CN112562851B - 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 - Google Patents
一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 Download PDFInfo
- Publication number
- CN112562851B CN112562851B CN202011558269.3A CN202011558269A CN112562851B CN 112562851 B CN112562851 B CN 112562851B CN 202011558269 A CN202011558269 A CN 202011558269A CN 112562851 B CN112562851 B CN 112562851B
- Authority
- CN
- China
- Prior art keywords
- oral cancer
- patient
- algorithm
- data
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 145
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 119
- 208000003445 Mouth Neoplasms Diseases 0.000 title claims abstract description 110
- 208000012987 lip and oral cavity carcinoma Diseases 0.000 title claims abstract description 109
- 210000002751 lymph Anatomy 0.000 title claims abstract description 96
- 206010027476 Metastases Diseases 0.000 title claims abstract description 62
- 230000009401 metastasis Effects 0.000 title claims abstract description 61
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 26
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims abstract description 25
- 230000007170 pathology Effects 0.000 claims abstract description 24
- 238000013075 data extraction Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000007717 exclusion Effects 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 206010028980 Neoplasm Diseases 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 11
- 210000001165 lymph node Anatomy 0.000 claims description 7
- 238000010827 pathological analysis Methods 0.000 claims description 7
- 230000008961 swelling Effects 0.000 claims description 7
- 238000012774 diagnostic algorithm Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000001394 metastastic effect Effects 0.000 claims description 3
- 206010061289 metastatic neoplasm Diseases 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 87
- 238000012546 transfer Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 7
- 201000009058 cervical adenitis Diseases 0.000 description 6
- 208000012751 cervical lymphadenitis Diseases 0.000 description 6
- 230000001926 lymphatic effect Effects 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000002512 chemotherapy Methods 0.000 description 3
- 208000014829 head and neck neoplasm Diseases 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 206010061523 Lip and/or oral cavity cancer Diseases 0.000 description 1
