1.一种基于局部增强图卷积网络的癌症预后预测方法，其特征在于，包括以下步骤：S1：获取多组学数据和通路原始数据，并利用多组学数据路和通路原始数据构建无向图；

S2：对无向图进行局部增强；

S3：利用图卷积网络对局部增强后的无向图进行特征提取和特征融合，得到整体特征映射组合；

S4：根据整体特征映射组合，构建比例风险模型，将整体特征映射组合输入至比例风险模型中，确定患者生存风险；

比例风险模型F的表达式为：

式中，NE=1表示未删失的患者的数量，β表示多层感知器的参数向量，ti表示患者i的生存时间，tj表示患者j的生存时间， 表示患者i的特征嵌入，Ei表示第i个患者是否死亡，患者j的特征嵌入，Ei=1表示患者死亡，Ei=0表示患者存活。

2.根据权利要求1所述的基于局部增强图卷积网络的癌症预后预测方法，其特征在于，所述步骤S1中，对多组学数据进行缺失值处理和归一化处理，得到预处理后的多组学数据，并利用通路原始数据构建无向图。

3.根据权利要求1所述的基于局部增强图卷积网络的癌症预后预测方法，其特征在于，所述步骤S2包括以下子步骤：S21：在无向图中，设定中心节点，并根据中心节点和邻居节点生成潜在变量；

S22：根据中心节点、邻居节点以及潜在变量，生成证据下限模型；

S23：利用条件变分自编码器对证据下限模型依次进行训练和增强，完成对无向图的局部增强。

4.根据权利要求3所述的基于局部增强图卷积网络的癌症预后预测方法，其特征在于，所述步骤S22中，证据下限模型 的表达式为：式中，Xg表示中心节点的特征矩阵，Xu表示邻居节点的特征矩阵，θ表示生成参数，φ表示变分参数，M表示中心节点的邻居节点数，z表示潜在变量，qφ(•)表示后验分布函数，KL(•)表示KL散度函数，pθ(•)表示先验分布函数。

5.根据权利要求3所述的基于局部增强图卷积网络的癌症预后预测方法，其特征在于，所述步骤S23中，利用相邻对(Xg, Xu)对证据下限模型进行最大化，将潜在变量作为条件变分自编码器中解码器的输入，生成中心节点的增强特征矩阵，完成对无向图的局部增强，其中，Xg表示中心节点的特征矩阵，Xu表示邻居节点的特征矩阵。

6.根据权利要求1所述的基于局部增强图卷积网络的癌症预后预测方法，其特征在于，所述步骤S3中，将多组学数据的特征矩阵和多组学数据的增强特征矩阵作为图卷积网络的输入，进行特征提取和特征融合；其中，所述图卷积网络包括第一图卷积层和第二图卷积层，其计算公式分别为：(1) (2)

式中，H 表示第一图卷积层的输出，H 表示第二图卷积层的输出，X表示多组学数据(0) (1)的特征矩阵， 表示多组学数据的增强特征矩阵，W 表示第一图卷积层的参数矩阵，W表示第二图卷积层的参数矩阵，RELU(•)表示RELU函数，SELU(•)表示SELU函数， 表示正则化项。