一种基于FCDN神经网络及cfRNA的血压数据预测方法及系统

技术领域

本发明属于生物测序数据处理技术领域，具体涉及一种基于FCDN神经网络及cfRNA的血压数据预测方法及系统。

背景技术

血液、尿液、唾液等体液中存在着大量游离的核酸小片段DNA(cell-free DNA)和RNA(cell-free RNA)等生物标志物，在肿瘤早筛、肿瘤用药、疗效评估和复发监测方面有着重要的应用价值。其中最受关注的是循环游离RNA(circulating cell-free RNA，cfRNA)，包括微小RNA(microRNA，miRNA)，长链非编码RNA(long non-coding RNA，lncRNA)，环状RNA(circular RNA，circRNA)、运载RNA(transfer RNA)和信使RNA(message RNA，mRNA)等几乎所有类型的RNA。

已有研究报道cfRNA用于一些实体肿瘤，包括乳腺癌、结直肠癌、滤泡性淋巴瘤和肝细胞癌等的早期诊断。cfRNA较少受到衰老细胞释放DNA的影响，在体液中丰度高，在疾病预测、诊断、预后判断等领域有着重要的应用价值。

在医学研究中，通常将临床标本委托拥有测序仪器的公司进行cfRNA测序，交付的结果中通常包含至少三千余种cfRNA的变化量。受限于专业背景的不同，获得测序数据后，通常仅采用SPSS这一类统计学软件根据显著性差异筛选出某个cfRNA，随后针对这一个cfRNA展开相关的实验。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于FCDN神经网络及cfRNA的血压数据预测方法及系统，利用深度神经网络进行数据学习、拟合，以实现cfRNA测序数据整体解读，用于解决PE现象在妊娠早期无法量化预测的技术问题。

本发明采用以下技术方案：

一种基于FCDN神经网络及cfRNA的血压数据预测方法，包括以下步骤：

S1、对妊娠早期对象的血液样本进行cfRNA测序，提取血液样本的cfRNA测序表达量；

S2、对步骤S1得到的血液样本cfRNA测序表达量进行数据预处理，筛选表征妊娠期血压值升高具有差异的cfRNA测序数据指标，同时建立训练数据集和验证数据集；

S3、建立FCDN神经网络模型；

S4、利用步骤S2得到的训练数据集对步骤S3建立的FCDN神经网络模型进行训练，利用步骤S2得到的验证数据集对训练好的FCDN神经网络模型进行验证得到最优的FCDN神经网络模型，利用最优的FCDN神经网络模型得到妊娠期血压值升高概率结果。

具体的，步骤S1中，血液样本cfRNA测序表达量具体为：

其中，x_train[i]为cfRNA表达量训练数据集，x_test[i]为cfRNA表达量验证数据集，EF[i]为妊娠期血压升高样本组实际测序数据预处理后的cfRNA表达量，RF[i]为正常组实际测序数据预处理后的cfRNA表达量，M为训练数据集样本生成量，Q为验证数据集样本生成量。

具体的，步骤S2中，数据预处理具体为：

剔除PE与非PE组表达量均含0项；排除PE组cfRNA分布区间与非PE组分布区间100％重叠项；计算PE组cfRNA分布区间与非PE组分布区间均值偏差量；按分布区间重叠比阈值筛选cfRNA显著性差异测序数据指标。

进一步的，筛选cfRNA显著性差异测序数据指标具体为：

剔除测序数据中PE组与非PE组中均含0表达量的cfRNA测序量；剔除测序数据中PE组与非PE组测序量100％区间重叠的cfRNA；剔除测序数据中PE组与非PE组测序量均值偏差小于10％的cfRNA。

具体的，步骤S2中，训练与验证cfRNA数据集对应的训练数据集和验证数据集具体为：

根据筛选后cfRNA测序向量的幅值分布，利用高斯随机数函数生成模拟测序样本，得到训练数据集和验证数据集，训练数据集和验证数据集分别包括cfRNA和血压升高概率贡献数据；血压升高概率贡献数据具体为：

其中，i∈[1,2,3,…N]，y_train[i]为血压升高概率贡献数据训练数据集，y_test[i]为血压升高概率贡献数据验证数据集，，EF[i]为为妊娠期血压升高样本组实际测序数据预处理后的cfRNA表达量，RF[i]为为正常组实际测序数据预处理后的cfRNA表达量，avg()为求取均值运算。

