多模态融合驱动的职业性尘肺病智能筛查方法技术

本发明专利技术是一种基于人工智能技术的职业性尘肺病智能筛查方法，利用图像和文本模态数据构建基于支持向量机和卷积神经网络的多模态融合驱动的深度学习模型进行职业性尘肺病的筛查，它包括两个阶段：首先，根据已有的职业性尘肺病患者的各项数据指标，利用支持向量机初步诊断是否患有职业性尘肺病；其次，基于已筛查出的职业性尘肺病患者及其X线胸片图像数据，利用卷积神经网络诊断职业性尘肺病的期别。本发明专利技术实现了职业性尘肺病的分期诊断，帮助医生提高诊断效率，降低漏诊率及误诊率，使患者得到及时有效的治疗。患者得到及时有效的治疗。患者得到及时有效的治疗。

【技术实现步骤摘要】
多模态融合驱动的职业性尘肺病智能筛查方法


[0001]本专利技术涉及职业性尘肺病筛查
，尤其涉及到基于深度学习技术的人工智能筛查方法。

技术介绍

[0002]职业性尘肺病是一种肺间质性疾病，它是由于长期吸入某些损害肺部的粉尘颗粒而引起的，严重危害广大劳动者的身体健康,只能治疗不可治愈,如不干预病情逐年加重,给患者带来极大的痛苦和沉重的经济损失。
[0003]在职业性尘肺病的诊断上，因其影像的多样性、复杂性，以及各放射医师对X线胸片的分析和诊断经验的差异，使其在影像学上难以做出正确的判断。在临床上，与无尘肺、壹期职业性尘肺病相比，贰期、叁期职业性尘肺病的诊断难度相对较低，尤其是缺乏诊断经验的医生，更是容易出现漏诊、误诊的问题。要培养一名合格的影像医生，不仅要有足够的基础知识，还要有丰富的临床实践经验。随着尘肺成像智能化诊断技术的发展，人工智能辅助职业性尘肺病的影像诊断将在临床上得到广泛的应用，使基层医院的职业性尘肺病影像诊断水平得到极大的提升，尤其是对于没有经验的医生，更是如此。人工智能拥有丰富的知识存储能力、学习能力和多维度思维能力，能够在高强度、重复性和机械性的成像检查中不感到疲倦和视觉疲劳。影像医师可以将更多的时间投入到创新思维和专题研究中。其次，早发现、早诊断、早治疗是提高病人生存时间，减轻病人痛苦，提高生活质量的重要措施。