- 206010025327 Lymphopenia Diseases 0.000 description 1
- 208000000102 Squamous Cell Carcinoma of Head and Neck Diseases 0.000 description 1
- 206010062129 Tongue neoplasm Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 201000005459 gum cancer Diseases 0.000 description 1
- 201000000615 hard palate cancer Diseases 0.000 description 1
- 210000001847 jaw Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 231100001023 lymphopenia Toxicity 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000026037 malignant tumor of neck Diseases 0.000 description 1
- 210000002200 mouth mucosa Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 201000002740 oral squamous cell carcinoma Diseases 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 201000006134 tongue cancer Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种口腔癌颈部淋巴转移诊断算法的构建方法及系统,所述方法包括:按照纳入及排除标准筛选出符合标准的口腔癌患者,并对应的MRI影像数据、临床病理资料和随访资料;对口腔癌患者进行分组,分为训练集患者和测试集患者;根据预设的数据提取规则对训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法并进行多维度验证;根据测试集患者的MRI影像数据对人工智能诊断算法进行二次验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法。本发明构建的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,能够用于研究口腔癌颈部淋巴转移的AI诊断和预测,提高AI诊断和预测的准确性和效率。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,尤其是涉及一种口腔癌颈部淋巴转移诊断算法的构建方法及系统。
背景技术
口腔癌是指发生在口腔黏膜的癌肿,包括颊癌、牙龈癌、口底癌、舌癌、硬腭癌;而发生颈部淋巴结转移可能影响口腔癌患者的最佳治疗选择和预后效果。许多成像技术被用来识别头颈部癌症患者的颈部淋巴结转移,例如计算机断层扫描(CT)和磁共振成像(MRI)是最广泛使用的方式。与临床触诊相比,这两种成像系统在淋巴结分期中提供了更高的准确性。
近年来,人工智能领域深度学习系统的发展引起了许多科学领域的关注。深度学习系统能够自动提取相关图像特征并同时进行图像分类,具有多层的卷积神经网络(CNN)特别适合于基于成像的诊断,因为这些网络能够利用局部连接、共享权重、且可以优化选择首选分析方法。未来,深度学习模型将能够协助进行医学各领域的诊断,并大大有助于减轻放射科医生和普通医生在成像等领域的繁重工作量,并且许多研究已经报道了使用CNNs进行特定疾病的医学图像诊断。
然而,目前尚不清楚深度学习模型是否能够在与放射科医生相同甚至更高的诊断准确性水平上评估口腔癌的颈部淋巴结转移,因此,亟需一种能够基于MRI影像的口腔癌颈部淋巴转移诊断方法及系统。
发明内容
本发明实施例所要解决的技术问题在于,提供一种口腔癌颈部淋巴转移诊断算法的构建方法及系统,能够用于口腔癌颈部淋巴转移的AI诊断和预测。
为解决上述问题,本发明的一个实施例提供了一种口腔癌颈部淋巴转移诊断算法的构建方法,至少包括如下步骤:
按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;
对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;
根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;
根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行外部验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法。
进一步的,所述外部验证,具体为:
根据新的多个诊疗中心收集的患者数据对已经形成的人工智能诊断算法进行验证,以病理诊断为金标准,并同时与影像科医生作出的诊断进行比较,以得到所述人工智能诊断的算法并进行优化。
进一步的,所述纳入及排除标准,包括:
患者年龄标准、原发灶病理诊断标准、本次拟行手术情况、随访记录、患者资料完整性和历史手术治疗情况。
进一步的,所述口腔癌颈部淋巴转移诊断算法的构建方法,还包括:
按照患者肿瘤部位原则,为颈部淋巴阳性组匹配颈部淋巴阴性组,以作为构建人工智能诊断算法的数据基础。
进一步的,所述预设的数据提取规则,具体为:
