【技術實現步驟摘要】
本專利技術涉及腫瘤篩查領域，特別涉及一種基于深度學習的肺部腫瘤早期篩查方法和系統。
技術介紹
1、目前，隨著醫學影像和微創生物標志物技術的發展，癌癥的準確檢測、表征和監測正面臨挑戰。腫瘤的影像學評估主要依賴于視覺評估，但高級計算分析可以增強其解釋。人工智能(ai)在臨床醫生對癌癥成像的定性解釋方面取得了重大進展，包括隨時間推移腫瘤的體積描繪，預測臨床結果，以及評估疾病和治療對鄰近器官的影響。
2、度學習方法在自動量化醫學成像數據中的影像特征方面取得了重大進展。這些方法可以自動從樣本圖像中學習特征表示，并已在任務特定的應用程序中匹配甚至超越人類的表現。在肺癌診斷中，人工智能技術已顯示出巨大的潛力，包括肺癌篩查與影像診斷、基因突變檢測、血液腫瘤標志物檢測、組織病理檢測以及臨床決策支持。例如，醫療ai技術，已經實現了大規模早期胰腺癌的篩查，其早期篩查模型的特異性達到了99.9％，檢測胰腺腫瘤的能力可達92.9％。深度學習算法、數據挖掘分析、自然語言處理、模式識別等是智能腫瘤學技術創新的主要方向。這些技術在腫瘤大數據分析、腫瘤的預防與篩查、早診早治、基于圖像識別技術的針對腫瘤影像學和病理學數據的輔助診療系統和預后預測模型的建立等方面得到應用。
3、但是，深度學習模型需要大量的高質量數據來進行訓練。在醫療領域，獲取大量標記良好的數據可能很困難，特別是對于罕見疾病或腫瘤類型。如果訓練數據存在偏差，那么模型可能會在特定人群或場景中表現不佳。例如，如果訓練數據主要來自特定年齡段或種族的患者，模型可能無法很好地泛化到其他人
技術實現思路
1、本專利技術提供一種基于深度學習的肺部腫瘤早期篩查方法和系統，用于解決上述
技術介紹
中的情況。
2、第一方面，本專利技術提出一種基于深度學習的肺部腫瘤早期篩查方法，包括：
3、獲取患者肺部的篩查數據和患者體質數據，確定不同篩查數據對應的肺部特征；
4、根據患者體質數據，對患者進行風險分級，其中，風險分級后每個風險等級的患者對應有唯一風險系數，且患者體質數據越低，唯一風險系數越大；
5、將肺部特征通過預設肺部腫瘤識別網絡進行特征融合，生成肺部腫瘤病理特征的篩查模型；
6、根據篩查模型，對肺部特征中不同腫瘤病理特征進行預測賦權，確定不同肺部腫瘤病理特征的腫瘤置信值；
7、設置評估閾值，并判斷肺部特征結合評估系數后腫瘤置信值是否在評估閾值范圍內，當腫瘤置信值在評估范圍內時，通過腫瘤置信值和唯一風險系數，判斷患者肺部存在腫瘤的實時風險值。
8、結合第一方面，所述篩查數據包括：肺部低劑量螺旋ct數據、肺部腫瘤標志物數據、肺部組織活檢數據、肺部細胞液數據或肺部熒光支氣管鏡數據。
9、結合第一方面，所述患者體質數據包括：肝部病變數據、肝部職業暴漏數據和肝部遺傳病數據。
10、結合第一方面，所述確定不同篩查數據對應的肺部特征，包括：
11、構建多源數據端口，通過多源數據端口對篩查數據進行劃分，并根據劃分結果，搭建肺部特征矩陣；
12、根據肺部特征矩陣，構建與肺部腫瘤特征關聯的腫瘤近鄰網絡圖；
13、根據腫瘤近鄰網絡圖，在不同肺部數據中提取高斯核函數和多項式核函數的肺部參數，生成目標高斯核函數和目標多項式核函數；
14、計算肺部特征矩陣中多源數據端口的數據內積；
15、根據目標高斯核函數將數據內積達到預設內積閾值的通道序列對映射到高斯核空間，以及，根據目標多項式核函數將數據內積小于預設內積閾值的通道序列對映射到多項式核空間；
16、在高斯核空間和多項式核空間中，根據映射后的各核空間的核矩陣分別提取各核空間的肺部特征；
17、根據肺部特征矩陣的類別標簽，將各核空間的信息素特征融合映射到組合核空間，獲得重構肺部特征矩陣；
18、對肺部特征矩陣矩陣進行降維，獲得肺部特征。
19、結合第一方面，所述根據患者體質數據，對患者進行風險分級，包括：
20、對患者體質數據按照風險角度進行劃分，生成多個評估項，其中，每個評估項對應患者一項與肺部腫瘤關聯的體質數據；
21、根據多個評估項的個數，確定患者的風險分級復雜度；
22、根據風險分級復雜度，設定風險疊加矩陣；
23、根據風險疊加矩陣，進行聚合計算，并根據聚合計算結果歸屬的風險分級區間，確定患者體質的風險等級。
24、結合第一方面，所述將肺部特征通過預設肺部腫瘤識別網絡進行特征融合，包括：
25、計算肺部特征和肺部腫瘤的相關度，并生成相關性特征向量；
26、根據相關性特征向量，通過特征演化的預設肺部腫瘤演化模型輸出對應的肺部特征分析數據，其中，分析數據為每個肺部特征在通過預設肺部腫瘤演化模型進行演化過程中，產生的演化預測數據；