技术实现思路

[0004]本专利技术提出的多模态融合驱动的职业性尘肺病智能筛查方法，能够对早期职业性尘肺病进行诊断以及实现职业性尘肺病的分期诊断。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]多模态融合驱动的职业性尘肺病智能筛查方法是职业性尘肺病的图像和文本的多模态数据联合诊断。本专利技术利用支持向量机与卷积神经网络进行职业性尘肺病诊断；首先基于文本模态数据，比如是否咳嗽、咳痰、是否有呼吸干罗音等，利用支持向量机初步诊断是否患有职业性尘肺病，其次基于图像模态数据利用卷积神经网络进行职业性尘肺病的分期诊断。
[0007]本专利技术实施例提出的多模态融合驱动的职业性尘肺病智能筛查方法，包括：
[0008]对已有的职业性尘肺病数据进行预处理，包括文本数据与图像数据；
[0009]基于支持向量机的二分类模型和基于卷积神经网络的三分类模型先后实现有无职业性尘肺病的诊断、职业性尘肺病的分期诊断；
[0010]基于卷积神经网络的三分类模型得到的结果为职业性尘肺病的最终诊断结果。
[0011]可选地，在实现基于支持向量机的有无职业性尘肺病的诊断中，通过以下步骤对所述模型进行训练，包括：
[0012]预先设置训练集和测试集样本，所述样本为职业性尘肺病的各项数据指标和正常
人的各项数据指标；
[0013]分类模型利用训练集的样本进行训练，根据训练集与测试集的分类准确率与程序执行时间为性能指标确定最优分类模型。
[0014]可选地，在实现基于卷积神经网络的职业性尘肺病的分期诊断中，通过以下步骤对所述模型进行训练，包括：
[0015]获取用于模型训练的职业性尘肺病的各期别的X胸片图像，划分为训练集、验证集和测试集并置于三个文件夹中；
[0016]将职业性尘肺病的X胸片图像先进行预处理，统一图像大小、进行图像增强；
[0017]将用于分类的职业性尘肺病的各数据集的X胸片图像生成图像数据作为模型训练时的输入；
[0018]利用密集卷积神经网络DenseNet201深度学习模型，在此基础上加入全局平均池化层、 Dropout层来减少过拟合；
[0019]通过训练集和验证集的准确率变化曲线、损失值变化曲线观察模型训练效果，根据验证集的最高准确率保存最优模型及求解结果。
[0020]本专利技术提出的多模态融合驱动的职业性尘肺病智能筛查方法，能够首先排除无职业性尘肺病人群，进而对患有职业性尘肺病人群进行期别诊断，具体诊断出职业性尘肺病壹期、贰期、叁期。通过文本和图像多模态数据的联合诊断，有效提高了职业性尘肺病的诊断准确率和效率，可以使职业性尘肺病患者得到及时有效的治疗，抑制职业性尘肺病的进一步恶化。
附图说明
[0021]图1为基于支持向量机的职业性尘肺病智能筛查流程图；
[0022]图2为基于卷积神经网络的职业性尘肺病智能筛查流程图。
具体实施方式
[0023]下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0024]多模态融合驱动的职业性尘肺病智能筛查方法，包括基于职业性尘肺病的各项数据指标进行的有无职业性尘肺病的诊断和基于职业性尘肺病的X胸片图像数据进行的职业性尘肺病的分期诊断；
[0025]基于职业性尘肺病的各项数据指标进行的有无职业性尘肺病的诊断流程图参照图1，将职业性尘肺病患者的临床症状、异常数据指标作为诊断指标，本专利技术利用包括是否咳嗽、是否咳痰、是否有呼吸干罗音等22项指标作为训练模型时的输入，利用得到的最优模型去进行有无职业性尘肺病的诊断。
[0026]基于职业性尘肺病的X胸片图像数据进行的职业性尘肺病的分期诊断流程图参照图2，将职业性尘肺病壹期、贰期、叁期X胸片图像数据划分为训练集、验证集、测试集去训练分类模型，保存验证集最高准确率模型作为最终分类模型，进而利用分类模型去预测职业性尘肺病患者的诊断结果。
[0027]将模型的诊断结果作为诊断医生的参考，辅助医生高效准确完成职业性尘肺病的
诊断。
[0028]综上所述本专利技术通过文本和图像多模态数据进行职业性尘肺病的智能筛查，充分利用了所掌握的进行职业性尘肺病筛查人群的各项数据，有效减少漏诊、误诊的情况出现，方便医生进行参考，帮助医生的诊断效率，减轻了医生的工作压力。
[0029]最后应说明的是：以上各实施例仅用说明本专利技术的技术方案，而非对其限制；任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多模态融合驱动的职业性尘肺病智能筛查方法，其特征在于，包括：利用职业性尘肺病患者的各项数据指标在基于支持向量机建立的二分类模型上进行初步诊断，筛查出职业性尘肺病患者；对于筛查出的职业性尘肺病患者，利用职业性尘肺病患者的X线胸片图像数据在基于卷积神经网络建立的三分类模型上进行分期诊断，基于构建的多模态融合驱动的深度学习模型得出的诊断结果，为医生提供诊断参考，得出最终诊断结果。2.根据权利要求1所述的多模态融合驱动的职业性尘肺病智能筛查方法，其特征在于：通过以下步骤对所述模型进行训练，包括：预先设置训练集样本，所述训练集样本包括职业性尘肺病患者的各项数据指标以及职业性尘肺病壹期、贰期、叁期患者的X线胸片图像数据，其中职业性尘肺病患者的数据指标包括是否出现职业性尘肺病的临床症状，是否接尘、是否采取防护措施等。3.根据权利要求2所述的多模态融合驱动的职业性尘肺病智能筛查方法，其特征在于，在构建模型对数据集进行分类前，还包括：对文本模态的数...

【专利技术属性】
技术研发人员：赵倩，宁琪玥，巩敦卫，于泽宽，郭一楠，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：