一种化疗预备阶段的治疗画像生成方法和系统技术方案

本发明专利技术公开了一种化疗预备阶段的治疗画像生成方法和系统，属于数据处理技术领域，方法包括：获取患者的电子病历，从中提取基础信息、病情信息以及检查检验结果，并预估新辅助化疗NAC方式对于患者是否具有疗效；在推荐的化疗方式的历史案例库中，计算当前患者的电子病历与各个历史案例的匹配度；挑选出匹配度最高的预设数量的历史案例，生成备选化疗方案；预估化疗效果；根据患者的基本信息、病情信息、检查检验结果、推荐的化疗方式、备选化疗方案和预估的化疗效果，生成患者采用备选化疗方案时在化疗预备阶段的治疗画像；显示患者在化疗预备阶段的治疗画像。预备阶段的治疗画像。预备阶段的治疗画像。

【技术实现步骤摘要】
一种化疗预备阶段的治疗画像生成方法和系统


[0001]本专利技术属于数据传输
，具体涉及一种化疗预备阶段的治疗画像生成方法和系统
。

技术介绍

[0002]癌症化疗是治疗癌症的重要手段之一，通过使用特定的化学药物，干扰癌细胞的生长和分裂过程，从而抑制或杀死这些异常细胞
。
新辅助化疗（
Neoadjuvant chemotherapy
，
NAC
）具有较多的优势，且获得病理完全缓解与 更好的后密切相关
。
随着新辅助化疗在癌症治疗中的地位越来越重要，在化疗预备阶段预估新辅助化疗
NAC
方式对于患者是否具有疗效显得尤为关键
。
[0003]当前，在化疗预备阶段，预估新辅助化疗
NAC
方式对于患者是否具有疗效以及决定采用何种化疗方案，主要依赖于医生的主观判断，需要根据患者的实际情况给出具体化疗方案
。
一方面，疗效预估需要花费医生大量的时间
。
另一方面，受限于不同的医生的专业水平
、
从业经验的不同，导致疗效预估的准确性与一致性低
。
再者，患者在确诊癌症之后心理较为慌乱，仅仅通过医生的主观判断给出具体的化疗方案，化疗方案的可解释性低，难以缓解患者的慌乱情绪
。

