統(tǒng)計每個樣本的特征缺失率，刪除特征缺失率≥20%的樣本；

14、針對被保留的樣本中的離散特征，采用眾數(shù)填補法處理缺失值；針對連續(xù)特征，采用中位數(shù)插補法處理缺失值。

15、可選的，基于累積風險函數(shù)加權(quán)計算所述個體化風險評分：

16、

17、其中，為第棵樹的chf估計值，輸出風險評分。

18、可選的，所述對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級包括：利用高斯混合模型和貝葉斯決策技術(shù)對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級。

19、可選的，lasso懲罰的cox模型進行稀疏化處理的目標函數(shù)為：

20、

21、其中，為偏似然函數(shù)，正則化參數(shù)通過s折交叉驗證確定，為特征總數(shù)。

22、本說明書提供了一種急性髓系白血病的動態(tài)風險分層裝置，包括：

23、數(shù)據(jù)融合處理模塊，用于對多源數(shù)據(jù)進行融合，構(gòu)建規(guī)范化特征集合；

24、遞進式特征篩選模塊，用于通過單變量cox回歸分析、lasso懲罰的cox回歸分析以及多變量cox回歸分析進行特征篩選，從所述規(guī)范化特征集合中提取出具有獨立預(yù)后價值的特征集合；

25、風險評分和分層模塊，用于基于所述具有獨立預(yù)后價值的特征集合，構(gòu)建隨機生存森林模型，生成個體化風險評分；對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級。

26、可選的，所述裝置還包括驗證與解釋模塊，用于評估模型性能以及提供多粒度特征解釋。

27、本說明書提供了一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述急性髓系白血病的動態(tài)風險分層方法。

28、本說明書提供了一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述急性髓系白血病的動態(tài)風險分層方法。

29、本說明書采用的上述至少一個技術(shù)方案能夠達到以下有益效果：

30、從上述方法可以看出，通過多源數(shù)據(jù)融合處理、三級遞進式特征篩選，提高了預(yù)后評估的準確性和個性化水平；通過采用隨機生存森林算法，克服了傳統(tǒng)cox風險模型線性假設(shè)的限制，從而提高了風險評分的預(yù)測能力；通過高斯混合模型和動態(tài)聚類技術(shù)，根據(jù)個體化風險評分將患者分為低危、中危和高危組，為臨床醫(yī)生提供更精確的分層依據(jù)。

技術(shù)特征：

1.一種急性髓系白血病的動態(tài)風險分層方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過單變量cox回歸分析、lasso懲罰的cox回歸分析以及多變量cox回歸分析進行特征篩選，從所述規(guī)范化特征集合中提取出具有獨立預(yù)后價值的特征集合包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對多源數(shù)據(jù)進行融合，構(gòu)建規(guī)范化特征集合包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于累積風險函數(shù)加權(quán)計算所述個體化風險評分：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級包括：利用高斯混合模型和貝葉斯決策技術(shù)對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，lasso懲罰的cox模型進行稀疏化處理的目標函數(shù)為：

7.一種急性髓系白血病的動態(tài)風險分層裝置，其特征在于，所述裝置包括：

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述裝置還包括驗證與解釋模塊，用于評估模型性能以及提供多粒度特征解釋。

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述權(quán)利要求1~6任一項所述的方法。

10.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)上述權(quán)利要求1~6任一項所述的方法。

技術(shù)總結(jié)
本說明書公開了一種急性髓系白血?。ˋML）的動態(tài)風險分層方法和裝置。該方法包括以下步驟：對多源數(shù)據(jù)進行融合，構(gòu)建規(guī)范化特征集合；通過單變量Cox回歸分析、LASSO懲罰的Cox回歸分析以及多變量Cox回歸分析進行特征篩選，從所述規(guī)范化特征集合中提取出具有獨立預(yù)后價值的特征集合；以及基于所述具有獨立預(yù)后價值的特征集合，構(gòu)建隨機生存森林模型，生成個體化風險評分；對所述個體化風險評分進行動態(tài)聚類，以將患者劃分為低、中、高風險層級。本發(fā)明的方法和裝置為AML精準診療提供智能支持。

技術(shù)研發(fā)人員：王麗婕,王兆祥,張軍陽
受保護的技術(shù)使用者：之江實驗室
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15