肺癌分期识别方法、装置、设备及存储介质制造方法及图纸

本公开涉及一种肺癌分期识别方法、装置、设备及存储介质，其中，方法包括：获取采样气体的传感器阵列信号，其中，所述传感器阵列信号包括多个子传感器信号；提取所述多个子传感器信号的特征向量，并通过注意力网络分别确定每个所述特征向量对于每一肺癌分期类别的注意力分数；根据所述注意力分数和所述特征向量进行注意力加权，通过对加权后的特征向量求和，得到所述传感器阵列信号的融合特征；将所述融合特征输入多类分类器进行处理，确定肺癌分期结果。根据本公开的技术方案，能够提高肺癌分期检测的准确性。期检测的准确性。期检测的准确性。

【技术实现步骤摘要】
肺癌分期识别方法、装置、设备及存储介质


[0001]本公开涉及人工智能
，尤其涉及一种肺癌分期识别方法、装置、设备及存储介质。

技术介绍

[0002]肺癌分期表现为4个阶段，分别为Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期，每期又分别可分为a、b期。肺癌分期不同，治疗方法不同。Ⅰ期、Ⅱ期以手术为主，Ⅲ期以放、化疗联合为主，Ⅳ期以药物治疗为主。
[0003]相关技术中，通过训练分类模型，基于呼出气体中的挥发性有机化合物(VOC)代谢轮廓输入模型，以确定肺癌分期，然而，由于不同肺癌分期阶段的特征相似度较高，通过该方式得到的肺癌分期阶段不够准确，肺癌分期检测准确度有待提高。

