一种肾透明细胞肿瘤预测方法、装置、设备及存储介质

本技术实施例涉及生物医学预测，尤其涉及一种肾透明细胞肿瘤预测方法、装置、设备及存储介质。

背景技术：

1、肾透明细胞肿瘤是一种源于肾小管上皮细胞的恶性肿瘤，是肾癌中最常见的类型，占肾癌的70%~80%。

2、肾透明细胞肿瘤的生存概率的预测在患者的整个治疗过程发挥重要作用，可以为医生提供临床决策依据，可以作为评估治疗效果的重要指标，还可以使得患者和家属可以更加明确治疗的目标和期望，从而减轻焦虑和恐惧，提高生活质量。

3、现有的肾透明细胞肿瘤的生存概率的预测，通常是依赖于临床指标，例如肿瘤大小和肿瘤分级等等。但是这些临床指标在预测精确度和个体化治疗方案制定方面存在一定局限性，导致预测结果相对准确率较低。

技术实现思路

1、本技术实施例提供一种肾透明细胞肿瘤预测方法、装置、设备及存储介质，能够解决肾透明细胞肿瘤的预测准确性较低的问题，提升肾透明细胞肿瘤的预测准确性。

2、在第一方面，本技术实施例提供了一种肾透明细胞肿瘤预测方法，包括：

3、获取目标样本数据，目标样本数据包括肾透明细胞肿瘤患者的遗传物质测试数据和临床信息数据，临床信息包括总生存期、疾病特异性生存期、无进展生存期、年龄、tnm分期、病理分期、组织学分级、生存状态和性别；

4、根据目标样本数据进行a2m基因在肾透明细胞肿瘤中的相关性分析，确定筛选变量，确定目标基因群，目标基因群为与a2m相关的多个基因；

5、根据目标基因构建基因风险评分模型，并根据基因风险评分模型计算目标样本数据中每一肾透明细胞肿瘤患者对应的风险评分；

6、根据目标样本数据和风险评分进行变量回归分析训练，得到目标预后模型，其中，变量回归分析训练中的自变量数据为目标样本数据中的年龄、tnm分期、病理分期和风险评分，因变量数据为总生存期；

7、通过目标预后模型基于输入信息进行预测处理，输出预测结果，输入信息包括待预测的年龄、tnm分期、病理分期和风险评分，预测结果包括生存概率和生存曲线。

8、进一步的，根据目标样本数据进行a2m基因在肾透明细胞肿瘤中的相关性分析，筛选变量，确定目标基因群，包括：

9、通过单基因相关性分析基于目标样本数据进行a2m基因在肾透明细胞肿瘤中的相关性分析，获得a2m相关基因；

10、通过单变量cox回归分析基于目标样本数据进行a2m相关基因与肾透明细胞肿瘤生存预后分析，从a2m相关基因中确定符合预设阈值要求的第一候选基因；

11、通过l1 正则化模型基于目标样本数据进行肾透明细胞癌总体生存期最小绝对收缩和选择算子lasso回归，从所述第一候选基因中确定符合误差值条件的目标基因群。

12、进一步的，目标基因群包括tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3；

13、根据目标基因群构建基因风险评分模型，并根据基因风险评分模型计算目标样本数据中每一肾透明细胞肿瘤患者对应的风险评分，包括：

14、根据tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3的基因表达量和对应的预设风险系数，构建基因风险评分模型；

15、根据基因风险评分模型计算目标样本数据中每一肾透明细胞肿瘤患者对应的风险评分。

16、进一步的，基因风险评分模型通过如下方式进行表征：

17、

18、其中，a2m_gpi代表风险评分，代表第个基因的预设的风险系数，代表第个基因的基因表达量。

19、进一步的，基因风险评分模型通过如下方式进行表征：

20、a2m_gpi=(-0.06057755*tie1exp.)+(0.00416184*vwfexp.)+(-0.22620967*tcf4exp.)+(0.62309290*ptprbexp.)+(-0.06403383*icam2exp.)+(-0.19163895*dock6exp.)+(0.08291625*ramp3exp.)

