一种PTMC颈部淋巴结转移辅助诊断方法技术

本发明专利技术涉及一种PTMC颈部淋巴结转移辅助诊断方法，包括步骤：S101：建立用于诊断PTMC颈部淋巴结转移的分类模型；S102：获取目标患者的相关病理数据；S103：将所述相关病理数据输入至所述分类模型，并获取所述分类模型的输出结果；S104：根据所述输出结果确定所述目标患者的PTMC颈部淋巴结转移状态信息。本发明专利技术通过构建用于诊断PTMC颈部淋巴结转移状态的分类模型，就可以基于目标患者的相关病理数据智能化的计算出患者的PTMC颈部淋巴结转移状态，辅助医生给出可靠的诊断结论，防止误诊、漏诊。漏诊。漏诊。

【技术实现步骤摘要】
一种PTMC颈部淋巴结转移辅助诊断方法

：
[0001]本专利技术涉及疾病诊断
，特别涉及一种甲状腺微小乳头状癌(papillary thyroid microcarcinoma,PTMC)颈部淋巴结转移辅助诊断方法。

技术介绍
：
[0002]甲状腺癌发病率在全球范围内快速增长，是年增长率最快的实体恶性肿瘤，这其中大多数新发病例都是甲状腺微小乳头状癌(papillary thyroid microcarcinoma,PTMC)，即肿瘤直径≤1cm的甲状腺乳头状癌。根据国家的不同，PTMC在新发甲状腺癌中的比例在40％
‑
50％间浮动。
[0003]PTMC患者颈部淋巴结的转移与否，是PTMC患者治疗时的一个关键性指标，医生对患者的众多病理检查数据进行比对，得出一个PTMC患者颈部淋巴结是否转移的结论，而现实中，经常出现患者病理检测数据的缺失，甚或某些病理检查数据的错误等现象，这些会造成医生的漏诊、误诊，耽误病人的治疗。目前国内外尚无方法对PTMC患者颈部淋巴结的转移与否进行有效诊断。
[0004]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路
：
[0005]本专利技术的目的在于提供一种PTMC颈部淋巴结转移辅助诊断方法，以弥补现有技术的空白，为医生诊断PTMC颈部淋巴结转移提供一个可靠的参考依据。
[0006]基于该专利技术目的，专利技术人站在人工智能技术的角度，通过近些年人工智能的飞速发展，了解到人工智能在语音、图像、视频等领域的应用取得了突破性的进展，想到利用机器的深度学习技术来构建用于诊断PTMC颈部淋巴结转移的分类模型，以达到给出医生诊断时的合理建议，。
[0007]据此，本专利技术提供了一种PTMC颈部淋巴结转移辅助诊断方法，包括以下步骤：
[0008]S101：建立用于诊断PTMC颈部淋巴结转移的分类模型；
[0009]S102：获取目标患者的相关病理数据；
[0010]S103：将所述相关病理数据输入至所述分类模型，并获取所述分类模型的输出结果；
[0011]S104：根据所述输出结果确定所述目标患者的PTMC颈部淋巴结转移状态信息。
[0012]通过构建用于诊断PTMC颈部淋巴结转移状态的分类模型，就可以基于目标患者的相关病理数据智能化的计算出患者的PTMC颈部淋巴结转移状态，给出可靠的诊断建议，防止误诊、漏诊。
[0013]在一些实施方式中，上述步骤S101的分类模型是基于机器学习算法实现。
[0014]在一些实施方式中，上述步骤S101建立用于诊断PTMC颈部淋巴结转移的分类模型包括以下步骤：
[0015]S201：获取样本患者的相关病理数据；
[0016]S202：为所述相关病理数据设置对应的分类标识，生成训练集；
[0017]S203：将所述训练集输入至机器学习算法中进行训练，生成用于诊断PTMC颈部淋巴结转移的分类模型。
[0018]在一些实施方式中，上述步骤S202生成训练集包括以下步骤：
[0019]S301：获取样本并统计样本患者相关病理数据缺失量；
[0020]S302：对病理数据缺失量进行判断，缺失量大于阈值时，执行步骤S303；
[0021]否则执行步骤S304；
[0022]S303：删除样本，后执行步骤S301；
[0023]S304：给缺失的病理数据补上该病理数据的平均值；
[0024]S305：对离散的病理数据进行连续化处理；
[0025]S306：为相关病理数据设置对应的分类标识，加入训练集；
[0026]S307：统计训练集中样本数量；