对于颈部淋巴阳性组,按照临床病理资料的病例报告中的转移淋巴结所在分区进行提取;
对于颈部淋巴阴性组中的阳性匹配组,按照匹配的阳性组的分区进行提取;
对于颈部淋巴阴性组中的未匹配但有肿大组,按照MRI影像资料中肿大淋巴结所在分区进行提取;
对于颈部淋巴阴性组中的未匹配且无肿大组,提取颈部的I~IV区。
进一步的,所述构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,包括:
通过搭建卷积神经网络CNN中的类Alexnet架构模型对单张MRI影像的阴阳性进行预测;
通过构建多图融合模型对患者的每张MRI影像进行风险预测和结局预测,并综合患者的某个方向下的某个序列的所有MRI影像的预测结果进行综合预测;
通过构建多方向多序列融合模型对患者的多个序列的MRI影像进行患者的最终结局预测。
进一步的,所述多维度验证,包括:模型准确率、ROC曲线下面积AUC评分、敏感性、特异性、假阴性率和假阳性率。
本发明的一个实施例还提供了一种口腔癌颈部淋巴转移诊断算法的构建系统,包括:
数据采集模块,用于按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;
患者分组模块,用于对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;
算法构建模块,用于根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;
算法验证模块,用于根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法。
本发明的一个实施例还提供了一种口腔癌颈部淋巴转移诊断算法的构建的终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的口腔癌颈部淋巴转移诊断算法的构建方法。
本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的口腔癌颈部淋巴转移诊断算法的构建方法。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的一种口腔癌颈部淋巴转移诊断算法的构建方法及系统,所述方法包括:按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行外部验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法
与现有技术相比,本发明实施例构建的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,能够用于研究口腔癌颈部淋巴转移的AI诊断和预测,提高AI诊断和预测的准确性和效率;另外,通过验证的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,不仅对于清楚深度学习模型是否能够在与放射科医生相同甚至更高的诊断准确性水平上评估口腔癌的颈部淋巴结转移方面有重大意义,还有助于减轻放射科医生和普通医生在医学图像诊断等领域的繁重工作量。
附图说明
图1为本发明第一实施例提供的一种口腔癌颈部淋巴转移诊断算法的构建方法的流程示意图;
图2为本发明第一实施例提供的原始AlexNet的架构的示意图;
图3为本发明第一实施例提供的多图融合模型判断的流程示意图;
图4为本发明第一实施例提供的多方向多序列融合模型判断的流程示意图;
图5为本发明第二实施例提供的一种口腔癌颈部淋巴转移诊断算法的构建系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
首先介绍本发明可以提供的应用场景,如构建一种基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法。
本发明第一实施例:
请参阅图1-4。
如图1所示,本实施例提供了一种口腔癌颈部淋巴转移诊断算法的构建方法,至少包括如下步骤:
S1、按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料。
具体的,对于步骤S1,按照纳入及排除标准进行研究对象的筛选,收集研究对象的临床病理资料、MRI影像资料和随访资料;其中,临床病理资料包括:姓名,住院号,性别,年龄,诊断,原发/复发,颈部既往史,肿瘤疾病史、放化疗史,有无颈清,系统性疾病,TNM分期,临床检查,病理诊断,多次入院史;MRI影像资料包括Dicom原始数据和影像报告;随访资料包括随访期间有无肿瘤复发、颈部淋巴有无肿大、有无二次手术及相关情况(首次手术为颈部淋巴阳性患者不需要)。
在一种优选的实施例中,所述纳入及排除标准,包括:
患者年龄标准、原发灶病理诊断标准、本次拟行手术情况、随访记录、患者资料完整性和历史手术治疗情况。
其中,研究人群的入选标准包括:①年龄介于20~70岁;②原发灶病理诊断为口腔鳞状细胞癌;③本次拟行手术治疗,且为其首次治疗方法;④若未行颈部淋巴清扫术,则需至少随访半年;⑤临床病理资料、MRI影像资料和随访资料完整。
研究人群的排除标准包括:①既往颈部行手术治疗;②既往行颌面部/颈部放疗或化疗;③首次未行颈部淋巴清扫术,二次手术颈部淋巴清扫术后病理为阳性,则排除首次手术的纳入;④首次颈淋巴清扫术后病理为阴性,二次颈淋巴清扫术后病理为阳性,则排除两次手术的纳入。
S2、对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者。
