【技术实现步骤摘要】
本专利技术涉及医疗诊断，尤其涉及肺结节良恶性判别方法、系统、设备和介质。
技术介绍
1、肺癌是一种常见的恶性肿瘤，是导致癌症相关死亡的主要原因之一。早期发现和准确判断肺结节的良恶性对于改善肺癌患者的预后至关重要。目前，ct（computedtomography）扫描是检测肺结节的主要手段。然而，ct扫描存在一些局限性，如辐射暴露、成本较高等，且难以判断结节的良恶性质。因此，寻找一种无创、经济和高效的筛查和判别方法对于早期发现和诊断肺癌至关重要。
2、呼气气体分析是一种极具前景的无创性生物检测技术。人体的新陈代谢过程会产生各种挥发性有机化合物（volatile organic compounds，vocs），这些vocs可以通过呼吸排出体外，因此分析呼气中的vocs组分可以反映人体的生理和病理状况。气相色谱-质谱联用技术（gas chromatography-mass spectrometry，gc-ms）可以获得呼气中vocs的详细谱图信息，为后续数据分析提供了数据基础。
3、近年来，利用gc-ms技术分析疾病患者呼气vocs指纹并建立相应诊断模型的研究取得了一些进展。传统方法通常是人工从谱图中提取特征，再结合机器学习模型进行分类。但这种方法依赖领域专家知识，特征提取效果直接影响模型性能。
技术实现思路
1、本专利技术提供了一种肺结节良恶性判别方法、系统、设备和介质，解决了现有的肺结节良恶性判别方法依赖人工进行特征提取，容易出现提取误差，导致判别结果准确度低
2、本专利技术提供的一种肺结节良恶性判别方法，包括：
3、获取呼气数据和模型训练集，采用气相色谱联用质谱方法对所述呼气数据进行分离和检测，生成质谱数据集；
4、采用所述模型训练集对初始肺结节良恶性分类判别模型进行模型训练，生成目标肺结节良恶性分类判别模型；
5、将所述质谱数据集输入所述目标肺结节良恶性分类判别模型进行肺结节良恶性判别，生成肺结节良恶性判别数据。
6、可选地，所述采用所述模型训练集对初始肺结节良恶性分类判别模型进行模型训练，生成目标肺结节良恶性分类判别模型的步骤，包括：
7、分别将所述模型训练集中的训练样本输入初始肺结节良恶性分类判别模型进行模型训练，生成多个模型预测标签；
8、将所述模型预测标签对应的真实标签和所述模型预测标签代入预设损失函数进行损失值计算，生成所述模型预测标签对应的交叉熵损失值；
9、所述预设损失函数为：
10、
11、其中，为交叉熵损失值；为单个训练样本的真实标签；为单个训练样本的模型预测标签；
12、当全部所述交叉熵损失值都满足预设损失值时，将当前时刻的初始肺结节良恶性分类判别模型作为目标肺结节良恶性分类判别模型。
13、可选地，所述目标肺结节良恶性分类判别模型包括数据预处理层、特征提取层和池化分类层；所述将所述质谱数据集输入所述目标肺结节良恶性分类判别模型进行肺结节良恶性判别，生成肺结节良恶性判别数据的步骤，包括：
14、通过所述数据预处理层对所述质谱数据集进行数据预处理，生成特征融合数据；
15、通过所述特征提取层对所述特征融合数据进行特征提取，生成特征集；
16、通过所述池化分类层采用预设分类公式对所述特征集中的特征数据进行非线性映射，生成肺结节良恶性判别数据；
17、所述预设分类公式为：
18、
19、其中，为肺结节良恶性判别数据：当.5时，模型认为肺结节为良性；当.5时，模型认为肺结节为恶性；为一维池化层；为特征数据；为一个全连接层和任意激活层的组合；为的堆叠重复次数；为输入数据的维度；为输出数据的维度；为一维池化层输入数据的第1个维度；为一维池化层输入数据的第c个维度；为全连接层。
20、可选地，所述数据预处理层包括多个投影转换模块、多个特征编码模块和特征融合模块；所述通过所述数据预处理层对所述质谱数据集进行数据预处理，生成特征融合数据的步骤，包括：
21、通过所述投影转换模块分别对所述质谱数据集中的初始特征进行数据投影转换，生成多个稠密向量集；
22、通过所述稠密向量集对应的特征编码模块对所述稠密向量集中的稠密二维特征进行特征抽取和维度转换，生成所述稠密向量集对应的目标特征集；
23、通过所述特征融合模块将全部所述目标特征集进行特征融合，生成特征融合数据。
24、可选地，所述通过所述投影转换模块分别对所述质谱数据集中的初始特征进行数据投影转换，生成多个稠密向量集的步骤，包括：
25、通过所述投影转换模块采用预设转换公式分别对所述质谱数据集中的初始特征进行数据投影转换，生成多个稠密向量集；
26、所述预设转换公式为：
27、
28、其中，为原始数据集即质谱数据集，其由个初始特征构成；为第i个初始特征，其维度为，即初始特征包括两个维度，由个保留时间与个质核比维度数构成；为第i个初始特征的样本标签，用于标记此样本的肺结节良恶性；为第i个初始特征经过投影转换模块转换得到维度为的稠密二维特征；为投影转换函数；为稠密二维特征的维度；w为基向量，其维度为；为frobenius范数，用于对基向量进行归一化；为稠密向量集，其维度为；为基向量的组成元素为第i个初始特征经过投影转换模块转换得到维度为的稠密二维特征；为第i个初始特征经过投影转换模块转换得到维度为的稠密二维特征；为第i个初始特征经过投影转换模块转换得到维度为的稠密二维特征；为第i个初始特征经过投影转换模块转换得到维度为的稠密二维特征。
29、可选地，所述通过所述稠密向量集对应的特征编码模块对所述稠密向量集中的稠密二维特征进行特征抽取和维度转换，生成所述稠密向量集对应的目标特征集的步骤，包括：
30、分别通过所述稠密向量集对应的特征编码模块采用预设编码公式对所述稠密向量集中的稠密二维特征进行特征抽取和维度转换，生成所述稠密二维特征对应的目标特征；
31、所述预设编码公式为：
32、
33、其中，为特征编码模块，其输入维度为，输出维度为；为维输入维度；为维输出维度；为三个连续的一维卷积组合，每个组合包括一个一维卷积，一个激活函数和一个一维批次归一化函数；为一维卷积；为激活函数；为一维批次归一化函数；为第i个初始特征经过投影转换模块转换得到维度为的稠密二维特征；
34、采用全部所述目标特征，构建所述稠密向量集对应的目标特征集。
35、可选地，所述特征提取层包括多个特征提取模块；所述通过所述特征提取层对所述特征融合数据进行特征提取，生成特征集的步骤，包括：
36、通过所述特征提取模块依次采用预设提取公式对所述特征融合数据进行特征提取，生成特征集；
37、所述预设提取公式为：
38、
39、其中，为特本文档来自技高网...
【技术保护点】
1.一种肺结节良恶性判别方法，其特征在于，包括：
2.根据权利要求1所述的肺结节良恶性判别方法，其特征在于，所述采用所述模型训练集对初始肺结节良恶性分类判别模型进行模型训练，生成目标肺结节良恶性分类判别模型的步骤，包括：
3.根据权利要求1所述的肺结节良恶性判别方法，其特征在于，所述目标肺结节良恶性分类判别模型包括数据预处理层、特征提取层和池化分类层；所述将所述质谱数据集输入所述目标肺结节良恶性分类判别模型进行肺结节良恶性判别，生成肺结节良恶性判别数据的步骤，包括：
4.根据权利要求3所述的肺结节良恶性判别方法，其特征在于，所述数据预处理层包括多个投影转换模块、多个特征编码模块和特征融合模块；所述通过所述数据预处理层对所述质谱数据集进行数据预处理，生成特征融合数据的步骤，包括：
5.根据权利要求4所述的肺结节良恶性判别方法，其特征在于，所述通过所述投影转换模块分别对所述质谱数据集中的初始特征进行数据投影转换，生成多个稠密向量集的步骤，包括：
6.根据权利要求4所述的肺结节良恶性判别方法，其特征在于，所述通过所述稠密向量集
7.根据权利要求3所述的肺结节良恶性判别方法，其特征在于，所述特征提取层包括多个特征提取模块；所述通过所述特征提取层对所述特征融合数据进行特征提取，生成特征集的步骤，包括：
8.一种肺结节良恶性判别系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7任一项所述的肺结节良恶性判别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至7任一项所述的肺结节良恶性判别方法。
...【技术特征摘要】
1.一种肺结节良恶性判别方法，其特征在于，包括：
2.根据权利要求1所述的肺结节良恶性判别方法，其特征在于，所述采用所述模型训练集对初始肺结节良恶性分类判别模型进行模型训练，生成目标肺结节良恶性分类判别模型的步骤，包括：
3.根据权利要求1所述的肺结节良恶性判别方法，其特征在于，所述目标肺结节良恶性分类判别模型包括数据预处理层、特征提取层和池化分类层；所述将所述质谱数据集输入所述目标肺结节良恶性分类判别模型进行肺结节良恶性判别，生成肺结节良恶性判别数据的步骤，包括：
4.根据权利要求3所述的肺结节良恶性判别方法，其特征在于，所述数据预处理层包括多个投影转换模块、多个特征编码模块和特征融合模块；所述通过所述数据预处理层对所述质谱数据集进行数据预处理，生成特征融合数据的步骤，包括：
5.根据权利要求4所述的肺结节良恶性判别方法，其特征在于，所述通过所述投影转换模块分别对所述质谱数据集中的初始特征进行数据投...
【专利技术属性】
技术研发人员：王俊奇，陈思彤，樊鹏南，林雨航，张晗，任茂源，林蔚，
申请(专利权)人：精智未来广州智能科技有限公司，
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。