买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国医学科学院肿瘤医院申请的专利基于聚类方法的特定疾病的复发概率的预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118919054B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410933240.0，技术领域涉及：G16H50/20；该发明授权基于聚类方法的特定疾病的复发概率的预测方法是由易俊林;刘洋;王静波;吴润叶;刘鑫玮设计研发完成，并于2024-07-12向国家知识产权局提交的专利申请。

本基于聚类方法的特定疾病的复发概率的预测方法在说明书摘要公布了：本发明公开了基于聚类方法的特定疾病的复发概率的预测方法，包括采集不同时期的患者疾病数据，对所述患者疾病数据进行预处理，根据EBVDNA水平和肿瘤反应对所述患者疾病数据进行划分，获得亚组数据，根据相对危险对所述亚组数据进行特征识别获得时序疾病特征，对所述时序疾病特征进行排列组合获得疾病表现数据，采用监督聚类对所述疾病表现数据进行风险分层得到风险群组，通过协和指数评估所述风险群组的预后性能，将所述预后性能和TNM分期进行比对获得复发数据，根据所述复发数据构建复发概率预测模型，将待预测数据输入所述复发概率预测模型，输出预测结果。该方法不仅可以提高特定疾病的复发概率的预测的精度，同时具有较好的可解释性。

本发明授权基于聚类方法的特定疾病的复发概率的预测方法在权利要求书中公布了：1.基于聚类方法的特定疾病的复发概率的预测方法，其特征在于，包括以下步骤： 采集不同时期的患者疾病数据，对所述患者疾病数据进行预处理； 根据EBV DNA水平和肿瘤反应对所述患者疾病数据进行划分，获得亚组数据，根据相对危险对所述亚组数据进行特征识别获得时序疾病特征；包括： 采用边缘检测算法提取亚组数据的图像特征，使用滑动窗口技术按照时间顺序对图像进行分段获得段时序数据； 计算段时序数据的中心点： 其中窗口大小为，第a+w个段时序数据为，第w个段时序数据的中心点为； 构造维度向量，对段时序数据的中心点进行形式化表示，表达式为： 其中第i个窗口的第w个值表示为，第w个段时序数据为，第w+1个段时序数据为，第个段时序数据为； 计算向量间的相似度： 其中第i个窗口的第w+s个段时序数据为，第个窗口的第w+s个段时序数据为，第i个窗口的第w个段时序数据的中心点为，第个窗口的第w个段时序数据的中心点为，第i个窗口段时序数据和第z个窗口段时序数据的相异距离为，段时序数据和段时序数据的偏差量为，相似容量参数为； 计算向量间的变化信息度： 其中段时序数据和段时序数据的变化信息度为，窗口的数量为p，段时序数据和段时序数据的变化量为； 计算相对危险： 其中第i个窗口和第z个窗口的相对危险为，尺度因子为，遗传系数为，初始误差值为； 将相对危险绝对值大于0.11的窗口作为疾病窗口，将疾病窗口内相异距离大于0.27的段时序数据输出为疾病特征； 对所述时序疾病特征进行排列组合获得疾病表现数据，采用监督聚类对所述疾病表现数据进行风险分层得到风险群组；包括： 将疾病表现数据输入基于图自编码器的聚类模型，聚类模型包括编码器网络、图编码网络和自适应融合网络； 采用K均值聚类对疾病表现数据进行初次聚类，获得初始聚类中心； 给出编码器网络的传输函数、图编码网络的传输函数，表达式为： 其中编码器网络第层的偏置向量为，编码器网络第‑1层的传输函数为，编码器网络第层的权重矩阵为，激活函数为，归一化的邻接矩阵为，图编码网络第‑1层的权重为，图编码网络第层的传输函数为，图编码网络第‑1层的输出为，编码器网络第层的传输函数为； 计算首层网络的传播函数： 其中学习率为，自适应融合网络第层的权重矩阵为，自适应融合网络第层的偏置向量为，自适应融合网络第层的传播函数为； 