具体的,对于步骤S2,本实施例中拟纳入1500例患者,其中500例患者进入训练集,1000例患者进入测试集。训练集均为单个诊疗中心所纳入患者。训练集患者分为两组,分别为颈淋巴转移组和非颈淋巴转移组。
其中,颈淋巴转移组包括:①首次手术行颈淋巴清扫术,病理结果为阳性;②首次颈部未行手术,二次手术行颈淋巴清扫术,病理结果为阳性。
非颈淋巴转移组后者包括:①首次手术行颈淋巴清扫术,病理结果为阴性;②首次考虑为cN0,未行颈淋巴清扫术,随访半年以上未出现颈淋巴转移临床症状/体征;③首次颈部未行手术,二次手术行颈淋巴清扫术,病理结果为阴性。
测试集的患者则从多个诊疗中心机构中进行纳入。每个中心按照纳入及排除标准收集至少30位患者,其中颈淋巴阴性患者不少于纳入患者数量的1/3。
S3、根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证。
具体的,对于步骤S3,按照影像科医生预设的影像提取规则提取颈部MRI相应层面提取对应的数据,并将提取的数据进行数据整理,通过不同的方法进行建模,构建基于MRI的口腔癌颈部淋巴转移人工智能诊断算法,并对其诊断效果进行多维度的验证。
在一种优选的实施例中,所述预设的数据提取规则,具体为:
对于颈部淋巴阳性组,按照临床病理资料的病例报告中的转移淋巴结所在分区进行提取;
对于颈部淋巴阴性组中的阳性匹配组,按照匹配的阳性组的分区进行提取;
对于颈部淋巴阴性组中的未匹配但有肿大组,按照MRI影像资料中肿大淋巴结所在分区进行提取;
对于颈部淋巴阴性组中的未匹配且无肿大组,提取颈部的I~IV区。
其中,影像提取规则如下表所示。
在构建基于MRI的口腔癌颈部淋巴转移人工智能诊断算法后,通过多个医疗中心数据验证所构建的人工智能诊断算法,按照纳入及排除标准,在各分中心进行研究对象的纳入和相关资料的收集;每个中心至少需要纳入30例患者,其中颈淋巴阴性组患者比例不少于1/3;多中心收集回的资料于本中心进行核查、较对MRI的Dicom资料由影像科医生,按照上述影像提取规则提取颈部MRI相应层面;提取后的影像数据输入至模型急性验证。
在具体的实施例中,对于S1-S3,拟收集单中心口腔癌患者的MRI影像资料、临床病理和随访资料,以患者颈部淋巴转移与否作为结局指标、MRI图像为预测变量,构建机器学习算法用于颈部淋巴转移的MRI图像诊断。通过内部和外部验证,评估算法的诊断能力,并采集多中心数据进行算法模型的验证和优化。
S4、根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行外部验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法。
在一种优选的实施例中,所述外部验证,具体为:
根据新的多个诊疗中心收集的患者数据对已经形成的人工智能诊断算法进行验证,以病理诊断为金标准,并同时与影像科医生作出的诊断进行比较,以得到所述人工智能诊断的算法并进行优化。
具体的,对于步骤S4,包括待测影像数据准备和人工智能与影像科医生在颈部MRI影像淋巴转移诊断准确性的对比。
准备待测的MRI影像数据,对相关部分设盲。从颈淋巴阳性组和颈淋巴阴性组中,随机抽取相同数目的研究对象,提取相应的MRI影像;隐去MRI图像对应的组别、影像报告和病理结果。
在本实施例中,纳入资深和普通两种级别的影像科医生,前者为在华南地区头颈部肿瘤影像诊断的资深专家2~3名,后者为该研究对象影像报告的报告医生。资深影像科医生在对分组情况未知的情况下,判断颈部淋巴转移与否和转移区域;普通影像科医生的诊断结果从其所发出的影像报告中提取;研究A中所构建的的人工智能算法对待测MRI数据进行诊断,判断颈部淋巴转移与否和转移区域;对比人工智能算法、资深影像科医生和普通影像科医生对颈部MRI影像淋巴转移的诊断能力。通过对人工智能诊断算法进行外部验证,根据验证结果进一步对人工智能诊断算法进行优化或校正,从而得到最优的口腔癌颈部淋巴转移诊断算法。
在具体的实施例中,对于步骤S4,于步骤S1-S3中形成的病例库中随机抽取颈淋巴转移阳性组和阴性组中相同数量的病例,比较研究中创建的算法模型和不同级别的影像科医生分别对同一病例的颈部MRI影像淋巴转移诊断的准确性。对影像科医生设盲,事先对该患者颈部淋巴状态不知情。
对于设盲部分,本实施例中是选取模型和医生都未读过但是有病理诊断,即知道结果的MRI影像数据进行研究,模型和医生都不知道这个数据的结果,此为设盲。设盲的目的是为了让人机双方都不知道结果。相关部分主要指MRI数据患者的颈淋巴结果。
在一种优选的实施例中,所述口腔癌颈部淋巴转移诊断算法的构建方法,还包括:
按照患者肿瘤部位原则,为颈部淋巴阳性组匹配颈部淋巴阴性组,以作为构建人工智能诊断算法的数据基础。
具体的,在步骤S1中的研究对象纳入及相关资料收集,还包括按照肿瘤部位,为颈部淋巴阳性组匹配颈部淋巴阴性组研究对象。
在一种优选的实施例中,所述构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,包括:
通过搭建卷积神经网络CNN中的类Alexnet架构模型对单张MRI影像的阴阳性进行预测;
通过构建多图融合模型对患者的每张MRI影像进行风险预测和结局预测,并综合患者的某个方向下的某个序列的所有MRI影像的预测结果进行综合预测;
通过构建多方向多序列融合模型对患者的多个序列的MRI影像进行患者的最终结局预测。
具体的,本实施例中的人工智能诊断算法包括3个阶段:单张MRI影像的阴阳性预测,多图融合的综合预测,以及个体病患的最终阴阳性的预测。
首先收集若干个病人的MRI图像数据,原始MRI图像数据包括了18个图层的数据,经过筛选,本实施例中挑选了其中较为齐全的9个层面,其中包括CR-T1-C,CR-T2,CR-T1-In,CR-T1-W,CR-T2-T,CO-T2-T,CO-T1-C,SA-T1-C,SA-T1。
