申请/专利权人:安徽中医药大学
申请日:2024-05-24
公开(公告)日:2024-06-21
公开(公告)号:CN118230826A
主分类号:G16B35/20
分类号:G16B35/20;G16B40/00;G06N3/042;G06N3/0464;G06N3/048;G06N3/08
优先权:
专利状态码:在审-公开
法律状态:2024.06.21#公开
摘要:本公开涉及基因表达谱识别分类技术领域,特别涉及一种基于扩散模型的抑郁症基因表达谱的识别方法及装置。本公开通过使用深度学习技术,能够对大规模的基因表达数据进行快速、高效的处理和分析,加快识别和分类抑郁症患者的速度,从而提高诊断的效率,而深度学习模型在处理复杂数据时具有很高的准确性,能够从海量数据中学习到复杂的模式和规律,从而更精确地识别出患有抑郁症的个体,并进行有效的分类,还具备高度自动化的处理过程,减少了人工干预的需求,在训练过程中自动学习到特征和规律,从而使整个识别和分类流程更加自动化和智能化。
主权项:1.一种基于扩散模型的抑郁症基因表达谱的识别方法,其特征在于,所述方法包括:采集基因表达数据,并进行数据筛洗,得到矫正数据;根据矫正数据构建基因表达图,图中节点代表基因,边代表基因之间的相互作用强度,将基因表达图以矩阵形式表示,得到特征矩阵;根据特征矩阵,采用条件变分自编码器CVAE,得到基因表达数据的潜在表示;建立多任务学习框架,采用DDPM模型和分类任务共享底层特征表示层,在顶层分别进行去噪和分类,通过最小化组合损失函数,调整任务相对重要性的权重;基于基因表达数据的潜在表示对多任务学习框架进行训练,得到训练完成的多任务学习框架,并用于基因表达谱分类和疾病严重度预测。
全文数据:
权利要求:
百度查询: 安徽中医药大学 一种基于扩散模型的抑郁症基因表达谱的识别方法及装置
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。