具体的，步骤S3中，FCDN神经网络模型包括：

卷积层Conv：进行前级特征粗提取处理；

全连接层Dense：与并联支路add运算构成一种残差网络结构，将前级多维特征图整合重组；

特征精提取模块TU：由批正则化运算BN；

卷积层Conv：带有的Relu为非线性激活函数；

DP：为神经元比例舍弃运算与MP最大池化运算；

利用卷积层Conv与全连接层Dense组合前级特征图张量，并作为输出层输出表征PE发病风险的(1,N,M)维概率向量。

具体的，步骤S4中，利用训练数据集对FCDN神经网络模型进行训练具体为：

损失函数loss表征训练预测输出值y_pred与标准值y_train存在的偏差，将cfRNA表达量数据集x_train分批输入至FCDN神经网络模型中，得到对应的预测概率向量y_pred与PE发病概率真值y_train求取MAE损失值；然后通过优化器Adam对FCDN神经网络模型的参数进行优化更新，通过多次循环迭代计算，使预测量y_pred与标记量y_train损失值Loss

进一步的，损失函数loss采用平均绝对误差MAE，优化器Adam采用学习率衰减机制动态调节模型学习率参数LR，具体为：

其中，M为总样本数量，y[i]为训练数据集中妊娠期血压值升高概率向量，x[i]为训练数据集中cfRNA表达量向量，FCDN()为深度神经网络模型预测函数，loss为损失值，a，b，c为衰减系数。

具体的，步骤S4中，利用验证数据集对训练好的FCDN神经网络模型进行验证具体为：

将训练数据集以外的验证数据x_test或其他妊娠早期对象cfRNA测序样本数据输入已训练的FCDN神经网络模型进行预测，将得到的y_pred作为最终的妊娠期血压值升高概率向量；对概率向量中各cfRNA贡献的概率值求取平均值，得到个体最终的妊娠期血压值升高概率；将妊娠期血压值升高概率与预设真值y_test比较，结合临床的PE的诊断结论对训练数据集进行修正，再次训练FCDN神经网络模型，得到最优的FCDN神经网络模型。

第二方面，本发明实施例提供了一种基于全卷积深度神经网络的数据回归预测系统，其特征在于，包括：

测序模块，对妊娠早期对象的血液样本进行cfRNA测序，提取血液样本的cfRNA测序表达量；

处理模块，对测序模块得到的血液样本cfRNA测序表达量进行数据预处理，筛选表征妊娠期血压值升高具有差异的cfRNA测序数据指标，同时建立训练数据集和验证数据集；

网络模块，建立FCDN神经网络模型；

预测模块，利用处理模块得到的训练数据集对网络模块建立的FCDN神经网络模型进行训练，利用处理模块得到的验证数据集对训练好的FCDN神经网络模型进行验证得到最优的FCDN神经网络模型，利用最优的FCDN神经网络模型得到妊娠期血压值升高概率结果。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于FCDN神经网络及cfRNA的血压数据预测方法，采集孕妇外周血样本并进行测序获取其cfRNA表达量，可以此为依据进行量化的分析，基于此信息最终预测孕妇妊娠后期血压升高概率。

进一步的，采集孕妇外周血样本并进行测序获取其cfRNA表达量，可以此为依据进行量化的分析，基于此信息最终预测孕妇妊娠后期血压升高概率。

进一步的，采集孕妇外周血样本并进行测序获取其cfRNA表达量，可以此为依据进行量化的分析，基于此信息最终预测孕妇妊娠后期血压升高概率。

进一步的，根据实际采集样本cfRNA数据变化规律，建立数据集用于训练神经网络模型以优化其性能，提高准确率。

进一步的，基于深度学习技术，将深度神经网络模型设计为FCDN模型结构可以较好的提取cfRNA数据变化规律特征，并根据其变化规律准确地预测各cfRNA指标为PE的贡献量。该模型结构简单，特征提取能力强，消耗计算资源较少且计算效率高，在本发明中具有明显优势。

进一步的，训练神经网络模型可以优化其性能，提高准确率。

进一步的，设置绝对均值误差(MAE)作为损失函数用于衡量当前模型输出预测结果与目标结果存在的差距。设置合理的模型学习率可稳定有效的训练神经网络，更新内在参数，防止过拟合与欠拟合。

进一步的，通过模型的训练环节，得到了最有的FCDN模型用于数据预测。设置验证集主要用于网络模型的性能评估。

可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

综上所述，本发明可利用孕妇早期(12周)外周血样本的测序数据进行准确预测妊娠后期血压升高概率，具有预测期早、预测准确率高、计算效率高的优势。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明流程示意图；

