【技术实现步骤摘要】
本专利技术涉及肿瘤筛查领域，特别涉及一种基于深度学习的肺部肿瘤早期筛查方法和系统。
技术介绍
1、目前，随着医学影像和微创生物标志物技术的发展，癌症的准确检测、表征和监测正面临挑战。肿瘤的影像学评估主要依赖于视觉评估，但高级计算分析可以增强其解释。人工智能(ai)在临床医生对癌症成像的定性解释方面取得了重大进展，包括随时间推移肿瘤的体积描绘，预测临床结果，以及评估疾病和治疗对邻近器官的影响。
2、度学习方法在自动量化医学成像数据中的影像特征方面取得了重大进展。这些方法可以自动从样本图像中学习特征表示，并已在任务特定的应用程序中匹配甚至超越人类的表现。在肺癌诊断中，人工智能技术已显示出巨大的潜力，包括肺癌筛查与影像诊断、基因突变检测、血液肿瘤标志物检测、组织病理检测以及临床决策支持。例如，医疗ai技术，已经实现了大规模早期胰腺癌的筛查，其早期筛查模型的特异性达到了99.9％，检测胰腺肿瘤的能力可达92.9％。深度学习算法、数据挖掘分析、自然语言处理、模式识别等是智能肿瘤学技术创新的主要方向。这些技术在肿瘤大数据分析、肿瘤的预防与筛查、早诊早治、基于图像识别技术的针对肿瘤影像学和病理学数据的辅助诊疗系统和预后预测模型的建立等方面得到应用。
3、但是，深度学习模型需要大量的高质量数据来进行训练。在医疗领域，获取大量标记良好的数据可能很困难，特别是对于罕见疾病或肿瘤类型。如果训练数据存在偏差，那么模型可能会在特定人群或场景中表现不佳。例如，如果训练数据主要来自特定年龄段或种族的患者，模型可能无法很好地泛化到其他人
技术实现思路
1、本专利技术提供一种基于深度学习的肺部肿瘤早期筛查方法和系统，用于解决上述
技术介绍
中的情况。
2、第一方面，本专利技术提出一种基于深度学习的肺部肿瘤早期筛查方法，包括：
3、获取患者肺部的筛查数据和患者体质数据，确定不同筛查数据对应的肺部特征；
4、根据患者体质数据，对患者进行风险分级，其中，风险分级后每个风险等级的患者对应有唯一风险系数，且患者体质数据越低，唯一风险系数越大；
5、将肺部特征通过预设肺部肿瘤识别网络进行特征融合，生成肺部肿瘤病理特征的筛查模型；
6、根据筛查模型，对肺部特征中不同肿瘤病理特征进行预测赋权，确定不同肺部肿瘤病理特征的肿瘤置信值；
7、设置评估阈值，并判断肺部特征结合评估系数后肿瘤置信值是否在评估阈值范围内，当肿瘤置信值在评估范围内时，通过肿瘤置信值和唯一风险系数，判断患者肺部存在肿瘤的实时风险值。
8、结合第一方面，所述筛查数据包括：肺部低剂量螺旋ct数据、肺部肿瘤标志物数据、肺部组织活检数据、肺部细胞液数据或肺部荧光支气管镜数据。
9、结合第一方面，所述患者体质数据包括：肝部病变数据、肝部职业暴漏数据和肝部遗传病数据。
10、结合第一方面，所述确定不同筛查数据对应的肺部特征，包括：
11、构建多源数据端口，通过多源数据端口对筛查数据进行划分，并根据划分结果，搭建肺部特征矩阵；
12、根据肺部特征矩阵，构建与肺部肿瘤特征关联的肿瘤近邻网络图；
13、根据肿瘤近邻网络图，在不同肺部数据中提取高斯核函数和多项式核函数的肺部参数，生成目标高斯核函数和目标多项式核函数；
14、计算肺部特征矩阵中多源数据端口的数据内积；
15、根据目标高斯核函数将数据内积达到预设内积阈值的通道序列对映射到高斯核空间，以及，根据目标多项式核函数将数据内积小于预设内积阈值的通道序列对映射到多项式核空间；
16、在高斯核空间和多项式核空间中，根据映射后的各核空间的核矩阵分别提取各核空间的肺部特征；
17、根据肺部特征矩阵的类别标签，将各核空间的信息素特征融合映射到组合核空间，获得重构肺部特征矩阵；
18、对肺部特征矩阵矩阵进行降维，获得肺部特征。
19、结合第一方面，所述根据患者体质数据，对患者进行风险分级，包括：
20、对患者体质数据按照风险角度进行划分，生成多个评估项，其中，每个评估项对应患者一项与肺部肿瘤关联的体质数据；
21、根据多个评估项的个数，确定患者的风险分级复杂度；
22、根据风险分级复杂度，设定风险叠加矩阵；
23、根据风险叠加矩阵，进行聚合计算，并根据聚合计算结果归属的风险分级区间，确定患者体质的风险等级。
24、结合第一方面，所述将肺部特征通过预设肺部肿瘤识别网络进行特征融合，包括：
25、计算肺部特征和肺部肿瘤的相关度，并生成相关性特征向量；
26、根据相关性特征向量，通过特征演化的预设肺部肿瘤演化模型输出对应的肺部特征分析数据，其中，分析数据为每个肺部特征在通过预设肺部肿瘤演化模型进行演化过程中，产生的演化预测数据；
27、将演化预测数据输入预设肺部肿瘤识别网络，确定每个肺部特征的演化特征；
28、通过演化特征，判断每个肺部特征是否与肺部肿瘤相关，其中：
29、当肺部特征与肺部肿瘤相关时，将对应肺部特征通过预设肺部肿瘤识别网络进行识别标注。
30、结合第一方面，所述预测赋权包括：
31、根据筛查模型，确定肺部特征中不同肿瘤病理特征的演化概率和演化方向；
32、通过演化概率和演化方向，搭建患者的演化函数；
33、设定关联阈值，并判断不同肿瘤病理特征的演化函数的关联值；
34、根据每个肿瘤病理特征的关联值在关联阈值中的个数，确定预测赋权值。
35、结合第一方面，所述设置评估阈值包括：
36、通过预设肺部肿瘤数据库，确定患者肺部肿瘤病理特征与肺部肿瘤关联的第一特征数据；
37、对第一特征数据进行划分，并输入多个评估项窗口；
38、利用高斯分布的方法构建肺部肿瘤病理特征与评估项窗口的映射关系模型；
39、根据映射关系模型计算每个评估项窗口的概率分布和评估阈值。
40、结合第一方面，所述判断患者肺部存在肿瘤的实时风险值，还包括：
41、获取预设肺部肿瘤识别网络的损失函数；
42、通过损失函数和实时风险值，输出患者的肺部肿瘤筛查报告。
43、第二方面，一种基于深度学习的肺部肿瘤早期筛查系统，包括：
44、特征提取模块：获取患者肺部的筛查数据和患者体质数据，确定不同筛查数据对应的肺部特征；
45、风险分级模块：根据患者体质数据，对患者进行风险分级，其中，风险分级后每个风险等级的患者对应有唯一风险系数，且患者体质数据越低，唯一风险系数越大；
46、特征融合模块：将肺部特征通过预设肺部肿瘤识别网络进行特征融合，生成肺部肿瘤病理特征的筛查模型；
47、赋权模块：根据筛查模型，对肺部特征中不同肿瘤病理特征进行预测赋权，确定不同肺部本文档来自技高网...
【技术保护点】
1.一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述筛查数据包括：肺部低剂量螺旋CT数据、肺部肿瘤标志物数据、肺部组织活检数据、肺部细胞液数据或肺部荧光支气管镜数据。
3.如权利要求2所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述患者体质数据包括：肝部病变数据、肝部职业暴漏数据和肝部遗传病数据。
4.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述确定不同筛查数据对应的肺部特征，包括：
5.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述根据患者体质数据，对患者进行风险分级，包括：
6.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述将肺部特征通过预设肺部肿瘤识别网络进行特征融合，包括：
7.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述预测赋权包括：
8.如权利要求1所述的一种基于深度学
9.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述判断患者肺部存在肿瘤的实时风险值，还包括：
10.一种基于深度学习的肺部肿瘤早期筛查系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述筛查数据包括：肺部低剂量螺旋ct数据、肺部肿瘤标志物数据、肺部组织活检数据、肺部细胞液数据或肺部荧光支气管镜数据。
3.如权利要求2所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述患者体质数据包括：肝部病变数据、肝部职业暴漏数据和肝部遗传病数据。
4.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其特征在于，所述确定不同筛查数据对应的肺部特征，包括：
5.如权利要求1所述的一种基于深度学习的肺部肿瘤早期筛查方法，其...
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。