基于知识图谱的人工智能肾肿瘤预测系统技术方案

本发明专利技术涉及人工智能技术领域，具体地说，涉及基于知识图谱的人工智能肾肿瘤预测系统。包括基础数库单元、训练学习单元、辅助诊断单元和功能应用单元；基础数库单元用于对海量的实例数据进行处理分析并构建知识库；训练学习单元用于搭建知识图谱及训练模型并对训练模型进行深度学习；辅助诊断单元用于通过对肿瘤检查图像进行识别预测；功能应用单元用于通过增加多种应用服务来完善系统的功能性。本发明专利技术设计基于知识图谱和人工智能算法建立全谱系的肾肿瘤关联图，依据知识图谱进行肿瘤的分类及特征提取，并对肿瘤位置进行检测、标注，用于辅助影像诊断，使得肿瘤的预测能够有效、准确，从而指导临床诊疗决策，避免不必要的手术，使患者从中获益。

【技术实现步骤摘要】
基于知识图谱的人工智能肾肿瘤预测系统
本专利技术涉及人工智能
，具体地说，涉及基于知识图谱的人工智能肾肿瘤预测系统。
技术介绍
肾细胞癌(RCC)占肾脏恶性肿瘤的85％，全球每年新发病例达到65000。在缺少组织学诊断的情况下，影像学诊断为肾癌的肾肿瘤即达到了手术切除的指征，这导致了许多良性肾肿瘤的过度诊疗。据报道，大约20％的手术切除的肾脏肿瘤术后被证实是良性的，这对所有可疑病变手术的必要性提出了挑战，因为患者暴露于同时存在的风险和发病率。无创术前影像技术，如超声、CT和MRI，被广泛应用于肾脏肿瘤的表征。但CT和MRI在鉴别良性、无痛性肿瘤(如嗜酸细胞瘤和血管平滑肌脂肪瘤(AML))与侵袭性恶性肾脏肿瘤方面的敏感性和特异性有限。经皮肾穿刺活检术的漏诊率达20％，另有10％的病人因为误诊而造成不必要的切除。尤其是对于体积的肾肿瘤，影像学的诊断远远无法满足需求。其中，增强CT检查是肾脏肿瘤患者术前的常规检查手段，有助于临床医生评估肿瘤大小、内部分化程度、肿瘤进展程度等，但当前依据人眼进行鉴别的准确率仍较低，造成了患者的健康财产损失。...

【技术保护点】
1.基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：包括/n基础数库单元(100)、训练学习单元(200)、辅助诊断单元(300)和功能应用单元(400)；所述基础数库单元(100)的信号输出端与所述训练学习单元(200)的信号输入端连接，所述训练学习单元(200)的信号输出端与所述辅助诊断单元(300)的信号输入端连接，所述辅助诊断单元(300)的信号输出端与所述功能应用单元(400)的信号输入端连接；所述基础数库单元(100)用于获取海量的实例数据并对数据进行处理分析，将各种肿瘤相关的影像数据构建知识库；所述训练学习单元(200)用于以数据库为基础搭建知识图谱及训练模型并通过对训练模型的...

【技术特征摘要】
1.基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：包括
基础数库单元(100)、训练学习单元(200)、辅助诊断单元(300)和功能应用单元(400)；所述基础数库单元(100)的信号输出端与所述训练学习单元(200)的信号输入端连接，所述训练学习单元(200)的信号输出端与所述辅助诊断单元(300)的信号输入端连接，所述辅助诊断单元(300)的信号输出端与所述功能应用单元(400)的信号输入端连接；所述基础数库单元(100)用于获取海量的实例数据并对数据进行处理分析，将各种肿瘤相关的影像数据构建知识库；所述训练学习单元(200)用于以数据库为基础搭建知识图谱及训练模型并通过对训练模型的深度学习来提高识别模型的判识准确概率；所述辅助诊断单元(300)用于通过识别模型的智能算法来对肿瘤检查图像进行识别预测以实现辅助诊断的功能；所述功能应用单元(400)用于通过增加多种应用服务来完善系统的功能性；
所述基础数库单元(100)包括数据采集模块(101)、数据预处理模块(102)、信息挖掘模块(103)和知识融合模块(104)；
所述训练学习单元(200)包括知识图谱模块(201)、模型训练模块(202)、深度学习模块(203)和场景应用模块(204)；
辅助诊断单元(300)包括图像预处理模块(301)、特征标注模块(302)、类型预测模块(303)和识别输出模块(304)；
所述功能应用单元(400)包括决策支持模块(401)、诊断监测模块(402)和病历存档模块(403)。


