CN113470827A - 分类方法及装置、电子设备和存储介质 - Google Patents
分类方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113470827A CN113470827A CN202110737176.5A CN202110737176A CN113470827A CN 113470827 A CN113470827 A CN 113470827A CN 202110737176 A CN202110737176 A CN 202110737176A CN 113470827 A CN113470827 A CN 113470827A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- basic information
- objects
- feature
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 198
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 116
- 238000000605 extraction Methods 0.000 claims description 222
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 206010064571 Gene mutation Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004791 biological behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种分类方法及装置、电子设备和存储介质,所述方法包括:获取多个第一对象的基础信息;根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重;根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量;对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。本公开实施例可高效地提供肿瘤亚型的划分结果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种分类方法及装置、电子设备和存储介质。
背景技术
恶性肿瘤(癌症)是严重威胁人们健康的公共卫生问题,肿瘤的病理学分型可以是肿瘤来源组织细胞的生物学行为和形态学特征的重要参数。肿瘤的病理学分型,可以为肿瘤的个体化治疗提供更为精确的分子生物学信息,有助于个体化方案的制定和疗效监测。
目前,主要依靠医生经验来根据肿瘤的部位或者组织来源对肿瘤分类,这种分类方法简单,但许多肿瘤存在不同程度的多方向分化或不同组织类型并存的现象,很容易出现误判情况。
发明内容
本公开提出了一种分类技术方案。
根据本公开的一方面,提供了一种分类方法,包括:获取多个第一对象的基础信息;根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重;根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量;对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。
在一些可能的实现方式中,所述获取多个第一对象的基础信息包括:对所述多个第一对象的原始数据进行编码,得到编码后的原始数据;对所述编码后的原始数据进行线性变换,得到所述多个第一对象的基础信息。
在一些可能的实现方式中,所述根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量,包括:根据所述注意力权重,利用目标网络依次对所述多个第一对象的基础信息进行多级特征提取,得到每个特征提取层输出的第二特征向量;对多个特征提取层输出的第二特征向量进行融合,得到所述多个第一特征向量。
在一些可能的实现方式中,所述目标网络包括多个特征提取层,所述根据所述注意力权重,利用目标网络包括的多个特征提取层依次对所述多个第一对象的基础信息进行多级特征提取,得到所述多个第一特征向量,包括:针对每个特征提取层,根据与该特征提取层对应的注意力权重,对该特征提取层的输入信息进行过滤,得到筛选的第一基础信息和滤除的第二基础信息;对所述第一基础信息进行特征提取,得到该特征提取层输出的第二特征向量;其中,第一个特征提取层的输入信息为所述多个第一对象的基础信息,第n个特征提取层的输入信息为上一个特征提取层滤除的第二基础信息,其中,n为大于1的正整数。
在一些可能的实现方式中,所述根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重,包括:根据第(n-1)个特征提取层筛选的第一基础信息,确定每个所述第一对象在第n个特征提取层对应的注意力权重。
在一些可能的实现方式中,所述对多个特征提取层输出的第二特征向量进行融合,得到所述多个第一特征向量,包括:将各个特征提取层输出的对应于每个第一对象的第二特征向量进行相加,得到每个第一对象对应的第一特征向量。
在一些可能的实现方式中,所述方法还包括:根据每个特征提取层输出的第二特征向量,确定每个特征提取层筛选的第一基础信息的重要性权重;根据所述重要性权重,对多个特征提取层筛选的第一基础信息进行加权,得到重构的基础信息。
在一些可能的实现方式中,所述方法还包括:获取多个样本对象的目标肿瘤指标,其中,所述多个第一对象包括所述多个样本对象;将所述多个样本对象的基础信息输入所述目标网络,利用所述目标网络包括的多个特征提取层对所述多个样本对象的基础信息进行多级特征提取,得到多个第一样本向量;将所述多个第一样本向量输入所述目标网络的预测子网络,得到所述预测子网络输出的每个所述样本对象对应的预测肿瘤指标;基于所述样本对象的目标肿瘤指标和所述预测肿瘤指标,对所述目标网络的网络参数进行调整,得到已训练的目标网络,其中,所述目标肿瘤指标和所述预测肿瘤指标包括肿瘤类别、所述第一对象的生存周期和所述第一对象的复发周期中的至少一项。
