CN113256626A - 用于宫颈图像的分析管理的装置和方法、设备及存储介质 - Google Patents
用于宫颈图像的分析管理的装置和方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113256626A CN113256626A CN202110754648.8A CN202110754648A CN113256626A CN 113256626 A CN113256626 A CN 113256626A CN 202110754648 A CN202110754648 A CN 202110754648A CN 113256626 A CN113256626 A CN 113256626A
- Authority
- CN
- China
- Prior art keywords
- cervical
- analysis result
- management
- image
- optional
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Pathology (AREA)
Abstract
本公开涉及一种用于宫颈图像的分析管理的装置和方法、设备及存储介质。该装置包括至少一个处理器,其配置为:获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析得到第一分析结果、第二分析结果及第三分析结果;以及存储器,其配置为:存储受检者的个人信息和既往筛查史;与受检者的个人信息和既往筛查史关联地存储宫颈液基细胞图像、宫颈细胞免疫组化图像、宫颈组织学图像及相应的分析结果;至少一个处理器被配置为:基于风险阈值的管理模型生成建议管理方案,并综合以上信息生成最佳的临床决策方案。本公开为临床医生提供了智能临床决策工具,提高临床处理效率和质量。
Description
技术领域
本公开涉及宫颈图像分析技术领域,更具体地,涉及一种用于宫颈图像的分析管理的装置和方法、设备及计算机可读存储介质。
背景技术
宫颈癌是最常见的妇科恶性肿瘤,且近年来其发病率有低龄化趋势,全世界每年新发子宫颈癌病例共52.8万和26.6万死亡病例,其中,85%的宫颈癌死亡病例发生在普查率低的低中等收入地区。此外,宫颈癌是一种可以预防并治愈的疾病,并且早期治愈率可以达到90%。因此,早期的筛查和诊断是防治宫颈癌的关键。基于病理形态学的宫颈癌筛查和诊断方法有宫颈细胞学、免疫组化和宫颈组织学。传统的病理形态学的宫颈癌筛查和诊断方法主要依赖于医生的人工阅片,工作量大、工作效率低,而且容易误诊/漏诊。
近年来,随着人工智能技术的发展,可以通过自动拍摄病理图像,并自动分析和识别异常细胞来实现宫颈细胞图像的智能分析,从而有效地减少了医生诊断的工作量,并提高了诊断的准确率。然而,现有的基于深度学习的宫颈图像分析系统仅提供单一的基于TBS报告系统的宫颈细胞学图像分析系统,尚无支持宫颈免疫组化和宫颈组织学的智能图像分析系统。此外,目前的宫颈图像分析系统只是出具单一的分析结果,没有后续的随访管理,没有形成全流程的宫颈癌筛查和防治管理。
2019 ASCCP提出了基于风险的子宫颈癌筛查结果异常管理共识,该共识与之前版本的关键区别在于其基于风险值的量化和细化,加入“阈值”概念,使得同等风险,同等管理更加精细化。该共识的提出进一步提高了临床决策的复杂度。
可见,要处理大规模适龄女性筛查,为适龄女性提供高质量宫颈癌筛查和诊断服务,迫切需要为宫颈癌筛查和防治提供有力的工具。
发明内容
提供了本公开以解决现有技术中存在的上述问题。
本公开需要一种用于宫颈图像的分析管理的装置和方法、设备及计算机可读存储介质。该装置通过获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种,能够全面智能的完成宫颈图像分析管理,对临床决策进行更有针对性的指导,并利用信息化技术自动实现宫颈风险管理和临床决策,因此,提高了宫颈图像的分析管理的效率、准确性和用户友好度,节省了宫颈图像的分析管理的时间,并进一步提升了医疗服务的质量。
根据本公开的第一方面,提供了一种用于宫颈图像的分析管理的装置。该装置包括至少一个处理器,该至少一个处理器配置为:获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;其中,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果,包括:基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果;以及存储器,其配置为:存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;其中,至少一个处理器进一步配置为:基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种。
在一些实施例中,管理模型为2019 ASCCP提出的基于既往检查结果和本次检查结果的组合风险评估表,其中,管理模型接收既往检查结果和本次检查结果作为输入,并输出高级别病变及癌变的风险指数和建议管理方案。
