面向液基细胞学检查的融合推理与学习的决策分类方法技术

本发明专利技术公开一种面向液基细胞学检查的融合推理与学习的决策分类方法，包括如下步骤：1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。本发明专利技术融合知识推理和机器学习两种途径，在提升分类准确率的同时，通过演进方法使结果拥有可解释性，并且逐渐提高了结果的可靠性。

【技术实现步骤摘要】
面向液基细胞学检查的融合推理与学习的决策分类方法
本专利技术属于计算机软件开发领域，具体涉及一种融合推理与学习的决策分类方法。
技术介绍
宫颈癌是严重的健康问题之一，全世界每年有近50万妇女患此病。使用巴氏涂片筛查宫颈癌开创了宫颈癌筛查的先河，随着计算机技术逐渐应用于医学领域中，TCT联合描述性诊断(TBS)的筛查方法成为了现今广泛使用的高准确率的宫颈癌筛查技术。液基细胞学检查(TCT)技术能够有效地降低宫颈病变漏诊率，但TCT检查的人工成本比较高。筛查所需的子宫颈细胞样本中包含成千上万个子宫颈细胞，医师在显微镜下对其进行观察诊断的过程非常耗时耗力。因此，使用人工智能技术对子宫颈细胞样本图像进行宫颈癌筛查是有极大意义的。宫颈细胞图像的自动化识别研究在很早就已经开展。目前，人工智能技术仍然主要应用于医学图像，以辅助医师进行癌症筛查，本专利技术也是通过融合知识推理和机器学习这两种人工智能技术来对宫颈鳞状上皮细胞图像进行分类。关于知识推理，它是在计算机或智能系统中模拟人类的智能推理方式，依据推理控制策略，利用形式化的知识进行机器思维和求解问题的过程。当前已存在一些比较成熟的知识推理方法，一种经典的推理方法是规则推理，它把相关领域的专家知识形式化的描述出来，形成系统规则，这些规则表示着该领域的一些问题与这些问题相应的答案，可以利用它们来模仿专家在求解中的关联推理能力。此外，人们还提出了基于一阶逻辑学习算法推理以及基于本体推理等知识推理方法。在机器学习方面，它是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一，其经过几十年的发展已成为如今人工智能技术中最重要的一环。机器学习模型一般被分成两种，一种是判别式模型，它能清晰地分辨出多类或某一类与其他类之间的差异特征，适用于较多类别的识别且模型更简单，目前应用范围较为广泛；另一种是深度生成模型，其研究单类问题比判别式模型更灵活，模型可以通过增强学习得到，且能用于数据不完整的情况，例如本专利技术中使用到的目标特征聚类神经网络——变分自编码器(VAE)。VAE是基于变分贝叶斯(VariationalBayes,VB)推断的生成式网络结构，如今它在深度生成模型领域得到越来越多的研究和应用。虽然知识推理和机器学习都得到了极大的发展，但许多现实中复杂的问题并不能仅仅通过其中一个技术来解决。感知和推理是人类基本的能力，然而在当前的机器学习系统中，感知和推理模块是很难兼容的。神经网络很难具有推理的能力，同样，逻辑推理也很难具有学习的能力，因此，神经网络和逻辑推理结合是解决现实复杂问题的发展必然趋势。
技术实现思路
专利技术目的：本专利技术目的在于针对现有技术的不足，提供一种面向TCT的融合推理与学习的决策分类方法。一方面，本专利技术实现导入机器学习结果的知识规则推理，对宫颈鳞状上皮细胞图像进行类型识别；另一方面，本专利技术结合推理结果和机器学习结果进行演进，计算推理结果和目标特征聚类器结果的置信度，并且根据两个结果和它们的置信度来分析处理多种情况。融合知识推理和机器学习两种途径来提高分类结果的精确度和可靠性。技术方案：本专利技术所述面向液基细胞学检查的融合推理与学习的决策分类方法，包括如下步骤：1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。本专利技术进一步优选地技术方案为，步骤1)的数据和本体准备包含构建训练目标特征聚类神经网络的数据集、构建宫颈癌筛查本体、提取子特征、构建训练子特征分类神经网络的数据集，以及添加实体数据。作为优选地，构建训练目标特征聚类神经网络的数据集是由TCT细胞切片图像使用深度学习分割网络U-Net将这些细胞切片图像上的细胞分割下来，得到单个宫颈鳞状上皮细胞图像，在其中选取成像清晰且分割效果较好的细胞图像，作为数据集的组成部分。优选地，宫颈癌筛查本体通过自下而上的方法构建，关联特征是依据已构建好的宫颈鳞状上皮细胞图像数据集和宫颈癌筛查本体，将宫颈癌筛查知识中高频提及的概念与细胞图像特征相互对应、关联选取，并作为子特征分类器的分类标准。优选地，步骤2)中神经网络和规则构建包含搭建并训练目标特征聚类神经网络模型、搭建并训练子特征分类神经网络模型，以及构建宫颈癌筛查规则。