在一些可能的实现方式中,所述对所述多个第一特征向量进行分类,得到至少一个类别,包括:对所述多个第一特征向量进行聚类,得到至少一个类别。
在一些可能的实现方式中,所述对所述多个第一特征向量进行聚类,得到至少一个类别,包括:获取所述多个第一对象的关联信息;根据所述关联信息对所述多个第一特征向量进行聚类,得到至少一个类别。
在一些可能的实现方式中,所述方法还包括:获取目标对象的基础信息;对所述目标对象的基础信息进行特征提取,得到目标特征向量;确定所述目标特征向量与每个所述类别的距离;根据所述目标特征向量与每个所述类别的距离,确定所述目标对象所对应的肿瘤亚型。
根据本公开的一方面,提供了一种分类装置,包括:
获取模块,用于获取多个第一对象的基础信息;
确定模块,用于根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重;
特征提取模块,用于根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量;
分类模块,用于对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。
在一些可能的实现方式中,所述获取模块,用于对所述多个第一对象的原始数据进行编码,得到编码后的原始数据;对所述编码后的原始数据进行线性变换,得到所述多个第一对象的基础信息。
在一些可能的实现方式中,所述特征提取模块,用于根据所述注意力权重,利用目标网络依次对所述多个第一对象的基础信息进行多级特征提取,得到每个特征提取层输出的第二特征向量;对多个特征提取层输出的第二特征向量进行融合,得到所述多个第一特征向量。
在一些可能的实现方式中,所述目标网络包括多个特征提取层;所述特征提取模块,用于针对每个特征提取层,根据与该特征提取层对应的注意力权重,对该特征提取层的输入信息进行过滤,得到筛选的第一基础信息和滤除的第二基础信息;对所述第一基础信息进行特征提取,得到该特征提取层输出的第二特征向量;其中,第一个特征提取层的输入信息为所述多个第一对象的基础信息,第n个特征提取层的输入信息为上一个特征提取层滤除的第二基础信息,其中,n为大于1的正整数。
在一些可能的实现方式中,所述确定模块,用于根据第(n-1)个特征提取层筛选的第一基础信息,确定每个所述第一对象在第n个特征提取层对应的注意力权重。
在一些可能的实现方式中,所述特征提取模块,用于将各个特征提取层输出的对应于每个第一对象的第二特征向量进行相加,得到每个第一对象对应的第一特征向量。
在一些可能的实现方式中,所述特征提取模块,还用于根据每个特征提取层输出的第二特征向量,确定每个特征提取层筛选的第一基础信息的重要性权重;根据所述重要性权重,对多个特征提取层筛选的第一基础信息进行加权,得到重构的基础信息。
在一些可能的实现方式中,所述装置还包括:训练模块,用于获取多个样本对象的目标肿瘤指标,其中,所述多个第一对象包括所述多个样本对象;将所述多个样本对象的基础信息输入所述目标网络,利用所述目标网络包括的多个特征提取层对所述多个样本对象的基础信息进行多级特征提取,得到多个第一样本向量;将所述多个第一样本向量输入所述目标网络的预测子网络,得到所述预测子网络输出的每个所述样本对象对应的预测肿瘤指标;基于所述样本对象的目标肿瘤指标和所述预测肿瘤指标,对所述目标网络的网络参数进行调整,得到已训练的目标网络,其中,所述目标肿瘤指标和所述预测肿瘤指标包括肿瘤类别、所述第一对象的生存周期和所述第一对象的复发周期中的至少一项。
在一些可能的实现方式中,所述分类模块,用于对所述多个第一特征向量进行聚类,得到至少一个类别。
在一些可能的实现方式中,所述分类模块,用于获取所述多个第一对象的关联信息;根据所述关联信息对所述多个第一特征向量进行聚类,得到至少一个类别。
在一些可能的实现方式中,所述分类模块,还用于获取目标对象的基础信息;对所述目标对象的基础信息进行特征提取,得到目标特征向量;确定所述目标特征向量与每个所述类别的距离;根据所述目标特征向量与每个所述类别的距离,确定所述目标对象所对应的肿瘤亚型。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,可以针对患肿瘤的第一对象,获取多个第一对象的基础信息,基础信息包括基因信息、临床信息和病理图像中的至少一项,从而可以全方位、多样化的获取第一对象所患肿瘤的相关信息。进一步可以根据多个第一对象的基础信息,确定每个第一对象对应的注意力权重,根据注意力权重,可以更好地对多个第一对象的基础信息进行特征提取,得到更加准确的多个第一特征向量,进一步对多个第一特征向量进行分类,得到肿瘤亚型的至少一个类别。通过本公开实施例提供的分类方法,可以通过已有的肿瘤数据自动确定患者所属的肿瘤亚型,相较于传统的人工分类方法而言,本公开实施例提供的分类方案可以减少对医学经验的依赖,可更加高效、稳定地提供肿瘤亚型的划分结果。此外,还可以为发现目前已有肿瘤亚型之外的肿瘤亚型提供可能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的分类方法的流程图。
图2示出根据本公开实施例的目标网络的框图。
图3示出根据本公开实施例的分类方法一示例的流程图。
图4示出根据本公开实施例的分类装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供的分类方案,可以针对患有肿瘤的第一对象,获取多个第一对象的基础信息,基础信息包括基因信息和临床信息。进一步可以分别对多个第一对象的基础信息进行特征提取,得到多个第一特征向量,再基于多个第一特征向量,生成用于表示多个第一对象之间关联关系的第一关系图,根据第一关系图对多个第一对象进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。相较于传统的根据肿瘤的部位或组织的来源进行分类方式,分类的粒度更小,可降低对医护人员经验的依赖,提高肿瘤分类的效率和精度,此外,还可以发现现有医学知识之外的癌症亚型。