21、其中，（-0.06057755）、0.00416184、（-0.22620967）、0.62309290、（-0.06403383）、（-0.19163895）和0.08291625分别代表tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3的预设的风险系数。

22、进一步的，根据目标样本数据和风险评分进行变量回归分析训练，得到目标预后模型，包括：

23、通过单变量cox回归模型基于目标样本数据中的临床信息数据进行单因素分析处理，确定目标变量因素，目标变量因素为目标样本数据中的年龄、tnm分期和病理分期；

24、通过多变量cox回归模型以目标变量因素和风险评分为自变量数据，以目标样本数据中的总生存期为因变量进行变量回归分析训练，得到目标预后模型。

25、进一步的，通过目标预后模型基于输入信息进行预测处理，输出预测结果，包括：

26、通过目标预后模型基于待预测的年龄、tnm分期、病理分期和风险评分进行预测处理，得到单项变量预测评分，其中年龄、tnm分期、病理分期和风险评分分别对应一个单项变量预测评分；

27、将单项变量预测评分相加，得到模型预测总得分；

28、根据模型预测总得分和预设的转换函数进行转换处理，得到预设年限范围内的生存概率；

29、根据预设年限的生存概率绘制对应的生存曲线，生存曲线以时间为横坐标，以生存概率为纵坐标。

30、在第二方面，本技术实施例提供了一种肾透明细胞肿瘤预测装置，包括：

31、样本获取模块，用于获取目标样本数据，目标样本数据包括肾透明细胞肿瘤患者的遗传物质测试数据和临床信息数据，临床信息包括总生存期、疾病特异性生存期、无进展生存期、年龄、tnm分期、病理分期、组织学分级、生存状态和性别；

32、基因相关性分析模块，用于根据目标样本数据进行a2m基因在肾透明细胞肿瘤中的相关性分析，筛选变量，确定目标基因群，目标基因群为与a2m相关的多个基因；

33、基因风险评分模块，用于根据目标基因群构建基因风险评分模型，并根据基因风险评分模型计算目标样本数据中每一肾透明细胞肿瘤患者对应的风险评分；

34、预后模型训练模块，用于根据目标样本数据和风险评分进行变量回归分析训练，得到目标预后模型，其中，变量回归分析训练中的自变量数据为目标样本数据中的年龄、tnm分期、病理分期和风险评分，因变量数据为总生存期；

35、预测模块，用于通过目标预后模型基于输入信息进行预测处理，输出预测结果，输入信息包括待预测的年龄、tnm分期、病理分期和风险评分，预测结果包括生存概率和生存曲线。

36、进一步的，基因相关性分析模块包括a2m单变量相关性分析子模块、第一单变量cox回归子模块和线性拟合子模块；

37、a2m单基因相关性分析子模块，用于通过单基因相关性分析基于目标样本数据进行a2m基因在肾透明细胞肿瘤中的生存状态相关性分析，获得a2m相关基因；

38、第一单变量cox回归子模块，用于通过单基因相关性分析基于目标样本数据进行a2m相关基因与肾透明细胞肿瘤生存预后分析，从a2m相关基因中确定符合预设阈值要求的第一候选基因；

39、线性拟合子模块，用于通过l1 正则化模型基于目标样本数据进行肾透明细胞癌总体生存期最小绝对收缩和选择算子lasso回归，从第一候选基因中确定符合误差值条件的目标基因群。

40、进一步的，目标基因群包括tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3；

41、基因风险评分模块包括评分模型构建子模块和评分计算子模块；

42、评分模型构建子模块，用于根据tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3的基因表达量和对应的预设风险系数，构建基因风险评分模型；

