本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種癌癥的數(shù)據(jù)分析方法及裝置。

背景技術(shù)：

現(xiàn)有的癌癥篩查分析是基于醫(yī)療測試，例如對待分析人進(jìn)行癌癥標(biāo)記物的測試，醫(yī)學(xué)影像測試等，醫(yī)生根據(jù)測試結(jié)果對待分析人是否患有癌癥進(jìn)行判斷。因此，現(xiàn)有的癌癥分析是依靠于人工判斷的，其主觀性很強(qiáng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供的一種癌癥的數(shù)據(jù)分析方法及裝置用于解決上述涉及的現(xiàn)有的癌癥分析是依靠于人工判斷的，其主觀性很強(qiáng)的缺陷。

一方面，本發(fā)明提供的癌癥的數(shù)據(jù)分析方法，包括：

采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型；

采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線；

將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；

將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。

進(jìn)一步地，所述采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型之前，還包括：

選取數(shù)據(jù)庫中的若干數(shù)據(jù)樣本作為癌癥訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集；

選取所述數(shù)據(jù)庫中的剩余數(shù)據(jù)樣本作為癌癥測試數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥測試數(shù)據(jù)集。

進(jìn)一步地，每個數(shù)據(jù)樣本中包括非結(jié)構(gòu)數(shù)據(jù)、結(jié)構(gòu)數(shù)據(jù)和診斷結(jié)果；所述預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)包括第一神經(jīng)網(wǎng)絡(luò)架構(gòu)和第二神經(jīng)網(wǎng)絡(luò)架構(gòu)；

相應(yīng)的，所述采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型，包括：

采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息；

采用所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型；

相應(yīng)的，所述采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線，包括：

采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值；

根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線。

進(jìn)一步地，所述非結(jié)構(gòu)數(shù)據(jù)包括：組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)；所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)中包括深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；

相應(yīng)的，所述采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練之前，還包括：

根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的組學(xué)數(shù)據(jù)的數(shù)據(jù)類型，建立所述深度信念網(wǎng)絡(luò)，所述深度信念網(wǎng)絡(luò)用于提取所述組學(xué)數(shù)據(jù)的特征信息；

根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的影像數(shù)據(jù)的數(shù)據(jù)類型，建立所述卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取所述影像數(shù)據(jù)的特征信息；

根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的信號數(shù)據(jù)的數(shù)據(jù)類型，建立所述循環(huán)神經(jīng)網(wǎng)絡(luò)，所述循環(huán)神經(jīng)網(wǎng)絡(luò)用于提取所述信號數(shù)據(jù)的特征信息。

進(jìn)一步地，所述第一特征參數(shù)包括組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)和信號數(shù)據(jù)特征參數(shù)；

相應(yīng)的，所述采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息，包括：

利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述深度信念網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的組學(xué)數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述組學(xué)數(shù)據(jù)特征參數(shù)；

利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述卷積神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的影像數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述影像數(shù)據(jù)特征參數(shù)；

利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述循環(huán)神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的信號數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述信號數(shù)據(jù)特征參數(shù)；

相應(yīng)的，所述根據(jù)所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型，包括：

利用神經(jīng)網(wǎng)絡(luò)反向傳播算法和梯度下降算法，根據(jù)所述組學(xué)數(shù)據(jù)特征參數(shù)、所述影像數(shù)據(jù)特征參數(shù)、所述信號數(shù)據(jù)特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)，對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)中各節(jié)點(diǎn)參數(shù)進(jìn)行計(jì)算，獲得所述訓(xùn)練后的模型；其中，所述訓(xùn)練后的模型的輸出層為邏輯輸出值，所述邏輯輸出值與所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集中的診斷結(jié)果誤差最小。

進(jìn)一步地，所述根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線，包括：

選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本；

將所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值作為判定閾值；

將所述判定閾值與所述癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的邏輯輸出值依次進(jìn)行比對，以獲得所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果；

根據(jù)所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果以及與所述每個其他數(shù)據(jù)樣本對應(yīng)的診斷結(jié)果，建立與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣；

根據(jù)所述與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，計(jì)算獲得與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；

返回執(zhí)行所述選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本的步驟，直至計(jì)算獲得與所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；

根據(jù)所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值，以及每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性，畫出感受性曲線。

進(jìn)一步地，所述將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果，包括：

將所述癌癥待分析數(shù)據(jù)的邏輯輸出值與所述感受性曲線中的所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，得到所述癌癥待分析數(shù)據(jù)的敏感度和特異性；

根據(jù)所述癌癥待分析數(shù)據(jù)的敏感度和特異性，計(jì)算并輸出所述癌癥待分析數(shù)據(jù)的患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率。

進(jìn)一步地，所述癌癥待分析數(shù)據(jù)包括非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)；

相應(yīng)的，所述將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值，包括：

將所述癌癥待分析數(shù)據(jù)中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)輸入所述訓(xùn)練后的模型，獲得所述癌癥待分析數(shù)據(jù)的邏輯輸出值。

另一方面，本發(fā)明還提供了一種癌癥的數(shù)據(jù)分析裝置，包括：

訓(xùn)練模塊，用于采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型；

測試模塊，用于采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線；

第一計(jì)算模塊，用于將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；

第二計(jì)算模塊，用于將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。

進(jìn)一步地，該癌癥的數(shù)據(jù)分析裝置還包括：數(shù)據(jù)集建立模塊；

所述數(shù)據(jù)集建立模塊在訓(xùn)練模塊采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型之前，還用于：選取數(shù)據(jù)庫中的若干數(shù)據(jù)樣本作為癌癥訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集；選取所述數(shù)據(jù)庫中的剩余數(shù)據(jù)樣本作為癌癥測試數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥測試數(shù)據(jù)集。

進(jìn)一步地，每個數(shù)據(jù)樣本中包括非結(jié)構(gòu)數(shù)據(jù)、結(jié)構(gòu)數(shù)據(jù)和診斷結(jié)果；所述預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)包括第一神經(jīng)網(wǎng)絡(luò)架構(gòu)和第二神經(jīng)網(wǎng)絡(luò)架構(gòu)；

所述訓(xùn)練模塊，還用于：采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息；采用所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型；

所述測試模塊，還用于：采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值；根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線。

進(jìn)一步地，所述非結(jié)構(gòu)數(shù)據(jù)包括：組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)；所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)中包括深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；所述癌癥的數(shù)據(jù)分析裝置還包括：網(wǎng)絡(luò)構(gòu)建模塊；

所述網(wǎng)絡(luò)構(gòu)建模塊用于：在所述訓(xùn)練模塊采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練之前，用于根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的組學(xué)數(shù)據(jù)的數(shù)據(jù)類型，建立所述深度信念網(wǎng)絡(luò)，所述深度信念網(wǎng)絡(luò)用于提取所述組學(xué)數(shù)據(jù)的特征信息；根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的影像數(shù)據(jù)的數(shù)據(jù)類型，建立所述卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取所述影像數(shù)據(jù)的特征信息；根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的信號數(shù)據(jù)的數(shù)據(jù)類型，建立所述循環(huán)神經(jīng)網(wǎng)絡(luò)，所述循環(huán)神經(jīng)網(wǎng)絡(luò)用于提取所述信號數(shù)據(jù)的特征信息。

進(jìn)一步地，所述第一特征參數(shù)包括組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)和信號數(shù)據(jù)特征參數(shù)；所述訓(xùn)練模塊包括：第一訓(xùn)練單元和第二訓(xùn)練單元；