在相关技术方案中,通常利用根据恶性肿瘤的部位,或者癌症的组织来源分类。这样的分类方法简单,但许多恶性肿瘤(如结直肠癌和胃癌等)均存在不同程度的多方向分化或不同组织学类型并存的现象,肿瘤的异质性也决定了恶性肿瘤复杂的临床生物学行为和预后,不利于肿瘤的个体化治疗。按照恶性肿瘤的部位和临床病例信息进行分类。这种分类主要靠病理科医生经验和主观判断,水平不高的话很容易出现误判,而且即使分为同一个亚型,医生仍然无法准确预测病人对药理的响应。考虑患者的基因信息,因为不同基因突变的肺癌,对药物,尤其是新型靶向药物的响应是非常不同的。利用数学、统计学习等方法,评估单个基因突变对肿瘤的影响。这类方法实验成本较高,而且很难挖掘出不同基因突变组合对患者带来的影响。
本公开实施例提供的技术方案可以应用于医学领域以及相关扩展等等,本公开实施例对此不做限定。例如,在医学领域中,可以通过已有患者的基础信息,确定各个肿瘤亚型以及属于每个肿瘤亚型的患者,实现更小粒度的肿瘤分类,为医学和生物学提供关于肿瘤的有效参考。
本公开实施例提供的分类方法,可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该分类方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。为了便于描述,下文中将电子设备作为分类方法的执行主体。
图1示出根据本公开实施例的分类方法的流程图,如图1所示,所述分类方法包括:
步骤S11,获取多个第一对象的基础信息。
在本公开实施例中,第一对象可以是身患肿瘤的患者。第一对象的基础信息可以包括基因信息、临床信息和病理图像中的一项或多项。基因信息可以包括基因组信息、转录组信息、表观基因组信息中的一项或多项。临床信息可以包括年龄、性别、患病时间中的一项或多项。病理图像可以是肿瘤切片的医学影像,如电子计算机断层扫描(ComputedTomography,CT)影像、X射线影像。电子设备可以在内部存储中获取数据集中多个第一对象的基础信息,或者,电子设备可以获取其他设备传输的多个第一对象的基础信息。不同的第一对象对应的基础信息可以不同。
在一些实现方式中,基础信息可以是对原始数据进行预处理得到的,电子设备可以获取多个第一对象的原始数据,每个第一对象可以对应一份原始数据。由于原始数据可能由于的含义、计量单位、表示方式等多方面的不同,未经预处理的原始数据可能难以直接用于特征提取,从而可以对原始数据进行预处理得到基础信息,例如,对原始数据进行数据清洗、数据增强、数据平滑等预处理,得到基础信息。在一些示例中,可以对多个第一对象的原始数据进行编码,得到编码后的原始数据,例如,可以利用one-hot、helmet等编码方式对原始数据中的离散型数据进行编码。再针对编码后的原始数据进行线性变换,例如,对编码后的原始数据进行标准化或归一化等线性变换方式,得到多个第一对象的基础信息。这样,得到的基础信息可以更加便于进行特征提取,使基于第一对象的基础信息提取的第一特征向量更加准确。原始数据可以包括基因数据和临床数据。基因数据可以包括基因组数据、转录组数据、表观基因组数据中的一项或多项。临床数据可以包括年龄、性别、患病时间中的一项或多项。
步骤S12,根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重。
在本公开实施例中,可以根据多个第一对象的基础信息,确定每个第一对象对应的注意力权重。例如,可以对多个对象的基础信息进行特征提取,得到每个第一对象的基础特征,再对各个第一对象的基础特征进行归一化或者点乘,得到每个第一对象对应的注意力权重。再例如,可以将多个第一对象的基础信息输入目标网络,利用目标网络的卷积层、全连接层或者特征提取模块确定各个第一对象对应的注意力权重。注意力权重可以表示为信息分配的注意力的大小,可以用于有针对性地对基础信息进行特征提取。在一些实现方式中,注意力权重还可以为多组,例如,在目标网络包括多个相同网络结构的特征提取层的情况下,可以根据多个第一对象的基础信息,利用每个特征提取层确定一组注意力权重,每组注意力权重包括各个第一对象对应在该特征提取层的注意力权重,通过多个特征提取层可以确定多组注意力权重,每组注意力权重可以用于与该组注意力权重对应的特征提取层进行特征提取。
步骤S13,根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量。
在本公开实施例中,可以根据确定的注意力权重,对多个第一对象的基础信息进行特征提取,例如,可以对多个第一对象的基础信息进行特征提取,得到多个第一对象的基础特征,进一步可以根据多个第一对象对应的注意力权重以及多个第一对象的基础特征,得到多个第一特征向量,如可以将多个第一对象的基础特征与相应第一对象的注意力权重进行点乘,得到多个第一特征向量。每个第一对象可以对应一个第一特征向量。这里,可以利用一些特征提取算法对第一对象的基础信息进行特征提取,例如,利用局部二值模式算法、方向梯度直方图算法等。在一些实现方式中,还可以通过用于特征提取的神经网络或神经网络的网络层对第一对象的基础信息进行特征提取,例如,可以将第一对象的基础信息输入已训练的目标网络的特征提取层中,得到特征提取层输出的多个第一特征向量。
在一些实现方式中,可以根据确定的注意力权重,利用目标网络依次对多个第一对象的基础信息进行多级特征提取,得到多个第一特征向量。例如,目标网络可以包括多个特征提取层,可以将多个第一对象的基础信息和注意力权重输入多个特征提取层,得到多个特征提取层输出的多个第一特征向量。再例如,每个特征提取层可以对应一组注意力权重,可以将多个第一对象的基础信息输入目标网络的第一个特征提取层,根据第一级特征提取层对应的一组注意力权重,利用目标网络的第一个特征提取层对多个第一对象的基础信息进行特征提取,得到第一个特征提取层提取的第一注意力特征,进一步可以将第一注意力特征输入第二个特征提取层,根据第二级特征提取层对应的一组注意力权重,利用目标网络的第二个特征提取层对第一注意力特征进行特征提取,得到第二个特征提取层提取的第二注意力特征,依次类推,可以得到最后一个特征提取层得到的多个第一特征向量。
