【技术实现步骤摘要】
本专利技术属于生物医学，特别是涉及一种文本信息引导下的乳腺癌分子分型预测方法。
技术介绍
1、乳腺癌具有高度异质性，可细分为四种分子分型：管腔上皮a型(luminal a型)、管腔上皮b型(luminal b型)、her-2过表达型(her-2型)和基底细胞样型(basal-like型)，不同的分子分型之间有着显著差异，对于选择合适的个性化治疗方法具有重要意义。目前，乳腺组织病理学是分析肿瘤分子分型的金标准，但侵入性的组织活检易对患者的身体造成二次伤害。因此，临床领域迫切需要一种无创且能精确预测乳腺癌分子分型的有效技术。
2、磁共振成像(magnetic resonance imaging，mri)可以获得病变的形态和血流动力学信息，常用于乳腺癌分子分型的评估。在临床上，医生通常会利用多种模态信息来分析，例如查看放射学影像与文本报告，根据其丰富的领域知识与临床经验，联合解释这些信息来做出诊疗决策。但这种应用多模态信息的工作流程需要大量的专业知识，这在医疗资源有限的地区可能无法获得。且目前用于辅助的深度学习模型大多尚未满足利用多模态信息这一要求。
3、因此，研究利用不同模态之间的信息互补性进行乳腺癌分子分型的预测，整合不同模态的数据有助于获得更全面的疾病特征，并且可以提高对乳腺癌分子分型的预测准确性，为更深入地理解乳腺癌的分子特征和为临床治疗提供更为个体化的指导。同时也能降低专业知识门槛，更加有效的利用有限的医疗资源，降低医疗成本。
技术实现思路
1、针对上述
2、s1：获取乳腺癌病人的医学影像数据。构建乳腺癌数据集，包括dce-mri影像、影像文本报告以及类别标签。
3、s2：对dce-mri影像进行预处理。
4、s2.1：对dce-mri影像的1个增强前序列图像与5个增强后序列图像进行分割，去除无关部分，仅保留有病灶的单侧乳房。
5、s2.2：将5个增强后序列图像分别减去1个增强前序列图像，获取能够突显动态对比增强信息的5个dce-mri减影图像。
6、s2.3：将s2分割后的dce-mri影像序列图像与s3的减影图像在通道维度上拼接，形成11通道的dce-mri影像。
7、s3：对影像文本报告进行数据清洗，保留针对dce-mri影像的文本报告。
8、s4：将预处理后的dce-mri影像和对应的文本报告、类别标签构建数据集，通过分层抽样，将整个数据集划分为训练集和测试集。
9、s5：构建乳腺癌分子分型预测模型，通过训练集进行训练，得到乳腺癌分子分型预测结果。
10、s5.1：利用卷积神经网络对11通道dce-mri影像进行乳腺癌分子分型分类预训练，获得dce-mri影像特征编码器。
11、s5.2：利用已经预训练好的语言模型进行迁移学习，在数据集上通过分类任务进行微调，得到文本特征编码器。
12、s5.3：将s5.1和s5.2中两个预先训练好的特征编码器，连接协同双向多模态注意力模块，进行特征融合操作，生成影像信息与文本信息的联合表征，通过分类头生成最终预测结果。
13、本专利技术具有以下的特点和有益效果：
14、本专利技术通过参考现实生活中医生诊断疾病的过程，应用放射性影像及其文本报告两种模态数据，利用两者之间的信息互补性，以文本报告中的信息来驱动指导模型更多的关注图像中与预测任务相关的区域，通过这种多模态信息融合的方式使模型模仿学习医生的分析行为，实现更加智能且更具可解释性的乳腺癌分子分型方式，并进一步提高模型的乳腺癌分子分型准确率与可靠性，从而帮助医生做出更准确的判断，具有一定的临床参考价值。
本文档来自技高网...【技术保护点】
1.一种文本信息引导下的乳腺癌分子分型预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，步骤S2具体过程如下：
3.根据权利要求2所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，所述步骤S5具体过程如下：
4.根据权利要求3所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，步骤S5.1所述DCE-MRI影像特征编码器具体为：
5.根据权利要求4所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，步骤S5.3所述协同双向多模态注意力模块具体为：由两个并行的transformer编码器组成，在影像信息与文本信息上协同运行；
6.根据权利要求5所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，还包括，使用测试集对训练好的乳腺癌分子分型预测模型进行测试；
【技术特征摘要】
1.一种文本信息引导下的乳腺癌分子分型预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，步骤s2具体过程如下：
3.根据权利要求2所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，所述步骤s5具体过程如下：
4.根据权利要求3所述的文本信息引导下的乳腺癌分子分型预测方法，其特征在于，步骤s5.1所...
【专利技术属性】
技术研发人员：范明，肖鑫泉，夏志强，宋伟，厉力华，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。