一种乳腺癌诊断模型的多阶段特征筛选与构建方法及系统

本发明涉及生物信息学和医学数据处理，具体涉及一种乳腺癌诊断模型的多阶段特征筛选与构建方法及系统。

背景技术：

1、乳腺癌是女性高发恶性肿瘤之一，早期精准诊断对改善预后和降低死亡率具有重要意义。传统影像学检查和病理活检存在主观性强、具有侵入性或早期微小病灶易漏诊等不足。

2、随着rna-seq等高通量测序技术的发展，乳腺癌转录组数据可提供大量潜在的诊断标志物。然而，该类数据通常具有特征维度远高于样本量的特点，同时存在数据分布偏态、噪声和冗余特征较多、类别比例不均衡等问题。将高维特征直接输入分类模型容易产生维度灾难和过拟合，导致模型泛化能力不足。

3、现有技术中已有采用差异表达分析结合机器学习方法进行特征筛选的方案，例如直接使用全部原始基因特征训练分类器，或采用单一过滤式差异分析筛选基因，或仅比较若干分类模型的预测性能。但这些方案仍存在以下不足：一是高维特征直接输入模型容易产生维度灾难和过拟合；二是单一特征选择器难以同时覆盖统计显著性、线性稀疏性、特征协同关系和非线性交互信息；三是部分流程未严格限制特征筛选仅在训练集内完成，存在数据泄露风险；四是模型结果缺少机制解释，难以说明关键基因对诊断判别的贡献。

技术实现思路

1、本发明提供一种乳腺癌诊断模型的多阶段特征筛选与构建方法及系统，所述方法包括以下步骤：获取乳腺癌转录组样本数据；对所述转录组样本数据的表达量执行对数转换和标准化处理；将处理后的样本数据按照预设比例分层划分为训练集和独立测试集；在训练集内采用mann-whitney u非参数检验进行差异表达初筛，获得差异表达基因集。

2、进一步的，以所述差异表达基因集为输入，并行执行lasso特征选择、svm-rfe特征选择和xgboost特征选择，分别获得第一候选特征集、第二候选特征集和第三候选特征集。lasso特征选择采用带l1正则化的逻辑回归模型，通过分层5折交叉验证和roc-auc目标优化正则化强度，筛选得到第一候选特征集。svm-rfe特征选择基于线性核支持向量机和递归特征消除机制，结合5折交叉验证和网格搜索优化惩罚系数c，并设置类别权重以适配样本不平衡，筛选得到第二候选特征集。xgboost特征选择通过构建xgboost模型并采用随机超参数搜索优化包括n_estimators、max_depth、learning_rate、subsample、colsample_bytree、gamma、reg_alpha、reg_lambda在内的超参数，利用模型内置特征重要性筛选得到第三候选特征集。

3、进一步的，对所述第一候选特征集、第二候选特征集和第三候选特征集取交集，获得共识基因。对所述共识基因进行一致性指数评估，所述一致性指数为共识基因在三种特征选择结果中被选中的次数与三种特征选择方法总数之比。选取一致性指数达到预设阈值的共识基因作为核心特征集。一致性指数的预设阈值优选为三分之二。

4、进一步的，以所述核心特征集为输入训练诊断分类模型，利用所述独立测试集评估模型性能，输出乳腺癌判别结果。诊断分类模型优选为xgboost模型，其超参数包括：subsample=0.9、reg_lambda=2、reg_alpha=0、n_estimators=50。

5、进一步的，还包括采用shap方法分析所述核心特征集中各特征对模型输出的贡献，输出各特征对单个样本判别结果的shap贡献值。样本数据按照7:3的比例以健康/乳腺癌标签为分层依据进行分层随机划分，使训练集和独立测试集的样本类别比例与原始数据一致；所有标准化参数计算、差异表达分析和特征选择均限定在训练集内完成。

6、本发明还提供一种乳腺癌诊断系统，包括：数据输入接口，用于接收乳腺癌转录组样本数据；预处理模块，用于对所述转录组样本数据的表达量执行对数转换和标准化处理；特征筛选模块，用于按照上述方法从所述转录组样本数据中筛选获得核心特征集；模型推理模块，用于以所述核心特征集为输入，调用预训练的诊断分类模型输出乳腺癌判别结果；可解释性输出模块，用于计算并输出各特征对当前样本判别结果的shap贡献值。

7、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

8、本发明具有以下有益效果：

9、第一，通过mann-whitney u非参数检验初筛与lasso、svm-rfe、xgboost三种不同原理的特征选择方法进行多阶段互补筛选，降低了单一算法偏差和冗余噪声特征的影响，有效缓解了高维特征直接输入模型产生的维度灾难和过拟合问题。

10、第二，通过训练集与测试集的严格分层划分，将所有标准化参数计算、差异表达分析和特征选择均限定在训练集内完成，避免了数据泄露风险，使独立测试集的评估结果更接近真实泛化性能。

11、第三，通过对共识基因进行一致性指数评估并选取达到预设阈值的基因作为核心特征集，确保入选的基因特征在多种筛选方法中均表现稳健，降低因单一选择器的参数设置或数据噪声导致偶然误选的风险，从60659个基因表达特征中最终筛选出col10a1作为核心共识基因，特征数量大幅减少且具备生物学可解释性。

12、第四，采用shap方法分析核心特征对模型输出的贡献方向和贡献大小，使机器学习模型的诊断判别依据更加透明，解决了模型结果缺少机制解释的问题。

13、本发明还提供一种乳腺癌诊断系统，包括：数据输入接口，用于接收乳腺癌转录组样本数据；预处理模块，用于对所述转录组样本数据的表达量执行对数转换和标准化处理；特征筛选模块，用于按照上述方法从所述转录组样本数据中筛选获得核心特征集；模型推理模块，用于以所述核心特征集为输入，调用预训练的诊断分类模型输出乳腺癌判别结果；可解释性输出模块，用于计算并输出各特征对当前样本判别结果的shap贡献值。

14、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

1.一种乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，所述lasso特征选择采用带l1正则化的逻辑回归模型，通过分层5折交叉验证和roc-auc目标优化正则化强度，筛选得到第一候选特征集。

3.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，所述svm-rfe特征选择基于线性核支持向量机和递归特征消除机制，结合5折交叉验证和网格搜索优化惩罚系数c，并设置类别权重以适配样本不平衡，筛选得到第二候选特征集。

4.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，所述xgboost特征选择通过构建xgboost模型并采用随机超参数搜索优化包括n_estimators、max_depth、learning_rate、subsample、colsample_bytree、gamma、reg_alpha、reg_lambda在内的超参数，利用模型内置特征重要性筛选得到第三候选特征集。

5.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，所述一致性指数的预设阈值为三分之二。

6.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，所述诊断分类模型为xgboost模型，其超参数包括：subsample=0.9、reg_lambda=2、reg_alpha=0、n_estimators=50。

7.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，还包括采用shap方法分析所述核心特征集中各特征对模型输出的贡献，输出各特征对单个样本判别结果的shap贡献值。

8.根据权利要求1所述的乳腺癌诊断模型的多阶段特征筛选与构建方法，其特征在于，所述预设比例为7:3，以健康/乳腺癌标签为分层依据进行分层随机划分，使训练集和独立测试集的样本类别比例与原始数据一致；所有标准化参数计算、差异表达分析和特征选择均限定在训练集内完成。

9.一种乳腺癌诊断系统，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。