一种基于多类型医学数据的pCR预测方法技术

本发明专利技术公开了一种基于多类型医学数据的pCR预测方法。本发明专利技术从医疗部门获取临床数据、CT诊断报告和肠镜图像；使用临床数据来训练SVM，使用CT诊断报告来迁移学习训练BERT，使用肠镜图像来迁移学习训练Faster‑RCNN模型；将待预测患者的临床数据、CT诊断报告和肠镜图像输入到训练好的三个模型中得到预测的pCR概率p

A prediction method of PCR based on multi type medical data

【技术实现步骤摘要】
一种基于多类型医学数据的pCR预测方法
本专利技术涉及机器学习、计算机视觉和自然语言处理领域，具体涉及一种基于多类型医学数据的pCR预测方法。
技术介绍
进展期中低位直肠癌的标准治疗方案是先对患者进行新辅助放化疗，然后进行根治性手术，即对病灶区域进行根治性切除。医生通过对手术切下来的病灶组织进行病理学检查，发现大概有10％到20％的病人在经过化疗之后就已经痊愈，也就是说进行了不必要的手术。如果能够在手术前就找出新辅助治疗后pCR(病理完全缓解)的病人，使其避免进行不必要的手术，而是采取“wait&see”策略，对于患者而言，意义十分重大。但是目前来讲，对于新辅助治疗后直肠癌患者的pCR判定，在医学上没有一套统一的标准。现阶段，人工智能已经渗透到医学的各个领域，应用在日常场景下的各项任务，如图像分类、物体检测和自然语言处理等都可以迁移到相应的医学数据当中。机器学习中的分类器，如SVM(支持向量机)、随机森林等可以基于医学数据的特征完成分类任务；BERT(Transformer双向编码器表示)是GoogleAILanguage开发的本文档来自技高网...

【技术保护点】
1.一种基于多类型医学数据的pCR预测方法，其特征在于，所述方法包括：/n从医疗部门获取临床数据、CT诊断报告和肠镜图像，对这三种医学数据进行预处理，输出归一化后的临床数据的特征、定长向量表示的CT诊断报告，以及固定尺寸归一化后的肠镜图像，并分为三种医学数据各自的训练集和验证集；/n使用得到的归一化后的临床数据的特征的训练集来训练SVM，使用得到的定长向量表示的CT诊断报告的训练集来迁移学习训练BERT模型，使用得到的固定尺寸归一化后的肠镜图像的训练集来迁移学习训练Faster-RCNN模型；/n将待预测患者的临床数据输入到训练好的SVM中得到预测的pCR概率p

【技术特征摘要】
1.一种基于多类型医学数据的pCR预测方法，其特征在于，所述方法包括：
从医疗部门获取临床数据、CT诊断报告和肠镜图像，对这三种医学数据进行预处理，输出归一化后的临床数据的特征、定长向量表示的CT诊断报告，以及固定尺寸归一化后的肠镜图像，并分为三种医学数据各自的训练集和验证集；
使用得到的归一化后的临床数据的特征的训练集来训练SVM，使用得到的定长向量表示的CT诊断报告的训练集来迁移学习训练BERT模型，使用得到的固...

【专利技术属性】
技术研发人员：曾坤，舒丁飞，周凡，林格，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44