阶段1:单张MRI影像的阴阳性判别。
使用灰度的单张MRI影像作为输入,采用卷积神经网络CNN中的类Alexnet架构搭建,模型将基于MRI影像最阴阳性进行预测。
AlexNet由Alex Krizhevsky于2012年提出,夺得2012年ILSVRC比赛的冠军,top5预测的错误率为16.4%,远超第一名。AlexNet采用8层的神经网络,5个卷积层和3个全连接层(3个卷积层后面加了最大池化层),包含6亿3000万个链接,6000万个参数和65万个神经元。
原始AlexNet的架构如图2所示,AlexNet架构包括5个卷积层,3个池化层,3个全连接层,架构信息如下表所示。
名称 | 维度 | 步长 | 输出维度 |
输入层 | 227*227 | - | - |
卷积层1 | 11*11*1*96 | 4*4 | 55*55*96 |
池化层1 | 3*3 | 2*2 | 27*27*96 |
卷积层2 | 5*5*96*256 | 1*1 | 27*27*256 |
池化层2 | 3*3 | 2*2 | 13*13*256 |
卷积层3 | 3*3*256*384 | 1*1 | 13*13*384 |
卷积层4 | 3*3*256*384 | 1*1 | 13*13*384 |
卷积层5 | 3*3*256*256 | 1*1 | 13*13*256 |
池化层3 | 3*3 | 2*2 | 6*6*256 |
全连接层1 | 4096 | -1,4096 | |
全连接层2 | 4096 | -1,4096 | |
全连接层3 | 4096*2 | -1,2 |
阶段2:多图融合模型。
如图3所示,在数据模型中,每位患者都拥有相应的多张MRI图像数据,模型会基于每张图像都进行风险预测以及结局预测,多图模型将综合患者的某个层面的所有MRI图像的预测结果进行综合预测。
多图结合判断方式有三种方式:
1)抽取预测“转移”的前三张概率最大的影像数据,求其平均值,判断是否“转移”。
2)抽取预测“转移”的前五张概率最大的影像数据,求其平均值,判断是否“转移”。
3)使用投票法,针对患者所有的影像数据,统计并且比较其预测“转移”和“非转移”的个数,个数较多的为预测结果。
阶段3:多方向多序列融合模型(个体预测模型)。
如图4所示,基于单个患者单个层面的模型融合,而更进一步的,若患者数据完整,即拥有所有上述9个层面的数据,我们可以综合9个层面来进一步预测单个患者的结局(“转移”或“非转移”)。
备选融合方式如下:
1)投票法:统计并比较9个层面综合预测的结局,选取个数较多的一个结局。
2)线性回归法:将9个层面各预测的结局概率,作为变量,构建线性模型来预测患者的最终结局。
3)随机森林法:将9个层面各预测的结局概率,作为随机森林模型的输入指标,进一步预测患者的最终结局。
在一种优选的实施例中,所述多维度验证,包括:模型准确率、ROC曲线下面积AUC评分、敏感性、特异性、假阴性率和假阳性率。
具体的,在步骤S3中的多维度验证,通过对各个阶段模型设立评价指标,包含了模型准确率、ROC曲线下面积AUC评分、敏感性、特异性、假阴性率、假阳性率等多个维度的评价指标。设有混淆矩阵:
金标准(阳性) | 金标准(阴性) | |
预测(阳性) | a | b |
预测(阴性) | c | d |
其中,模型准确率:(a+d)/(a+b+c+d),模型能够准确判断阳性/阴性的比率。
AUC:受试者工作特征曲线(receiver operating characteristic curve)下面积,数值越大,表示分类器越好。
敏感性:a/(a+c),在实际有病(阳性)人群中,检测出阳性的几率。
特异性:d/(b+d),在实际无病(阴性)人群中,检测出阴性的几率。
假阴性率:c/(a+c),实际有病,但却检测结果说没病,为漏诊率。
假阳性率:b/(b+d),实际没病,但却检测结果说有病,为误诊率。
本实施例提供的一种口腔癌颈部淋巴转移诊断算法的构建方法,包括:按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行外部验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法
本实施例构建的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,能够用于研究口腔癌颈部淋巴转移的AI诊断和预测,提高AI诊断和预测的准确性和效率;另外,通过验证的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,不仅对于清楚深度学习模型是否能够在与放射科医生相同甚至更高的诊断准确性水平上评估口腔癌的颈部淋巴结转移方面有重大意义,还有助于减轻放射科医生和普通医生在医学图像诊断等领域的繁重工作量。
本发明第二实施例:
请参阅图5。
如图5所示,本实施例提供了一种口腔癌颈部淋巴转移诊断算法的构建系统,包括:
数据采集模块100,用于按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料。
具体的,对于数据采集模块100,按照纳入及排除标准进行研究对象的筛选,收集研究对象的临床病理资料、MRI影像资料和随访资料;其中,临床病理资料包括:姓名,住院号,性别,年龄,诊断,原发/复发,颈部既往史,肿瘤疾病史、放化疗史,有无颈清,系统性疾病,TNM分期,临床检查,病理诊断,多次入院史;MRI影像资料包括Dicom原始数据和影像报告;随访资料包括随访期间有无肿瘤复发、颈部淋巴有无肿大、有无二次手术及相关情况(首次手术为颈部淋巴阳性患者不需要)。