技术实现思路

[0004]为了解决上述技术问题，本公开提供了一种肺癌分期识别方法、装置、设备及存储介质。
[0005]第一方面，本公开实施例提供了一种肺癌分期识别方法，包括：
[0006]获取采样气体的传感器阵列信号，其中，所述传感器阵列信号包括多个第一子传感器信号；
[0007]提取所述多个第一子传感器信号的特征向量，并通过注意力网络分别确定每个所述第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数；
[0008]根据所述注意力分数和所述第一子传感器信号的特征向量进行注意力加权，并通过对加权后的第一子传感器信号的特征向量求和，得到所述传感器阵列信号的融合特征；
[0009]将所述融合特征输入多类分类器进行处理，确定肺癌分期结果。
[0010]第二方面，本公开实施例提供了一种肺癌分期识别装置，包括：
[0011]获取模块，用于获取采样气体的传感器阵列信号，其中，所述传感器阵列信号包括多个第一子传感器信号；
[0012]提取模块，用于提取所述多个第一子传感器信号的特征向量，并通过注意力网络分别确定每个所述第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数；
[0013]融合模块，用于根据所述注意力分数和所述第一子传感器信号的特征向量进行注意力加权，并通过对加权后的第一子传感器信号的特征向量求和，得到所述传感器阵列信号的融合特征；
[0014]确定模块，用于将所述融合特征输入多类分类器进行处理，确定肺癌分期结果。
[0015]第三方面，本公开实施例提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述第一方面所述的肺癌分期识别方法。
[0016]第四方面，本公开实施例提供了一种计算机可读存储介质，所述存储介质存储有
计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的肺癌分期识别方法。
[0017]本公开实施例提供的技术方案与现有技术相比具有如下优点：通过采样气体的多个子传感器信号，提取多个子传感器信号的特征向量，并通过注意力网络分别确定每个特征向量对于每一肺癌分期类别的注意力分数，根据注意力分数和特征向量生成融合特征，进而将融合特征输入多类分类器进行处理以确定肺癌分期结果，由此，针对基于电子鼻的肺癌分期场景，通过注意力分数对特征向量进行加权，能够更精准地对不同肺癌分期阶段的数据进行区分，以便准确地对病人的呼吸组学气体信号进行分类，提高肺癌分期检测的准确性。
附图说明
[0018]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0019]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本公开实施例所提供的一种肺癌分期识别方法的流程示意图；
[0021]图2为本公开实施例所提供的一种传感器阵列信号示意图；
[0022]图3为本公开实施例所提供的另一种肺癌分期识别方法的示意图；
[0023]图4为本公开实施例所提供的一种网络结构示意图；
[0024]图5为本公开实施例所提供的一种模型训练示意图；
[0025]图6为本公开实施例所提供的一种肺癌分期识别装置的结构示意图。
具体实施方式
[0026]为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
[0027]在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
[0028]图1为本公开实施例所提供的一种肺癌分期识别方法的流程示意图，本公开实施例提供的方法可以由肺癌分期识别装置来执行，该装置可以采用软件和/或硬件实现，并可集成在任意具有计算能力的电子设备上。
[0029]如图1所示，本公开实施例提供的肺癌分期识别方法可包括：
[0030]步骤101，获取采样气体的传感器阵列信号，其中，传感器阵列信号包括多个第一子传感器信号。
[0031]本实施例中，采用电子鼻气体传感器阵列对病人呼吸气体样本进行信号采样，获取传感器阵列信号。其中，该气体传感器阵列由多个子传感器组成，传感器阵列信号包括多个第一子传感器信号，第一子传感器信号组成的传感器阵列信号用于单个病人样本的肺癌
分类。
[0032]作为一种示例，气体传感器阵列由22个子传感器组成，本示例中采用传感器阵列中的22个子传感器信号，电子鼻气体传感器阵列从病人呼吸气体样本中采集到数据后，每个气体传感器阵列产生维度为22的呼吸组学多元时间序列，作为病人级别(传感器阵列级别)的采集信号，如图2所示。
[0033]步骤102，提取多个第一子传感器信号的特征向量，并通过注意力网络分别确定每个第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数。
[0034]本实施例中，由经过预训练的网络进行特征提取并生成多维向量，该网络例如为Resnet
‑
1D网络，作为一种示例，对于上述22个子传感器信号进行特征提取，得到22个特征向量，所有特征向量均为512维，表示为h
kT
，用于传递至下游的分类网络。由此，通过多尺度的Resnet
‑
1D网络进行特征提取，多尺度方面采用三个大小不同的卷积核，提取具象的细节特征和抽象的类别特征。
[0035]本实施例中，对于每种肺癌分期类别，注意力网络通过激活函数对气体传感器阵列中的每个特征向量进行排名，以为每个特征向量分配属于各肺癌分期类别的注意力分数。可选地，通过tanh函数和sigmoid函数对气体传感器阵列中的每个特征向量进行排名，并基于其对病人级别诊断的相对重要性，通过各肺癌分期类别的注意力分支的全连接层为每个特征向量分配属于各肺癌分期类别的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺癌分期识别方法，其特征在于，包括：获取采样气体的传感器阵列信号，其中，所述传感器阵列信号包括多个第一子传感器信号；提取所述多个第一子传感器信号的特征向量，并通过注意力网络分别确定每个所述第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数；根据所述注意力分数和所述第一子传感器信号的特征向量进行注意力加权，并通过对加权后的第一子传感器信号的特征向量求和，得到所述传感器阵列信号的融合特征；将所述融合特征输入多类分类器进行处理，确定肺癌分期结果。2.如权利要求1所述的方法，其特征在于，所述肺癌分期类别为四种，所述注意力网络包括与四种肺癌分期类别分别对应的四个分支网络，所述通过注意力网络分别确定每个所述第一子传感器信号的特征向量对于每一肺癌分期类别的注意力分数，包括：对于每个分支网络，通过激活函数对每个所述第一子传感器信号的特征向量进行处理，生成每个所述第一子传感器信号的特征向量对于该分支网络对应的肺癌分期类别的注意力分数。3.如权利要求1或2所述的方法，其特征在于，还包括：获取样本传感器阵列信号，其中，所述样本传感器阵列信号包括多个第二子传感器信号，所述样本传感器阵列信号标注有对应的肺癌分期类别标记；基于所述样本传感器阵列信号和所述对应的肺癌分期类别标记，训练神经网络模型的学习参数；所述神经网络模型包括所述注意力网络和所述多类分类器。4.如权利要求3所述的方法，其特征在于，所述基于所述样本传感器阵列信号和所述对应的肺癌分期类别标记，训练神经网络模型的学习参数，包括：对于每一肺癌分期类别，获取该肺癌分期类别的第二子传感器信号的正样本和负样本；通过各肺癌分期类别的第二子传感器信号的正样本和负样本，训练各肺癌分期类别对应的聚类器，其中，多个聚类器与多种肺癌分期类别一一对应；根据训练完成的所述聚类器的损失函数与所述神经网络模型的损失函数之和，更新所述神经网络模型的损失函数。5.如权利要求4所述的方法，其特征在于，所述对于每一肺癌分期类别，获取该肺癌分期类别的第二子传感器信号的正样本和负样本，包括：对于每一肺癌分期类别，通过注意力网络确定多个第二子传感器信号的特征向量对于该肺癌分期类别的注意力分数；从所述多个第二子传感器信号的特征向量中，确定注意力分数较高的N个第一特征...

【专利技术属性】
技术研发人员：李春阳，熊先华，吴斌，刘立波，董骧，
申请(专利权)人：北京纳通医用机器人科技有限公司，
类型：发明
国别省市：