技术实现思路

[0004]为了解决现有技术中主要依赖于医生的主观判断，疗效预估需要花费医生大量的时间，受限于不同的医生的专业水平
、<br/>从业经验的不同，导致疗效预估的准确性与一致性低，化疗方案的可解释性低的技术问题，本专利技术提供一种化疗预备阶段的治疗画像生成方法和系统
。
[0005]第一方面
[0006]本专利技术提供了一种化疗预备阶段的治疗画像生成方法，包括：
[0007]S101
：获取患者的电子病历；
[0008]S102
：提取所述电子病历中的基础信息
、
病情信息以及检查检验结果；
[0009]S103
：根据所述病情信息以及所述检查检验结果，预估新辅助化疗
NAC
方式对于患者是否具有疗效，若是，推荐
NAC
方式，否则，推荐传统化疗方式；
[0010]S104
：在推荐的化疗方式的历史案例库中，通过循环神经网络，计算当前患者的电子病历与各个历史案例的匹配度；
[0011]S105
：挑选出匹配度最高的预设数量的历史案例，生成备选化疗方案；
[0012]S106
：根据所述病情信息
、
检查检验结果以及所述备选化疗方案，通过卷积神经网络以及支持向量机，预估化疗效果；
[0013]S107
：根据患者的基本信息
、
病情信息
、
检查检验结果
、
推荐的化疗方式
、
备选化疗方案以及预估的化疗效果，生成患者采用备选化疗方案时在化疗预备阶段的治疗画像；
[0014]S108
：显示患者在化疗预备阶段的治疗画像
。
[0015]第二方面
[0016]本专利技术提供了一种化疗预备阶段的治疗画像生成系统，用于执行第一方面中的化疗预备阶段的治疗画像生成方法
。
[0017]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0018]（1）在本专利技术中，根据病情信息以及检查检验结果，自动化地预估新辅助化疗
NAC
方式对于患者是否具有疗效，若是，推荐
NAC
方式，否则，推荐传统化疗方式
。
在此过程中无需人工参与，节省医生的时间，提升疗效预估的准确性与一致性低
。
[0019]（2）在本专利技术中，在推荐的化疗方式的历史案例库中，通过循环神经网络，计算当前患者的电子病历与各个历史案例的匹配度，挑选出匹配度最高的预设数量的历史案例，生成备选化疗方案
。
可以帮助医生做出更加全面的决策，还可以增强化疗方案的可解释性，增强患者对于化疗方案的理解，缓解患者的焦虑情绪
。
[0020]（3）在本专利技术中，根据患者的基本信息
、
病情信息
、
检查检验结果
、
推荐的化疗方式
、
备选化疗方案以及预估的化疗效果，生成患者采用备选化疗方案时在化疗预备阶段的治疗画像，并显示患者在化疗预备阶段的治疗画像
。
患者治疗画像中包含了备选化疗方案的评估结果，医生可以对备选方案进行全面的分析和比较，有助于医生选择最佳的治疗方案，从而更好地满足患者的治疗需求
。
治疗画像中可以预测患者的化疗效果，这有助于医生预先了解可能的副作用，并采取相应的预防和管理措施
。
这样可以减轻患者的不适感，提高患者的治疗遵从性
。
附图说明
[0021]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性
、
技术特征
、
优点及其实现方式予以进一步说明
。
[0022]图1是本专利技术提供的一种化疗预备阶段的治疗画像生成方法的流程示意图
。
具体实施方式
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式
。
显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式
。
[0024]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构
。
另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个
。
在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形
。
[0025]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和
/
或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合
。
[0026]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接
。
可以是机械连接，也可以是电连接
。
可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通
。
对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中
的具体含义
。
[0027]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种化疗预备阶段的治疗画像生成方法，其特征在于，包括：
S101
：获取患者的电子病历；
S102
：提取所述电子病历中的基础信息
、
病情信息以及检查检验结果；
S103
：根据所述病情信息以及所述检查检验结果，预估新辅助化疗
NAC
方式对于患者是否具有疗效，若是，推荐
NAC
方式，否则，推荐传统化疗方式；
S104