图2为本发明数据预处理原理图，其中，(a)表达量均含0；(b)表达量100％重叠；(c)表达区间重叠比较大且均值偏差小；(d)显著性差异分布；

图3为本发明FCDN神经网络模型模型图；

图4为本发明FCDN神经网络PE发病预测流程图；

图5为本发明FCDN神经网络模型训练策略图；

图6为本发明FCDN神经网络模型验证策略图；

图7为本发明神经网络预测结果和测序数据计算值对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种基于FCDN神经网络及cfRNA的血压数据预测方法，构建全卷积深度神经网络(Full convolution DenseNet FCDN)，其具有优秀的数据拟合和多目标分类能力，将妊娠期血压值升高预测视为一种数据回归问题，建立妊娠早期对象血液样本cfRNA测序表达量与妊娠期血压值升高概率向量映射关系，在执行预测其需要对初始cfRNA进行数据预处理，筛选出PE/非PE组具有显著性差异的cfRNA指标；然后基于筛选后cfRNA指标生成训练、验证数据集以训练神经网络，通过训练，仅需对网络输入妊娠早期对象血液样本cfRNA测序数据即可根据其变化量预测妊娠期血压值升高概率；通过实验证实本发明提出的预测模型的准确率达到95％以上。

请参阅图1，本发明一种基于FCDN神经网络及cfRNA的血压数据预测方法，基于妊娠早期对象血液样本cfRNA测序表达量进行数据处理，建立cfRNA表达量与妊娠期血压升高概率间映射关系，筛选具有显著性差异的cfRNA表达量；然后以此为基础建立训练数据集和验证数据集；通过构建FCDN神经网络模型，基于cfRNA测序表达量丰度进行数据拟合，建立多维cfRNA表达量与妊娠期血压值升高概率关系映射，得到各cfRNA对妊娠期血压值升高概率的贡献，最终实现对个体妊娠期血压值升高的预测机制，包括以下步骤：

S1、对妊娠早期对象的血液样本进行cfRNA测序，提取血液样本的cfRNA测序表达量；

将完成RNA建库的生物样本委托测序公司进行cfRNA表达量测定，提取cfRNA测序表达量。

本发明基于199例妊娠早期对象血液样本cfRNA测序表达量原始数据，通过对数据进行DEseq转换获得cfRNA表达量信息。

关键cfRNA筛选方法与数据集建立，筛选初始测序数据中，具有显著性差异的cfRNA指标，并以此变化量为基础建立数据集以训练神经网络。

以妊娠早期对象血液样本为基础进行初始测序，提取到的cfRNA测序指标多达7160组表达量数据。为了基于cfRNA测序表达量对妊娠期血压值升高风险进行预测，需要建立二者之间的联系，筛选出对PE致病具有关键性影响的cfRNA指标。

S2、对步骤S1得到的血液样本cfRNA测序表达量进行数据预处理，筛选表征妊娠期血压值升高具有差异的cfRNA测序数据指标，同时建立神经网络训练数据集和验证数据集；S201、对步骤S1得到的血液样本cfRNA测序表达量进行数据预处理；

请参阅图2，cfRNA显著性差异数据预处理方法的具体步骤如下：

1、剔除PE与非PE组表达量均含0项；

2、排除PE组cfRNA分布区间与非PE组分布区间100％重叠项；

3、计算PE组cfRNA分布区间与非PE组分布区间均值偏差量；

4、按分布区间重叠比阈值筛选cfRNA显著性差异。

筛选前通过测序得到的初始cfRNA表达量数据为PE[r，p]，非PE为[r，q]，其中，p,q分别为血压值偏离值组样本数与对照组样本数，r为cfRNA指标数，这里r＝7160。筛选后血压值偏离值组样本数与对照组样本数记为EF[s，p]与RF[s，q]，其中s与筛选算法参数有关。

随后以筛选后的cfRNA指标表达量为基础，建立数据集用于训练/验证FCDN神经网络模型。数据集包括训练数据集x_train、y_train，验证数据集包括x_test、y_test。

S202、显著性差异表达量筛选原则分为三步，请参阅图2，

1)剔除测序数据中PE组与非PE组中均含0表达量的cfRNA测序量；

2)剔除测序数据中PE组与非PE组测序量100％区间重叠的cfRNA；

3)剔除测序数据中PE组与非PE组测序量均值偏差小于10％的cfRNA。

因此在进行神经网络发病预测前，本发明提出一种cfRNA显著性差异数据预处理方法。

S203、以筛选后的cfRNA测序向量为基础，根据其幅值分布利用高斯随机数函数生成模拟测序样本，其中8000例作为训练数据集，1000例作为验证数据集；

其中，x_train与x_test为cfRNA表达量丰度矩阵，y_train与y_test为各项cfRNA妊娠期血压值升高概率贡献向量。训练数据集由妊娠早期对象实际测序值与高斯函数随机生成值共同构成。x_train与x_test为cfRNA表达量，其取值范围遵循实际测序值范围，利用高斯随机数生成器创建训练数据集和验证数据集，如式(1)所示：

