申请/专利权人：桂林电子科技大学

申请日：2023-12-05

公开（公告）日：2024-02-23

公开（公告）号：CN117594225A

主分类号：G16H50/20

分类号：G16H50/20;G16B20/00;G16B40/20;G06T7/11;G06F18/25;G06N3/0499;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明公开了一种基于病理和基因的多模态融合生存预后方法及装置，方法包括：对病理组织学图像和基因数据进行预处理，获得病理切片和基因数据集；构建多模态融合模型，然后训练模型：利用病理预后模块提取病理切片的病理深度学习特征，然后进行生成预后；利用利用基因预后模块提取基因数据的基因组学特征，然后进行生成预后；利用多模态低秩交互融合模块将病理深度学习特征和基因组学特征多模态融合，生成多模态融合特征；利用多模态融合特征对患者进行生存预后分析，然后经过迭代计算损失后，获取预后预测结果。本发明，全面地将多模态数据进行整合，增强了特征融合模型的鲁棒性，提高了病患生存预后的准确性。

主权项：1.基于病理和基因的多模态融合生存预后方法，其特征在于，包括下述步骤：获取病理组织医学图像和基因数据，对病理组织图像进行预处理后划定感兴趣区域，将所述感兴趣区域切割为设定大小的病理图像patch；对基因数据进行预处理后筛选低表达基因；利用预先设立的卷积神经网络提取病理图像patch的病理深度学习特征并获取病理预后权重；利用预先设立的前馈神经网络提取基因组学特征并获取基因预后权重；将病理深度学习特征和基因组学特征输入至多模态低秩交互融合网络处理后得到多模态融合特征；在多模态低秩交互融合网络中，采用基于门控的模态注意力机制，自适应调整病理深度学习特征和基因组学特征中的模态比例；采用基于低秩矩阵分解的低秩交互融合机制，将单模态的病理深度学习特征和基因组学特征的输出矢量权重进行并行分解，然后交互融合为紧凑的多模态特征；采用最优权重分配拼接策略，生成多模态融合特征；基于多模态融合特征对患者进行生存预后分析，获取预后预测结果。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 基于病理和基因的多模态融合生存预后方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD