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！

申请/专利权人：北京安吉贝玛健康科技有限公司;遵义医科大学附属医院

摘要：本发明公开了基于深度学习的肾脏肿瘤切除辅助系统，该系统包括数据采集模块、数据预处理模块、手术风险评估模型构建模块、超参数优化模块和肾脏肿瘤切除辅助模块。本发明涉及肾脏肿瘤切除辅助技术领域，具体是指基于深度学习的肾脏肿瘤切除辅助系统，本发明通过采集得到历史患者数据和当前患者数据；采用数据清洗、特征提取、数据归一化、数据标注和数据分割的数据预处理方法；采用回声状态网络模型进行手术风险评估以辅助肾脏肿瘤切除，不受静态数据和主观经验的限制，提高了评估的可靠性；采用学习烹饪优化算法进行超参数优化，能够动态地优化模型的超参数，提高了模型的泛化能力和适应性。

主权项：1.基于深度学习的肾脏肿瘤切除辅助系统，其特征在于：该系统包括数据采集模块、数据预处理模块、手术风险评估模型构建模块、超参数优化模块和肾脏肿瘤切除辅助模块；所述数据采集模块，通过数据采集，得到历史患者数据集和当前患者数据集，并将所述历史患者数据集发送至数据预处理模块，将所述当前患者数据集发送至肾脏肿瘤切除辅助模块；所述数据预处理模块，通过数据预处理，得到手术风险评估训练集和手术风险评估测试集，并将所述手术风险评估训练集和所述手术风险评估测试集发送至超参数优化模块；所述手术风险评估模型构建模块，通过构建回声状态网络模型，得到手术风险评估模型，并将所述手术风险评估模型发送至超参数优化模块；所述超参数优化模块，通过优化超参数并训练模型，得到优化后的手术风险评估模型，并将所述优化后的手术风险评估模型发送至肾脏肿瘤切除辅助模块；所述肾脏肿瘤切除辅助模块，通过采用所述优化后的手术风险评估模型进行手术风险评估，得到手术风险参考数据，实现肾脏肿瘤切除辅助；所述手术风险评估模型构建模块，具体内容包括模型初始化、储备池状态更新、训练多级风险输出层和模型构建；所述模型初始化，内容包括生成输入权重矩阵和生成储备池权重矩阵；所述生成输入权重矩阵，用于随机初始化输入权重矩阵，具体为从均匀分布U-0.5,0.5中随机抽取权重值，生成大小为N×D的输入权重矩阵Win，其中，N表示储备池中神经元的数量，D表示输入特征向量的维度；所述生成储备池权重矩阵，用于随机初始化储备池权重矩阵，内容包括：生成初始储备池权重矩阵，具体为从均匀分布U-1，1中随机抽取权重值，生成大小为N×N的初始储备池权重矩阵Wre_in；生成一个与初始储备池权重矩阵大小相同的随机权重矩阵，具体为从均匀分布U0，1中随机抽取权重值，生成大小为N×N的随机权重矩阵Wran；初始储备池权重矩阵稀疏化，具体为设定连接概率μ∈0，1，对于所述随机权重矩阵Wran中元素大于连接概率μ的位置，将对应位置的所述初始储备池权重矩阵的元素设置为0，得到储备池权重矩阵Wre；所述储备池状态更新，所用公式如下： 式中，Cont表示第t个时间步的储备池状态，θ表示泄漏率，Cont-1表示第t-1个时间步的储备池状态，Sigmoid·表示Sigmoid函数，Win表示输入权重矩阵，表示第t个时间步的回声状态网络模型的输入特征，Wre表示储备池权重矩阵；所述训练多级风险输出层，内容包括：构造存储矩阵，表示如下： 式中，H表示存储矩阵，Con1表示第1个时间步的储备池状态，Con2表示第2个时间步的储备池状态，ConTs表示第Ts个时间步的储备池状态，表示第1个时间步的回声状态网络模型的输入特征，表示第2个时间步的回声状态网络模型的输入特征，表示第Ts个时间步的回声状态网络模型的输入特征，Ts表示时间步总数；设计多级风险输出层，具体为构造低风险输出单元、中风险输出单元、高风险输出单元和整合单元，所述低风险输出单元，用于输出回声状态网络模型的输入特征属于低风险的概率，所述中风险输出单元，用于输出回声状态网络模型的输入特征属于中风险的概率，所述高风险输出单元，用于输出回声状态网络模型的输入特征属于高风险的概率，所述整合单元，用于整合所述低风险输出单元的输出、所述中风险输出单元的输出和所述高风险输出单元的输出；寻找最优输出权重矩阵，所用公式如下： 