患者分组模块200,用于对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者。
具体的,对于患者分组模块200,本实施例中拟纳入1500例患者,其中500例患者进入训练集,1000例患者进入测试集。训练集均为单个诊疗中心所纳入患者。训练集患者分为两组,分别为颈淋巴转移组和非颈淋巴转移组。
算法构建模块300,用于根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证。
具体的,对于算法构建模块300,按照影像科医生预设的影像提取规则提取颈部MRI相应层面提取对应的数据,并将提取的数据进行数据整理,通过不同的方法进行建模,构建基于MRI的口腔癌颈部淋巴转移人工智能诊断算法,并对其诊断效果进行多维度的验证。
算法验证模块400,用于根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法。
具体的,对于算法验证模块400,包括待测影像数据准备和人工智能与影像科医生在颈部MRI影像淋巴转移诊断准确性的对比。
准备待测的MRI影像数据,对相关部分设盲。从颈淋巴阳性组和颈淋巴阴性组中,随机抽取相同数目的研究对象,提取相应的MRI影像;隐去MRI图像对应的组别、影像报告和病理结果。
在本实施例中,纳入资深和普通两种级别的影像科医生,前者为在华南地区头颈部肿瘤影像诊断的资深专家2~3名,后者为该研究对象影像报告的报告医生。资深影像科医生在对分组情况未知的情况下,判断颈部淋巴转移与否和转移区域;普通影像科医生的诊断结果从其所发出的影像报告中提取;研究A中所构建的的人工智能算法对待测MRI数据进行诊断,判断颈部淋巴转移与否和转移区域;对比人工智能算法、资深影像科医生和普通影像科医生对颈部MRI影像淋巴转移的诊断能力。通过对人工智能诊断算法进行外部验证,根据验证结果进一步对人工智能诊断算法进行优化或校正,从而得到最优的口腔癌颈部淋巴转移诊断算法。
本实施例提供的数据采集模块,用于按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;患者分组模块,用于对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;算法构建模块,用于根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;算法验证模块,用于根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法。
本实施例构建的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,能够用于研究口腔癌颈部淋巴转移的AI诊断和预测,提高AI诊断和预测的准确性和效率;另外,通过验证的基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,不仅对于清楚深度学习模型是否能够在与放射科医生相同甚至更高的诊断准确性水平上评估口腔癌的颈部淋巴结转移方面有重大意义,还有助于减轻放射科医生和普通医生在医学图像诊断等领域的繁重工作量。
本发明的一个实施例还提供了一种口腔癌颈部淋巴转移诊断算法的构建的终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的口腔癌颈部淋巴转移诊断算法的构建方法。
本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的口腔癌颈部淋巴转移诊断算法的构建方法。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如所述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (7)
1.一种口腔癌颈部淋巴转移诊断算法的构建方法,其特征在于,至少包括如下步骤:
按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;
对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;
按照患者肿瘤部位原则,为颈部淋巴阳性组匹配颈部淋巴阴性组,以作为构建人工智能诊断算法的数据基础;根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;
根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行外部验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法;其中,
所述外部验证,具体为:
根据新的多个诊疗中心收集的患者数据对已经形成的人工智能诊断算法进行验证,以病理诊断为金标准,并同时与影像科医生作出的诊断进行比较,以得到所述人工智能诊断的算法并进行优化;
所述构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,包括:
通过搭建卷积神经网络CNN中的类Alexnet架构模型对单张MRI影像的阴阳性进行预测;
通过构建多图融合模型对患者的每张MRI影像进行风险预测和结局预测,并综合患者的某个方向下的某个序列的所有MRI影像的预测结果进行综合预测;
通过构建多方向多序列融合模型对患者的多个序列的MRI影像进行患者的最终结局预测。
