【技术实现步骤摘要】
本专利技术涉及一种基于大模型无需任何标注的训练肠镜下病变检出的方法。
技术介绍
1、随着计算机技术以及人工智能的发展，计算机辅助诊断肠镜下息肉病变病理分型获得临床专家的广泛关注。现有的息肉病变病理自动分型方法往往是利用深度学习技术，通过输入息肉病理图像以及该息肉病理是否为良恶性实现模型的训练，从而达到病理的自动分型。一般而言，训练一个能达到专家水平的分型模型往往需要大量的病理图像。然而，获得一张病理图片往往需要先将病变息肉组织用病理切片进行病理检查，步骤繁琐，因而限制了自动分型方法的实际应用。实际上，各医院中心拥有海量的镜检视频以及相应的镜检报告，这些数据简单易得。如何在仅需要少量息肉病理分型监督信息的情况下，仅利用肠镜图像以及文本报告实现性能优秀的息肉病变病理的自动分型是一个亟待解决的问题。
技术实现思路
1、本专利技术的目的是：无需病理切片，利用肠镜图像实现息肉病变病理的自动分型。
2、为了达到上述目的，本专利技术的技术方案是提供了一种基于无监督大模型训练肠镜下病变检出的方...
【技术保护点】
1.一种基于无监督大模型训练肠镜下病变检出的方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于无监督大模型训练肠镜下病变检出的方法，其特征在于，步骤1中：所采用的自然语言处理工具为ChatGPT大模型；所采用的多实例学习技术为WENO++网络；
3.如权利要求1所述的一种基于无监督大模型训练肠镜下病变检出的方法，其特征在于，步骤1中：在所述二分类标签一中，1表示当前镜检视频含有病变，0表示当前镜检视频正常；在所述二分类标签二中，1表示当前图像帧含有病变，0表示当前图像帧正常。
4.如权利要求1所述的一种基于无监督大模型...
【技术特征摘要】
1.一种基于无监督大模型训练肠镜下病变检出的方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于无监督大模型训练肠镜下病变检出的方法，其特征在于，步骤1中：所采用的自然语言处理工具为chatgpt大模型；所采用的多实例学习技术为weno++网络；
3.如权利要求1所述的一种基于无监督大模型训练肠镜下病变检出的方法，其特征在于，步骤1中：在所述二分类标签一中，1表示...
【专利技术属性】
技术研发人员：李全林，诸炎，周平红，
申请(专利权)人：复旦大学附属中山医院，
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。