2.根据权利要求1所述的基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：所述数据采集模块(101)的信号输出端与所述数据预处理模块(102)的信号输入端连接，所述数据预处理模块(102)的信号输出端与所述信息挖掘模块(103)的信号输入端连接，所述信息挖掘模块(103)的信号输出端与所述知识融合模块(104)的信号输入端连接；所述数据采集模块(101)用于采集获取各医疗机构公开的大量肿瘤病症实例及对应的增强CT检查图像信息；所述数据预处理模块(102)用于对采集的数据进行清洗、分类、语义转换、剪切、合并、标注等处理；所述信息挖掘模块(103)用于采用知识图谱挖掘的方法对这些影像数据信息进行挖掘，从而给知识图谱构建提供充分的数据基础；所述知识融合模块(104)用于通过本体对齐和实体匹配的方法将基础数据与挖掘出的肿瘤知识数据进行融合。


3.根据权利要求1所述的基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：所述知识图谱模块(201)的信号输出端与所述模型训练模块(202)的信号输入端连接，所述模型训练模块(202)的信号输出端与所述深度学习模块(203)的信号输入端连接，所述深度学习模块(203)的信号输出端与所述场景应用模块(204)的信号输入端连接；所述知识图谱模块(201)用于进行知识图谱的建库并建立数据挖掘和知识图谱结构之间的逻辑关系和数学模型，以便从知识图谱中提取潜在性的有用的信息发现，进而得到近似的推理结果；所述模型训练模块(202)用于搭建学习训练模型来训练数据库中存储的肿瘤数据；所述深度学习模块(203)用于搭建人工智能深度学习算法并引入各种人工智能算法来对训练模型进行深度学习；所述场景应用模块(204)用于根据应用场景的不同对知识图谱进行检测分类并设定不同的预测结果的展示方式。


4.根据权利要求3所述的基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：所述模型训练模块(202)包括时序模型模块(2021)、关系模型模块(2022)、因果关系模块(2023)和近似推理模块(2024)；所述时序模型模块(2021)、所述关系模型模块(2022)与所述因果关系模块(2023)并列运行，所述时序模型模块(2021)、所述关系模型模块(2022)、所述因果关系模块(2023)的信号输出端均与所述近似推理模块(2024)的信号输入端连接；所述时序模型模块(2021)用于通过马尔科夫网络算法来建立时序模型以对训练数据的时序属性进行标记及对比；所述关系模型模块(2022)用于通过马尔科夫网络算法来建立关系模型以对训练数据的相关性进行分析；所述因果关系模块(2023)用于通过贝叶斯网络算法来建立因果关系模型以对训练数据的因果关系进行相关性分析及计算其相关概率；所述近似推理模块(2024)用于结合训练数据的时序、关系、因果关系等属性，通过近似推理的方法，获取预测识别的支持依据。


5.根据权利要求4所述的基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：所述因果关系模块(2023)中，计算相关性概率时采用朴素贝叶斯算法，其计算公式为：






其中，X为给定集，P(Ci|X)为X属于类Ci的后验概率，P(X|Ci)为按条件独立的属性归类的概率。


6.根据权利要求1所述的基于知识图谱的人工智能肾肿瘤预测系统，其特征在于：所述图像预处理模块(301)的信号输出端与所述特征标注模块(302)的信号输入端连接，所述特征标注模块(302)的信号输出端与所述类型预测模块(303)的信号输入端连接，所...

【专利技术属性】
技术研发人员：牛海涛，焦伟，王子杰，李建飞，张铭鑫，秦斐，褚光迪，苑航，
申请(专利权)人：青岛大学附属医院，
类型：发明
国别省市：山东;37