CN109920541A - 一种基于数据分析的病理诊断方法 - Google Patents

Abstract

本发明公开了一种基于数据分析的病理诊断方法，其特征在于包括如下步骤：步骤1、根据病症的定义描述，建立相应疾病症状数据库；步骤2、建立基础病理诊断标准数据模型；步骤3、对患者以往病历进行文本分析；步骤4、根据文本图像数据规约，将文本分析数据与数字切片图像数据转换为同一类型的编码数据格式；步骤5、统一数据清洗，去除数据中的奇异点进行病理诊断；步骤6、进行数据可视化并优化病理诊断模型。本发明可以建立最佳病理诊断模型，进行病理诊断分析，实现患者病情的诊断与疾病分类，建立疾病病况知识库，为后续的治疗方案提供依据。

Description

一种基于数据分析的病理诊断方法

技术领域

本发明涉及一种基于数据分析的病理诊断方法，其适用于病理学、生物医学诊断、生命科学研究、形态学教学等领域。

背景技术

病理学是研究疾病的病因、发病机制及转归的医学基础学科，它是临床医学与基础医学之间的桥梁。病理诊断是指病理医师对送检的标本或称检材进行病理学检查，通过肉眼观测大体改变、镜下观察组织结构和细胞病变特征判断标本病理变化性质而做出的疾病诊断。病理学诊断为临床医师诊断疾病、制定治疗方案、评估疾病预后和总结诊治疾病的经验等提供重要的甚至是决定性的依据，并在疾病的预防中发挥着重要作用。

在医疗水平不断提高、医疗环境日趋严峻、医疗市场竞争激烈的今天，“病理为医之本“已经在医学界达到共识，病理诊断更被视为肿瘤诊断的“金标准”。病理学诊断作为疾病诊断的终末诊断，在医疗活动中占有重要地位。它比临床上根据病史、症状和体征等做出的分析性诊断以及利用各种影像如超声波、X射线、CT、核磁共振等所做出的诊断更具有客观性和准确性。

但现有的病理诊断技术有很大的局限性。一方面，病理学涉及内容广泛，疾病的病理变化复杂多样，疾病最本质的变化即有形态、功能异常和代谢三个方面。同时，病理知识的更新太快。另一方面，现阶段病理诊断严重依赖于病理医师的病理学知识和个人专业实践经验，主观性较强。在病理诊断中，医师往往以自己的经验的作为第一诊断标准，且医师理论知识水平不一，所以诊断的片面性较强。此外，在我国经济较不发达地区，病理医师较少，缺乏经验，难以保证病理诊断的质量。

病理诊断需要增强其诊断的客观性与准确性，大数据分析技术的运用有望实现这一目标。Express Scripts对大数据进行高性能精细化分析，有效地分析每个病人，可为患者提供相应服务。腾讯应用人工智能技术发布了一款AI医学影像产品--腾讯觅影，诊断准确率超过90％。但其为仅仅针对数据较为完善的食管癌的筛查系统，无法针对患者的实际情况进行诊断决策，也无法为后续的临床诊断治疗工作提供依据。故还需要使病理诊断过程结果进行分析、使诊断更加的精细化。数据分析与患者信息数据库的构建、诊断筛查系统的搭建及诊断决策模型的建立息息相关，是实现病理诊断客观化、精准化的有效途径。

本发明面向上述需求，通过大数据技术、深度学习结合病理学知识对患者数据进行数据分析建立专业的病理诊断模型等创新设计，开发一种基于数据分析的病理诊断方法。通过该方法可增强病理诊断工作的客观性，提高病理诊断的正确率。实现对患者病情的精准分析，为后续的治疗方案提供依据。

发明内容

本文是针对病理学、生物医学诊断、生命科学研究、形态学教学等领域对于病理诊断的客观性与精准化的需要，开发的一种基于数据分析的病理诊断方法。本发明可以建立最佳病理诊断模型，进行病理诊断分析，实现患者病情的诊断与疾病分类，建立疾病病况知识库，为后续的治疗方案提供依据。

为达到上述目的，本发明采用如下技术方案予以解决：

一种基于数据分析的病理诊断方法，具体包括构建疾病症状数据库、建立病理诊断数据模型、病历文本分析、文本图像数据规约、统一数据清洗、数据可视化、病理诊断优化模型。

具体包括如下步骤：

步骤1、根据病症的定义描述，建立相应疾病症状数据库；

步骤2、建立基础病理诊断标准数据模型；

步骤3、对患者以往病历进行文本分析；

步骤4、根据文本图像数据规约，将文本分析数据与数字切片图像数据转换为同一类型的编码数据格式；

步骤5、统一数据清洗，去除数据中的奇异点进行病理诊断；

步骤6、进行数据可视化并优化最佳病理诊断模型。

步骤1所述的构建疾病症状数据库，具体如下：

通过爬虫爬取相应类别的专业病理学电子书、行业标准、会议记录及网站从而获取疾病定义描述，并进行分类、聚类、管理与存储，后构建疾病症状数据库，且疾病症状数据库为结构式数据库；

具体的：使用Python语言或现有的爬虫工具如八爪鱼获取病理医学书籍及最新的学术报告会议中对疾病病理特征的定义，对获取的数据进行管理。建立多类疾病数据表，每类数据表有多种数据表外连接组成。每种疾病的疾病名称称为其数据表里的唯一ID，相应的患者状况、持续时间、病理切片图像信息为其属性。对属性数据进行异常值检测与主成分分析，确定决定疾病的主要病理属性与标准。依次构建结构性疾病病理标准数据库

步骤2所述的基础病理诊断标准数据模型，依据疾病定义描述进行数据清洗，删除疾病描述中与定义不符的数据以及空白数据等。对步骤1所建立的属性数据与疾病名称进行关联分析，获得各属性因子的权重。选取关联程度强即属性因子的权重符合设定阈值的属性来建立基础病理诊断标准数据模型。基于GBDT算法，使用预处理后的数据与选择的属性，构建标准数据模型；

依据步骤1建立的疾病病理特征数据库，及确定的疾病病理学标准使用SVM支持向量机对疾病进行分类运算，根据分类结果进行建模。

先对数据库内某种疾病的数据进行标准化处理，再采用超立方采样方法，对所需数据进行采样。然后应用朴素贝叶斯方法，选用训练集与测试集8：2的比例对采样后的数据进行训练及测试，优化病理诊断模型。

步骤3所述的所述的对患者以往病历进行文本分析，具体如下：

对患者的病历进行文本分析，索引患者是否有家族遗传病、过敏药物、索引患者的以往病历、用药与现有症状。分析患者是否对青霉素、头孢等抗生药、消炎药过敏、患者此次是否是旧症复发还是新症以及疾病的严重程度；

步骤4所述的文本图像数据规约，具体：图像数据为患者经数字切片扫描仪扫描所得的数字切片图像，其包含相应的像素数据。采用统一编码方法将扫描图像与文本数据统一转换为UTF-8的数据；

步骤5所述的统一数据清洗，去除数据奇异点主要是去除文本分析数据中与属性内容不符的文本数据，以及数据切片扫描图像中肉眼无法看见扫描图像内细胞的清晰边界的像素数据；

步骤6具体实现如下：病理诊断模型将患者病况数据与标准病理诊断模型进行聚类分析，确定患者疾病类型与病情等级，以及疾病诊断的可能误差；

所述的数据可视化，用于展示所选取的病情症状的属性因子及各因子的属性权重，并显示诊断结果的可能误差；

所述的优化病理诊断模型，是指通过深度学习与大量的病理诊断试验，自主学习诊断病情，不断完善病理诊断模型。

本发明相对于现有技术的有益效果为：

第一，本发明可以构建疾病症状数据库，建立病理诊断标准数据模型，确定病理诊断优化模型实现精准病理诊断；

第二，本发明可实现患者的过往病历、服用药物的文本分析，实现病理诊断过程及结果的可视化，将图表数据反馈于医师便于制定后续的治疗方案。

附图说明

图1是本发明实施例的具体实施流程图；

图2是本发明实施例的疾病特征数据库构建流程图；

具体实施方式

下面结合附图和实施例对本发明做具体说明。

本发明的实施例涉及一种基于数据分析的病理诊断方法，包含建立最佳病理诊断模型，进行病理诊断分析，实现患者病情的诊断与疾病分类，建立疾病症状知识库等内容，能够实现患者的快速精准病理诊断。构建的智能诊断系统可用于病理学诊断、生物医学诊断、生命科学研究、形态学教学等领域。

一种基于数据分析的病理诊断方法的具体流程图如图1所示，包括以下步骤：

步骤1：构建疾病病理特征数据库。使用Python语言或现有的爬虫工具如八爪鱼获取病理医学书籍及最新的学术报告会议中对疾病病理特征的定义，对获取的数据进行管理。建立多类疾病数据表，每类数据表有多种数据表外连接组成。每种疾病的医学名称为其数据表里的唯一ID，相应的患者状况、持续时间、病理切片图像信息为其属性。对属性数据进行异常值检测与主成分分析，确定决定疾病的主要病理属性与标准。依次构建结构性疾病病理标准数据库

步骤2：依据步骤1建立的疾病病理特征数据库，及确定的疾病病理学标准使用SVM支持向量机对疾病进行分类运算，分析其内的规律进行建模。

先对数据库内某种疾病的数据进行标准化处理，再采用超立方采样方法，对所需数据进行采样。然后应用朴素贝叶斯方法，选用训练集与测试集8：2的比例对采样后的数据进行训练及测试，优化病理诊断模型。

步骤3：获取待病理诊断患者的数字切片图像，同时采用去除停用词，词频词条统计方式分析患者的过往病史、家族遗传病及过敏药物。将患者数字切片图像解码，与患者病历信息转换为统一编码数据。对转码后的数据进行规约，检测数据中的异常值并剔除。然后使用病理诊断模型诊断患者疾病。

步骤4：将处理后的患者病症属性数据通过gephi软件，展示给临床医生，便于临床与病理医师的判断与追溯。同时显示诊断结果的可能误差，由临床医生决定是否采用诊断结果。

步骤5：将智能诊断有效的患者病理信息、数字病理切片存储入数据库中，补充疾病的病理信息。同时，增加病理特征信息训练病理诊断模型，优化病理诊断的参数，使模型预测诊断效果达到最佳。

图2显示了构建疾病病理特征数据库的具体过程，首先采用Python语言编写爬虫程序或八爪鱼爬取工具爬取疾病病理定义。具体步骤如下：

步骤1：通过爬虫工具，获取专业书籍对于疾病病理形态的定义，同时爬取最新的会议、期刊及行业标准对于疾病病理形态的描述。同时爬取相应患者已诊断的数字切片扫描图片，获取患者的疾病病理形态数据信息。并对整理所得的数据进行解码，规约。

步骤2：使用因子分析算法，对规约后的数据进行处理。从获取到的数据中选取毫无关系的属性数据，消除数据中的重复属性与数据。

步骤3：根据患者疾病的种类与名称都是唯一的，而表述患者疾病病变信息的病理形态变化是多种多样的，其变化程度也不同。疾病种类，名称与属性都有着相应的联系，由此决策数据库为结构性数据库。

步骤4：确定疾病的种类为疾病类别数据表中的主建，使用主成分分析算法。从已搜集的疾病与症状中分析，决定判断疾病种类的主成分。

步骤5：挑选出能确定疾病的类别的主要属性细胞大小、形态等参数，并依据主成分分析结果为每个属性增加相应的权重因子，依次构建疾病病理描述标准数据库。

步骤6：并将每次诊断成功的结果添加入数据库，补充疾病病理数据库的内容。最终结构上构建完整的疾病病理数据库。

Claims (8)

1.一种基于数据分析的病理诊断方法，其特征在于包括如下步骤：

步骤1、根据病症的定义描述，建立相应疾病症状数据库；

步骤2、建立基础病理诊断标准数据模型；

步骤3、对患者以往病历进行文本分析；

步骤4、根据文本图像数据规约，将文本分析数据与数字切片图像数据转换为同一类型的编码数据格式；

步骤5、统一数据清洗，去除数据中的奇异点进行病理诊断；

步骤6、进行数据可视化并优化病理诊断模型。

2.根据权利要求1所述的一种基于数据分析的病理诊断方法，其特征在于步骤1所述的构建疾病症状数据库，具体如下：

通过爬虫爬取相应类别的专业病理学电子书、行业标准、会议记录及网站从而获取疾病定义描述，并进行分类、聚类、管理与存储，后构建疾病症状数据库，且疾病症状数据库为结构式数据库。

3.根据权利要求1所述的一种基于数据分析的病理诊断方法，其特征在于步骤1所述的构建疾病症状数据库，具体如下：

使用Python语言或现有的爬虫工具如八爪鱼获取病理医学书籍及最新的学术报告会议中对疾病病理特征的定义，对获取的数据进行管理；建立多类疾病数据表，每类数据表有多种数据表外连接组成；每种疾病的疾病名称称为其数据表里的唯一ID，相应的患者状况、持续时间、病理切片图像信息为其属性；对属性数据进行异常值检测与主成分分析，确定决定疾病的主要病理属性与标准；依次构建结构性疾病病理标准数据库。

4.根据权利要求2或3所述的一种基于数据分析的病理诊断方法，其特征在于步骤2所述的基础病理诊断标准数据模型，具体：

首先依据疾病定义描述进行数据清洗，删除疾病描述中与定义不符的数据以及空白数据；对步骤1所建立的属性数据与疾病名称进行关联分析，获得各属性因子的权重；选取关联程度强即属性因子的权重符合设定阈值的属性来建立基础病理诊断标准数据模型；基于GBDT算法，使用预处理后的数据与选择的属性，构建标准数据模型；

其次依据步骤1建立的疾病病理特征数据库，先对数据库内某种疾病的数据进行标准化处理，再采用超立方采样方法，对所需数据进行采样；根据确定的疾病病理学标准使用SVM支持向量机对疾病进行分类运算，根据分类结果进行建模；

然后应用朴素贝叶斯方法，选用训练集与测试集8：2的比例对采样后的数据进行训练及测试，优化病理诊断模型。

5.根据权利要求4所述的一种基于数据分析的病理诊断方法，其特征在于步骤3所述的对患者以往病历进行文本分析，具体如下：

索引患者是否有家族遗传病、过敏药物，索引患者的以往病历、用药与现有症状，索引患者是否对抗生药、消炎药过敏，索引患者此次是旧症复发还是新症以及疾病的严重程度。

6.根据权利要求5所述的一种基于数据分析的病理诊断方法，其特征在于步骤4所述的文本图像数据规约，具体：

图像数据为患者经数字切片扫描仪扫描所得的数字切片图像，其包含相应的像素数据；采用统一编码方法将扫描图像与文本数据统一转换为UTF-8的数据。

7.根据权利要求5或6所述的一种基于数据分析的病理诊断方法，其特征在于步骤5所述的统一数据清洗，去除数据奇异点主要是去除文本分析数据中与属性内容不符的文本数据，以及数据切片扫描图像中肉眼无法看见扫描图像内细胞的清晰边界的像素数据。

8.根据权利要求7所述的一种基于数据分析的病理诊断方法，其特征在于步骤6具体实现如下：病理诊断模型将患者病况数据与标准病理诊断模型进行聚类分析，确定患者疾病类型与病情等级，以及疾病诊断的可能误差；

所述的数据可视化，用于展示所选取的病情症状的属性因子及各因子的属性权重，并显示诊断结果的可能误差；

所述的优化病理诊断模型，是指通过深度学习与大量的病理诊断试验，自主学习诊断病情，不断完善病理诊断模型。