优选地，目标特征聚类器通过训练VAE得到，它直接对宫颈鳞状上皮细胞图像进行无监督聚类，子特征分类器通过训练卷积神经网络CNN得到，分别按照步骤1)中提取的子特征的标准对细胞图像进行分类；推理规则由专家知识转化为SWRL语言获得。优选地，步骤3)的知识推理与神经网络融合包含实现支持机器学习结果的知识规则推理、结合推理结果和机器学习结果进行演进，以及分析处理结果。优选地，知识推理与神经网络融合的具体方法为：将一个待分类细胞喂给目标特征聚类器和子特征分类器，目标特征聚类器的结果为分类结果1；子特征分类器的结果转化为本体中对应概念的实体和实体关系，通过规则推理得到分类结果2；结合推理结果和机器学习结果进行演进，分别计算分类结果1和分类结果2的置信度，根据两个结果和它们的置信度分析处理多种情况，由于情况的不同最终处理结果也不同，包括：①输出结果，使用规则解释结果；②人工选取正确的分类结果，迭代优化框架中的内容；③输出结果，迭代优化框架中的内容；④结果无效，不输出结果。有益效果：(1)本专利技术步骤2)中本体描述了领域知识的概念以及概念之间的关系，数据和本体之间的关联数据特征作为目标特征的子特征，是后续训练子特征分类器的标准；步骤3)中目标特征聚类器直接对数据进行无监督聚类，多个子特征分类器分别按照步骤2)提取到的子特征的标准来分类数据，推理规则描述了从子特征到目标特征之间的逻辑关系，由专家知识转化而来。步骤4)中创新地融合了知识推理和神经网络，将步骤3)得到的子特征分类器的结果转化为实体和实体间的关系进行知识规则推理，并且实现了推理结果结合机器学习结果的演进方法，即引入置信度概念，根据推理结果、机器学习结果、二者的置信度来分析处理多种情况，由于情况的不同最终处理结果也不同。(2)本专利技术提出融合推理和学习的决策分类方法框架，并使用该框架对宫颈鳞状上皮细胞图像进行类型识别，得到支持子特征分类器结果的规则推理结果，以及目标特征聚类器结果，结合二者进行演进，根据推理结果、目标特征聚类器结果、二者的置信度来分析处理多种情况。本专利技术创新地将知识推理和机器学习两种途径结合在一起，使分类框架同时拥有推理和感知能力。该分类框架不仅提升了分类结果的精确率，还使得结果拥有可解释性，并由于迭代优化的处理而逐渐提高了结果的可靠性。(3)本专利技术的主要创新之处和价值在于，在同一模块本文档来自技高网...

【技术保护点】
1.一种面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，包括如下步骤：/n1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；/n2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；/n3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。/n

【技术特征摘要】
1.一种面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，包括如下步骤：
1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；
2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；
3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。


2.根据权利要求1所述的面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，步骤1)的数据和本体准备包含构建训练目标特征聚类神经网络的数据集、构建宫颈癌筛查本体、提取子特征、构建训练子特征分类神经网络的数据集，以及添加实体数据。


3.根据权利要求2所述的面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，构建训练目标特征聚类神经网络的数据集是由TCT细胞切片图像使用深度学习分割网络U-Net将这些细胞切片图像上的细胞分割下来，得到单个宫颈鳞状上皮细胞图像，在其中选取成像清晰且分割效果较好的细胞图像，作为数据集的组成部分。


4.根据权利要求3所述的面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，宫颈癌筛查本体通过自下而上的方法构建，关联特征是依据已构建好的宫颈鳞状上皮细胞图像数据集和宫颈癌筛查本体，将宫颈癌筛查知识中高频提及的概念与细胞图像特征相互对应、关联选取，并作为子特征分类器的分类标准。

【专利技术属性】
技术研发人员：康达周，李迪媛，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32