其中，i∈[1,2,3,…,N]，rands()为高斯随机函数，Max()为向量取最大值运算，Min()为向量取最小值运算，M，Q分别为生成数量。

以妊娠早期对象实际测序样本EF[s，p]与RF[s，q]为依据，结合其人工判断先验知识，换算不同cfRNA指标对妊娠期血压值升高概率的贡献量(例如，妊娠期血压值较高者中cfRNA ENSG00000000460的表达量远高于对照组同指标，且为所有样本中最大值，则可认为发病概率贡献量为1，反之亦然)。因此样本妊娠期血压值升高概率向量集y_train与y_test由x_train与x_test，以及临床诊断信息得到。如式(2)(3)所示：

其中，i∈[1,2,3,…N]，avg()为求取均值运算。

最终得到维度为[M，N]的x_train与y_train，维度为[Q，N]的x_test与y_test。通过数据变化将其分别转换为[1,N,M]与[1，N，Q]。这里N＝s，M＝8000，Q＝1000，即8000例1xN的训练样本，与1000例1xN的验证样本。如表1所示：

表1神经网络训练数据集和验证数据集

S3、建立Full convolution DenseNet(FCDN)深度神经网络模型用于实现数据回归；

以cfRNA测序数据为输入量，妊娠期血压值升高为输出量，通过FCDN神经网路数据拟合建立端到端映射关系；根据大量数据集中cfRNA测序数据变化特征，利用深度神经网络中大量的卷积运算、池化运算等，提取特征值并整合，最终输出预测概率实现数据回归；

Full convolution DenseNet(FCDN)是全卷积深度神经网络的一种变形结构模型，具有优秀的数据拟合和多目标分类能力，在图像分割、数据预测等问题的应用具有较强优势。在本发明中，FCDN神经网络主要用于数据回归任务，建立cfRNA表达量与个体妊娠期血压值升高概率间映射关系，实现风险预测。

请参阅图3，FCDN神经网络结构由三部分构成：

1)输入层；

2)串联残差卷积模块；

3)输出层。

在FCDN神经网络中，Batch Normalization(BN)代表批正则化运算；Convolution2D(Conv)为二维卷积运算；Convolution Transpose(ConvT)为二维反卷积运算；Relu为非线性激活函数运行于卷积层中，Max pooling(MP)为最大池化运算，Dense为全连接层，Dropout(DP)为神经元比例舍弃运算。

网络模型的输入数据维度为(1,N,M)，即M例妊娠早期对象的1xN维cfRNA表达向量。与之对应的是(1,N,M)维概率向量，即M例样本对应的1xN维妊娠期血压值升高概率向量。

S302、FCDN神经网络模型工作原理：

cfRNA数据集x_train/x_test由输入层input分批进入FCDN神经网络模型，并通过卷积层Conv进行前级特征粗提取处理；随后全连接层Dense与并联支路add运算构成一种残差网络结构，将前级多维特征图整合重组，用于后续特征量精确提取环节；网络中的特征精提取模(TU)块由批正则化运算(BN)，带有Relu为非线性激活函数的卷积层Conv，Dropout(DP)为神经元比例舍弃运算与Max pooling(MP)最大池化运算四者构成。其主要作用是精确提取cfRNA数据集中表达量变化特征，同时完成了空间降采样处理。随后对特征图进行2级整合与2维卷积反变换实现了特征还原。在此基础上利用concatenation运算整合前级低维度与后级高维度特征信息，提高了网络模型的拟合能力。既能从宏观上拟合cfRNA各表达量与发病概率变化关系，又能提取数据的细节变化量信息。

最后利用卷积层Conv与全连接层Dense组合前级特征图张量，并作为输出层输出表征PE发病风险的(1,N,M)维概率向量。1xN代表某1例样本中N个cfRNA指标分别对发病概率的贡献值，M为样本数量。

S4、利用步骤S2得到的训练数据集和验证数据集对步骤S3建立的深度神经网络模型进行训练与验证，评估准确度，对应主题说明如何实现数据回归预测。

请参阅图4，利用FCDN神经网络对妊娠期血压值升高预测的工作流程如下：

1)读取经预处理后筛选得到的显著性差异cfRNA训练数据集；

2)建立FCDN神经网络模型，并利用数据集对网络模型进行训练；

3)经历多轮反复训练使预测量y_pred与标记量y_train损失值Loss

4)利用已训练好的FCDN神经网络模型对验证数据集x_test(与训练数据集数据x_train无重叠)的样本数据进行预测，得到妊娠期血压值升高概率最终结果。该结果后期可以与人工判断结论进行比较，进行精度评估。