在步骤S14中,对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。
在本公开实施例中,在得到多个第一特征向量之后,可以对多个第一特征向量进行分类。例如,可以在多个第一特征向量中选择任意一个第一特征向量作为第一目标向量,然后计算除第一目标向量以外的第一特征向量分别与第一目标向量之间的距离,进一步将该距离与预设距离阈值进行比较,确定与第一目标向量之间的距离小于或等于预设距离阈值的第一特征向量,将与第一目标向量之间的距离小于或等于预设距离阈值的第一特征向量以及第一目标向量划分为同一个类别。在存在未归类的第一特征向量的情况下,重复执行上述步骤,即可以在未归类的第一特征向量中,任意选择一个第一特征向量作为第二目标向量,然后计算未归类的第一特征向量与第二目标向量之间的距离,确定与第二目标向量之间的距离小于或等于预设距离阈值的第一特征向量,将与第二目标向量之间的距离小于或等于预设距离阈值的第一特征向量以及第二目标向量划分为同一个类别,直到不存在未归类的第一特征向量为止,可以得到一个或多个类别。每个类别可以对应一个肿瘤亚型,即可以理解为,属于同一个类别的第一特征向量对应的第一对象,所患的肿瘤属于同一个肿瘤亚型。
通过本公开实施例提供的分类方案,可以通过多个第一对象的基础信息确定至少一个肿瘤亚型,相比于人为划分的方式,可以减少对医学经验的医疗,实现更加高效、稳定以及粒度更小的肿瘤分类。同时,在分类过程中,还考虑了注意力权重,从而可以得到更加准确的分类结果。
在一些实现方式中,在对多个第一特征向量进行分类的情况下,可以对多个第一特征向量进行聚类,例如,可以利用高斯混合聚类、层次聚类、k-means、谱聚类、DBSCAN等聚类算法对多个第一特征向量进行聚类,得到至少一个类别。每个类别可以对应一个聚类簇,即,每个聚类簇对应一个肿瘤亚型。通过聚类的方式可以准确、高效地确定至少一个肿瘤亚型,减少肿瘤分类对医学经验的依赖,使发现新的肿瘤亚型成为可能。
在一些实现方式中,可以获取多个第一对象的关联信息,根据多个第一对象的关联信息对多个第一特征向量进行聚类,得到至少一个类别。例如,可以根据多个第一对象的关联信息,生成多个第一特征向量的关系图,根据关系图对多个第一特征向量进行分类,得到至少一个类别。
这里,关联信息可以表示多个第一对象所患肿瘤之间的联系。在一些示例中,关联信息可以为第一对象的病灶部位,即肿瘤原发病灶的部位,如原发病灶在肝部、胃部等病灶部位。在一些示例中,关联信息可以为多个第一对象的第一特征向量之间的距离。根据多个第一对象之间的关联信息,可以生成多个第一特征向量的邻接表或邻接矩阵,生成的邻接表或邻接矩阵可以作为多个第一特征向量的关系图。进一步可以使用图聚类算法、矩阵分解算法或社团划分算法,根据该关系图对多个第一特征向量进行分类,得到至少一个类别。根据多个第一对象之间的关联信息对多个第一特征向量进行聚类,可以考虑多个第一对象所患肿瘤之间的联系,进一步提高得到的至少一个肿瘤亚型的精度。
在一些实现方式中,在得到至少一个类别之后,如果存在新增的患有肿瘤的目标对象,可以获取目标对象的基础信息,然后对目标对象的基础信息进行特征提取,得到目标特征向量。进一步可以确定目标特征向量与每个类别的距离,例如,可以计算目标特征向量与每个类别的类心的距离,或者,计算目标特征向量与每个类别中多个第一特征向量的中值的距离。根据目标特征向量与每个类别的距离,可以确定目标对象所对应的肿瘤亚型,例如,可以将目标特征向量与各个类别的距离由近到远进行排序,确定目标特征向量距离最近的类别,将距离最近的类别对应的肿瘤亚型确定为目标特征向量对应的肿瘤亚型。通过这种方式,可以针对新增的目标对象,通过目标对象的基础信息,确定目标对象所对应的肿瘤亚型,进一步可以根据该肿瘤亚型对应的第一对象的基础信息,为目标对象提供有效参考,更好地针对目标对象的肿瘤进行研究。
这里,在提取目标对象的目标特征向量的情况下,可以使用与提取第一特征向量相同的特征提取方式对目标特征向量进行提取。例如,可以将目标对象的基础信息输入上述目标网络中,利用目标网络的多个特征提取层对目标对象的基础信息进行特征提取,得到目标特征向量。
下面通过一些实现方式对利用目标网络提取第一特征向量的过程进行说明。
在一些实现方式中,可以根据每个第一对象对应的注意力权重,利用目标网络依次对多个第一对象的基础信息进行多级特征提取,得到每个特征提取层输出的第二特征向量。进一步对多个特征提取层输出的第二特征向量进行融合,得到多个第一特征向量。
这里,可以将多个第一对象的基础信息输入目标网络,利用目标网络确定每个第一对象对应的注意力权重,进一步可以将注意力权重和多个第一对象的基础信息输入目标网络的多个特征提取层,利用多个特征提取层依次对多个第一对象的基础信息进行多级特征提取,得到每个特征提取层得到的多个第二特征向量。进一步可以将多个特征提取层得到的第二特征向量进行融合,例如,可以对各个特征提取层得到的第二特征向量进行相加或拼接,得到多个第一特征向量。每个第一对象可以对应一个第一特征向量。每个特征提取层提取的第二特征向量可以是多个第一对象的基础信息对应的部分特征,将各个特征提取层提取的第二特征向量进行融合之后,可以得到多个第一对象的基础信息对应的完整特征(即多个第一特征向量)。通过这种方式,可以提高提取的多个第一特征向量的准确性,进一步提高分类结果的准确性。
在一些实现方式中,在对多个特征提取层输出的第二特征向量进行融合时,可以将将各个特征提取层输出的对应于每个第一对象的第二特征向量进行相加,得到每个第一对象对应的第一特征向量。这里,在每个特征提取层对应的注意力权重的作用下,每个特征提取层可以输出各个第一对象对应的第二特征向量,不同特征提取层输出的第二特征向量可以不同。针对每个第一对象,可以将各个特征提取层输出的该第一对象对应的第二特征向量进行相加,得到该第一对象对应的第一特征向量,例如,在目标网络包括3个特征提取层的情况下,通过3个特征提取层可以输出每个第一对象的3个第二特征向量,每个特征提取层对应1个第二特征向量,进一步将第一对象的这3个第二特征向量进行相加,可以得到第一对象的第一特征向量。通过将每个第一对象在各个特征提取层输出的第二特征向量进行相加,可以综合各个特征提取层提取的第二特征向量,使得到第一特征向量可以更好地表征第一对象。
在一些实现方式中,注意力权重可以为多组,每个特征提取层可以对应一组注意力权重,每组注意力权重可以包括各个第一对象对应的注意力权重。针对每个特征提取层,根据与该特征提取层对应的注意力权重,对该特征提取层的输入信息进行过滤,得到筛选的第一基础信息和滤除的第二基础信息,例如,将该特征提取层对应的一组注意力权重与该特征提取层的输入信息进行点乘,得到该特征提取层的第一基础信息,输入信息中除第一基础信息之外的信息可以作为第二基础信息。进一步对筛选的第一基础信息进行特征提取,得到该特征提取层输出的第二特征向量,例如,可以对第一基础信息进行全连接处理、卷积处理等,得到该特征提取层输出的第二特征向量。这里,第一个特征提取层的输入信息为可以是多个第一对象的基础信息。第n个特征提取层的输入信息是上一个特征提取层滤除的第二基础信息。这里,n为大于1的正整数,可以根据实际应用场景或需求进行设置。通过这种方式,可以利用与每个特征提取层对应的注意力权重,对基础信息进行筛选,进一步根据筛选的第一基础信息提取第二特征向量,这样可以针对基础信息的部分特征进行提取,从而使特征提取过程更加细致、准确。
在一些实现方式中,第一个特征提取层对应的注意力权重,可以根据基础信息进行确定,例如,可以对基础信息进行卷积处理、全连接处理等,确定第一个特征提取层对应的注意力权重。相应地,在n大于1的情况下,可以根据第(n-1)个特征提取层筛选的第一基础信息,确定每个第一对象在第n个特征提取层对应的注意力权重,例如,可以对每个第一对象在第(n-1)个特征提取层筛选的第一基础信息进行卷积处理、全连接处理等,确定每个第一对象在第n个特征提取层对应的注意力权重。通过上一个特征提取层筛选的第一基础信息确定当前特征提取层对应的注意力权重,多个特征提取层可以按先后顺序依次传递提取的有用信息,使在前的特征提取层可以作用于在后的特征提取层,使得到的第二特征向量更加准确。
在一些实现方式中,还可以根据每个特征提取层输出的第二特征向量,确定每个特征提取层筛选的第一基础信息的重要性权重,例如,可以对每个特征提取层得到的第二特征向量取范数或,得到该特征提取层筛选的第一基础信息的重要性权重。再根据每个特征提取层筛选的第一基础信息的重要性权重,对多个特征提取层筛选的第一基础信息进行加权,得到重构的基础信息。这里,每个特征提取层输出的第二特征向量对应的数值或绝对值越大,可以认为该特征提取层筛选的第一基础信息越重要,从而可以统计各个特征提取层筛选的第一基础信息的重要性权重,利用各个第一基础信息的重要性权重对各个第一基础信息进行加权,可以得到重构的基础信息。重构的基础信息可以体现对肿瘤影响的重要性,从而可以通过重构的基础信息为用户提供影响肿瘤的有效参考信息。
本公开实施例中,可以利用目标网络提取多个第一对象的多个第一特征向量,为确定多个第一对象所属的肿瘤亚型提供依据。下面通过一些实现方式对目标网络的训练过程进行说明。
在一些实现方式中,可以获取多个样本对象的目标肿瘤指标。多个第一对象可以包括多个样本对象,即,可以在多个第一对象中选择至少部分第一对象作为样本对象,例如,可以在多个第一对象中选择具有目标肿瘤指标的第一对象作为样本对象。将多个样本对象的基础信息输入目标网络,利用所述目标网络包括的多个特征提取层对多个样本对象的基础信息进行多级特征提取,得到多个第一样本向量,然后可以将多个第一样本向量输入目标网络的预测子网络,得到预测子网络输出的每个所述样本对象对应的预测肿瘤指标。这里,目标肿瘤指标和预测肿瘤指标均可以肿瘤类别、样本对象的生存周期和样本对象的复发周期中的至少一项。
进一步地,可以基于样本对象的目标肿瘤指标和预测肿瘤指标,对目标网络的网络参数进行调整,得到已训练的目标网络。例如,可以将每个样本对象的预测肿瘤指标与目标肿瘤指标进行比对,得到比对结果,进一步综合多个样本对象的预测肿瘤指标与目标肿瘤指标的比对结果,可以确定目标网络的网络损失。这里,目标网络的网络损失可以使用一些损失函数计算,例如,交叉熵损失函数、均方差损失函数等,确定目标网络的网络损失。进一步可以对确定的网络损失进行反向传播,实现对目标网络的权重参数进行调整。训练完成后可以得到已训练的目标网络。通过对目标网络进行有监督的训练,可以使目标网络具有准确的权重参数,可以提取准确的第一特征向量。
下面通过一个示例对目标网络的得到预测肿瘤指标的过程进行说明。图2示出根据本公开实施例的目标网络的框图。目标网络可以包括初始化子网络、特征提取子网络和预测子网络。特征提取子网络可以包括多个特征提取层。这里,可以将多个样本对象的基础信息输入目标网络的初始化子网络,通过初始化子网络可以确定第一个特征提取层的注意力权重。同时,将多个样本对象的基础信息输入第一个特征提取层,利用第一个特征提取层的过滤模块根据注意力权重,对基础信息进行过滤,得到第一个特征提取层筛选的第一基础信息和过滤的第二基础信息,进一步将第一个特征提取层筛选的第一基础信息输入第一个特征提取层的特征提取模块,得到特征提取模块输出的第二特征向量和第二个特征提取层的注意力权重。进一步地,将第一个特征提取层过滤的第二基础信息输入第二个特征提取层,利用第二个特征提取层的过滤模块根据该层的注意力权重,对输入的第二基础信息进行过滤,得到第二个特征提取层筛选的第一基础信息和过滤的第二基础信息,进一步将第二个特征提取层筛选的第一基础信息输入第三个特征提取层的特征提取模块,得到该层特征提取模块输出的第二特征向量和第三个特征提取层的注意力权重。以此类推,直到最后一个特征提取层输出第二特征向量。然后对各个特征提取层输出的第二特征向量进行相加,得到多个第一特征向量。进一步地,将多个第一特征向量输入预测子网络,得到每个样本对象对应的预测肿瘤指标。
相应地,可以对每个第二特征向量取范数,得到确定每个特征提取层筛选的第一基础信息的重要性权重,进一步根据重要性权重,对各个特征提取层筛选的第一基础信息进行加权,得到重构的基础信息。
需要说明的是,在利用目标网络对多个第一对象的基础信息进行特征提取的情况下,可以获取目标网络的特征提取子网络输出的多个第一特征向量,可以省略预测子网络得到预存肿瘤指标的步骤。
下面通过一示例对本公开实施例提供的分类方法进行说明。图3示出根据本公开实施例的分类方法一示例的流程图,上述第一对象可以是数据库中记录的已有患者,包括以下步骤:
步骤S301,在数据库中获取多个已有患者的原始数据。
步骤S302,对原始数据进行预处理,得到多个已有患者的基础信息。
步骤S303,将多个已有患者的基础信息输入目标网络,获取目标网络的特征提取子网络得到的每个已有患者的第一特征向量。
步骤S304,对多个已有患者的多个第一特征向量进行分类,得到至少一个类别,每个类别对应一个肿瘤亚型。
步骤S305,在存在新增患者的情况下,将新增患者的基础信息输入目标网络,获取目标网络的特征提取子网络得到的新增患者的目标特征向量。
步骤S306,计算目标特征向量与每个类别的距离,确定目标特征向量距离最近的类别。
步骤S307,将距离目标特征向量最近的类别对应的肿瘤亚型确定为新增患者所属的肿瘤亚型。
本公开实施例通过对肿瘤患者的第一特征向量进行分类,可以得到肿瘤亚型对应的至少一个类别。进一步存在新增患者的情况下,输入新增患者的基础信息即可确定新增患者细分的肿瘤亚型,相较于传统的肿瘤分类方法,可以大大降低对医护人员经验的依赖,实现更精准的肿瘤类型划分,还可能发现现有人类知识之外的肿瘤亚型,为医学领域提供有效参考。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了分类装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种分类方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出根据本公开实施例的分类装置的框图,如图4所示,所述装置包括:
获取模块41,用于获取多个第一对象的基础信息;
确定模块42,用于根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重;
特征提取模块43,用于根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量;
分类模块44,用于对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。
在一些可能的实现方式中,所述获取模块41,用于对所述多个第一对象的原始数据进行编码,得到编码后的原始数据;对所述编码后的原始数据进行线性变换,得到所述多个第一对象的基础信息。
在一些可能的实现方式中,所述特征提取模块43,用于根据所述注意力权重,利用目标网络依次对所述多个第一对象的基础信息进行多级特征提取,得到每个特征提取层输出的第二特征向量;对多个特征提取层输出的第二特征向量进行融合,得到所述多个第一特征向量。
在一些可能的实现方式中,所述目标网络包括多个特征提取层;所述特征提取模块43,用于针对每个特征提取层,根据与该特征提取层对应的注意力权重,对该特征提取层的输入信息进行过滤,得到筛选的第一基础信息和滤除的第二基础信息;对所述第一基础信息进行特征提取,得到该特征提取层输出的第二特征向量;其中,第一个特征提取层的输入信息为所述多个第一对象的基础信息,第n个特征提取层的输入信息为上一个特征提取层滤除的第二基础信息,其中,n为大于1的正整数。
在一些可能的实现方式中,所述确定模块42,用于根据第(n-1)个特征提取层筛选的第一基础信息,确定每个所述第一对象在第n个特征提取层对应的注意力权重。
在一些可能的实现方式中,所述特征提取模块43,用于将各个特征提取层输出的对应于每个第一对象的第二特征向量进行相加,得到每个第一对象对应的第一特征向量。
在一些可能的实现方式中,所述特征提取模块43,还用于根据每个特征提取层输出的第二特征向量,确定每个特征提取层筛选的第一基础信息的重要性权重;根据所述重要性权重,对多个特征提取层筛选的第一基础信息进行加权,得到重构的基础信息。
在一些可能的实现方式中,所述装置还包括:训练模块,用于获取多个样本对象的目标肿瘤指标,其中,所述多个第一对象包括所述多个样本对象;将所述多个样本对象的基础信息输入所述目标网络,利用所述目标网络包括的多个特征提取层对所述多个样本对象的基础信息进行多级特征提取,得到多个第一样本向量;将所述多个第一样本向量输入所述目标网络的预测子网络,得到所述预测子网络输出的每个所述样本对象对应的预测肿瘤指标;基于所述样本对象的目标肿瘤指标和所述预测肿瘤指标,对所述目标网络的网络参数进行调整,得到已训练的目标网络,其中,所述目标肿瘤指标和所述预测肿瘤指标包括肿瘤类别、所述第一对象的生存周期和所述第一对象的复发周期中的至少一项。
在一些可能的实现方式中,所述分类模块44,用于对所述多个第一特征向量进行聚类,得到至少一个类别。
在一些可能的实现方式中,所述分类模块44,用于获取所述多个第一对象的关联信息;根据所述关联信息对所述多个第一特征向量进行聚类,得到至少一个类别。
在一些可能的实现方式中,所述分类模块44,还用于获取目标对象的基础信息;对所述目标对象的基础信息进行特征提取,得到目标特征向量;确定所述目标特征向量与每个所述类别的距离;根据所述目标特征向量与每个所述类别的距离,确定所述目标对象所对应的肿瘤亚型。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如微软服务器操作***(Windows ServerTM),苹果公司推出的基于图形用户界面操作***(Mac OSXTM),多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM),开放原代码的类Unix操作***(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种分类方法,其特征在于,包括:
获取多个第一对象的基础信息;
根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重;
根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量;
对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。
2.根据权利要求1所述的方法,其特征在于,所述获取多个第一对象的基础信息包括:
对所述多个第一对象的原始数据进行编码,得到编码后的原始数据;
对所述编码后的原始数据进行线性变换,得到所述多个第一对象的基础信息。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量,包括:
根据所述注意力权重,利用目标网络依次对所述多个第一对象的基础信息进行多级特征提取,得到每个特征提取层输出的第二特征向量;
对多个特征提取层输出的第二特征向量进行融合,得到所述多个第一特征向量。
4.根据权利要求3所述的方法,其特征在于,所述目标网络包括多个特征提取层;所述根据所述注意力权重,利用目标网络包括的多个特征提取层依次对所述多个第一对象的基础信息进行多级特征提取,得到所述多个第一特征向量,包括:
针对每个特征提取层,根据与该特征提取层对应的注意力权重,对该特征提取层的输入信息进行过滤,得到筛选的第一基础信息和滤除的第二基础信息;
对所述第一基础信息进行特征提取,得到该特征提取层输出的第二特征向量;
其中,第一个特征提取层的输入信息为所述多个第一对象的基础信息,第n个特征提取层的输入信息为上一个特征提取层滤除的第二基础信息,其中,n为大于1的正整数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重,包括:
根据第(n-1)个特征提取层筛选的第一基础信息,确定每个所述第一对象在第n个特征提取层对应的注意力权重。
6.根据权利要求3所述的方法,其特征在于,所述对多个特征提取层输出的第二特征向量进行融合,得到所述多个第一特征向量,包括:
将各个特征提取层输出的对应于每个第一对象的第二特征向量进行相加,得到每个第一对象对应的第一特征向量。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据每个特征提取层输出的第二特征向量,确定每个特征提取层筛选的第一基础信息的重要性权重;
根据所述重要性权重,对多个特征提取层筛选的第一基础信息进行加权,得到重构的基础信息。
8.根据权利要求3至7任意一项所述的方法,其特征在于,所述方法还包括:
获取多个样本对象的目标肿瘤指标,其中,所述多个第一对象包括所述多个样本对象;
将所述多个样本对象的基础信息输入所述目标网络,利用所述目标网络包括的多个特征提取层对所述多个样本对象的基础信息进行多级特征提取,得到多个第一样本向量;
将所述多个第一样本向量输入所述目标网络的预测子网络,得到所述预测子网络输出的每个所述样本对象对应的预测肿瘤指标;
基于所述样本对象的目标肿瘤指标和所述预测肿瘤指标,对所述目标网络的网络参数进行调整,得到已训练的目标网络,其中,所述目标肿瘤指标和所述预测肿瘤指标包括肿瘤类别、所述第一对象的生存周期和所述第一对象的复发周期中的至少一项。
9.根据权利要求1至8任意一项所述的方法,其特征在于,所述对所述多个第一特征向量进行分类,得到至少一个类别,包括:
对所述多个第一特征向量进行聚类,得到至少一个类别。
10.根据权利要求9所述的方法,其特征在于,所述对所述多个第一特征向量进行聚类,得到至少一个类别,包括:
获取所述多个第一对象的关联信息;
根据所述关联信息对所述多个第一特征向量进行聚类,得到至少一个类别。
11.根据权利要求1至10任意一项所述的方法,其特征在于,所述方法还包括:
获取目标对象的基础信息;
对所述目标对象的基础信息进行特征提取,得到目标特征向量;
确定所述目标特征向量与每个所述类别的距离;
根据所述目标特征向量与每个所述类别的距离,确定所述目标对象所对应的肿瘤亚型。
12.一种分类装置,其特征在于,包括:
获取模块,用于获取多个第一对象的基础信息;
确定模块,用于根据所述多个第一对象的基础信息,确定每个所述第一对象对应的注意力权重;
特征提取模块,用于根据所述注意力权重,对所述多个第一对象的基础信息进行特征提取,得到多个第一特征向量;
分类模块,用于对所述多个第一特征向量进行分类,得到至少一个类别,其中,每个类别对应一个肿瘤亚型。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至11中任意一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737176.5A CN113470827A (zh) | 2021-06-30 | 2021-06-30 | 分类方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737176.5A CN113470827A (zh) | 2021-06-30 | 2021-06-30 | 分类方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113470827A true CN113470827A (zh) | 2021-10-01 |
Family
ID=77876455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110737176.5A Withdrawn CN113470827A (zh) | 2021-06-30 | 2021-06-30 | 分类方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470827A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805203A (zh) * | 2018-06-11 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 图像处理及对象再识别方法、装置、设备和存储介质 |
CN109830264A (zh) * | 2019-03-15 | 2019-05-31 | 杭州慕谷科技有限公司 | 肿瘤患者基于甲基化位点进行分类的方法 |
CN110223224A (zh) * | 2019-04-29 | 2019-09-10 | 杰创智能科技股份有限公司 | 一种基于信息过滤网络的图像超分辨实现算法 |
CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
CN111128391A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 一种信息处理设备、方法和存储介质 |
WO2020155606A1 (zh) * | 2019-02-02 | 2020-08-06 | 深圳市商汤科技有限公司 | 面部识别方法及装置、电子设备和存储介质 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
CN112950546A (zh) * | 2021-02-03 | 2021-06-11 | 中南民族大学 | 一种钡餐造影图像的食道癌检测方法及*** |
CN113052254A (zh) * | 2021-04-06 | 2021-06-29 | 安徽理工大学 | 多重注意力幽灵残差融合分类模型及其分类方法 |
-
2021
- 2021-06-30 CN CN202110737176.5A patent/CN113470827A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805203A (zh) * | 2018-06-11 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 图像处理及对象再识别方法、装置、设备和存储介质 |
WO2020155606A1 (zh) * | 2019-02-02 | 2020-08-06 | 深圳市商汤科技有限公司 | 面部识别方法及装置、电子设备和存储介质 |
CN109830264A (zh) * | 2019-03-15 | 2019-05-31 | 杭州慕谷科技有限公司 | 肿瘤患者基于甲基化位点进行分类的方法 |
CN110223224A (zh) * | 2019-04-29 | 2019-09-10 | 杰创智能科技股份有限公司 | 一种基于信息过滤网络的图像超分辨实现算法 |
CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
CN111128391A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 一种信息处理设备、方法和存储介质 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
CN112950546A (zh) * | 2021-02-03 | 2021-06-11 | 中南民族大学 | 一种钡餐造影图像的食道癌检测方法及*** |
CN113052254A (zh) * | 2021-04-06 | 2021-06-29 | 安徽理工大学 | 多重注意力幽灵残差融合分类模型及其分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN111368923A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111310764A (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN109389162B (zh) | 样本图像筛选方法和装置、电子设备及存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110502651B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20220019772A1 (en) | Image Processing Method and Device, and Storage Medium | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109522937B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112101238A (zh) | 聚类方法及装置、电子设备和存储介质 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN110175546B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111582383B (zh) | 属性识别方法及装置、电子设备和存储介质 | |
CN113012816A (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN113012146A (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN112768064A (zh) | 疾病预测装置及设备、症状信息处理方法、装置及设备 | |
CN113470827A (zh) | 分类方法及装置、电子设备和存储介质 | |
CN111462910A (zh) | 项目的匹配方法及装置、电子设备和存储介质 | |
CN113470828A (zh) | 分类方法及装置、电子设备和存储介质 | |
CN113053454A (zh) | 分类方法及装置、电子设备和存储介质 | |
CN109711386B (zh) | 获取识别模型的方法、装置、电子设备及存储介质 | |
CN111489260A (zh) | 项目分类方法及装置、电子设备和存储介质 | |
CN111524019A (zh) | 项目的匹配方法及装置、电子设备和存储介质 | |
CN115099293B (zh) | 一种模型训练方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211001 |
|
WW01 | Invention patent application withdrawn after publication |