(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211464375.4 (22)申请日 2022.11.22 (71)申请人 四川省医学 科学院·四川省人民医 院 地址 610072 四川省成 都市青羊区一环路 西二段32号 (72)发明人 吴行伟　童荣生　常欢　 (74)专利代理 机构 成都海成知识产权代理事务 所(普通合伙) 51357 专利代理师 庞启成 (51)Int.Cl. G16H 50/20(2018.01) G16H 50/30(2018.01) G16H 50/50(2018.01) G16H 50/70(2018.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习Markov框架建立肺癌患者远 期成本效用预测模型 (57)摘要 本发明提供的基于深度学习Markov框架建 立肺癌患者远期成本效用预测模 型， 通过建立转 移概率神经网络模型、 风险预测神经网络模型和 图像对照模 型， 并将上述神经网络模 型的输出值 作为Markov模型的输入值， 以输出远期风险效 用， 从而不仅能够基于历史和待分析患者的比对 进行分析病情风险， 也可以对患者多维度数据进 行整合分析； 利用Markov模型的输 出值提前为患 者提供个体化干预， 以便于患者可提前知晓其所 需的风险和健康效用值； 本发明通过采用历史和 待分析肺癌患者的多维度数据， 并采用多样模型 算法和图像比对算法对病情的发展风险和治疗 风险给出较为合适地建议， 有效的避免了对于癌 症患者的发展准备不及以及过度浪费的弊端。 权利要求书2页 说明书13页 附图5页 CN 115512833 A 2022.12.23 CN 115512833 A 1.一种基于深度学习Markov框架建立肺癌患者远期成本效用预测模型， 其特征在于， 所述模型包括： 历史数据获取模块， 获取历史肺癌患者数据， 从所述历史肺癌患者数据中获取转移数 据、 风险数据和健康数据； 效率模块， 训练建立 转移概率神经网络模型、 风险预测 神经网络模型和图像对照模型； 待分析数据获取模块， 获取待分析肺癌患者数据， 从所述待分析肺癌患者数据中获取 转移数据、 风险数据和健康数据； 测试模块， 分别将所述待分析肺癌患者的转移数据、 风险数据和健康数据输入所述转 移概率神经网络模型、 风险预测神经网络模型和图像对照模型中， 获取所述待分析肺癌患 者的症状转移预测路径、 风险预测均衡指标和健康预期趋势； 效用预测模块， 获取所述症状转移预测路径、 风险预测均衡指标和健康预期趋势， 输入 至Markov模型中， 得到所述肺癌 患者的远期风险效用。 2.根据权利要求1所述的模型， 其特征在于， 所述从所述历史肺癌患 者数据中获取转移 数据包括： 识别所述历史肺癌 患者的病历数据； 获取所述病历数据中的阶段发展数据， 所述阶段发展数据包括初始状态数据和进展状 态数据； 所述初始状态数据包括所述历史肺癌患 者的初诊生理指标， 包括所述历史肺癌患 者的 初诊癌细胞 数量与初诊癌细胞位置分布； 所述进展状态数据包括所述历史肺癌患者经过诊疗时长为其治疗疗程的一半时的中 段生理指标， 所述中段生理指标包括所述历史肺癌患者的中段癌细胞数量和中段癌细胞位 置分布； 训练建立所述 转移概率神经网络模型， 包括： 训练过程， 输出训练后的转移概率神经网络模型中历史肺癌患者情况的症状转移路 径， 包括了所述历史肺癌 患者情况的癌细胞转移时间、 转移部位以及转移癌细胞 数量； 将所述待分析肺癌患 者的转移数据输入所述转移概率神经网络模型中， 获取所述待分 析肺癌患者的症状转移预测路径， 具体包括： 基于所述初诊癌细胞数量与初诊癌细胞位置分布建立的转移概率神经网络模型， 所述 转移概率神经网络模型用于 输出第一 转移概率、 第二转移概率和第三 转移概率； 基于所述转移概率神经网络模型输出第四转移概率和第五转移概率， 所述第五转移概 率与所述第四转移概 率之和等于1。 3.根据权利要求2所述的模型， 其特征在于， 所述转移概率神经网络模型的输入层和隐 藏层使用tanh作为激活函数， 所述激活函数的输出为 （ ‑1， 1） ， 平均值 为0。 4.根据权利要求2所述的模型， 其特征在于， 所述转移概率神经网络模型的输出层采用 Sigmoid作为激活函数， 所述激活函数输出 结果映射到 （0,1） 。 5.根据权利要求1所述的模型， 其特 征在于， 所述 风险数据包括： 所述历史肺癌患者和所述待分析肺癌患者的风险数据包括个人情况数据， 包括年龄、 平均血压值、 初诊血 液蛋白质指标； 所述风险预测 神经网络模型的中间层使用Leaky  ReLU作为激活函数；权　利　要　求　书 1/2 页 2 CN 115512833 A 2所述风险预测 神经网络模型的输出层不使用激活函数， 直接 输出风险预测均衡指标。 6.根据权利要求2所述的模型， 其特征在于， 所述历史肺癌患 者和所述待分析肺癌患 者 的健康数据包括所述历史肺癌 患者和所述待分析肺癌 患者的身体内部图像对照情况； 基于所述肺癌 患者数据建立所述图像对照模型， 包括： 基于所述初始状态数据和所述进 展状态数据作为输入数据以建立图像对照模型； 其中， 所述历史肺癌 患者和所述待分析肺癌 患者的身体内部图像对照情况包括： 所述历史肺癌 患者和所述待分析肺癌 患者的身体内部图像数据； 所述身体内部图像数据包括所述历史肺癌患者和所述待分析肺癌患者的身体第一图 像、 第二图像、 第三图像、 第四图像、 第五图像； 所述图像对照模型包括所述历史肺癌患者和所述待分析肺癌患者的身体部位图像的 特征关键点分析模块和对照运 算模块； 基于所述征关键点分析模块和对照运算模块得出所述历史肺癌患者和所述待分析肺 癌患者的身体内部图像权 重距离值； 基于所述体内部图像权 重距离值得到所述待分析肺癌 患者的健康预期趋势。 7.根据权利要求6所述的模型， 其特征在于， 所述图像对照模型的输入层、 隐藏层和输 出层均使用Sigmo id作为激活函数， 其输出 结果映射到 （0,1） 。 8.根据权利要求7 所述的模型， 其特 征在于， Sigmo id满足如下公式： 。 9.根据权利要求1 ‑8任意一项所述的模型， 其特征在于， 所述远期风险效用包括： 治疗 风险和治疗效果； 其中， 所述治疗风险和所述治疗效果的贴现率 为0.5。权　利　要　求　书 2/2 页 3 CN 115512833 A 3