2.根据权利要求1所述的口腔癌颈部淋巴转移诊断算法的构建方法,其特征在于,所述纳入及排除标准,包括:
患者年龄标准、原发灶病理诊断标准、本次拟行手术情况、随访记录、患者资料完整性和历史手术治疗情况。
3.根据权利要求1所述的口腔癌颈部淋巴转移诊断算法的构建方法,其特征在于,所述预设的数据提取规则,具体为:
对于颈部淋巴阳性组,按照临床病理资料的病例报告中的转移淋巴结所在分区进行提取;
对于颈部淋巴阴性组中的阳性匹配组,按照匹配的阳性组的分区进行提取;
对于颈部淋巴阴性组中的未匹配但有肿大组,按照MRI影像资料中肿大淋巴结所在分区进行提取;
对于颈部淋巴阴性组中的未匹配且无肿大组,提取颈部的I~IV区。
4.根据权利要求1所述的口腔癌颈部淋巴转移诊断算法的构建方法,其特征在于,所述多维度验证,包括:
模型准确率、ROC曲线下面积AUC评分、敏感性、特异性、假阴性率和假阳性率。
5.一种口腔癌颈部淋巴转移诊断算法的构建系统,其特征在于,包括:
数据采集模块,用于按照预设的纳入及排除标准筛选出符合标准的口腔癌患者,并收集符合标准的口腔癌患者的MRI影像数据、临床病理资料和随访资料;
患者分组模块,用于对所述符合标准的口腔癌患者进行分组,分为训练集患者和测试集患者;
算法构建模块,用于按照患者肿瘤部位原则,为颈部淋巴阳性组匹配颈部淋巴阴性组,以作为构建人工智能诊断算法的数据基础;根据预设的数据提取规则对所述训练集患者的MRI影像资料进行数据提取,构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,并对所述人工智能诊断算法进行多维度验证;其中,所述构建基于MRI影像的口腔癌颈部淋巴转移的人工智能诊断算法,包括:通过搭建卷积神经网络CNN中的类Alexnet架构模型对单张MRI影像的阴阳性进行预测;通过构建多图融合模型对患者的每张MRI影像进行风险预测和结局预测,并综合患者的某个方向下的某个序列的所有MRI影像的预测结果进行综合预测;通过构建多方向多序列融合模型对患者的多个序列的MRI影像进行患者的最终结局预测;
算法验证模块,用于根据所述测试集患者的MRI影像数据对所述人工智能诊断算法进行外部验证和优化,得到最终的口腔癌颈部淋巴转移诊断算法;其中,所述外部验证,具体为:根据新的多个诊疗中心收集的患者数据对已经形成的人工智能诊断算法进行验证,以病理诊断为金标准,并同时与影像科医生作出的诊断进行比较,以得到所述人工智能诊断的算法并进行优化。
6.一种口腔癌颈部淋巴转移诊断算法的构建的终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的口腔癌颈部淋巴转移诊断算法的构建方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的口腔癌颈部淋巴转移诊断算法的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558269.3A CN112562851B (zh) | 2020-12-24 | 2020-12-24 | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558269.3A CN112562851B (zh) | 2020-12-24 | 2020-12-24 | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112562851A CN112562851A (zh) | 2021-03-26 |
CN112562851B true CN112562851B (zh) | 2024-04-23 |
Family
ID=75032433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011558269.3A Active CN112562851B (zh) | 2020-12-24 | 2020-12-24 | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562851B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128599A (zh) * | 2021-04-23 | 2021-07-16 | 南方医科大学南方医院 | 一种基于机器学习的头颈肿瘤远端转移预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及系统 |
AU2020101581A4 (en) * | 2020-07-31 | 2020-09-17 | Ampavathi, Anusha MS | Lymph node metastases detection from ct images using deep learning |
-
2020
- 2020-12-24 CN CN202011558269.3A patent/CN112562851B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及系统 |
AU2020101581A4 (en) * | 2020-07-31 | 2020-09-17 | Ampavathi, Anusha MS | Lymph node metastases detection from ct images using deep learning |
Non-Patent Citations (1)
Title |
---|
口腔癌淋巴结转移的早期诊断新进展;李明亮;临床口腔医学杂志;第30卷(第2期);117-119 * |
