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！

龙图腾网获悉中国科学院深圳先进技术研究院申请的专利癌症生存期预测方法、系统、终端及存储介质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：CN115579133B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202111512923.1，技术领域涉及：G16H50/30；该发明授权癌症生存期预测方法、系统、终端及存储介质是由林越;吴红艳;蔡云鹏;张睿;叶翔鹏设计研发完成，并于2021-12-11向国家知识产权局提交的专利申请。

本癌症生存期预测方法、系统、终端及存储介质在说明书摘要公布了：本申请提供的癌症生存期预测方法、系统、终端及存储介质，根据处理后的所述癌症多组学数据构建图自编码器训练框架，根据所述自编码器训练框架构建自训练机制的K‑means聚类，根据所述自训练机制的K‑means聚类训练得到的聚类结果即为预测得到癌症患者的生存期标签，本申请提供的癌症生存期预测方法、系统、终端及存储介质，在编码器中采用了自适应机制的图卷积网络，自适应地学习利用组学数据中的不同频率的信息，使模型能够更好表征节点之间的相似性与差异性，有效解决了传统图卷积网络只能利用图数据中节点的相似性，而忽略差异性的缺陷，有效提升了模型对复杂数据的表征能力与鲁棒性。

本发明授权癌症生存期预测方法、系统、终端及存储介质在权利要求书中公布了：1.一种癌症生存期预测方法，其特征在于，包括下述步骤： 获取癌症多组学数据，所述癌症多组学数据包括mRNA、RNA、甲基化、蛋白质四种不同的组学数据； 对所述癌症多组学数据进行处理； 根据处理后的所述癌症多组学数据构建图自编码器训练框架； 根据所述图自编码器训练框架构建自训练机制的K-means聚类； 根据所述自训练机制的K-means聚类训练得到的聚类结果即为预测得到癌症患者的生存期标签； 在根据处理后的所述癌症多组学数据构建图自编码器训练框架的步骤中，具体包括下述步骤： 构建编码器，所述编码器采用两层自适应图卷积网络，输入特征矩阵与邻接矩阵，每一层自适应图卷积计算单元定义为,其中为单位对角矩阵，为对称归一化的图拉普拉斯算子，其计算方式为，其中是的度数矩阵，其中是一组可训练的权重，初始化值需符合正态分布，jk是自适应算子，用于调控图卷积学习不同频率的信息，jk的值限定范围为0.2到0.7之间，所述编码器通过第一层图卷积网络计算得到嵌入表征Z1′=G1X，加上高斯噪声扰动后的嵌入表征Z1=Z1′+noise，其中符合高斯分布，其标准差置为0.1，所述编码器通过第二层自适应图卷积网络得到最终的表征，对所有组学数据进行表征，得到，代表每一个组学的下标； 构建融合层，对所述编码器得到的所有组学的嵌入表征进行加权求和 ，其中是一组可训练的权重，初始值为，为组学数，是激活函数,代表每一个组学的下标； 构建双解码器，所述双解码器分别为特征解码器与图解码器，所述特征解码器采用两层反向图卷积网络，其计算单元定义为：，其中特征解码器是重构得到特征矩阵，是所述邻接矩阵，W0v和W1v都是一组可训练权重，其初始值符合正态分布，是激活函数，是组学数， 所述图解码器采用内积解码器，其计算单元定义为 其中为图解码器重构得到的邻接矩阵，为激活函数，ZvT为Zv的转置，为一组可训练的权重，其初始值符合正态分布，是组学数； 构建图自编码器的损失函数，所述图自编码器模型的损失函数分为邻接矩阵重构损失与特征矩阵重构损失，其中所述邻接矩阵重构损失定义为，其中代表组学数，为重构的邻接矩阵，是所述邻接矩阵，采用交叉熵损失函数，所述特征矩阵重构损失采用均方误差，其计算方式定义为 ，其中为重构的特征矩阵，为原始特征矩阵； 在根据所述自编码器训练框架构建自训练机制的K-means聚类的步骤中，具体包括下述步骤： 对上述融合层得到的融合表征进行K-means聚类，得到聚类结果，并保存聚类结果的所有聚类簇中心； 计算融合表征中每个样本与聚类簇中心的软标签，即一个概率分布，每个样本软标签计算方式为： 其中：代表样本属于聚类簇的概率，即软标签，代表每个样本的嵌入表征，与都代表每个聚类簇中心，代表第个样本，代表第个聚类簇，代表所有聚类簇中心的下标； 从软标签中选取高度置信的样本作为辅助聚类目标，其计算方式为 其中，代表高置信度样本的概率分布，代表第个样本，代表第个聚类簇，代表所有聚类簇中心的下标，代表所有样本归属于聚类簇中心的概率之和，代表所有样本归属于聚类簇中心k的概率之和； 定义损失函数，以与的损失作为自训练机制的损失函数，通过最小化与的损失来对融合表征进行优化，使其更加紧凑适合聚类，损失计算方式为： ,其中为对数函数，为损失函数； 在根据所述自训练机制的K-means聚类训练得到的聚类结果即为预测得到癌症患者的生存期标签的步骤中，具体包括： 所述自训练机制的K-means聚类训练的最终损失函数为上述Lc、Lr及Lk三个损失函数的合并，得到一个三重损失函数,通过一组1，2，3来调控三个损失函数之间的平衡关系，这组的值分别设为[1.0,0.1,1.0]，模型训练采用Adam优化器进行反向传播训练，最终训练得到的聚类结果即为最优结果，该聚类结果即为预测得到癌症患者的生存期标签。

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科学院深圳先进技术研究院，其通讯地址为：518055 广东省深圳市南山区深圳大学城学苑大道1068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。