基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质技术方案

本发明专利技术提供了基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质，该方法包括：建立第一样本集，第一样本集中具有甲状腺疾病的数据构成患者集；训练第一神经网络模型，以使第一神经网络模型输出是否具有甲状腺疾病的分类；训练第二神经网络模型，以使第二神经网络模型输出具有何种甲状腺疾病的分类；训练第三神经网络模型，以使第三神经网络模型输出甲状腺功能七项指标的预测值；将待检测用户的数据分别输入第一神经网络模型、第二神经网络模型和第三神经网络模型得到预测结果。本发明专利技术通过神经网络分析甲状腺疾病患者的面部图像，实现甲状腺疾病的识别和分类，提供高效、便捷、成本低甲状腺疾病筛查方法，节约医疗资源。节约医疗资源。节约医疗资源。

【技术实现步骤摘要】
基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质


[0001]本专利技术涉及人工智能领域，具体地说，涉及基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质。

技术介绍

[0002]甲状腺疾病包括甲状腺功能减退、甲状腺功能亢进、甲状腺结节、甲状腺炎和甲状腺癌等五类常见疾病，是内分泌系统的常见病。全国31个省市自治区的调查数据显示，我国成年人的甲状腺疾病总体患病率高达半数。早诊断和早治疗对于提高治愈率、减少合并症和降低疾病负担至关重要，而且甲状腺疾病作为一种慢性疾病，在病程中需要反复多次监测甲状腺情况，因此，需要一种甲状腺疾病的识别和筛查方式。
[0003]目前甲状腺疾病的检查手段主要包括体格检查、实验室检测、影像学检查、细针穿刺细胞学检查(FNA)等，但不同检查方式均有一定弊端。体格检查虽然简单方便，但依赖医生经验和主观判断，难以早期发现病变。实验室检测通过在医疗机构抽血进行检查甲状腺功能和自身抗体，例如检查血清中游离三碘甲状腺原氨酸(FT3)、游离甲状腺素(FT4)、促甲状腺激素(TSH)、抗甲状腺过氧化物酶自身抗体(TPOAb)、总三碘甲状腺原氨酸(TT3)、总甲状腺激素(TT4)、抗促甲状腺素受体抗体(TRAb)这七项指标的含量(以下简称甲功七项值)，是有创性检查。影像学检查中的超声检查能够发现甲状腺内直径2mm左右的微小病灶,可对甲状腺大小、结构、血流变化等信息进行分析。因而超声检查由于其高效且无创的特点成为了筛查诊断甲状腺结节的主要手段。然而超声检查需要医生全程参与，依赖医生经验，而且需要合格的超声检查仪器。FNA为术前鉴别甲状腺结节良恶性的金标准，但检查本身存在禁忌症和并发症，难以承担甲状腺疾病筛查任务。
[0004]人脸是反映身体稳态的便捷窗口，由于甲状腺疾病在人脸存在病理表现，这为识别、诊断、监测和管理甲状腺疾病提供了新的思路。部分甲状腺疾病外部特征性病变集中于眶面部形态的改变，如甲状腺功能亢进导致患者易激动、烦躁失眠、多汗、消瘦、突眼等，甲状腺功能减退导致患者表情呆滞、面色苍白、面部和(或)眼睑浮肿、皮肤干燥、粗糙、唇厚舌大等。人工智能已经显示出通过提取临床医生无法从现有数据中感知的隐藏信息来促进医学发现的潜力。然而在现有研究中，尚未有利用人脸图像筛查和识别甲状腺疾病的先例。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]针对现有技术中的问题，本专利技术提供了一种提供基于深度学习的甲状腺疾病筛查方法、系统、设备及存储介质。
[0007]本专利技术的实施例提供一种基于深度学习的甲状腺疾病筛查方法，包括以下步骤：
[0008]采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中具有甲状腺疾病的数据构成患者集；
[0009]基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；
[0010]基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；
[0011]基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；
[0012]将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。
[0013]优选地，所述第一样本集为元数据集、面部图像数据集或二者组合而成的融合数据集，其中，所述元数据至少包括以下一种或多种的组合：年龄、性别、身高或体重，所述面部图像数据集包括样本用户的面部图像。
[0014]优选地，所述基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类，包括：
[0015]对所述第一样本集进行数据压缩和特征提取；
[0016]基于得到的特征向量进行分类回归；
[0017]所述第一神经网络模型输出是否具有甲状腺疾病的分类结果。
[0018]优选地，所述基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类，包括：