[0027]S308：对样本数量进行判断，样本数量大于等于预设值时，训练集生成
[0028]结束，否则执行步骤S309；
[0029]S309：随机自动产生样本，后执行步骤S301。
[0030]在一些实施方式中，上述相关病理数据至少包括性别、年龄、病理、肿块横径、肿块纵径、位置、纵横比、边界、形态、回声、钙化灶、血流、贴近包膜、肿块内横波声速、超声诊断淋巴结、弹性评分、弹性成像贴近和突破包膜。
[0031]在一些实施方式中，上述机器学习算法采用Light GBM算法。
[0032]本专利技术的另一方面，提供了一种计算机存储媒介，其上存储有计算机程序，该程序被处理器执行时，实现上述PTMC颈部淋巴结转移辅助诊断方法的步骤。
附图说明：
[0033]图1为本专利技术一实施方式的PTMC颈部淋巴结转移辅助诊断方法的方法流程图；
[0034]图2为本专利技术一实施方式的建立用于诊断PTMC颈部淋巴结转移状态的分类模型方法流程图；
[0035]图3为本专利技术一实施方式的生成训练集的方法流程图；
[0036]图4为本专利技术一实施方式的Light GBM建立决策树策略示意图。
具体实施方式：
[0037]下面对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0038]除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
[0039]为实现本专利技术的目的，本专利技术的专利技术人构思通过深度学习来构建用于诊断PTMC颈部淋巴结转移状态的分类模型，在选取具体采用的模型时，优先采用了Light GBM算法，Light GBM算法属于监督学习范畴，它具有更快的训练速度和效率、更低的内存使用、更高
的准确率等特点，同时还支持并行化学习，处理大规模数据上也有明显的优势。
[0040]Light GBM是梯度提升决策树的一种高效实现，是将损失函数的负梯度作为当前决策的残差近似值，去拟合新的决策树，即每一次迭代都保留原来的模型不变，再加入一个新的函数到模型中，使预测值不断逼近真实值。
[0041]训练目标函数如下，其中，y
i
为标签的真实值，为第K
‑
1次学习的结果，c
K
‑1为当前K
‑
1棵树的正则化项和，目标函数的含义为寻找一棵合适的树f
k
使得函数的值最小。
[0042][0043]如图4所示，Light GBM模型在建立决策树时采用按叶生长(Leaf
‑
wise)策略代替按层生长(Leval
‑
wise)策略，并增加最大深度的限制，在保证效率的同时防止过拟合。采用单边梯度采样保留梯度较大的实例，对梯度较小的实例进行随机抽样，用更小的数据量获得精确的信息增益估计。同时采用互斥特征合并将一定的冲突比率内互斥的特征进行合并，以达到降维的效果，且不会造成信息丢失。因此Light本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PTMC颈部淋巴结转移辅助诊断方法，其特征在于：包括以下步骤：S101：建立用于诊断PTMC颈部淋巴结转移的分类模型；S102：获取目标患者的相关病理数据；S103：将所述相关病理数据输入至所述分类模型，并获取所述分类模型的输出结果；S104：根据所述输出结果确定所述目标患者的PTMC颈部淋巴结转移状态信息。2.根据权利要求1所述的一种PTMC颈部淋巴结转移辅助诊断方法，其特征在于：所述步骤S101的分类模型是基于机器学习算法实现。3.根据权利要求2所述的一种PTMC颈部淋巴结转移辅助诊断方法，其特征在于：所述步骤S101建立用于诊断PTMC颈部淋巴结转移的分类模型包括以下步骤：S201：获取样本患者的相关病理数据；S202：为所述相关病理数据设置对应的分类标识，生成训练集；S203：将所述训练集输入至机器学习算法中进行训练，生成用于诊断PTMC颈部淋巴结转移的分类模型。4.根据权利要求3所述的一种PTMC颈部淋巴结转移辅助诊断方法，其特征在于：所述步骤S202生成训练集包括以下步骤：S301：获取样本并统计样本患者相关病理数据缺失量；S302：对病理数据缺失量进行判断，缺...

【专利技术属性】
技术研发人员：娄可新，吴蓉，陈刚，
申请(专利权)人：上海市第一人民医院江苏易用科技有限公司，
类型：发明
国别省市：