其中，所述第一訓(xùn)練單元用于：利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述深度信念網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的組學(xué)數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述組學(xué)數(shù)據(jù)特征參數(shù)；利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述卷積神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的影像數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述影像數(shù)據(jù)特征參數(shù)；利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述循環(huán)神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的信號數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述信號數(shù)據(jù)特征參數(shù)；

所述第二訓(xùn)練單元用于：利用神經(jīng)網(wǎng)絡(luò)反向傳播算法和梯度下降算法，根據(jù)所述組學(xué)數(shù)據(jù)特征參數(shù)、所述影像數(shù)據(jù)特征參數(shù)、所述信號數(shù)據(jù)特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)，對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)中各節(jié)點(diǎn)參數(shù)進(jìn)行計(jì)算，獲得所述訓(xùn)練后的模型；其中，所述訓(xùn)練后的模型的輸出層為邏輯輸出值，所述邏輯輸出值與所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集中的診斷結(jié)果誤差最小。

進(jìn)一步地，所述測試模塊還用于：

選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本；

將所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值作為判定閾值；

將所述判定閾值與所述癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的邏輯輸出值依次進(jìn)行比對，以獲得所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果；

根據(jù)所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果以及與所述每個其他數(shù)據(jù)樣本對應(yīng)的診斷結(jié)果，建立與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣；

根據(jù)所述與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，計(jì)算獲得與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；

返回執(zhí)行所述選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本的步驟，直至計(jì)算獲得與所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；

根據(jù)所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值，以及每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性，畫出感受性曲線。

進(jìn)一步地，所述第二計(jì)算模塊，還用于：

將所述癌癥待分析數(shù)據(jù)的邏輯輸出值與所述感受性曲線中的所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，得到所述癌癥待分析數(shù)據(jù)的敏感度和特異性；

根據(jù)所述癌癥待分析數(shù)據(jù)的敏感度和特異性，計(jì)算并輸出所述癌癥待分析數(shù)據(jù)的患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率。

進(jìn)一步地，述癌癥待分析數(shù)據(jù)包括非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)；

所述第一計(jì)算模塊還用于：將所述癌癥待分析數(shù)據(jù)中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)輸入所述訓(xùn)練后的模型，獲得所述癌癥待分析數(shù)據(jù)的邏輯輸出值。

本發(fā)明實(shí)施例提供的癌癥的數(shù)據(jù)分析方法及裝置，其通過采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型；采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線；將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。本發(fā)明提供的癌癥的數(shù)據(jù)分析方法及裝置通過利用現(xiàn)有的數(shù)據(jù)庫中的數(shù)據(jù)對預(yù)設(shè)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練和測試，從而獲得具有代表性意義的感受性曲線，再將癌癥待分析數(shù)據(jù)的邏輯輸出值與該感受性曲線進(jìn)行比對，計(jì)算并生成相應(yīng)的分析結(jié)果，從而為癌癥分析提供更加客觀的數(shù)據(jù)分析結(jié)果。

附圖說明

圖1為本發(fā)明實(shí)施例一提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖；

圖2為本發(fā)明實(shí)施例二提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖；

圖3為本發(fā)明實(shí)施例三提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖；

圖4為本發(fā)明實(shí)施例四提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖；

圖5為本發(fā)明實(shí)施例五提供的一種癌癥的數(shù)據(jù)分析裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述。

圖1為本發(fā)明實(shí)施例一提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖。針對現(xiàn)有的癌癥分析是依靠于人工判斷的問題，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的癌癥的數(shù)據(jù)分析方法，以實(shí)現(xiàn)對癌癥進(jìn)行更客觀的數(shù)據(jù)分析。如圖1所示，本發(fā)明實(shí)施例一提供的癌癥的數(shù)據(jù)分析方法包括：

步驟101、采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型。

具體來說，采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型。其中，預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)具體可例如神經(jīng)網(wǎng)絡(luò)架構(gòu)，分布式網(wǎng)絡(luò)架構(gòu)等，采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對該預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練以得到符合測試需求和使用需求的訓(xùn)練后的模型。

優(yōu)選地，在上述步驟101中的采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型之前，還可包括建立癌癥訓(xùn)練數(shù)據(jù)集和建立癌癥測試數(shù)據(jù)測試集的過程。具體來說，選取數(shù)據(jù)庫中的若干數(shù)據(jù)樣本作為癌癥訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集；選取所述數(shù)據(jù)庫中的剩余數(shù)據(jù)樣本作為癌癥測試數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥測試數(shù)據(jù)集。例如，數(shù)據(jù)庫可具體為某醫(yī)院的病歷數(shù)據(jù)庫，其中包括有在該醫(yī)院進(jìn)行過體檢或治療的所有人的病歷，其中病歷可包括有個人信息，各項(xiàng)檢測得到的數(shù)據(jù)，通過巡診獲得的病史以及診斷結(jié)果等的記錄，其中每一個人的病歷可稱為一個數(shù)據(jù)樣本。在建立本申請的癌癥訓(xùn)練數(shù)據(jù)集和建立癌癥測試數(shù)據(jù)測試集的過程中，可通過隨機(jī)選取病歷數(shù)據(jù)庫的若干個病歷以作為癌癥訓(xùn)練數(shù)據(jù)集，并將選取的若干個病歷以外的其他病歷作為癌癥測試數(shù)據(jù)集。其中，關(guān)于選取數(shù)據(jù)樣本的選取規(guī)則以及選取的癌癥訓(xùn)練數(shù)據(jù)集和癥測試數(shù)據(jù)測試集中的數(shù)據(jù)樣本數(shù)量，本領(lǐng)域技術(shù)人員可根據(jù)實(shí)際情況自行設(shè)定。

步驟102、采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線。

具體來說，采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線。其中，針對癌癥數(shù)據(jù)分析來說，感受性曲線具體可為對癌癥感受性曲線，其可反映癌癥測試數(shù)據(jù)集內(nèi)的各數(shù)據(jù)樣本對癌癥的感受性反應(yīng)。

步驟103、將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值。

具體來說，癌癥待分析數(shù)據(jù)具體可為待分析人的通過體檢獲得的相關(guān)數(shù)據(jù)以及通過詢問獲得的病史數(shù)據(jù)。將這些癌癥待分析數(shù)據(jù)導(dǎo)入訓(xùn)練后的模型，并輸出該癌癥待分析數(shù)據(jù)的邏輯輸出值。其中邏輯輸出值具體為可0至1之間的實(shí)數(shù)。

步驟104、將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。

具體的，將獲得癌癥待分析數(shù)據(jù)的邏輯輸出值與感受性曲線中各數(shù)據(jù)樣本的相關(guān)數(shù)據(jù)進(jìn)行比對，計(jì)算并輸出癌癥的分析結(jié)果，其中該分析結(jié)果具體可例如患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率等。進(jìn)一步來說，患癌風(fēng)險(xiǎn)率可用于指示患有癌癥的風(fēng)險(xiǎn)指數(shù)，如該待分析人的患癌風(fēng)險(xiǎn)是常人的倍數(shù)等；分?jǐn)?shù)則可用于指示該待分析人當(dāng)前的身體狀況等，虛警率和漏報(bào)率均可用于指示該分析結(jié)果的可信度。