[0019]对所述第一样本集进行数据压缩和特征提取；
[0020]基于得到的特征向量进行分类回归；
[0021]所述第二神经网络模型输出具有何种甲状腺疾病的分类结果。
[0022]优选地，所述基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值，包括：
[0023]对所述第一样本集进行数据压缩和特征提取；
[0024]基于得到的特征向量进行分类回归；
[0025]所述第三神经网络模型输出甲状腺功能七项指标的预测值。
[0026]优选地，所述将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果，包括：
[0027]将待检测用户的数据输入所述第一神经网络模型，当所述输出为患有甲状腺疾病时，执行后一步，否则执行后两步；
[0028]将待检测用户的数据输入所述第二神经网络模型，得到待检测用户具有何种甲状腺疾病的分类结果；
[0029]将待检测用户的数据输入所述第三神经网络模型，得到待检测用户的甲状腺功能七项指标的预测结果。
[0030]优选地，所述具有何种甲状腺疾病的分类结果至少包括：甲状腺功能减退、甲状腺功能亢进、甲状腺结节、甲状腺炎或甲状腺癌。
[0031]本专利技术的实施例还提供一种基于深度学习的甲状腺疾病筛查系统，用于实现上述的基于深度学习的甲状腺疾病筛查方法，所述基于深度学习的甲状腺疾病筛查系统包括：
[0032]样本采集模块，采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中
具有甲状腺疾病的数据构成患者集；
[0033]第一训练模块，基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；
[0034]第二训练模块，基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；
[0035]第三训练模块，基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；
[0036]疾病预测模块，将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。
[0037]本专利技术的实施例还提供一种基于深度学习的甲状腺疾病筛查设备，包括：
[0038]处理器；
[0039]存储器，其中存储有所述处理器的可执行指令；
[0040]其中，所述处理器配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的甲状腺疾病筛查方法，其特征在于，包括以下步骤：采集甲状腺检查数据库信息，建立第一样本集，所述第一样本集中具有甲状腺疾病的数据构成患者集；基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类；基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类；基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值；将待检测用户的数据分别输入所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型得到预测结果。2.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述第一样本集为元数据集、面部图像数据集或二者组合而成的融合数据集，其中，所述元数据至少包括以下一种或多种的组合：年龄、性别、身高或体重，所述面部图像数据集包括样本用户的面部图像。3.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述基于所述第一样本集训练初始神经网络，得到第一神经网络模型，以使所述第一神经网络模型输出是否具有甲状腺疾病的分类，包括：对所述第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；所述第一神经网络模型输出是否具有甲状腺疾病的分类结果。4.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述基于所述患者集训练另一初始神经网络，得到第二神经网络模型，以使所述第二神经网络模型输出具有何种甲状腺疾病的分类，包括：对所述第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；所述第二神经网络模型输出具有何种甲状腺疾病的分类结果。5.如权利要求1所述的基于深度学习的甲状腺疾病筛查方法，其特征在于，所述基于所述患者集训练又一初始神经网络，得到第三神经网络模型，以使所述第三神经网络模型输出甲状腺功能七项指标的预测值，包括：对所述第一样本集进行数据压缩和特征提取；基于得到的特征向量进行分类回归；所述第三神经网络模型输出甲状腺功...

【专利技术属性】
技术研发人员：翟广涛，周慧芳，雷超宇，宋雪霏，杨希晨，王骐宇，张可言，孙瀚池，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：