预测结果若于临床诊断结果一致则可认为是可信结论，若存在出入则需要调整训练数据集，重新对FCDN神经网络进行训练，更新其参数。

S401、FCDN神经网络模型的训练；

要实现高效准确的妊娠期血压值升高风险预测，就需要对创建的初始FCDN神经网络模型进行训练，以得到最优的模型参数。在训练环节，损失函数loss表征训练预测输出值y_pred与标准值y_train存在的偏差采用平均绝对误差(Mean Absolute Error，MAE)作为损失函数，如式4所示：

其中，M为总样本数量，y[i]为训练数据集中妊娠期血压值升高概率向量，x[i]为训练数据集中cfRNA表达量向量，FCDN()为深度神经网络模型预测函数。训练环节中的模型优化器采用的是自适应运动估计算法(Adam optimization algorithm),如图5所示。

训练时cfRNA表达量数据集x_train被分批(Batch)输入至FCDN神经网络模型中，这里Batch＝64。得到对应的预测概率向量y_pred与PE发病概率真值y_train求取MAE损失值。然后通过优化器Adam对FCDN神经网络模型的各参数进行优化更新，通过多次循环迭代计算，最终在loss

在训练过程中，采用学习率衰减机制动态调节学习参数，如式5所示：

其中，LR为模型学习率参数，loss为损失值MAE，这里衰减系数a＝1，b＝0,c＝0.5。

由此可知，随着Loss值得不断降低，学习率也在不断减小。该策略具有提高模型训练稳定性的功能，减小训练后期Loss的震荡幅度。

S402、FCDN神经网络模型的验证策略；

为了验证模型的有效性，同时提出了FCDN神经网络模型的验证策略，如图6所示。

将训练数据集以外的验证数据x_test或其他妊娠早期对象cfRNA测序样本数据输入已训练的FCDN神经网络模型进行预测，再次得到y_pred即为最终的妊娠期血压值升高概率向量。对概率向量中各cfRNA贡献的概率值求取平均值即可得到个体最终的妊娠期血压值升高概率。将此概率与预设真值y_test比较即可评估网络模型的预测误差。此外为了将发明投入实际应用，后期将结合临床的PE的诊断结论，对数据集进行修正，再次训练FCDN神经网络模型，以得到精确度最优的FCDN神经网络模型。

S403、利用步骤S402完成神经网络的训练环节后得到的最优FCDN神经网络模型，直接基于个体样本的cfRNA表达量进行妊娠期血压值升高概率的预测。

本发明再一个实施例中，提供一种基于全卷积深度神经网络的数据回归预测系统，该系统能够用于实现上述基于FCDN神经网络及cfRNA的血压数据预测方法，具体的，该基于全卷积深度神经网络的数据回归预测系统包括测序模块、处理模块、网络模块以及预测模块。

其中，测序模块，对妊娠早期对象的血液样本进行cfRNA测序，提取血液样本的cfRNA测序表达量；

处理模块，对测序模块得到的血液样本cfRNA测序表达量进行数据预处理，筛选表征妊娠期血压值升高具有显著性差异的cfRNA测序数据指标，同时建立训练数据集和验证数据集；

网络模块，建立FCDN神经网络模型；

预测模块，利用处理模块得到的训练数据集对网络模块建立的FCDN神经网络模型进行训练，利用处理模块得到的验证数据集对训练好的FCDN神经网络模型进行验证得到最优的FCDN神经网络模型，利用最优的FCDN神经网络模型得到妊娠期血压值升高概率结果。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图7，由图中实验数据可知神经网络预测结果与测序值计算结果的具有较高的重合度。通过计算可得利用神经网路进行血压升高预测的精度可达95％，由图7中的数据可知，通过FCDN深度神经网络对PE预测的结果与真实数据计算的结果具有较高的一直性，仅在部分样本方面存在小幅度误差。通过计算所有结果的平均值，最终可得本方法数据的结果误差仅为5％。

综上所述，本发明一种基于FCDN神经网络及cfRNA的血压数据预测方法及系统，能够利用孕妇早期(12周)外周血样本的测序数据进行准确预测妊娠后期血压升高概率。该方法具有预测期早、预测准确率高、计算效率高等优势。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。