Also Published As
Publication number | Publication date |
---|---|
CN112562851A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mei et al. | SANet: A slice-aware network for pulmonary nodule detection | |
US10327637B2 (en) | Systems, methods, and computer-readable media for patient image analysis to identify new diseases | |
CN110246577B (zh) | 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法 | |
Lanjewar et al. | Lung cancer detection from CT scans using modified DenseNet with feature selection methods and ML classifiers | |
CN112950614B (zh) | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 | |
WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
CN111260639A (zh) | 多视角信息协作的乳腺良恶性肿瘤分类方法 | |
CN115440383B (zh) | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 | |
Yu et al. | A diagnostic prediction framework on auxiliary medical system for breast cancer in developing countries | |
Li et al. | Lesion-aware convolutional neural network for chest radiograph classification | |
CN112562851B (zh) | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 | |
CN111275103A (zh) | 多视角信息协作的肾脏良恶性肿瘤分类方法 | |
Amiri et al. | Feature selection for bleeding detection in capsule endoscopy images using genetic algorithm | |
Sari et al. | Best performance comparative analysis of architecture deep learning on ct images for lung nodules classification | |
US11963788B2 (en) | Graph-based prostate diagnosis network and method for using the same | |
CN113889235A (zh) | 一种三维医学影像无监督特征抽取系统 | |
Dai et al. | MS‐Net: Learning to assess the malignant status of a lung nodule by a radiologist and her peers | |
Li et al. | Shrink: A breast cancer risk assessment model based on medical social network | |
CN112151175A (zh) | 一种基于影像学数据的计算机辅助多人决策方法、系统及设备 | |
Sachdeva et al. | A Novel Framework for Classification of MRI Images to Diagnose Brain Tumors using DenseNet 201 | |
Wang et al. | Detection of mild cognitive impairment based on attention mechanism and parallel dilated convolution | |
Chang et al. | Optimized lung cancer detection by amended whale optimizer and rough set theory | |
Jiang et al. | Covid-19 diagnosis by Gray-level cooccurrence matrix and genetic algorithm | |
Owais et al. | Volumetric Model Genesis in Medical Domain for the Analysis of Multimodality 2-D/3-D Data Based on the Aggregation of Multilevel Features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |