CN111128386B - 一种骨折内固定系统参数获取方法及装置 - Google Patents

Abstract

本发明实施例涉及一种骨折内固定系统参数获取方法，包括首先获取未标注数据集；其次根据未标注数据集生成训练样本集；然后使用训练样本集对预先搭建的参数获取模型进行训练；最后根据训练后的参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数。本发明基于机器学习原理训练得到参数获取模型，该参数获取模型用于根据患者信息和目标应变信息输出骨折内固定系统合理的桥长参数。由于合理的桥长可以将骨折内固定系统的应力控制合理范围内，也即达到控制骨折内固定系统的应力的目的，从而使骨折断端产生的应变处于合理区间，实现精准及个性化的内固定。

Description

一种骨折内固定系统参数获取方法及装置

技术领域

本发明涉及医疗技术领域，尤其涉及一种骨折内固定系统参数获取方法及装置。

背景技术

骨折愈合模式主要包括直接愈合和间接愈合。其中，直接愈合(又称为一期愈合)是指骨折断面完全解剖复位，断面接触，骨折断端加压不允许有微动，靠骨的哈弗氏系统直接生长进行连接。这种愈合方式没有骨痂的形成，是一种非天然的骨折愈合方式，骨折愈合不够牢固，有发生取出内固定再次骨折的风险。间接愈合(又称为二期愈合)是指骨折不要求完全解剖复位，更加重视局部的血液循环的保护和力线的正确。这种愈合方式在局部形成骨痂，是一种天然的骨折愈合方式，骨折愈合牢固。

目前在临床上，间接愈合是研究的主要方向，也是临床实际中骨折愈合最常见的形式。对于间接愈合，局部的微动是最关键的因素之一。但临床中对于微动的量化以及微动的控制是一直以来问题的焦点和难点。目前临床上的钢板螺钉、髓内钉和桥接组合式等骨折内固定系统在控制骨折断端的微动上并没有量化的理念，设计结构上也不具备控制微动量化的功能。

因此，如何设计骨折内固定系统的结构参数以使其微动表现可控，是亟待解决的技术问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种骨折内固定系统参数获取方法及装置，该方法使用大量的医疗数据样本或者医疗仿真数据样本训练得到参数获取模型，该参数获取模型用于根据患者信息和目标应变信息输出骨折内固定系统合理的桥长参数。由于合理的桥长可以将骨折内固定系统的应力控制合理范围内，也即达到控制骨折内固定系统的应力的目的，从而使骨折断端产生的应变处于合理区间，实现精准及个性化的内固定。

有鉴于此，第一方面，本发明实施例提供了一种骨折内固定系统参数获取方法，包括：获取未标注数据集，所述未标注数据集包括至少一个未标注样本，每个所述未标注样本包括患者信息、所述患者使用的骨折内固定系统参数信息和应变信息，所述患者信息至少包括患者体重和骨折间隙数据；

根据所述未标注数据集生成训练样本集，所述训练样本集包括数量均衡的正例样本和负例样本，所述正例样本对应的应变信息属于预设范围，所述负例样本对应的应变信息不属于所述预设范围；

使用所述训练样本集对预先搭建的参数获取模型进行训练，其中，训练输入为所述训练样本对应的患者信息和应变信息，训练输出为所述训练样本对应的骨折内固定系统参数信息；

根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，所述未知病历数据包括患者信息和目标应变信息，所述目标应变信息属于所述预设范围。

优选的，所述骨折内固定系统包括至少一根连接杆和多个用于固定所述连接杆和骨骼的固定块；

所述患者使用的骨折内固定系统参数信息包括桥长参数，所述桥长为分别位于骨折线两侧且分别距离所述骨折线最近的固定块之间的距离。

进一步优选的，所述患者使用的骨折内固定系统参数信息还包括所述骨折内固定系统的类型信息，其中，不同类型的所述骨折内固定系统的所述连接杆的直径、所述固定块的数量、所述固定块的排布方式中的至少一项不同。

进一步，所述根据未标注数据集生成训练样本集，包括：

对于所述未标注数据集中的每个未标注样本，判断所述未标注样本对应的应变信息是否属于预设范围；

如果所述未标注样本对应的应变信息属于预设范围，将所述未标注样本标注为正例样本；

如果所述未标注样本对应的应变信息不属于预设范围，将所述未标注样本标注为负例样本；

分别剔除所述正例样本和所述负例样本中的冗余样本，得到数量均衡的正例样本和负例样本。

进一步，所述使用训练样本集对预先搭建的参数获取模型进行训练，包括：

对于每个所述正例样本或者所述负例样本，将样本对应的患者信息转换为第一特征向量，以及将样本对应的应变信息转换为第二特征向量；

将所述第一特征向量与所述第二特征向量拼接形成输入矩阵；

将所述输入矩阵输入到所述参数获取模型中，输出参数预测值；

根据输出的所述参数预测值与所述样本对应的参数信息之间的差值，调整所述参数获取模型，直到所述参数获取模型满足预设条件。

进一步，所述根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，包括：

将所述未知病历数据中的患者信息转换成第三特征向量，以及将所述目标应变信息转换成第四特征向量；

将所述第三特征向量与所述第四特征向量拼接，得到输入矩阵；

将所述输入矩阵输入到所述训练后的参数获取模型中，以使所述参数获取模型输出所述骨折内固定系统参数。

进一步优选的，所述参数获取模型输出的骨折内固定系统参数包括所述未知病历数据对应的患者可使用的桥长参数。

进一步优选的，所述参数获取模型输出的骨折内固定系统参数包括所述未知病历数据对应的患者可使用的骨折内固定系统的类型和桥长参数。

第二方面，本发明实施例还提供一种骨折内固定系统参数获取装置，所述装置包括：

获取模块，用于获取未标注数据集，所述未标注数据集包括至少一个未标注样本，每个所述未标注样本包括患者信息、所述患者使用的骨折内固定系统参数信息和应变信息；

生成模块，用于根据所述未标注数据集生成训练样本集，所述训练样本集包括数量均衡的正例样本和负例样本，所述正例样本对应的应变信息属于预设范围，所述负例样本对应的应变信息不属于所述预设范围；

训练模块，用于使用所述训练样本集对预先搭建的参数获取模型进行训练，其中，训练输入为所述训练样本对应的患者信息和应变信息，训练输出为所述训练样本对应的骨折内固定系统参数信息；

预测模块，用于根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，所述未知病历数据包括患者信息和目标应变信息，所述目标应变信息属于所述预设范围。

本发明实施例提供的骨折内固定系统参数获取方法及装置，基于机器学习原理，使用大量的医疗数据样本或者医疗仿真数据样本训练得到参数获取模型，该参数获取模型用于根据患者信息和目标应变信息输出骨折内固定系统合理的桥长参数。由于合理的桥长可以将骨折内固定系统的应力控制合理范围内，也即达到控制骨折内固定系统的应力的目的，从而使骨折断端产生的应变处于合理区间，实现精准及个性化的内固定。

附图说明

图1为本发明实施例提供的一种桥接组合式内固定系统的结构示意图；

图2a-图4d为本发明实施例提供的八种具有不同参数的桥接组合式内固定系统结构示意图；

图5为本发明实施例提供的一种骨折内固定系统参数获取方法流程图；

图6为本发明实施例提供的一种骨折内固定系统参数获取装置框图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

如本申请背景技术部分所述,骨折断端局部会产生微动，刺激骨痂的形成,因此局部微动量是影响间接愈合效果的最关键因素之一，目前临床上的钢板螺钉、髓内钉和桥接组合式等骨折内固定系统的结构参数则直接影响微动量，以下将以桥接组合式内固定系统为例，对本申请实施例予以详细说明。

图1为一种典型的桥接组合式内固定系统的组成结构示意图，如图1所示，桥接组合式内固定系统主要包括：

连接杆10，该连接杆可以为螺纹连接杆，连接杆的数量可以为一根或多根。另外，在不同的结构设计中，该连接杆可被塑为直形，也可以被塑为弯曲形。本申请涉及的“连接杆”、“杆”等在不同的实施例中可以指代直形连接杆或者指代弯曲形连接杆。

固定块20，根据固定块所实现功能的不同，固定块可以进一步包括加压固定块和锁定固定块，此处不予赘述。固定块内部设有一个或多个通孔，所述通孔可以用于与螺纹连接杆配合固定以形成内固定系统，或者用于实现与患者骨骼的复位固定。

本申请中，骨折断端的局部微动可以通过应变进行量化表征。依据骨折愈合Perren应变理论，应变可以通过下述公式计算得到：

IFS＝IFM/L×100％

其中，IFS表示应变，IFM表示骨折块位移，L表示骨折间隙。

依据Perren应变理论的建议，骨折间隙的合理应变应控制在2％-10％之间，低于2％则由于刺激不足，骨痂难以生长；超过10％可能会造成骨折部位固定不稳，刺激过大，易发生骨不连。

为了使骨折断端产生的应变处于合理区间，要求实现精准及个性化的内固定，即，需要将桥接组合式内固定系统的应力控制合理范围内。为此，本申请发明人通过有限元分析及力学试验，对影响内固定系统局部应力的因素进行分析，其中，试验所考虑的可能影响因素包括：桥长D，即分别位于骨折线两侧且分别距离骨折线最近的两个固定块(及螺钉)的间距，如图1所示；连接杆的直径、数量及排布；以及，固定块、螺钉的数量及侧方的挂钩等。

参阅图2a和2b，图2a示出的内固定系统与普通钢板系统构型一致，用于作基线值参照；相对于图2a，图2b示出的内固定系统中，桥长缩短一定距离。试验数据表明，当桥长缩短一定距离时，骨折断端的轴向微动量相应减少一定数值，且微动量的数值可满足在临床骨折愈合微动量的范围进行变化。

参阅图3a与图3b，图3a示出的内固定系统中，桥长不变，首要双杆固定块替换为单杆固定块；试验数据表明骨折断端的轴向微动量几乎无变化，因此固定块形式的变化对轴向微动几乎无影响，抗扭转性能得到提高；图3b示出的内固定系统中，桥长不变，次要单杆固定块的数量增加，试验数据表明骨折断端的微动量几乎无变化，因此固定块数量变化对轴向微动几乎无影响，抗扭转性能得到提高。

参阅图4a至图4d，图4a示出的内固定系统中，桥长不变，次要螺钉替换为无钉体的锁帽，试验数据表明骨折断端的轴向微动量几乎无变化，因此锁帽的更换对轴向微动几乎无影响，抗扭转性能得到提高；图4b示出的内固定系统中，桥长缩短，首要螺钉替换为无钉体的锁帽，试验数据表明骨折断端的轴向微动量变化，因此锁帽的更换对轴向微动几乎无影响，桥长变化是首要影响因素，抗扭转性能得到提高；图4c示出的内固定系统中，桥长缩短，次要双杆固定块替换为单杆固定块，试验数据表明骨折断端的轴向微动量变化，因此固定块形式变化对轴向微动几乎无影响，桥长变化是首要影响因素，抗扭转性能得到提高；图4d示出的内固定系统中，桥长缩短，螺钉与固定块设置为滑动匹配，试验数据表明骨折断端的轴向微动量增加，但局部出现扭转不稳定，确定该构型不合理。

另外，本申请发明人还针对连接杆直径的影响进行了试验，试验数据表明，在桥长不变的情况下，将单杆的直径加大2mm后，骨折端的轴向微动满足临床骨折愈合微动量的范围；将单杆的直径加大2mm，并塑为螺旋形，微动对称性得到提高，满足临床骨折愈合微动量的范围。

依据有限元分析构型，对实物进行力学分析，结果显示实物力学性能符合有限元分析的结果趋势。

总结而言，影响内固定系统局部应力的首要因素即为桥长；次要因素为连接杆的直径、数量及排布，由于实际临床手术操作(主要为解剖结构)的限制，可以将该部分因素确定为几种符合临床实际操作的构型；而对于固定块、螺钉的数量及侧方的挂钩等，除影响桥长的两个固定块外，其他固定块的位置变化及数量对于骨折区域局部应变的影响非常小，出于安全性考虑(如防止滑杆、转杆等)，单杆结构在骨折线两侧需保持各2-4枚固定块及螺钉，双杆结构需保证3-5枚固定块及螺钉。

由此可见，在临床预先确定好上述次要变量因素(连接杆的直径、数量及排布)和其他变量因素(固定块、螺钉的数量及侧方的挂钩)的情况下连接杆的数量及排布的情况下，合理的桥长可以将桥接组合式内固定系统的应力控制合理范围内，从而使骨折断端产生的应变处于合理区间。

为了获得合理的桥长，本申请实施例提供一种骨折内固定系统参数获取方法，该方法的基本思路是，基于机器学习原理，使用大量的医疗数据样本或者医疗仿真数据样本训练得到参数获取模型，该参数获取模型用于根据患者信息和目标应变信息输出骨折内固定系统的桥长参数，从而达到控制骨折内固定系统的应力的目的。

图5为本发明实施例提供的一种骨折内固定系统参数获取方法流程图，如图5所示，该方法包括：

步骤110，获取未标注数据集，所述未标注数据集包括至少一个未标注样本，每个所述未标注样本包括患者信息、所述患者使用的骨折内固定系统参数信息和应变信息，所述患者信息至少包括患者体重和骨折间隙数据。

从未标注的历史医疗方案数据或者医疗仿真实验数据中，获取N个未标注样本，形成大小的N的未标注数据集，每个未标注样本包括患者信息和该患者所使用的骨折内固定系统的参数信息和应变信息。其中，患者信息至少包括患者的体重，当然，为了提高样本的信息丰富度，患者信息还可以包括患者断骨骨骼的三维模型数据、患者性别、患者年龄等等；患者所使用的骨折内固定系统的参数信息至少包括内固定系统所采用的桥长数据，还可以包括患者所使用的骨折内固定系统的类型信息，该类型信息连接杆的直径、数量、排布方式，以及固定块的数量和排布方式等决定，或者说，不同类型的骨折内固定系统的连接杆的直径、数量、排布方式，以及固定块的数量和排布方式中至少一项不同。

另外，应变信息可以是内固定系统的应力信息，也可以是患者骨折断端的应变信息，二者具有相关关系。

步骤120，根据所述未标注数据集生成训练样本集，所述训练样本集包括数量均衡的正例样本和负例样本，所述正例样本对应的应变信息属于预设范围，所述负例样本对应的应变信息不属于所述预设范围。

首先，对未标注数据集中的每个未标注样本进行标注，标注的方法是，判断每一个未标注样本对应的应变信息是否属于预设范围，若是，将该样本标注为正例样本，若否，将该样本标注为负例样本。其中，预设范围为间接愈合过程中，骨折断端产生的应变的合理范围，例如Perren应变理论建议的2％-10％。

其次，分别提出正例样本中的冗余样本和负例样本中的冗余样本，剔除冗余样本的目的是，一方面使训练样本集中的正例样本和负例样本数量均衡，另一方面使负例样本分布均匀(多个负例样本对应的应变信息分布均匀)，同时使正例样本分布均匀(多个正例样本对应的应变信息分布均匀)，从而提高参数获取模型的泛化性。

剔除冗余样本后，剩余的正例样本和负例样本形成训练样本集，例如，训练样本集中包括M个训练样本，其中，正例样本与负例样本的比例为1:1，M小于N。

另外，根据剔除掉的冗余样本生成测试样本集，用于对参数获取模型进行测试。

步骤130，使用所述训练样本集对预先搭建的参数获取模型进行训练，其中，训练输入为所述训练样本对应的患者信息和应变信息，训练输出为所述训练样本对应的骨折内固定系统参数信息。

本申请中，预先搭建的参数获取模型可以是神经网络模型，如逻辑回归模型。使用训练样本集对参数获取模型进行训练的过程，即为优化模型参数的过程，优化过程中，模型参数逐渐学习到患者信息、应变信息及骨折内固定系统参数信息三者之间的数学关系，从而，优化完成后，给定患者信息和应变信息，该参数获取模型即可输出唯一确定的桥长数据。

在步骤130中，首先需要将样本数据转化为计算机可识别的数据。具体的：对于每个正例样本或者负例样本，将样本对应的患者信息转换为第一特征向量，以及将样本对应的应变信息转换为第二特征向量；将第一特征向量与所述第二特征向量拼接形成输入矩阵；将输入矩阵输入到参数获取模型中，输出参数预测值，该参数预测值具体可以为桥长预测值；根据输出的参数预测值与样本对应的参数信息之间的差值，具体为桥长预测值与样本对应的桥长数据之间的差值，调整参数获取模型，直到参数获取模型满足预设条件，前述预设条件可以为针对参数获取模型的准确率设置的阈值。其中，参数获取模型的准确率可以使用上述测试样本集测试得到。

步骤140，根据训练后的参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，所述未知病历数据包括患者信息和目标应变信息，所述目标应变信息属于所述预设范围。

在步骤140中，首先需要将未知病历数据转化为计算机可识别的数据。具体的：将所述未知病历数据中的患者信息转换成第三特征向量，以及将所述目标应变信息转换成第四特征向量；将第三特征向量与第四特征向量拼接，得到输入矩阵；将输入矩阵输入到训练后的参数获取模型中，以使参数获取模型输出骨折内固定系统参数。

需要说明的是，参数获取模型输出的骨折内固定系统参数包括该未知病历数据所属患者可使用的桥长数据，还可以包括该未知病历数据所属患者可使用的骨折内固定系统的类型。

本发明提供一种骨折内固定系统参数获取方法，基于机器学习原理，使用大量的医疗数据样本或者医疗仿真数据样本训练得到参数获取模型，该参数获取模型用于根据患者信息和目标应变信息输出骨折内固定系统合理的桥长参数。由于合理的桥长可以将骨折内固定系统的应力控制合理范围内，也即达到控制骨折内固定系统的应力的目的，从而使骨折断端产生的应变处于合理区间，实现精准及个性化的内固定。

根据上述实施例提供的骨折内固定系统参数获取方法，本申请实施例还提供一种骨折内固定系统参数获取装置，如图6所示，该装置可以包括：

获取模块100，用于获取未标注数据集，所述未标注数据集包括至少一个未标注样本，每个所述未标注样本包括患者信息、所述患者使用的骨折内固定系统参数信息和应变信息；

生成模块200，用于根据所述未标注数据集生成训练样本集，所述训练样本集包括数量均衡的正例样本和负例样本，所述正例样本对应的应变信息属于预设范围，所述负例样本对应的应变信息不属于所述预设范围；

训练模块300，用于使用所述训练样本集对预先搭建的参数获取模型进行训练，其中，训练输入为所述训练样本对应的患者信息和应变信息，训练输出为所述训练样本对应的骨折内固定系统参数信息；

预测模块400，用于根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，所述未知病历数据包括患者信息和目标应变信息，所述目标应变信息属于所述预设范围。

在一些实施例中，生成模块200具体用于，对于所述未标注数据集中的每个未标注样本，判断所述未标注样本对应的应变信息是否属于预设范围；如果所述未标注样本对应的应变信息属于预设范围，将所述未标注样本标注为正例样本；如果所述未标注样本对应的应变信息不属于预设范围，将所述未标注样本标注为负例样本；分别剔除所述正例样本和所述负例样本中的冗余样本，得到数量均衡的正例样本和负例样本。

在一些实施例中，训练模块300具体用于，对于每个所述正例样本或者所述负例样本，将样本对应的患者信息转换为第一特征向量，以及将样本对应的应变信息转换为第二特征向量；将所述第一特征向量与所述第二特征向量拼接形成输入矩阵；将所述输入矩阵输入到所述参数获取模型中，输出参数预测值；根据输出的所述参数预测值与所述样本对应的参数信息之间的差值，调整所述参数获取模型，直到所述参数获取模型满足预设条件。

在一些实施例中，预测模块400具体用于，将所述未知病历数据中的患者信息转换成第三特征向量，以及将所述目标应变信息转换成第四特征向量；将所述第三特征向量与所述第四特征向量拼接，得到输入矩阵；将所述输入矩阵输入到所述训练后的参数获取模型中，以使所述参数获取模型输出所述骨折内固定系统参数。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种骨折内固定系统参数获取方法，其特征在于，所述方法包括：

获取未标注数据集，所述未标注数据集包括至少一个未标注样本，每个所述未标注样本包括患者信息、所述患者使用的骨折内固定系统参数信息和应变信息，所述患者信息至少包括患者体重和骨折间隙数据；其中，所述骨折内固定系统包括至少一根连接杆和多个用于固定所述连接杆和骨骼的固定块；所述患者使用的骨折内固定系统参数信息包括桥长参数，所述桥长为分别位于骨折线两侧且分别距离所述骨折线最近的固定块之间的距离；

根据所述未标注数据集生成训练样本集，所述训练样本集包括数量均衡的正例样本和负例样本，所述正例样本对应的应变信息属于预设范围，所述负例样本对应的应变信息不属于所述预设范围；

使用所述训练样本集对预先搭建的参数获取模型进行训练，其中，训练输入为所述训练样本对应的患者信息和应变信息；所述使用训练样本集对预先搭建的参数获取模型进行训练，包括：对于每个所述正例样本或者所述负例样本，将样本对应的患者信息转换为第一特征向量，以及将样本对应的应变信息转换为第二特征向量；将所述第一特征向量与所述第二特征向量拼接形成输入矩阵；将所述输入矩阵输入到所述参数获取模型中，输出参数预测值；根据输出的所述参数预测值与所述样本对应的参数信息之间的差值，调整所述参数获取模型，直到所述参数获取模型满足预设条件；

根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，所述未知病历数据包括患者信息和目标应变信息，所述目标应变信息属于所述预设范围。

2.根据权利要求1所述的骨折内固定系统参数获取方法，其特征在于，所述患者使用的骨折内固定系统参数信息还包括所述骨折内固定系统的类型信息，其中，不同类型的所述骨折内固定系统的所述连接杆的直径、所述固定块的数量、所述固定块的排布方式中的至少一项不同。

3.根据权利要求1所述的骨折内固定系统参数获取方法，其特征在于，所述根据未标注数据集生成训练样本集，包括：

对于所述未标注数据集中的每个未标注样本，判断所述未标注样本对应的应变信息是否属于预设范围；

如果所述未标注样本对应的应变信息属于预设范围，将所述未标注样本标注为正例样本；

如果所述未标注样本对应的应变信息不属于预设范围，将所述未标注样本标注为负例样本；

分别剔除所述正例样本和所述负例样本中的冗余样本，得到数量均衡的正例样本和负例样本。

4.根据权利要求1所述的骨折内固定系统参数获取方法，其特征在于，所述根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，包括：

将所述未知病历数据中的患者信息转换成第三特征向量，以及将所述目标应变信息转换成第四特征向量；

将所述第三特征向量与所述第四特征向量拼接，得到输入矩阵；

将所述输入矩阵输入到所述训练后的参数获取模型中，以使所述参数获取模型输出所述骨折内固定系统参数。

5.根据权利要求1所述的骨折内固定系统参数获取方法，其特征在于，所述参数获取模型输出的骨折内固定系统参数包括所述未知病历数据对应的患者可使用的桥长参数。

6.根据权利要求2所述的骨折内固定系统参数获取方法，其特征在于，所述参数获取模型输出的骨折内固定系统参数包括所述未知病历数据对应的患者可使用的骨折内固定系统的类型和桥长参数。

7.一种骨折内固定系统参数获取装置，其特征在于，所述装置包括：

获取模块，用于获取未标注数据集，所述未标注数据集包括至少一个未标注样本，每个所述未标注样本包括患者信息、所述患者使用的骨折内固定系统参数信息和应变信息；其中，所述骨折内固定系统包括至少一根连接杆和多个用于固定所述连接杆和骨骼的固定块；所述患者使用的骨折内固定系统参数信息包括桥长参数，所述桥长为分别位于骨折线两侧且分别距离所述骨折线最近的固定块之间的距离；

生成模块，用于根据所述未标注数据集生成训练样本集，所述训练样本集包括数量均衡的正例样本和负例样本，所述正例样本对应的应变信息属于预设范围，所述负例样本对应的应变信息不属于所述预设范围；

训练模块，用于使用所述训练样本集对预先搭建的参数获取模型进行训练，其中，训练输入为所述训练样本对应的患者信息和应变信息，训练输出为所述训练样本对应的骨折内固定系统参数信息；所述使用训练样本集对预先搭建的参数获取模型进行训练，包括：对于每个所述正例样本或者所述负例样本，将样本对应的患者信息转换为第一特征向量，以及将样本对应的应变信息转换为第二特征向量；将所述第一特征向量与所述第二特征向量拼接形成输入矩阵；将所述输入矩阵输入到所述参数获取模型中，输出参数预测值；根据输出的所述参数预测值与所述样本对应的参数信息之间的差值，调整所述参数获取模型，直到所述参数获取模型满足预设条件；

预测模块，用于根据训练后的所述参数获取模型对未知病历数据进行处理，以获得骨折内固定系统参数，所述未知病历数据包括患者信息和目标应变信息，所述目标应变信息属于所述预设范围。

Images