27、將演化預測數據輸入預設肺部腫瘤識別網絡，確定每個肺部特征的演化特征；
28、通過演化特征，判斷每個肺部特征是否與肺部腫瘤相關，其中：
29、當肺部特征與肺部腫瘤相關時，將對應肺部特征通過預設肺部腫瘤識別網絡進行識別標注。
30、結合第一方面，所述預測賦權包括：
31、根據篩查模型，確定肺部特征中不同腫瘤病理特征的演化概率和演化方向；
32、通過演化概率和演化方向，搭建患者的演化函數；
33、設定關聯閾值，并判斷不同腫瘤病理特征的演化函數的關聯值；
34、根據每個腫瘤病理特征的關聯值在關聯閾值中的個數，確定預測賦權值。
35、結合第一方面，所述設置評估閾值包括：
36、通過預設肺部腫瘤數據庫，確定患者肺部腫瘤病理特征與肺部腫瘤關聯的第一特征數據；
37、對第一特征數據進行劃分，并輸入多個評估項窗口；
38、利用高斯分布的方法構建肺部腫瘤病理特征與評估項窗口的映射關系模型；
39、根據映射關系模型計算每個評估項窗口的概率分布和評估閾值。
40、結合第一方面，所述判斷患者肺部存在腫瘤的實時風險值，還包括：
41、獲取預設肺部腫瘤識別網絡的損失函數；
42、通過損失函數和實時風險值，輸出患者的肺部腫瘤篩查報告。
43、第二方面，一種基于深度學習的肺部腫瘤早期篩查系統，包括：
44、特征提取模塊：獲取患者肺部的篩查數據和患者體質數據，確定不同篩查數據對應的肺部特征；
45、風險分級模塊：根據患者體質數據，對患者進行風險分級，其中，風險分級后每個風險等級的患者對應有唯一風險系數，且患者體質數據越低，唯一風險系數越大；
46、特征融合模塊：將肺部特征通過預設肺部腫瘤識別網絡進行特征融合，生成肺部腫瘤病理特征的篩查模型；
47、賦權模塊：根據篩查模型，對肺部特征中不同腫瘤病理特征進行預測賦權，確定不同肺部本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，包括：
2.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述篩查數據包括：肺部低劑量螺旋CT數據、肺部腫瘤標志物數據、肺部組織活檢數據、肺部細胞液數據或肺部熒光支氣管鏡數據。
3.如權利要求2所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述患者體質數據包括：肝部病變數據、肝部職業暴漏數據和肝部遺傳病數據。
4.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述確定不同篩查數據對應的肺部特征，包括：
5.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述根據患者體質數據，對患者進行風險分級，包括：
6.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述將肺部特征通過預設肺部腫瘤識別網絡進行特征融合，包括：
7.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述預測賦權包括：
8.如權利要求1所述的一種基于深度學
9.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述判斷患者肺部存在腫瘤的實時風險值，還包括：
10.一種基于深度學習的肺部腫瘤早期篩查系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，包括：
2.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述篩查數據包括：肺部低劑量螺旋ct數據、肺部腫瘤標志物數據、肺部組織活檢數據、肺部細胞液數據或肺部熒光支氣管鏡數據。
3.如權利要求2所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述患者體質數據包括：肝部病變數據、肝部職業暴漏數據和肝部遺傳病數據。
4.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其特征在于，所述確定不同篩查數據對應的肺部特征，包括：
5.如權利要求1所述的一種基于深度學習的肺部腫瘤早期篩查方法，其...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。