本發(fā)明實(shí)施例一提供了一種癌癥的數(shù)據(jù)分析方法，其通過采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型；采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線；將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。本發(fā)明實(shí)施例一提供的癌癥的數(shù)據(jù)分析方法通過利用現(xiàn)有的數(shù)據(jù)庫中的數(shù)據(jù)對預(yù)設(shè)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練和測試，從而獲得具有代表性意義的感受性曲線，再將癌癥待分析數(shù)據(jù)的邏輯輸出值與該感受性曲線進(jìn)行比對，計(jì)算并生成相應(yīng)的分析結(jié)果，從而為癌癥分析提供更加客觀的數(shù)據(jù)分析結(jié)果。

進(jìn)一步地，在上述實(shí)施例一的基礎(chǔ)上，圖2為本發(fā)明實(shí)施例二提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖，如圖2所示，該方法包括：

步驟201、采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)；

其中，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息。

步驟202、采用所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型。

上述步驟201-202是實(shí)現(xiàn)采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型的一種具體實(shí)施方式。具體來說，其中癌癥訓(xùn)練數(shù)據(jù)集中的每個數(shù)據(jù)樣本中包括非結(jié)構(gòu)數(shù)據(jù)、結(jié)構(gòu)數(shù)據(jù)和診斷結(jié)果，預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)具體可包括第一神經(jīng)網(wǎng)絡(luò)架構(gòu)和第二神經(jīng)網(wǎng)絡(luò)架構(gòu)。

相應(yīng)的，采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)，該第一特征參數(shù)可用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息，其中，該第一特征參數(shù)具體可理解為將非結(jié)構(gòu)數(shù)據(jù)結(jié)構(gòu)化后，其特征信息所對應(yīng)的特征參數(shù)。利用獲得的通過對獲得非結(jié)構(gòu)數(shù)據(jù)的第一特征參數(shù)以及癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型。

需要說明的是，本實(shí)施例二中的第一神經(jīng)網(wǎng)絡(luò)架構(gòu)和第二神經(jīng)網(wǎng)絡(luò)架構(gòu)均為預(yù)設(shè)的，其可通過采用現(xiàn)有神經(jīng)網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)，具體來說，其第一神經(jīng)網(wǎng)絡(luò)架構(gòu)可實(shí)現(xiàn)對非結(jié)構(gòu)數(shù)據(jù)的特征信息提取，使該非結(jié)構(gòu)數(shù)據(jù)結(jié)構(gòu)化，而第二神經(jīng)網(wǎng)絡(luò)架構(gòu)可利用結(jié)構(gòu)化的非結(jié)構(gòu)數(shù)據(jù)以及結(jié)構(gòu)數(shù)據(jù)對自身網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以形成訓(xùn)練后的模型。

優(yōu)選地，在上述步驟201中的采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練之前，還可包括建立癌癥訓(xùn)練數(shù)據(jù)集和建立癌癥測試數(shù)據(jù)測試集的過程。具體來說，選取數(shù)據(jù)庫中的若干數(shù)據(jù)樣本作為癌癥訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集；選取所述數(shù)據(jù)庫中的剩余數(shù)據(jù)樣本作為癌癥測試數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥測試數(shù)據(jù)集。例如，數(shù)據(jù)庫可具體為某醫(yī)院的病歷數(shù)據(jù)庫，其中包括有在該醫(yī)院進(jìn)行過體檢或治療的所有人的病歷，其中病歷可包括有個人信息，各項(xiàng)檢測得到的數(shù)據(jù)，通過巡診獲得的病史以及診斷結(jié)果等的記錄，其中每一個人的病歷可稱為一個數(shù)據(jù)樣本。在建立本申請的癌癥訓(xùn)練數(shù)據(jù)集和建立癌癥測試數(shù)據(jù)測試集的過程中，可通過隨機(jī)選取病歷數(shù)據(jù)庫的若干個病歷以作為癌癥訓(xùn)練數(shù)據(jù)集，并將選取的若干個病歷以外的其他病歷作為癌癥測試數(shù)據(jù)集。其中，關(guān)于選取數(shù)據(jù)樣本的選取規(guī)則以及選取的癌癥訓(xùn)練數(shù)據(jù)集和癥測試數(shù)據(jù)測試集中的數(shù)據(jù)樣本數(shù)量，本領(lǐng)域技術(shù)人員可根據(jù)實(shí)際情況自行設(shè)定。

步驟203、采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值。

步驟204、根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線。

上述步驟203-204是實(shí)現(xiàn)采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線的一種具體實(shí)施方式。具體來說，由于訓(xùn)練后的模型是通過對非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)訓(xùn)練獲得的，其可實(shí)現(xiàn)對非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)的處理。相應(yīng)的，可利用癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，以獲得癌癥測試數(shù)據(jù)集的邏輯輸出值，其中該邏輯輸出值可為0至1之間的實(shí)數(shù)，針對癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本，均有一個邏輯輸出值與之對應(yīng)。根據(jù)癌癥測試數(shù)據(jù)集的邏輯輸出值和癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線，其中，針對癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本來說，其對應(yīng)一個邏輯輸出值以及一個診斷結(jié)果，根據(jù)邏輯輸出值和該診斷結(jié)構(gòu)，可確定出每個數(shù)據(jù)樣本在該感受型曲線上的數(shù)據(jù)點(diǎn)位置，并的到該癌癥測試數(shù)據(jù)集中所有數(shù)據(jù)樣本的感受性曲線。

步驟205、將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值。

具體來說，由于訓(xùn)練后的模型是通過對非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)訓(xùn)練獲得的，其可實(shí)現(xiàn)對非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)的處理，因此，在癌癥待分析數(shù)據(jù)中可包括非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)，相應(yīng)的，步驟205具體可為將所述癌癥待分析數(shù)據(jù)中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)輸入所述訓(xùn)練后的模型，獲得所述癌癥待分析數(shù)據(jù)的邏輯輸出值，其中該邏輯輸出值可為0至1之間的實(shí)數(shù)。

步驟206、將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。

具體的，將獲得癌癥待分析數(shù)據(jù)的邏輯輸出值與感受性曲線中各數(shù)據(jù)樣本的相關(guān)數(shù)據(jù)進(jìn)行比對，計(jì)算并輸出癌癥的分析結(jié)果，其中該分析結(jié)果具體可例如患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率等。進(jìn)一步來說，患癌風(fēng)險(xiǎn)率可用于指示患有癌癥的風(fēng)險(xiǎn)指數(shù)，如該待分析人的患癌風(fēng)險(xiǎn)是常人的倍數(shù)等；分?jǐn)?shù)則可用于指示該待分析人當(dāng)前的身體狀況等，虛警率和漏報(bào)率均可用于指示該分析結(jié)果的可信度。

本發(fā)明實(shí)施例二提供了一種癌癥的數(shù)據(jù)分析方法，其通過采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息；采用所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型；采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值；根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線；將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。在本發(fā)明實(shí)施例二提供的癌癥的數(shù)據(jù)分析方法中，由于訓(xùn)練后的模型是通過采用癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對第一神經(jīng)網(wǎng)絡(luò)架構(gòu)訓(xùn)練，以及通過采用第一特征參數(shù)和癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對第二神經(jīng)網(wǎng)絡(luò)架構(gòu)訓(xùn)練得到的，該訓(xùn)練后的模型可以實(shí)現(xiàn)對非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)的處理，因此，該訓(xùn)練后的模型所輸出的邏輯輸出值以及根據(jù)邏輯輸出值獲得的感受性曲線也更能體現(xiàn)真實(shí)情況，提高癌癥待分析數(shù)據(jù)的分析結(jié)果的準(zhǔn)確性。