：在推荐的化疗方式的历史案例库中，通过循环神经网络，计算当前患者的电子病历与各个历史案例的匹配度；
S105
：挑选出匹配度最高的预设数量的历史案例，生成备选化疗方案；
S106
：根据所述病情信息
、
检查检验结果以及所述备选化疗方案，通过卷积神经网络以及支持向量机，预估化疗效果；
S107
：根据患者的基本信息
、
病情信息
、
检查检验结果
、
推荐的化疗方式
、
备选化疗方案以及预估的化疗效果，生成患者采用备选化疗方案时在化疗预备阶段的治疗画像；
S108
：显示患者在化疗预备阶段的治疗画像
。2.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法，其特征在于，所述
S102
具体为：通过基于自然语言处理技术的文本分类模型，提取所述电子病历中的基础信息
、
病情信息以及检查检验结果
。3.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法，其特征在于，所述
S103
具体包括：
S1031
：根据所述病情信息以及所述检查检验结果，计算疗效评估值：；其中，表示疗效评估值，表示逻辑回归超参数，表示乳腺背景实质强化结果，表示乳腺背景实质强化结果的权重，表示雌激素受体结果，表示雌激素受体结果的权重，表示孕激素受体结果，表示孕激素受体结果的权重，表示受体结果，表示 受体结果的权重，表示蛋白质标志物的表达结果，表示蛋白质标志物的表达结果的权重，表示分子分型，表示分子分型的权重；
S1032
：使用激活函数将所述疗效评估值映射至
[0,1]
的区间范围内：；其中，表示映射值，表示自然对数；
S1033
：使用阶跃函数将概率值转化为
{0,1}
的类别输出：；其中，表示阶跃函数，当阶跃函数的数据结果为1时表示新辅助化疗
NAC
方式对于患者具有疗效，当阶跃函数的数据结果为0时表示新辅助化疗
NAC
方式对于患者不具有疗效
。4.
根据权利要求3所述的化疗预备阶段的治疗画像生成方法，其特征在于，所述
S103
还
包括：
S1034
：构建损失函数：；其中，表示逻辑回归超参数，表示样本总数，表示第个样本的疗效评估值，表示第个样本的阶跃函数的输出结果；
S1035
：使用梯度下降法对所述损失函数进行求解，得到所述逻辑回归超参数
。5.
根据权利要求3所述的化疗预备阶段的治疗画像生成方法，其特征在于，乳腺背景实质强化结果的权重
、
雌激素受体结果的权重
、
孕激素受体结果的权重
、
受体结果的权重
、
蛋白质标志物的表达结果的权重以及分子分型的权重的确定方式为：通过对乳腺背景实质强化结果
、
雌激素受体结果
、
孕激素受体结果
、
受体结果
、
蛋白质标志物的表达结果和分子分型的重要性进行两两比较，结合九级标度法，建立判别矩阵：；其中，表示第个影响因素相对于第个影响因素的重要程度，的取值可通过九极标度法确定，，；计算所述判别矩阵
A
的特征向量和特征值：；其中，表示所述判别矩阵的特征值，表示所述判别矩阵的特征向量，取最大的特征值记为，与最大的特征值对应的特征向量记为 , ；对所述最大的特征值对应的特征向量进行归一化处理：；；其中，归一化后的向量的各个分量分别代表各个影响因素的权重，可分别记为
。6.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法，其特征在于，所述
S104
具体包括：
S1041
：提取电子病历中有关基础信息
、
病情信息以及检查检验结果的关键词；
S1042
：构建基于循环神经网络的关键词匹配模型，所述关键词匹配模型包括：输入层
、
状态层
、
注意力层
、
全连接层和匹配层；
S1043
：将各个关键词组成的关键词序列，其中，表示第个关键词，表示关键词总数；
S1044
：在所述状态层中，计算各个关键词在时刻的隐状态：；；；其中，表示第个关键词在时刻的隐状态，表示第个关键词，表示第个关键词在前向循环中时刻的状态，表示第个关键词在前向循环中时刻的状态，表示第个关键词在前向循环中时刻的状态，表示第个关键词在后向循环中时刻的状态，表示经过循环神经网络的非线性计算，表示在时刻的权重系数，表示在时刻的权重系数，表示时刻隐状态的偏置项；
S1045
：在所述注意力层中，为各个关键词分配权重，并进行累加得到当前所述注意力层的隐状态：；其中，表示时刻注意力层的隐状态，表示第个关键词在时刻的权重；
S1046
：输出关键词的特征值：；其中，
O
表示关键词的特征值；
S1047
：在所述全连接层中，汇聚所述关键词的特征值；
S1048
：在所述匹配层中，通过余弦相似度，计算当前患者的电子病历与各个历史案例的匹配度：；其中，
sim
表示当前患者的电子病历与历史案例的匹配度，表示患者的病情信息中的关键词的特征值，表示历史案例中的关键词的特征值，表示矩阵转置，表示矩阵的模运算
。7.
根据权利要求1所述的化疗预备阶段的治疗画像生成方法，其特征在于，所述
S106
具体包括：
S1061
：将患者的基础信息
、
病情信息以及检查检验结果中的各个关键词特征输入至卷
积神经网络，通过卷积层以及池化层，得到粗糙特征值；
S1062
：对所述粗糙特征值通过软阈值进行去噪，得到精细特征值：；其中，表示粗糙特征值，表示...

【专利技术属性】
技术研发人员：王明媚，李天，王心慧，卫晋菲，董天舒，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：