1.一種鼻咽癌人工智能輔助診療決策終端，其特征在于，所述診療決策終端響應(yīng)于用戶指令與診療決策服務(wù)器集群進(jìn)行數(shù)據(jù)交互，并以可視化的方式為用戶提供診療決策服務(wù)；

所述診療決策終端用于選擇第一模型、第二模型、第三模型、第四模型和/或第五模型為用戶提供診療決策服務(wù)；

所述第四模型通過下述操作得到：

對(duì)多組學(xué)數(shù)據(jù)進(jìn)行整合分析，建立經(jīng)質(zhì)量評(píng)估后的數(shù)據(jù)存儲(chǔ)模型，所述多組學(xué)數(shù)據(jù)為第一數(shù)據(jù)、第二數(shù)據(jù)和基因數(shù)據(jù)中的多種，其中第一數(shù)據(jù)、第二數(shù)據(jù)和基因數(shù)據(jù)都是組學(xué)數(shù)據(jù)；

全面系統(tǒng)探究多組學(xué)數(shù)據(jù)之間的關(guān)聯(lián)性，建立基于多組學(xué)數(shù)據(jù)整合的第四模型，第四模型中包括公共發(fā)現(xiàn)模型，所述公共發(fā)現(xiàn)模型通過下述方法得到：

在張量表達(dá)和矩陣表達(dá)的框架下，提出面向張量描述的特征模型；建立基于先驗(yàn)知識(shí)約束的張量配對(duì)能量方程；分析特征張量描述方法、先驗(yàn)知識(shí)約束設(shè)計(jì)、張量配對(duì)方法與局部公共子結(jié)構(gòu)的內(nèi)在關(guān)系；測(cè)試模型的魯棒性；針對(duì)海量數(shù)據(jù)，建立約束問題分解機(jī)制，優(yōu)化求解，得到公共發(fā)現(xiàn)模型；

所述多組學(xué)數(shù)據(jù)通過下述方法進(jìn)行整合：

S1.建立面向多組學(xué)數(shù)據(jù)的矩陣分解模型，將多維數(shù)據(jù)分解到同一個(gè)基空間中，分析系數(shù)矩陣之間的互動(dòng)關(guān)系，發(fā)現(xiàn)基因靶點(diǎn)與圖像表型、腫瘤分期分級(jí)之間的動(dòng)態(tài)關(guān)聯(lián)；

S2.建立面向多組學(xué)數(shù)據(jù)的張量分解模型，通過采用三個(gè)隱式變量基空間的方法，將多組學(xué)數(shù)據(jù)分解到三個(gè)基空間中，提取出獨(dú)立于多組學(xué)數(shù)據(jù)的中心核張量，研究核張量間的公共關(guān)系，以發(fā)現(xiàn)其公共關(guān)聯(lián)，研究在不同約束下，隱式變量基空間的分解特性，設(shè)計(jì)面向多約束中心核張量的關(guān)聯(lián)函數(shù)；

S3.建立基于張量描述的張量配對(duì)模型，設(shè)計(jì)單組學(xué)數(shù)據(jù)的張量特征描述方法，研究張量特征維數(shù)和定量描述對(duì)張量配對(duì)的影響；設(shè)計(jì)特征張量的配對(duì)方法，構(gòu)建基于先驗(yàn)知識(shí)約束的張量配對(duì)模型；

S4.針對(duì)分析結(jié)果建立公共模塊發(fā)現(xiàn)模型，整合模型優(yōu)化函數(shù)，所述整合模型優(yōu)化函數(shù)為公共發(fā)現(xiàn)模型的核心內(nèi)容，用于在多組學(xué)數(shù)據(jù)中挑選出對(duì)鼻咽癌患者預(yù)后具備指向性的指標(biāo)：

Subjectto：X_i，j∈{0，1}

XI₁≤b₁

X^TI₂≤b₂，其中H表示組學(xué)數(shù)據(jù)S₁和S₂之間的相似度，X表示分配矩陣，表示數(shù)據(jù)S₁內(nèi)部特征關(guān)聯(lián)關(guān)系，表示數(shù)據(jù)S₂內(nèi)部特征關(guān)聯(lián)關(guān)系，公式第一項(xiàng)表示分配矩陣X滿足相似度矩陣H的分布，第二項(xiàng)和第三項(xiàng)分別表示融入了數(shù)據(jù)S₁和數(shù)據(jù)S₂的先驗(yàn)知識(shí)，第四項(xiàng)表示分配矩陣具有稀疏性，從而解釋數(shù)據(jù)S₁和數(shù)據(jù)S₂之間的關(guān)聯(lián)關(guān)系，L_M為歸一化拉普拉斯矩陣，根據(jù)拉普拉斯矩陣性質(zhì)，得到以下公式

求解上述最優(yōu)化函數(shù)，獲得數(shù)據(jù)整合結(jié)果。