進(jìn)一步地，為了進(jìn)一步描述本申請的技術(shù)方案，圖3為本發(fā)明實(shí)施例三提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖，如圖3所示，在上述實(shí)施例二的基礎(chǔ)上，該實(shí)施例三提供的方法包括：

步驟301、利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述深度信念網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的組學(xué)數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述組學(xué)數(shù)據(jù)特征參數(shù)。

步驟302、利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述卷積神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的影像數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述影像數(shù)據(jù)特征參數(shù)。

步驟303、利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述循環(huán)神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的信號數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述信號數(shù)據(jù)特征參數(shù)。

上述步驟301-303是實(shí)現(xiàn)采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)的一種具體實(shí)現(xiàn)方式。其中，非結(jié)構(gòu)數(shù)據(jù)可具體包括組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)，第一神經(jīng)網(wǎng)絡(luò)架構(gòu)可具體包括深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，相應(yīng)的，該第一特征參數(shù)則具體可為組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)和信號數(shù)據(jù)特征參數(shù)。

具體來說，癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)具體可分為：利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在深度信念網(wǎng)絡(luò)中對癌癥訓(xùn)練數(shù)據(jù)集中的組學(xué)數(shù)據(jù)的特征信息進(jìn)行提取，獲得組學(xué)數(shù)據(jù)特征參數(shù)，其中該組學(xué)數(shù)據(jù)特征參數(shù)的數(shù)量可由本領(lǐng)域技術(shù)人員根據(jù)實(shí)際情況自行設(shè)置；利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在卷積神經(jīng)網(wǎng)絡(luò)中對癌癥訓(xùn)練數(shù)據(jù)集中的影像數(shù)據(jù)的特征信息進(jìn)行提取，獲得影像數(shù)據(jù)特征參數(shù)，其中該影像數(shù)據(jù)特征參數(shù)的數(shù)量可由本領(lǐng)域技術(shù)人員根據(jù)實(shí)際情況自行設(shè)置；利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在循環(huán)神經(jīng)網(wǎng)絡(luò)中對癌癥訓(xùn)練數(shù)據(jù)集中的信號數(shù)據(jù)的特征信息進(jìn)行提取，獲得信號數(shù)據(jù)特征參數(shù)，其中該信號數(shù)據(jù)特征參數(shù)的數(shù)量可由本領(lǐng)域技術(shù)人員根據(jù)實(shí)際情況自行設(shè)置。

優(yōu)選地，針對第一神經(jīng)網(wǎng)絡(luò)架構(gòu)來說，在步驟301之前，還可包括對該第一神經(jīng)網(wǎng)絡(luò)的架構(gòu)過程：由于第一特征參數(shù)包括組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)和信號數(shù)據(jù)特征參數(shù)。因此，根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的組學(xué)數(shù)據(jù)的數(shù)據(jù)類型，建立所述深度信念網(wǎng)絡(luò)，所述深度信念網(wǎng)絡(luò)用于提取所述組學(xué)數(shù)據(jù)的特征信息；根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的影像數(shù)據(jù)的數(shù)據(jù)類型，建立所述卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取所述影像數(shù)據(jù)的特征信息；根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的信號數(shù)據(jù)的數(shù)據(jù)類型，建立所述循環(huán)神經(jīng)網(wǎng)絡(luò)，所述循環(huán)神經(jīng)網(wǎng)絡(luò)用于提取所述信號數(shù)據(jù)的特征信息。

進(jìn)一步來說，上述涉及的組學(xué)數(shù)據(jù)具體可為基因組序列數(shù)據(jù)、蛋白質(zhì)組數(shù)據(jù)以及微陣列基因表達(dá)數(shù)據(jù)中的一種或一種以上種類的數(shù)據(jù)；影像數(shù)據(jù)具體可為X射線成像、電子計(jì)算機(jī)斷層掃描成像、正電子發(fā)射斷層掃描成像、核磁共振成像、超聲成像中的一種或一種以上種類的成像；循環(huán)數(shù)據(jù)具體可為心電圖、腦電圖、腦皮層電圖以及肌電圖中的一種或一種以上種類的信號電圖。本領(lǐng)域技術(shù)人員可根據(jù)實(shí)際情況對上述的非結(jié)構(gòu)數(shù)據(jù)中的組學(xué)數(shù)據(jù)的數(shù)據(jù)種類、影像數(shù)據(jù)的數(shù)據(jù)種類以及信號數(shù)據(jù)的數(shù)據(jù)種類進(jìn)行選擇，并根據(jù)各數(shù)據(jù)的數(shù)據(jù)種類采用相應(yīng)的網(wǎng)絡(luò)架構(gòu)第一神經(jīng)網(wǎng)絡(luò)，并利用第一神經(jīng)網(wǎng)絡(luò)中的相應(yīng)網(wǎng)絡(luò)對該數(shù)據(jù)種類的數(shù)據(jù)的特征信息進(jìn)行逐層提取，以實(shí)現(xiàn)對非結(jié)構(gòu)數(shù)據(jù)結(jié)構(gòu)化的目的，提高訓(xùn)練后的模型對非結(jié)構(gòu)數(shù)據(jù)的辨識度，進(jìn)一步提高對非結(jié)構(gòu)數(shù)據(jù)的特征信息提取的準(zhǔn)確度。

步驟304、利用神經(jīng)網(wǎng)絡(luò)反向傳播算法和梯度下降算法，根據(jù)所述組學(xué)數(shù)據(jù)特征參數(shù)、所述影像數(shù)據(jù)特征參數(shù)、所述信號數(shù)據(jù)特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)，對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)中各節(jié)點(diǎn)參數(shù)進(jìn)行計(jì)算，獲得所述訓(xùn)練后的模型；

其中，所述訓(xùn)練后的模型的輸出層為邏輯輸出值，所述邏輯輸出值與所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集中的診斷結(jié)果誤差最小。

上述步驟304是采用第一特征參數(shù)和癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型的一種具體實(shí)現(xiàn)方式。由于該第一特征參數(shù)則具體可為組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)和信號數(shù)據(jù)特征參數(shù)。在第二神經(jīng)網(wǎng)絡(luò)架構(gòu)的訓(xùn)練過程中，利用神經(jīng)網(wǎng)絡(luò)反向傳播算法和梯度下降算法，根據(jù)組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)、信號數(shù)據(jù)特征參數(shù)和癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)，對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)中各節(jié)點(diǎn)參數(shù)進(jìn)行計(jì)算，獲得訓(xùn)練后的模型。訓(xùn)練后的模型的輸出層為邏輯輸出值，邏輯輸出值與預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集中的診斷結(jié)果誤差最小，其中，邏輯輸出值為0至1之間的實(shí)數(shù)，而診斷結(jié)果則可用0或1進(jìn)行標(biāo)識，例如若患有癌癥則診斷結(jié)果標(biāo)識為1，若不患有癌癥則診斷結(jié)果標(biāo)識為0，因此，當(dāng)利用神經(jīng)網(wǎng)絡(luò)反向傳播算法和梯度下降算法訓(xùn)練獲得的模型所輸出的邏輯輸出值與診斷結(jié)果標(biāo)識之間的誤差最小時，則訓(xùn)練完成，該模型則為訓(xùn)練后的模型。

需要說明的是，該結(jié)構(gòu)數(shù)據(jù)具體可理解為通過相關(guān)參數(shù)直接進(jìn)行標(biāo)識的數(shù)據(jù)，例如其可包括：人口統(tǒng)計(jì)學(xué)數(shù)據(jù)、血常規(guī)、尿常規(guī)、癌癥標(biāo)記物、常規(guī)體檢數(shù)據(jù)等中的一種或一種以上數(shù)據(jù)。