43、评分计算子模块，用于根据基因风险评分模型计算目标样本数据中每一肾透明细胞肿瘤患者对应的风险评分。

44、进一步的，基因风险评分模型通过如下方式进行表征：

45、

46、其中，a2m_gpi代表风险评分，代表第个基因的预设的风险系数，代表第个基因的基因表达量。

47、进一步的，基因风险评分模型通过如下方式进行表征：

48、a2m_gpi=(-0.06057755*tie1exp.)+(0.00416184*vwfexp.)+(-0.22620967*tcf4exp.)+(0.62309290*ptprbexp.)+(-0.06403383*icam2exp.)+(-0.19163895*dock6exp.)+(0.08291625*ramp3exp.)

49、其中，（-0.06057755）、0.00416184、（-0.22620967）、0.62309290、（-0.06403383）、（-0.19163895）和0.08291625分别代表tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3的预设的风险系数，（tie1exp.）、（vwfexp.）、（tcf4exp.）、（ptprbexp.）、（icam2exp.）、（dock6exp.）和（ramp3exp.）分别代表tie1、vwf、tcf4、ptprb、icam2、dock6和ramp3的基因表达量。

50、进一步的，预后模型训练模块包括第二单变量cox回归子模块和多变量分析子模块；

51、第二单变量cox回归子模块，用于通过单变量cox回归模型基于目标样本数据中的临床信息数据进行单因素分析处理，确定目标变量因素，目标变量因素为目标样本数据中的年龄、tnm分期和病理分期；

52、多变量分析子模块，用于通过多变量cox回归模型以目标变量因素和风险评分为自变量数据，以目标样本数据中的总生存期为因变量进行变量回归分析训练，得到目标预后模型。

53、进一步的，预测模块包括单项预测子模块、综合预测子模块、生存概率转换子模块和绘图子模块；

54、单项预测子模块，用于通过目标预后模型基于待预测的年龄、tnm分期、病理分期和风险评分进行预测处理，得到单项变量预测评分，其中年龄、tnm分期、病理分期和风险评分分别对应一个单项变量预测评分；

55、综合预测子模块，用于将单项变量预测评分相加，得到模型预测总得分；

56、生存概率转换子模块，用于根据模型预测总得分和预设的转换函数进行转换处理，得到预设年限范围内的生存概率；

57、绘图子模块，用于根据预设年限的生存概率绘制对应的生存曲线，生存曲线以时间为横坐标，以生存概率为纵坐标。

58、在第三方面，本技术实施例提供了一种肾透明细胞肿瘤预测设备，包括：

59、存储器以及一个或多个处理器；

60、存储器，用于存储一个或多个程序；

61、当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面的肾透明细胞肿瘤预测方法。

62、在第四方面，本技术实施例提供了一种存储计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如第一方面的肾透明细胞肿瘤预测方法。

63、本技术实施例通过在对肾透明细胞肿瘤进行预后时，获取目标样本数据，根据目标样本数据进行a2m基因在肾透明细胞肿瘤中的相关性分析，筛选变量，确定与a2m基因显著相关的目标基因群，根据目标基因群构建基因风险评分模型，并根据基因风险评分模型计算目标样本数据中每一透明系统肿瘤患者对应的风险评分，根据目标样本数据和风险评分进行变量回归分析训练，得到目标预后模型，通过目标预后模型基于待预测的年龄、tnm分期、病理分期和风险评分进行预测处理，输出生存概率和生存曲线。采用上述技术手段，可以通过目标样本数据和与a2m基因显著相关的目标基因群进行分析和训练得到目标预后模型，通过目标预后模型进行生存概率的预测并绘制生存曲线，以此可避免肾透明细胞肿瘤的预测准确性较低的问题，与现有的基于临床指标进行生存概率预测的方式相比，本实施例基于目标预后模型进行肾透明细胞肿瘤的生存概率的预测，大大提高了预测的可靠性，从而提升预测肾透明细胞肿瘤患者的预设生存年限对应的生存概率的准确性。