令1，重新计算编码器网络的传输函数、图编码网络的传输函数，计算自适应融合网络的传输函数： 其中图编码网络第‑1层的传输函数为，计算编码器网络的损失函数： 其中疾病表现数据的数量为P，输出的范数函数为，疾病表现数据为Q，重构的疾病表现数据为，计算图编码网络的损失函数： 计算编码器的散度： 其中编码器网络疾病表现数据和初始聚类中心的概率分布为，第h个初始聚类中心为，编码器网络疾病表现数据和初始聚类中心的高置信度分布为，第g个疾病表现数据为，自由度为，调整因子为，编码器网络的散度为； 计算图编码网络的散度： 其中遗传系数为，偏差因子为，图编码网络疾病表现数据和初始聚类中心的概率分布为，图编码网络的散度为； 计算聚类模型的损失函数： 其中图权重为，散度权重为，聚类中心为，聚类数据为，疾病表现数据和初始聚类中心的概率分布为； 通过反向传播更新权重矩阵、偏置向量、学习率，直到达到最大迭代次数，否则更新传输函数； 通过协同训练获得聚类结果，将聚类结果输出为风险群组； 通过协和指数评估所述风险群组的预后性能，将所述预后性能和TNM分期进行比对获得复发数据；包括： 采用机器学习算法预测风险群组的生存概率和时间，计算风险群组的协和指数： 其中协和指数为，指示函数为，患者的生存时间为，患者的生存时间为，比较对的数量为，患者的生存概率为，患者的生存概率为； 将未进行医学治疗的患者作为对照组，将风险群组与对照组进行对比，将风险群组的改善性能输出为预后性能； 根据患者疾病数据获取TNM分期，将预后性能和TNM分期输入提名图模型； 采用乘积极限法绘制TNM分期和提名图模型的生存曲线，根据生存曲线对预后性能进行筛选获得复发性能； 对不同时刻患者的复发性能进行对比，获得性能差异，计算性能差异的相关度，将相关度小于0.402的性能差异剔除，获得关键性能差异； 将关键性能差异输出为复发数据； 根据所述复发数据构建复发概率预测模型，将待预测数据输入所述复发概率预测模型，输出预测结果；包括： 复发概率预测模型包括随机森林算法、时间序列分析算法、长短期记忆网络算法； 随机森林算法按照5:2将复发数据随机划分成训练组和验证组； 时间序列分析算法通过训练组在时间变化上的趋势获取时序变化规律； 长短期记忆网络算法通过时序变化规律，预测复发概率；对验证组进行预测获取预测复发概率，根据预测复发概率和实际复发概率的误差，根据误差调整长短期记忆网络算法的参数； 根据EBV DNA水平和肿瘤反应对所述患者疾病数据进行划分的方法，包括： 通过医学影像和临床检查获取患者的肿瘤反应，通过提取患者血液DNA获取EBV DNA水平； 计算疾病因子： 其中第t个时刻的疾病因子为，DNA权重为，肿瘤权重为，第t个时刻的肿瘤反应为，第t个时刻的EBV DNA水平为，标准肿瘤反应为，标准EBV DNA水平为，第t‑1个时刻的EBV DNA水平为，第t‑1个时刻的肿瘤反应为； 当疾病因子大于零小于0.27时，将患者疾病数据划分到第一亚组数据；当疾病因子大于0.27小于0.48时，将患者疾病数据划分到第二亚组数据；当疾病因子大于0.48小于0.77时，将患者疾病数据划分到第三亚组数据；当疾病因子大于0.77小于1时，将患者疾病数据划分到第四亚组数据； 对所述疾病特征进行排列组合获得疾病表现数据的方法，包括： 计算疾病特征的关联度： 其中疾病特征j和疾病特征f的相关系数为，疾病特征j和疾病特征f的同时出现的概率为，疾病特征j出现的概率为，特征疾病f出现的概率为，第一权重为，第二权重为； 根据关联度将疾病特征划分为关联特征集，对关联特征集进行随机组合输出为疾病表现数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国医学科学院肿瘤医院，其通讯地址为：100021 北京市朝阳区潘家园南里17号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。