其中，人口統(tǒng)計(jì)學(xué)數(shù)據(jù)可例如性別、年齡、種族；血常規(guī)可例如白細(xì)胞計(jì)數(shù)、紅細(xì)胞計(jì)數(shù)、血紅蛋白、紅細(xì)胞壓積、平均紅細(xì)胞體積、平均紅細(xì)胞血紅蛋白濃度、紅細(xì)胞體積分布寬度變異稀疏、紅細(xì)胞體積分布寬度標(biāo)準(zhǔn)差、血小板、平均血小板體積、血小板容積分布寬度、中間細(xì)胞百分比、中間細(xì)胞絕對值、中性粒細(xì)胞絕對值、淋巴細(xì)胞絕對值、中性粒細(xì)胞百分比、淋巴細(xì)胞百分比等；尿常規(guī)可例如尿素、肌酐、尿酸、總膽固醇、甘油三酯、空腹血糖、比重、PH值、白細(xì)胞、隱血、亞硝酸鹽、酮體、膽紅素、尿膽元、蛋白質(zhì)、葡萄糖；癌癥標(biāo)記物可例如癌胚抗原CEA、甲胎蛋白AFP、癌抗原CA724、癌抗原CA242、神經(jīng)元特異性烯醇化酶NSE、游離前列腺特異性抗原FPSA、前列腺特異性抗原TPSA、癌抗原CA153、癌抗原CA125、癌抗原CA199以及a巖藻糖苷酶等；常規(guī)體檢數(shù)據(jù)可例如家族史、吸煙史、體重指數(shù)、收縮壓、舒張壓、骨密度檢測、疲勞檢測、血清總膽汁酸、血沉、三碘甲狀腺原氨酸(T3)電發(fā)光、甲狀腺素(T4)電發(fā)光、促甲狀腺素(TSH)電發(fā)光、游離三碘甲狀腺原氨酸(F-T3)電發(fā)光、游離甲狀腺素(F-T4)電發(fā)光、銅、鐵、鋅、鈣、鎂、幽門螺桿菌抗體檢測、丙氨酸氨基轉(zhuǎn)移酶、γ-谷氨酰轉(zhuǎn)移酶、天門冬氨酸氨基轉(zhuǎn)移酶、乳酸脫氫酶、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、空腹血糖、肌酸激酶、肌酸激酶同工酶、α-羥丁酸脫氫酶、乙肝表面抗原、乙肝表面抗體、乙肝e抗原、乙肝e抗體、乙肝核心抗體等。

步驟305、采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值。

具體來說，與癌癥訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)類型相似的是，癌癥測試數(shù)據(jù)集中也包括有非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)，其中，非結(jié)構(gòu)數(shù)據(jù)可具體包括組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)，例如組學(xué)數(shù)據(jù)具體可為基因組序列數(shù)據(jù)、蛋白質(zhì)組數(shù)據(jù)以及微陣列基因表達(dá)數(shù)據(jù)中的一種或一種以上種類的數(shù)據(jù)；影像數(shù)據(jù)具體可為X射線成像、電子計(jì)算機(jī)斷層掃描成像、正電子發(fā)射斷層掃描成像、核磁共振成像、超聲成像中的一種或一種以上種類的成像；循環(huán)數(shù)據(jù)具體可為心電圖、腦電圖、腦皮層電圖以及肌電圖中的一種或一種以上種類的信號電圖；該結(jié)構(gòu)數(shù)據(jù)具體可理解為通過相關(guān)參數(shù)直接進(jìn)行標(biāo)識的數(shù)據(jù)，例如其可包括：人口統(tǒng)計(jì)學(xué)數(shù)據(jù)、血常規(guī)、尿常規(guī)、癌癥標(biāo)記物、常規(guī)體檢數(shù)據(jù)等中的一種或一種以上數(shù)據(jù)。在對訓(xùn)練后的模型進(jìn)行測試的過程中，可通過將癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)導(dǎo)入所訓(xùn)練后的模型中，以獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值。

步驟306、根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線。

具體來說，針對癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本，均有一個邏輯輸出值與之對應(yīng)。根據(jù)癌癥測試數(shù)據(jù)集的邏輯輸出值和癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線，其中，針對癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本來說，其對應(yīng)一個邏輯輸出值以及一個診斷結(jié)果，根據(jù)邏輯輸出值和該診斷結(jié)構(gòu)，可確定出每個數(shù)據(jù)樣本在該感受型曲線上的數(shù)據(jù)點(diǎn)位置，并的到該癌癥測試數(shù)據(jù)集中所有數(shù)據(jù)樣本的感受性曲線。

步驟307、將所述癌癥待分析數(shù)據(jù)中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)輸入所述訓(xùn)練后的模型，獲得所述癌癥待分析數(shù)據(jù)的邏輯輸出值。

與步驟305和306類似的是，癌癥待分析數(shù)據(jù)中也包括有非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)，其中，非結(jié)構(gòu)數(shù)據(jù)可具體包括組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)，例如組學(xué)數(shù)據(jù)具體可為基因組序列數(shù)據(jù)、蛋白質(zhì)組數(shù)據(jù)以及微陣列基因表達(dá)數(shù)據(jù)中的一種或一種以上種類的數(shù)據(jù)；影像數(shù)據(jù)具體可為X射線成像、電子計(jì)算機(jī)斷層掃描成像、正電子發(fā)射斷層掃描成像、核磁共振成像、超聲成像中的一種或一種以上種類的成像；循環(huán)數(shù)據(jù)具體可為心電圖、腦電圖、腦皮層電圖以及肌電圖中的一種或一種以上種類的信號電圖；該結(jié)構(gòu)數(shù)據(jù)具體可理解為通過相關(guān)參數(shù)直接進(jìn)行標(biāo)識的數(shù)據(jù)，例如其可包括：人口統(tǒng)計(jì)學(xué)數(shù)據(jù)、血常規(guī)數(shù)據(jù)、尿常規(guī)數(shù)據(jù)、癌癥標(biāo)記物數(shù)據(jù)、家族史、吸煙史、體重指數(shù)、收縮壓、舒張壓、骨密度檢測、疲勞檢測、血清總膽汁酸、血沉、三碘甲狀腺原氨酸電發(fā)光、甲狀腺素電發(fā)光、促甲狀腺素電發(fā)光、游離三碘甲狀腺原氨酸電發(fā)光、游離甲狀腺素電發(fā)光、銅、鐵、鋅、鈣、鎂、幽門螺桿菌抗體檢測、丙氨酸氨基轉(zhuǎn)移酶、γ-谷氨酰轉(zhuǎn)移酶、天門冬氨酸氨基轉(zhuǎn)移酶、乳酸脫氫酶、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、空腹血糖、肌酸激酶、肌酸激酶同工酶、α-羥丁酸脫氫酶、乙肝表面抗原、乙肝表面抗體、乙肝e抗原、乙肝e抗體和乙肝核心抗體中一種或一種以上數(shù)據(jù)。其中，所述人口統(tǒng)計(jì)學(xué)數(shù)據(jù)包括：性別、年齡和種族；所述血常規(guī)包括：白細(xì)胞計(jì)數(shù)、紅細(xì)胞計(jì)數(shù)、血紅蛋白、紅細(xì)胞壓積、平均紅細(xì)胞體積、平均紅細(xì)胞血紅蛋白濃度、紅細(xì)胞體積分布寬度變異稀疏、紅細(xì)胞體積分布寬度標(biāo)準(zhǔn)差、血小板、平均血小板體積、血小板容積分布寬度、中間細(xì)胞百分比、中間細(xì)胞絕對值、中性粒細(xì)胞絕對值、淋巴細(xì)胞絕對值、中性粒細(xì)胞百分比和淋巴細(xì)胞百分比中的一種或一種以上的數(shù)據(jù)；所述尿常規(guī)數(shù)據(jù)包括：尿素、肌酐、尿酸、總膽固醇、甘油三酯、空腹血糖、比重、氫離子濃度指數(shù)、白細(xì)胞、隱血、亞硝酸鹽、酮體、膽紅素、尿膽元、蛋白質(zhì)和葡萄糖中的一種或一種以上的數(shù)據(jù)；所述癌癥標(biāo)記物包括：癌胚抗原CEA、甲胎蛋白AFP、癌抗原CA724、癌抗原CA242、神經(jīng)元特異性烯醇化酶NSE、游離前列腺特異性抗原FPSA、前列腺特異性抗原TPSA、癌抗原CA153、癌抗原CA125、癌抗原CA199以及a巖藻糖苷酶中的一種或一種以上的數(shù)據(jù)。。通過將癌癥待分析數(shù)據(jù)中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)導(dǎo)入訓(xùn)練后的模型中，以獲得癌癥待分析數(shù)據(jù)的邏輯輸出值，其中該邏輯輸出值可為0至1之間的實(shí)數(shù)。