式中，表示低风险输出权重矩阵，表示中风险输出权重矩阵，表示高风险输出权重矩阵，δ表示Tikhonov正则化因子，I表示大小为N+D×N+D的单位矩阵，Drl表示低风险期望输出，Drm表示中风险期望输出，Drh表示高风险期望输出，T表示转置操作；计算多级风险输出层输出，所用公式如下： 式中，Ol表示低风险输出单元，pl表示低风险输出单元的偏置向量，Om表示中风险输出单元，pm表示中风险输出单元的偏置向量，Oh表示高风险输出单元，ph表示高风险输出单元的偏置向量，Softmax·表示Softmax函数；整合得到模型输出，表示如下： 式中，Ototal表示回声状态网络模型的输出；所述模型构建，具体为通过所述模型初始化、所述储备池状态更新和所述训练多级风险输出层，进行手术风险评估模型的构建，得到所述手术风险评估模型；所述超参数优化模块，具体内容包括初始化、更新候选解和进行模型训练；所述初始化，内容包括：确定搜索空间，表示如下： 式中，Sbo表示搜索空间，Sbo1表示第1个候选解，Sboi表示第i个候选解，表示第numc个候选解，numc表示候选解的数量，numv表示搜索维度的数量；初始化位置，所用公式如下： 式中，si，j表示第i个候选解的第j个搜索维度，r1表示范围在[0，1]内的一个随机值，Ubj表示第j个搜索维度的上界，Lbj表示第j个搜索维度的下界，i表示候选解的索引，j表示候选解的搜索维度的索引；所述更新候选解，内容包括初次烹饪学习和再次烹饪学习；所述初次烹饪学习，具体为构造母单元集和子单元集，并采用所述母单元集进行所述子单元集的优化，所述母单元用于表示目标函数值降序排名前numm名的候选解，所述子单元用于表示非目标函数值降序排名前numm名的候选解，所述目标函数值为所述手术风险评估模型在所述手术风险评估训练集上的准确率，其中，numm表示所述母单元的数量，所述初次烹饪学习，内容包括：计算母单元数，所用公式如下： 式中，numm表示母单元的数量，It表示当前迭代次数，numT表示迭代总次数；更新位置，具体为计算初次烹饪学习中每个搜索维度的新位置，若搜索维度的新位置使目标函数值增大，则采用新位置更新旧位置，所述计算每个搜索维度的新位置，所用公式如下： 式中，表示第i个候选解的第j个搜索维度在初次烹饪学习的新位置，r2表示范围在[0，1]内的一个随机值，k表示范围在集合{1，2，...，numm}中的随机值，muk，j表示第k个母单元的第j个搜索维度，α表示范围在集合{1，2}中的一个随机值，F·表示目标函数，Muk表示第k个母单元；所述再次烹饪学习，具体为构造厨师单元集，并采用所述厨师单元集进行所述母单元集和所述子单元集的优化，所述厨师单元，用于表示所述母单元集中目标函数值降序排名前numf名的母单元，所述再次烹饪学习，内容包括：计算厨师单元数，所用公式如下： 式中，numf表示厨师单元的数量；更新位置，具体为计算再次烹饪学习中每个搜索维度的新位置，若搜索维度的新位置使目标函数值增大，则采用新位置更新旧位置，所述计算每个搜索维度的新位置，所用公式如下： 式中，表示第i个候选解的第j个搜索维度在再次烹饪学习的新位置，r3表示范围在[0，1]内的一个随机值，r4表示范围在[0，1]内的一个随机值，d表示范围在集合{1，2，...，numf}中的随机值，cud，j表示第d个厨师单元的第j个搜索维度，β表示范围在集合{1，2}中的一个随机值，γ表示范围在集合{1，2}中的一个随机值，Cud表示第d个厨师单元；所述进行模型训练，具体为通过所述初始化和所述更新候选解，对所述手术风险评估模型进行超参数优化，并采用所述手术风险评估训练集进行模型训练，采用所述手术风险评估测试集验证模型性能，得到优化后的手术风险评估模型。

全文数据：

权利要求：

百度查询： 北京安吉贝玛健康科技有限公司 遵义医科大学附属医院 基于深度学习的肾脏肿瘤切除辅助系统