步驟308、將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。

具體的，將獲得癌癥待分析數(shù)據(jù)的邏輯輸出值與感受性曲線中各數(shù)據(jù)樣本的相關(guān)數(shù)據(jù)進(jìn)行比對，計(jì)算并輸出癌癥的分析結(jié)果，其中該分析結(jié)果具體可例如患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率等。進(jìn)一步來說，患癌風(fēng)險(xiǎn)率可用于指示患有癌癥的風(fēng)險(xiǎn)指數(shù)，如該待分析人的患癌風(fēng)險(xiǎn)是常人的倍數(shù)等；分?jǐn)?shù)則可用于指示該待分析人當(dāng)前的身體狀況等，虛警率和漏報(bào)率均可用于指示該分析結(jié)果的可信度。

本發(fā)明實(shí)施例三提供了一種癌癥的數(shù)據(jù)分析方法，其將非結(jié)構(gòu)數(shù)據(jù)分為組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)，相應(yīng)的，第一神經(jīng)網(wǎng)絡(luò)架構(gòu)可包括深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，并利用第一神經(jīng)網(wǎng)絡(luò)中的各網(wǎng)絡(luò)架構(gòu)對相應(yīng)的數(shù)據(jù)種類的非結(jié)構(gòu)數(shù)據(jù)的特征信息進(jìn)行逐層提取，以實(shí)現(xiàn)對非結(jié)構(gòu)數(shù)據(jù)結(jié)構(gòu)化的目的，提高訓(xùn)練后的模型對非結(jié)構(gòu)數(shù)據(jù)的辨識度，提高對分析結(jié)果的準(zhǔn)確度。

進(jìn)一步地，為了進(jìn)一步提高分析結(jié)果的客觀性和準(zhǔn)確度，圖4為本發(fā)明實(shí)施例四提供的一種癌癥的數(shù)據(jù)分析方法的流程示意圖，在上述實(shí)施例二和三的基礎(chǔ)上，如圖4所示，該實(shí)施例四提供的方法包括：

步驟401、采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)；

其中，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息。

步驟402、采用所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型。

步驟403、采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值。

上述步驟401-403的具體實(shí)現(xiàn)方式可參見實(shí)施例二中的步驟201-203或?qū)嵤├械牟襟E301-305，本實(shí)施例四在此不做贅述。

為了實(shí)現(xiàn)癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線，可通過采用選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本；將所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值作為判定閾值；將所述判定閾值與所述癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的邏輯輸出值依次進(jìn)行比對，以獲得所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果；根據(jù)所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果以及與所述每個其他數(shù)據(jù)樣本對應(yīng)的診斷結(jié)果，建立與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣；根據(jù)所述與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，計(jì)算獲得與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；返回執(zhí)行所述選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本的步驟，直至計(jì)算獲得與所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性。

具體來說，可通過采用如下步驟404-410來實(shí)現(xiàn)：

步驟404、選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本。

步驟405、將所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值作為判定閾值。

步驟406、將所述判定閾值與所述癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的邏輯輸出值依次進(jìn)行比對，以獲得所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果。

步驟407、根據(jù)所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果以及與所述每個其他數(shù)據(jù)樣本對應(yīng)的診斷結(jié)果，建立與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣。

步驟408、根據(jù)所述與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，計(jì)算獲得與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性。

步驟409、判斷是否獲得與所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；

若是,則執(zhí)行步驟410；若否則執(zhí)行步驟404。

步驟410、根據(jù)所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值，以及每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性，畫出感受性曲線。

具體來說，在步驟403中獲取到了癌癥測試數(shù)據(jù)集的邏輯輸出值，也就是說獲取到了癌癥測試數(shù)據(jù)集中的每一個數(shù)據(jù)樣本的邏輯輸出值。選取癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本，并將該當(dāng)前數(shù)據(jù)樣本的邏輯輸出值作為判定閾值。將判定閾值與癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的邏輯輸出值依次進(jìn)行比對，以獲得癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的判定結(jié)果，例如，若當(dāng)前數(shù)據(jù)樣本的邏輯輸出值為0.5，則將0.5作為判定閾值對其他數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，若其他數(shù)據(jù)樣本的邏輯輸出值大于等于0.5，則可判定出該數(shù)據(jù)樣本為患癌癥數(shù)據(jù)樣本，若若其他數(shù)據(jù)樣本的邏輯輸出值小于0.5，本發(fā)明實(shí)施例四對判定規(guī)則不進(jìn)行限制，本領(lǐng)域技術(shù)人員可根據(jù)實(shí)際情況自行設(shè)置。根據(jù)在該判定閾值下的每個其他數(shù)據(jù)樣本的判定結(jié)果以及與每個其他數(shù)據(jù)樣本對應(yīng)的診斷結(jié)果，建立與當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，根據(jù)與當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，計(jì)算獲得與當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性。因此，在上述過程中，針對選出的當(dāng)前數(shù)據(jù)樣本來說，該邏輯輸出值則與根據(jù)對應(yīng)的混淆矩陣計(jì)算出的敏感度和特異性對應(yīng)。

重復(fù)執(zhí)行上述選取數(shù)據(jù)樣本并計(jì)算與該數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性的過程，直至獲得與癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性。根據(jù)該每個數(shù)據(jù)樣本的邏輯輸出值，以及每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性，描出每個數(shù)據(jù)樣本所對應(yīng)的坐標(biāo)點(diǎn)，并畫出感受性曲線，其中感受性曲線的橫坐標(biāo)可為1-特異性值，而縱坐標(biāo)可為敏感度值。

步驟411、將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值。

上述步驟411的具體實(shí)現(xiàn)方式可參見實(shí)施例二中的步驟205或?qū)嵤├械牟襟E307，本實(shí)施例四在此不做贅述。

步驟412、將所述癌癥待分析數(shù)據(jù)的邏輯輸出值與所述感受性曲線中的所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，得到所述癌癥待分析數(shù)據(jù)的敏感度和特異性。

具體來說，將癌癥待分析數(shù)據(jù)的邏輯輸出值與感受性曲線中的每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，獲得癌癥待分析數(shù)據(jù)的敏感度和特異性。例如，將待分析數(shù)據(jù)的邏輯輸出值與每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，獲得邏輯輸出值與待分析數(shù)據(jù)的邏輯輸出值差值最小的數(shù)據(jù)樣本，并將與該數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性作為癌癥待分析數(shù)據(jù)的邏輯輸出值對應(yīng)的敏感度和特異性；或者，將待分析數(shù)據(jù)的邏輯輸出值與每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，獲得邏輯輸出值與待分析數(shù)據(jù)的邏輯輸出值最接近的兩個數(shù)據(jù)樣本，也就是說待分析數(shù)據(jù)的邏輯輸出值位于該兩個數(shù)據(jù)樣本的邏輯輸出值之間，將與該兩個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性進(jìn)行均值計(jì)算，將獲得的敏感度均值以及特異性均值作為待分析數(shù)據(jù)的邏輯輸出值所對應(yīng)的敏感度和特異性。需要說明的是，本領(lǐng)域技術(shù)人員可根據(jù)實(shí)際需要自行設(shè)定該獲得過程，本發(fā)明對此不進(jìn)行限制。

步驟413、根據(jù)所述癌癥待分析數(shù)據(jù)的敏感度和特異性，計(jì)算并輸出所述癌癥待分析數(shù)據(jù)的患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率。

例如：

其中，P(Y＝1)表示患有癌癥的概率，其具體可根據(jù)數(shù)據(jù)庫中的癌癥測試數(shù)據(jù)集中的診斷結(jié)果為患有癌癥的數(shù)據(jù)樣本數(shù)量與癌癥測試數(shù)據(jù)集中的總數(shù)據(jù)樣本數(shù)量之比獲得。

此外，分?jǐn)?shù)＝100*邏輯輸出值、虛警率＝1-特異性、漏報(bào)率＝1-敏感度，其具體計(jì)算方法也可參見現(xiàn)有技術(shù)中的相關(guān)內(nèi)容，本申請對此不進(jìn)行限制。

本發(fā)明實(shí)施例四提供的一種癌癥的數(shù)據(jù)分析方法，通過采用循環(huán)比對的方法，對癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本進(jìn)行比對，以獲得每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性，并根據(jù)該每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特定性畫出感受性曲線，從而使得獲得的感受性曲線更加準(zhǔn)確，符合真實(shí)癌癥患病情況。進(jìn)而使得根據(jù)該感受性曲線獲得的癌癥待分析數(shù)據(jù)的敏感度和特異性以及其分析結(jié)果更加準(zhǔn)確和客觀。

圖5為本發(fā)明實(shí)施例五提供的一種癌癥的數(shù)據(jù)分析裝置的結(jié)構(gòu)示意圖，如圖5所示，該裝置包括：訓(xùn)練模塊10、測試模塊20、第一計(jì)算模塊30和第二計(jì)算模塊40。

訓(xùn)練模塊10，用于采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型；

測試模塊20，用于采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線；

第一計(jì)算模塊30，用于將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；

第二計(jì)算模塊40，用于將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。

優(yōu)選地，該裝置還包括數(shù)據(jù)集建立模塊，該所述數(shù)據(jù)集建立模塊在訓(xùn)練模塊采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型之前，還用于：選取數(shù)據(jù)庫中的若干數(shù)據(jù)樣本作為癌癥訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集；選取所述數(shù)據(jù)庫中的剩余數(shù)據(jù)樣本作為癌癥測試數(shù)據(jù)集中的數(shù)據(jù)樣本，形成所述預(yù)設(shè)的癌癥測試數(shù)據(jù)集。

進(jìn)一步地，每個數(shù)據(jù)樣本中包括非結(jié)構(gòu)數(shù)據(jù)、結(jié)構(gòu)數(shù)據(jù)和診斷結(jié)果；所述預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)包括第一神經(jīng)網(wǎng)絡(luò)架構(gòu)和第二神經(jīng)網(wǎng)絡(luò)架構(gòu)；所述訓(xùn)練模塊10，還用于：采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得第一特征參數(shù)，所述第一特征參數(shù)用于標(biāo)識所述非結(jié)構(gòu)數(shù)據(jù)的特征信息；采用所述第一特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的模型；所述測試模塊20，還用于：采用所述癌癥測試數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)對所述訓(xùn)練后的模型進(jìn)行測試，獲得所述癌癥測試數(shù)據(jù)集的邏輯輸出值；根據(jù)所述癌癥測試數(shù)據(jù)集的邏輯輸出值和所述癌癥測試數(shù)據(jù)集中的診斷結(jié)果，畫出感受性曲線。

優(yōu)選地，所述非結(jié)構(gòu)數(shù)據(jù)包括：組學(xué)數(shù)據(jù)、影像數(shù)據(jù)和信號數(shù)據(jù)；所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)中包括深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；所述癌癥的數(shù)據(jù)分析裝置還包括：網(wǎng)絡(luò)構(gòu)建模塊；所述網(wǎng)絡(luò)構(gòu)建模塊用于：在所述訓(xùn)練模塊采用所述癌癥訓(xùn)練數(shù)據(jù)集中的非結(jié)構(gòu)數(shù)據(jù)對所述第一神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練之前，用于根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的組學(xué)數(shù)據(jù)的數(shù)據(jù)類型，建立所述深度信念網(wǎng)絡(luò)，所述深度信念網(wǎng)絡(luò)用于提取所述組學(xué)數(shù)據(jù)的特征信息；根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的影像數(shù)據(jù)的數(shù)據(jù)類型，建立所述卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取所述影像數(shù)據(jù)的特征信息；根據(jù)所述非結(jié)構(gòu)數(shù)據(jù)中的信號數(shù)據(jù)的數(shù)據(jù)類型，建立所述循環(huán)神經(jīng)網(wǎng)絡(luò)，所述循環(huán)神經(jīng)網(wǎng)絡(luò)用于提取所述信號數(shù)據(jù)的特征信息。

更優(yōu)地，上述涉及的組學(xué)數(shù)據(jù)具體可包括：基因組序列數(shù)據(jù)、蛋白質(zhì)組數(shù)據(jù)和微陣列基因表達(dá)數(shù)據(jù)其中的一種或一種以上；上述涉及的影像數(shù)據(jù)包括：X射線成像、電子計(jì)算機(jī)斷層掃描成像、正電子發(fā)射斷層掃描成像、核磁共振成像和超聲成像其中的一種或一種以上；上述涉及的信號數(shù)據(jù)包括：心電圖、腦電圖、腦皮層電圖和肌電圖其中的一種或一種以上。

更優(yōu)地，上述涉及的結(jié)構(gòu)數(shù)據(jù)包括：人口統(tǒng)計(jì)學(xué)數(shù)據(jù)、血常規(guī)數(shù)據(jù)、尿常規(guī)數(shù)據(jù)、癌癥標(biāo)記物數(shù)據(jù)、家族史、吸煙史、體重指數(shù)、收縮壓、舒張壓、骨密度檢測、疲勞檢測、血清總膽汁酸、血沉、三碘甲狀腺原氨酸電發(fā)光、甲狀腺素電發(fā)光、促甲狀腺素電發(fā)光、游離三碘甲狀腺原氨酸電發(fā)光、游離甲狀腺素電發(fā)光、銅、鐵、鋅、鈣、鎂、幽門螺桿菌抗體檢測、丙氨酸氨基轉(zhuǎn)移酶、γ-谷氨酰轉(zhuǎn)移酶、天門冬氨酸氨基轉(zhuǎn)移酶、乳酸脫氫酶、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、空腹血糖、肌酸激酶、肌酸激酶同工酶、α-羥丁酸脫氫酶、乙肝表面抗原、乙肝表面抗體、乙肝e抗原、乙肝e抗體和乙肝核心抗體中一種或一種以上數(shù)據(jù)；其中，人口統(tǒng)計(jì)學(xué)數(shù)據(jù)包括：性別、年齡和種族；血常規(guī)包括：白細(xì)胞計(jì)數(shù)、紅細(xì)胞計(jì)數(shù)、血紅蛋白、紅細(xì)胞壓積、平均紅細(xì)胞體積、平均紅細(xì)胞血紅蛋白濃度、紅細(xì)胞體積分布寬度變異稀疏、紅細(xì)胞體積分布寬度標(biāo)準(zhǔn)差、血小板、平均血小板體積、血小板容積分布寬度、中間細(xì)胞百分比、中間細(xì)胞絕對值、中性粒細(xì)胞絕對值、淋巴細(xì)胞絕對值、中性粒細(xì)胞百分比和淋巴細(xì)胞百分比中的一種或一種以上的數(shù)據(jù)；尿常規(guī)數(shù)據(jù)包括：尿素、肌酐、尿酸、總膽固醇、甘油三酯、空腹血糖、比重、氫離子濃度指數(shù)、白細(xì)胞、隱血、亞硝酸鹽、酮體、膽紅素、尿膽元、蛋白質(zhì)和葡萄糖中的一種或一種以上的數(shù)據(jù)；癌癥標(biāo)記物包括：癌胚抗原CEA、甲胎蛋白AFP、癌抗原CA724、癌抗原CA242、神經(jīng)元特異性烯醇化酶NSE、游離前列腺特異性抗原FPSA、前列腺特異性抗原TPSA、癌抗原CA153、癌抗原CA125、癌抗原CA199以及a巖藻糖苷酶中的一種或一種以上的數(shù)據(jù)。

進(jìn)一步地，所述第一特征參數(shù)包括組學(xué)數(shù)據(jù)特征參數(shù)、影像數(shù)據(jù)特征參數(shù)和信號數(shù)據(jù)特征參數(shù)；所述訓(xùn)練模塊10包括：第一訓(xùn)練單元和第二訓(xùn)練單元；其中，所述第一訓(xùn)練單元用于：利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述深度信念網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的組學(xué)數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述組學(xué)數(shù)據(jù)特征參數(shù)；利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述卷積神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的影像數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述影像數(shù)據(jù)特征參數(shù)；利用神經(jīng)網(wǎng)絡(luò)反向傳播算法，在所述循環(huán)神經(jīng)網(wǎng)絡(luò)中對所述癌癥訓(xùn)練數(shù)據(jù)集中的信號數(shù)據(jù)的特征信息進(jìn)行提取，獲得所述信號數(shù)據(jù)特征參數(shù)；所述第二訓(xùn)練單元用于：利用神經(jīng)網(wǎng)絡(luò)反向傳播算法和梯度下降算法，根據(jù)所述組學(xué)數(shù)據(jù)特征參數(shù)、所述影像數(shù)據(jù)特征參數(shù)、所述信號數(shù)據(jù)特征參數(shù)和所述癌癥訓(xùn)練數(shù)據(jù)集中的結(jié)構(gòu)數(shù)據(jù)，對所述第二神經(jīng)網(wǎng)絡(luò)架構(gòu)中各節(jié)點(diǎn)參數(shù)進(jìn)行計(jì)算，獲得所述訓(xùn)練后的模型；其中，所述訓(xùn)練后的模型的輸出層為邏輯輸出值，所述邏輯輸出值與所述預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集中的診斷結(jié)果誤差最小。

進(jìn)一步地，所述測試模塊20還用于：選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本；將所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值作為判定閾值；將所述判定閾值與所述癌癥測試數(shù)據(jù)集中的每個其他數(shù)據(jù)樣本的邏輯輸出值依次進(jìn)行比對，以獲得所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果；根據(jù)所述癌癥測試數(shù)據(jù)集中的所述每個其他數(shù)據(jù)樣本的判定結(jié)果以及與所述每個其他數(shù)據(jù)樣本對應(yīng)的診斷結(jié)果，建立與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣；根據(jù)所述與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的混淆矩陣，計(jì)算獲得與所述當(dāng)前數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；返回執(zhí)行所述選取所述癌癥測試數(shù)據(jù)集中的一個數(shù)據(jù)樣本作為當(dāng)前數(shù)據(jù)樣本的步驟，直至計(jì)算獲得與所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性；根據(jù)所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值，以及每個數(shù)據(jù)樣本的邏輯輸出值對應(yīng)的敏感度和特異性，畫出感受性曲線。

進(jìn)一步地，所述第二計(jì)算模塊40，還用于：將所述癌癥待分析數(shù)據(jù)的邏輯輸出值與所述感受性曲線中的所述癌癥測試數(shù)據(jù)集中的每個數(shù)據(jù)樣本的邏輯輸出值進(jìn)行比對，得到所述癌癥待分析數(shù)據(jù)的敏感度和特異性；根據(jù)所述癌癥待分析數(shù)據(jù)的敏感度和特異性，計(jì)算并輸出所述癌癥待分析數(shù)據(jù)的患癌風(fēng)險(xiǎn)率、分?jǐn)?shù)、虛警率和漏報(bào)率。

進(jìn)一步地，癌癥待分析數(shù)據(jù)包括非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)；所述第一計(jì)算模塊30還用于：將所述癌癥待分析數(shù)據(jù)中的非結(jié)構(gòu)數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)輸入所述訓(xùn)練后的模型，獲得所述癌癥待分析數(shù)據(jù)的邏輯輸出值。

本發(fā)明實(shí)施例五提供了一種癌癥的數(shù)據(jù)分析裝置，其通過采用預(yù)設(shè)的癌癥訓(xùn)練數(shù)據(jù)集對預(yù)設(shè)的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型；采用預(yù)設(shè)的癌癥測試數(shù)據(jù)集對所述訓(xùn)練后的模型進(jìn)行測試，獲得感受性曲線；將癌癥待分析數(shù)據(jù)導(dǎo)入所述訓(xùn)練后的模型，輸出癌癥待分析數(shù)據(jù)的邏輯輸出值；將所述癌癥待分析數(shù)據(jù)的邏輯輸出值在所述感受性曲線中進(jìn)行比對，計(jì)算并輸出分析結(jié)果。本發(fā)明實(shí)施例五提供的癌癥的數(shù)據(jù)分析裝置通過利用現(xiàn)有的數(shù)據(jù)庫中的數(shù)據(jù)對預(yù)設(shè)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練和測試，從而獲得具有代表性意義的感受性曲線，再將癌癥待分析數(shù)據(jù)的邏輯輸出值與該感受性曲線進(jìn)行比對，計(jì)算并生成相應(yīng)的分析結(jié)果，從而為癌癥分析提供更加客觀的數(shù)據(jù)分析結(jié)果。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)的具體工作過程以及相應(yīng)的有益效果，可以參考前述方法實(shí)施例中的對應(yīng)過程，在此不再贅述。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成。前述的程序可以存儲于一計(jì)算機(jī)可讀取存儲介質(zhì)中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實(shí)施例的步驟；而前述的存儲介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。