在一些实施例中,该用于宫颈图像的分析管理的装置还包括:生成部,其配置为基于受检者的个人信息、既往检查结果、第一分析结果、可选的第二分析结果、可选的第三分析结果和管理模型输出的风险指数和建议管理方案,生成临床决策方案。
在一些实施例中,该用于宫颈图像的分析管理的装置还包括:接收部,其配置为基于临床决策方案输入随访间隔;计时部,其配置为响应于接收到的所输入的随访间隔进行计时;提醒部,其配置为在随访间隔期满或即将期满的情况下,提供提醒通知。
在一些实施例中,提醒通知通过用于宫颈图像的分析管理的用户界面来呈现,或者利用受检者的个人信息中的联系方式传输给受检者。
根据本公开的第二方面,提供了一种用于宫颈图像的分析管理的方法。该方法包括:由至少一个处理器,获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;由至少一个处理器,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;其中,由至少一个处理器,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果,包括:由至少一个处理器,基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;由至少一个处理器,基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;由至少一个处理器,基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果;以及由存储器,存储受检者的个人信息和既往筛查史;由存储器,与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;其中,该方法还包括:由至少一个处理器,基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种。
根据本公开的第三方面,提供了一种用于宫颈图像的分析管理的设备,包括存储器和处理器,其中,存储器用于存储一条或多条计算机程序指令,其中,一条或多条计算机程序指令被处理器执行以实现一种用于宫颈图像的分析管理的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储计算机程序指令,其中,计算机程序指令在被处理器执行时实现一种用于宫颈图像的分析管理的方法。
利用根据本公开各个实施例的用于宫颈图像的分析管理的装置和方法、设备及计算机可读存储介质,通过获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;其中,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果包括基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果;存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种,能够全面智能的完成宫颈图像分析管理,对临床决策进行更有针对性的指导,并利用信息化技术自动实现宫颈风险管理和临床决策,因此,提高了宫颈图像的分析管理的效率、准确性和用户友好度,节省了宫颈图像的分析管理的时间,并进一步提升了医疗服务的质量。
此外,本公开能够实现多种宫颈病理图像智能分析,为临床医生提供了宫颈检查一站式智能诊断工作站,为临床医生的日常工作减负增效;同时,利用智能决策工具生成建议管理方案和综合以上信息辅助医生形成临床决策方案,对宫颈筛查人群进行风险分层精细化管理,从而降低宫颈癌发病率和死亡率,提高宫颈筛查投入产出比和质量,具有重大的卫生经济学价值。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出根据本公开实施例的一种用于宫颈图像的分析管理的装置的框图;
图2示出根据本公开实施例的一种用于宫颈图像的分析管理的方法的流程图;
图3示出根据本公开实施例的另一种用于宫颈图像的分析管理的方法的流程图;
以及
图4示出根据本公开实施例的一种用于宫颈图像的分析管理的设备的结构框图。
具体实施方式
为使本领域技术人员更好的理解本公开的技术方案,下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述,但不作为对本公开的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本公开的描述中,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。此外,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面将结合附图详细说明根据本公开实施例的一种用于宫颈图像的分析管理的装置和方法。
图1示出根据本公开实施例的一种用于宫颈图像的分析管理的装置的框图。如图1所示,该装置可以包括至少一个处理器102和存储器104。
具体地,至少一个处理器102获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;其中,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果,包括:基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果;以及存储器104存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;其中,至少一个处理器102基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种。
这里,至少一个处理器102可以是包括一个以上通用处理设备的处理设备,诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地,至少一个处理器102可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。至少一个处理器102还可以是一个以上专用处理设备,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。进一步地,至少一个处理器102也可以配置为呈现用户界面,以提示用户输入对学习网络的结构的设置。例如,可以在用户界面上呈现学习网络的各种结构的列表或菜单以供用户选择,用户所选择的预定结构的学习网络用于后续的自动分析过程。
宫颈液基细胞学检查也称宫颈液基薄层细胞检测,其采用液基薄层细胞检测系统来检测检测宫颈细胞并进行细胞学分类诊断,是目前国际上最先进的一种宫颈癌细胞学检查技术。与传统的宫颈刮片巴氏涂片检查相比,宫颈液基细胞学检查明显提高了标本的满意度及宫颈异常细胞检出率。还能发现部分癌前病变和诸如霉菌、滴虫、病毒、衣原体等的微生物感染,是应用于宫颈癌筛查的最先进的技术。
免疫组化,是应用免疫学基本原理——抗原抗体反应,即抗原与抗体特异性结合的原理,通过化学反应使标记抗体的显色剂(荧光素、酶、金属离子、同位素)显色来确定组织细胞内抗原(多肽和蛋白质),对其进行定位、定性及相对定量的研究,称为免疫组织化学技术(immunohistochemistry)或免疫细胞化学技术(immunocytochemistry)。对于宫颈疾病筛查,通常先做宫颈脱落细胞学检查和阴道镜检查,如果宫颈脱落细胞学检查提示有不明意义非典型鳞状细胞,则建议做宫颈免疫组化。
组织学是研究正常人体微细结构及其相关功能的学科,是医学科学中解剖学的一个分支,所谓的微细结构是指在显微镜下才能清晰观察的结构。组织学研究所得出的正常微细结构的图像是病理组织学的必要基础,只有对正常的微细结构有了清楚的认识,病理组织学才能探讨疾病过程中这些微细结构的异常变化。
宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像可以是“SVS”、“ndpi”、“Kfb”、“mrxs”等格式。宫颈细胞免疫组化图像和宫颈组织学图像可以是针对同一组癌症特异性基因和/或抗原进行染色所获得的图像。这里,癌症特异性基因是指仅在癌细胞中特异性表达或显著过度表达的基因,癌症特异性抗原是指仅表达于某种癌症细胞表面而不存在于正常细胞上的新抗原。
进一步地,同一组癌症特异性基因和/或抗原包括P16基因和/或Ki67抗原。这里,P16基因也称MTS(Multiple Tumor Suppressor 1)基因,是一种细胞周期中的基本基因,其直接参与细胞周期的调控,负调节细胞增殖及分裂,在人类50%肿瘤细胞株纯发现有纯合子缺失,突变,认为是比P53更重要的一种新型抗癌基因。P16基因已经在肺癌、乳腺癌、脑肿瘤、骨肿瘤、皮肤癌、膀胱癌、肾癌、卵巢癌和淋巴瘤、黑色素瘤中发现纯合子缺失以及无义,错义及移码突变,表明P16基因以缺失,突变方式广泛参与肿瘤形成,检测P16基因有无改变对判断患者肿瘤的易感性以及预测肿瘤的预后,具有十分重要的临床意义。Ki67抗原是一种增殖细胞的相关抗原,其功能与丝分裂密切相关,在细胞增殖中是不可缺少的。在临床上,Ki67抗原主要用于标记增殖周期中的细胞,该标记(+)率高这主要是由肿瘤生长越快,组织分化能力越差,而对Ki67抗原也越敏感。一般来说,这样的肿瘤,预后都是较差的,通常很难完全治愈。因此,晚期的肿瘤由于其分裂较快而细胞的分化较不完善,从而造成Ki67抗原的敏感性增高。
需要说明的是,宫颈液基细胞图像、宫颈细胞免疫组化图像和宫颈组织学图像可以是经由通信接口从诸如显微镜、相机等的医学成像装置实时获取的图像,也可以是从服务器获取的全视野数字病理切片图像,本公开实施例对此不作限制。这里,通信接口可以包括网络适配器、电缆连接器、串行连接器,USB连接器、并行连接器、高速数据传输适配器(诸如光纤、USB 3.0、雷电接口等)、无线网络适配器(诸如WiFi适配器)、电信(诸如3G、4G/LTE等)适配器等。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,或者还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,本公开实施例对此不作限制。
第一学习网络、第二学习网络和第三学习网络可以是深度学习网络,并且具有相同的多元化的分析类别。第一学习网络、第二学习网络和第三学习网络可以共享至少部分的学习网络,且联合训练。这里,学习网络可以包括卷积神经网络(Convolutional NeuralNetworks,CNN)、循环神经网络和递归神经网络(Recursive Neural Network,RNN)中的一种或其组合。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Network,FNN)。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。卷积神经网络模型的卷积层可以包括至少一个滤波器或内核。至少一个滤波器的一个以上参数(诸如内核权重、大小、形状和结构等)可以通过例如基于反向传播的训练处理来确定。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(ArtificialNeural Network,ANN)。
在一些实施例中,第一学习网络、第二学习网络和第三学习网络可以具有相同的多元化的分析类别,第二分析结果和第三分析结果分别是第二学习网络和第三学习网络的分析类别的二元化分析结果。以此方式,第一学习网络、第二学习网络和第三学习网络可以共享一部分网络架构,也可以灵活地共享一部分训练好的学习网络。例如,第二学习网络和第三学习网络可以简单地在第一学习网络的末端添加全连接层(也可以是聚类分析层等,在此不特别限制)执行二元化处理。在一些实施例中,第一学习网络、第二学习网络和第三学习网络中任何一个学习网络训练好后,可以作为另一学习网络的训练起点来执行转移训练,从而提升训练效率并弥补训练玻片的不足。
在一些实施例中,第一学习网络、第二学习网络和第三学习网络可以共享至少部分的学习网络,且联合训练。例如,第一学习网络、第二学习网络和第三学习网络可以具有共同的编码部(特征提取部)和解码部(基于特征确定多元化的分析结果),第二学习网络和第三学习网络在解码部的末端可以添加回归层来执行二元化处理。可以基于三种宫颈玻片的训练玻片对包括编码部、解码部和回归层的学习网络进行联合训练,具体说来,可以设立联合损失函数来计入在各种训练玻片中的训练损失。以此方式,可以弥补训练玻片的不足,提升训练效率,并增强学习网络在分析各类图像的性能上的鲁棒性。
进一步地,通过预先设置深度学习网络的结构为网络模型,并设置损失函数来对第一学习网络、第二学习网络和第三学习网络进行训练。这里,深度学习是机器学习(Machine Learning,ML)的一种,而机器学习是实现人工智能(Artificial Intelligence,AI)的必经路径。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。网络模型可以使用监督学习来训练。网络模型的架构可以包括不同的块和层的堆叠,各个块和层将一个以上输入转换为一个以上输出。不同层的示例可以包括一个以上卷积层或全卷积层、非线性操作符层、池化层或子采样层、全连接层和/或最终损失层。每层可以连接一个上游层和一个下游层。网络模型可以包括残差网络(Residual Network,ResNet)模型、分割网络(UNet)模型、AlexNet模型、GoogLeNet模型、视觉几何组(Visual Geometry Group,VGG)模型、金字塔场景解析网络(Pyramid SceneParsing Network,PSPNet)模型、DeepLabV3网络模型等,本公开实施例对此不作限制。损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。
第一分析结果可以是第一学习网络的分析类别的二元化分析结果,例如,正常细胞和异常细胞;第二分析结果和第三分析结果可以分别是第二学习网络和第三学习网络的分析类别的二元化分析结果,例如,阴性细胞和阳性细胞。这里,细胞的类别可以包括单细胞和团细胞,该单细胞可以包括低级别鳞状上皮病变细胞、高级别鳞状上皮病变细胞、微生物细胞、化生细胞、颈管细胞和炎症细胞中的一种或多种;团细胞可以包括低级别鳞状上皮病变细胞、高级别鳞状上皮病变细胞、腺癌细胞、微生物细胞、化生细胞、颈管细胞和炎症细胞中的一种或多种。进一步地,分析结果还可以包括图像满意度、炎症细胞等级和模糊团,该模糊团作为医生重点复核的区域,模糊团的数量作为图像质量评估的参数之一。
TBS(The Bethesda system)诊断是一种描述性诊断,1988年美国由50位病理学家在华盛顿马里兰州Bethesda城开会讨论宫颈/阴道细胞学诊断报告方式,并提出两个对癌前病变的术语,低级别鳞状上皮内病变(low-grade squamous intraepithelial lesions,LSIL)和高级别鳞状上皮内病变(high-grade squamous intraepithelial lesions,HSIL)。
个人信息可以包括但不限于受检者的姓名、性别、年龄、婚姻、身份证号码、医疗账号、联系方式等,既往筛查史可以包括受检者的既往史、个人史、家族史和/或未知史。这里,既往史可以包括但不限于既往的健康状况、有无患过传染病、有无手术史、有无食物或药物过敏史等,个人史可以包括但不限于生活是否规律、有无不良嗜好、有无重大精神创伤史等,家族史可以包括但不限于有无家族遗传病、有无家族聚集性疾病、家庭成员中有无类似疾病等,本公开实施例对此不作限制。需要说明的是,存储器还可以存储受检者的现病史,包括但不限于起病时间、缓急、部位、伴随症状的特点及变化等。进一步地,既往筛查史可以包括与本次筛查最近的一次分析结果,也可以包括与本次筛查间隔预设时间内的至少一次分析结果,本公开实施例对此不作限制。这里,预设时间可以是用户根据经验数据预先设置的时间,也可以是用户根据实际需要对已设置的时间进行调整后得到的时间,本公开实施例对此不作限制。例如,预设时间可以为1个月、2个月、3个月、6个月、1年、2年、3年、5年、10年等。优选地,在本公开实施例中,预设时间为5年,即,既往筛查史可以包括与本次筛查间隔五年内的至少一次分析结果。
风险阈值是指在预设时间段内根据预约时间点的当前风险分数确定的分数,这里,当前风险分数是指通过根据预约时间点的当前预约受检者的个人信息确定基础风险分数,根据受检者在预设时间段的历史预约信息以及与历史预约信息对应的历史业务办理状态信息确定状态风险分数,基于基础风险分数和状态风险分数确定预约时间点的当前风险分数。可选地,风险阈值也可以是仅针对当前预约时间点的当前预约受检者的个人信息、当前预约信息、当前预约信息对应的业务办理状态确定的风险阈值,通过预先设置风险阈值获取模型,并将受检者的个人信息、当前预约信息、当前预约信息对应的业务办理状态输入到风险阈值获取模型中,可以得到风险阈值。进一步地,可以利用基于风险阈值的管理模型来生成建议管理方案,该建议管理方案可以包括复检方案、治疗方案和随访方案中的任一种。这里,复检也称复查,是指由于客观因素的影响导致检查结果存在异常而需要再一次作检查。治疗是指干预或改变特定健康状态的过程。随访是指医院对曾在医院就诊的病人以通讯或其他的方式,进行定期了解患者病情变化和指导患者康复的一种观察方法。
根据本公开实施例的用于宫颈图像的分析管理的装置,通过获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;其中,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果包括基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果;存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种,能够全面智能的完成宫颈图像分析管理,对临床决策进行更有针对性的指导,并利用信息化技术自动实现宫颈风险管理和临床决策,因此,提高了宫颈图像的分析管理的效率、准确性和用户友好度,节省了宫颈图像的分析管理的时间,并进一步提升了医疗服务的质量。
此外,本公开能够实现多种宫颈病理图像智能分析,为临床医生提供了宫颈检查一站式智能诊断工作站,为临床医生的日常工作减负增效;同时,利用智能决策工具生成建议管理方案和综合以上信息辅助医生形成临床决策方案,对宫颈筛查人群进行风险分层精细化管理,从而降低宫颈癌发病率和死亡率,提高宫颈筛查投入产出比和质量,具有重大的卫生经济学价值。
在一些实施例中,管理模型为2019 ASCCP提出的基于既往检查结果和本次检查结果的组合风险评估表,其中,该管理模型接收既往检查结果和本次检查结果作为输入,并输出高级别病变及癌变的风险指数和建议管理方案。
具体地,ASCCP基于风险的宫颈癌筛查结果异常和癌前病变管理指南是美国阴道镜和宫颈病理学会(American Society for Colposcopy and Cervical Pathology,ASCCP)发起的宫颈癌筛查异常后管理的第四次共识指南,2019年ASCCP宫颈癌筛查结果异常和癌前病变的管理共识提出根据既往筛查和本次筛查结果发生宫颈高级别及以上病变(CIN3+)的风险在4.0%以上,建议进行阴道镜检查。举例来说,如果当前发生CIN3+的风险≥4%,则建议立即进行阴道镜检查或治疗;如果当前发生CIN3+的风险<4%,则对5年内发生CIN3+的风险进行评估,以确定受检者是否应在1年、3年或5年后进行随访。
这里,病变即病理变化,是指由疾病引起的细胞或组织的变化。例如,宫颈病变是指宫颈癌前病变,简称CIN。按疾病严重程度可分为CIN1、CIN2和CIN3,依次越来越严重。对于有性生活的女性,要定期检查宫颈液基细胞(TCT)和高危型人乳头瘤病毒(HPV),以除外宫颈癌前病变甚至宫颈癌。如果检查结果有异常,要进一步行阴道镜下宫颈多点活检,以明确诊断。宫颈多点活检有时会提示癌前病变,包括CIN1或者CIN2、CIN3。CIN1不需要特殊处理,长期随诊观察,大部分可以自行消退。CIN2、CIN3属于高级别病变,要给予手术治疗。癌变分两种情况,一种是恶变,指良性肿瘤细胞转化为恶性肿瘤细胞的过程;一种是癌变,指良性上皮肿瘤细胞转化为癌细胞的过程。
在一些实施例中,该用于宫颈图像的分析管理的装置还包括:生成部106,其配置为基于受检者的个人信息、既往检查结果、第一分析结果、可选的第二分析结果、可选的第三分析结果和管理模型输出的风险指数和建议管理方案,生成临床决策方案。
具体地,在基于受检者的个人信息和既往检查结果对第一分析结果、可选的第二分析结果和可选的第三分析结果进行综合诊断之后,生成部106可以进一步基于管理模型输出的风险指数和建议管理方案生成临床决策方案。这里,生成部106生成自动报告模板,临床决策方案为基于自动报告模板的诊断报告。
在一些实施例中,该用于宫颈图像的分析管理的装置还包括:接收部108,其配置为基于管理方案输入随访间隔;计时部110,其配置为响应于接收到的所输入的随访间隔进行计时;提醒部112,其配置为在随访间隔期满或即将期满的情况下,提供提醒通知。
具体地,在生成最终的诊断报告之后,接收部106基于管理方案输入随访间隔;进一步地,在接收到用户对随访方案的确认输入之后,计时部108对随访方案的时间间隔进行计时,在随访方案的时间间隔期满或即将期满的情况下,提醒部110向用户提供提醒通知。
这里,随访间隔可以是管理方案确定的间隔时间,也可以是用户根据经验数据预先设置的间隔时间,或者还可以是用户根据实际需要对已设置的间隔进行调整后得到的间隔时间,本公开实施例对此不作限制。例如,随访间隔可以为1个月、2个月、3个月、6个月、1年、2年、3年、5年、10年等。
提醒通知可以通过用于宫颈图像的分析管理的用户界面来呈现,也可以利用受检者的个人信息中的联系方式以电话或短信的方式传输给受检者,本公开实施例对此不作限制。
在一些实施例中,在未查找到受检者的个人信息和/或既往检查结果的情况下,用户可以通过在用户界面进行编辑操作来增加受检者的个人信息和/或既往检查结果,并将受检者的个人信息和/或既往检查结果与本次筛查结果相关联;进一步地,在利用报告模板生成建议管理方案之后,用户可以基于受检者的个人信息和/或既往检查结果进行综合分析,并对本次筛查结果进行编辑,以生成临床决策方案。
图2示出根据本公开实施例的一种用于宫颈图像的分析管理的方法的流程图。如图2所示,该用于宫颈图像的分析管理的方法可以包括由至少一个处理器,获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像(步骤202)。该方法还可以包括由至少一个处理器,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果(步骤204)。该方法还可以包括由存储器,存储受检者的个人信息和既往筛查史(步骤206)。该方法还可以包括由存储器,与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果(步骤208)。该方法还可以包括由至少一个处理器,基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种(步骤210)。
在一些实施例中,由至少一个处理器,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果,包括:由至少一个处理器,基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;由至少一个处理器,基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;由至少一个处理器,基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果。
根据本公开实施例的用于宫颈图像的分析管理的方法,通过获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种,能够全面智能的完成宫颈图像分析管理,对临床决策进行更有针对性的指导,并利用信息化技术自动实现宫颈风险管理和临床决策,因此,提高了宫颈图像的分析管理的效率、准确性和用户友好度,节省了宫颈图像的分析管理的时间,并进一步提升了医疗服务的质量。
此外,本公开能够实现多种宫颈病理图像智能分析,为临床医生提供了宫颈检查一站式智能诊断工作站,为临床医生的日常工作减负增效;同时,利用智能决策工具生成建议管理方案和综合以上信息辅助医生形成临床决策方案,对宫颈筛查人群进行风险分层精细化管理,从而降低宫颈癌发病率和死亡率,提高宫颈筛查投入产出比和质量,具有重大的卫生经济学价值。
在一些实施例中,管理模型为2019 ASCCP提出的基于既往检查结果和本次检查结果的组合风险评估表,其中,该管理模型接收既往检查结果和本次检查结果作为输入,并输出高级别病变及癌变的风险指数和建议管理方案。
在一些实施例中,该用于宫颈图像的分析管理的方法还包括:基于受检者的个人信息、既往检查结果、第一分析结果、可选的第二分析结果、可选的第三分析结果和管理模型输出的风险指数和建议管理方案,生成临床决策方案。
在一些实施例中,该用于宫颈图像的分析管理的方法还包括:基于管理方案输入随访间隔;响应于接收到的所输入的随访间隔进行计时;在随访方案的时间间隔期满或即将期满的情况下,提供提醒通知。
在一些实施例中,提醒通知通过用于宫颈图像的分析管理的用户界面来呈现,或者利用受检者的个人信息中的联系方式传输给受检者。
图3示出根据本公开实施例的再一种用于宫颈图像的分析管理的方法的流程图。如图3所示,该用于宫颈图像的分析管理的方法可以包括如下步骤。该方法始于由至少一个处理器,获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像(步骤302)。该方法还可以包括由至少一个处理器,基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果(步骤304)。该方法还可以包括由至少一个处理器,基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果(步骤306)。该方法还可以包括由至少一个处理器,基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果(步骤308)。该方法还可以包括由存储器,存储受检者的个人信息和既往筛查史(步骤310)。该方法还可以包括由存储器,与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果(步骤312)。该方法还可以包括由至少一个处理器,基于风险阈值的管理模型生成建议管理方案,该建议管理方案包括复检方案、治疗方案和随访方案中的任一种(步骤314)。该方法还可以包括基于受检者的个人信息、既往检查结果、第一分析结果、可选的第二分析结果、可选的第三分析结果和管理模型输出的风险指数和建议管理方案,生成临床决策方案(步骤316)。该方法还可以包括基于临床决策方案输入随访间隔(步骤318)。该方法还可以包括响应于接收到的所输入的随访间隔进行计时(步骤320)。该方法还可以包括在随访方案的时间间隔期满或即将期满的情况下,提供提醒通知(步骤322)。
根据本公开实施例的用于宫颈图像的分析管理的方法,通过获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的第一分析结果;基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定第二分析结果;基于所获取的宫颈组织学图像并利用第三学习网络确定第三分析结果;存储受检者的个人信息和既往筛查史;与所存储的受检者的个人信息关联地存储宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;基于风险阈值的管理模型生成建议管理方案;基于受检者的个人信息、既往检查结果、第一分析结果、可选的第二分析结果、可选的第三分析结果和管理模型输出的风险指数和建议管理方案,生成临床决策方案;基于临床决策方案输入随访间隔;响应于接收到的所输入的随访间隔进行计时;在随访方案的时间间隔期满或即将期满的情况下,提供提醒通知,能够全面智能的完成宫颈图像分析管理,对临床决策进行更有针对性的指导,并利用信息化技术自动实现宫颈风险管理和临床决策,因此,提高了宫颈图像的分析管理的效率、准确性和用户友好度,节省了宫颈图像的分析管理的时间,并进一步提升了医疗服务的质量。
此外,本公开能够实现多种宫颈病理图像智能分析,为临床医生提供了宫颈检查一站式智能诊断工作站,为临床医生的日常工作减负增效;同时,利用智能决策工具生成建议管理方案和综合以上信息辅助医生形成临床决策方案,对宫颈筛查人群进行风险分层精细化管理,从而降低宫颈癌发病率和死亡率,提高宫颈筛查投入产出比和质量,具有重大的卫生经济学价值。
图4示出根据本公开实施例的一种用于宫颈图像的分析管理的设备的结构框图。如图4所示,该用于宫颈图像的分析管理的设备为通用数据处理装置,包括通用的计算机硬件结构,该用于宫颈图像的分析管理的设备至少包括处理器402和存储器404。处理器402和存储器404通过总线406连接。存储器404适于存储处理器402可执行的指令或程序。处理器402可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器402通过执行存储器404所存储的命令,从而执行如上所述的本公开实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线406将上述多个组件连接在一起,同时将上述组件连接到显示控制器408和显示装置以及输入/输出(I/O)装置410。输入/输出(I/O)装置410可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置410通过输入/输出(I/O)控制器412与系统相连。
其中,存储器404可以存储软件组件,例如,操作系统、通信模块、交互模块和应用程序。上述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
在一些实施例中,用于宫颈图像的分析管理的设备可以处于某处,散布于多处,也可以是分布式的设备,例如设置于云端,本公开实施例对此不作限制。相应地,用于呈现宫颈图像的分析管理结果的显示器可以处于用于宫颈图像的分析管理的设备的本地或者远程,在此不作限制。
上述根据本公开实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本公开实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此,本公开实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外,本公开的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本公开实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,该传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意合适的介质来传送实现在计算机可读介质上的程序代码。
用于执行针对本公开各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备或其它装置以特定方式运行的计算机可读介质中,使得在计算机可读介质中存储的指令产生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置上,以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实现的过程,使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框图块或块中指定的功能/动作的过程。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的公开的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (12)
1.一种用于宫颈图像的分析管理的装置,其特征在于,所述装置包括:
至少一个处理器,其配置为:
获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;
基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;
其中,所述基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果,包括:
基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的所述第一分析结果;
基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定所述第二分析结果;
基于所获取的宫颈组织学图像并利用第三学习网络确定所述第三分析结果;以及
存储器,其配置为:
存储所述受检者的个人信息和既往筛查史;
与所存储的受检者的个人信息关联地存储所述宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;
其中,所述至少一个处理器进一步配置为:
基于风险阈值的管理模型生成建议管理方案,所述建议管理方案包括复检方案、治疗方案和随访方案中的任一种。
2.根据权利要求1所述的装置,其特征在于,所述管理模型为2019 ASCCP提出的基于既往检查结果和本次检查结果的组合风险评估表,其中,所述管理模型接收所述既往检查结果和所述本次检查结果作为输入,并输出高级别病变及癌变的风险指数和所述建议管理方案。
3.根据权利要求2所述的装置,其特征在于,所述装置还包括:
生成部,其配置为基于所述受检者的个人信息、所述既往检查结果、所述第一分析结果、所述可选的第二分析结果、所述可选的第三分析结果和所述管理模型输出的风险指数和建议管理方案,生成临床决策方案。
4.根据权利要求3所述的装置,其特征在于,所述装置还包括:
接收部,其配置为基于所述临床决策方案输入随访间隔;
计时部,其配置为响应于接收到的所输入的随访间隔进行计时;
提醒部,其配置为在所述随访间隔期满或即将期满的情况下,提供提醒通知。
5.根据权利要求4所述的装置,其特征在于,所述提醒通知通过用于宫颈图像的分析管理的用户界面来呈现,或者利用所述受检者的个人信息中的联系方式传输给所述受检者。
6.一种用于宫颈图像的分析管理的方法,其特征在于,所述方法包括:
由至少一个处理器,获取受检者的宫颈液基细胞图像和可选的宫颈细胞免疫组化图像及可选的宫颈组织学图像;
由所述至少一个处理器,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果;
其中,所述由所述至少一个处理器,基于所获取的各个图像进行自动分析,得到第一分析结果和可选的第二分析结果及可选的第三分析结果,包括:
由所述至少一个处理器,基于所获取的宫颈液基细胞图像并利用第一学习网络确定基于TBS的所述第一分析结果;
由所述至少一个处理器,基于所获取的宫颈细胞免疫组化图像并利用第二学习网络确定所述第二分析结果;
由所述至少一个处理器,基于所获取的宫颈组织学图像并利用第三学习网络确定所述第三分析结果;以及
由存储器,存储所述受检者的个人信息和既往筛查史;
由所述存储器,与所存储的受检者的个人信息关联地存储所述宫颈液基细胞图像、可选的宫颈细胞免疫组化图像、可选的宫颈组织学图像及相应的分析结果;
其中,所述方法还包括:
由所述至少一个处理器,基于风险阈值的管理模型生成建议管理方案,所述建议管理方案包括复检方案、治疗方案和随访方案中的任一种。
7.根据权利要求6所述的方法,其特征在于,所述管理模型为2019 ASCCP提出的基于既往检查结果和本次检查结果的组合风险评估表,其中,所述管理模型接收所述既往检查结果和所述本次检查结果作为输入,并输出高级别病变及癌变的风险指数和所述建议管理方案。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
基于所述受检者的个人信息、所述既往检查结果、所述第一分析结果、所述可选的第二分析结果、所述可选的第三分析结果和所述管理模型输出的风险指数和建议管理方案,生成临床决策方案。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
基于所述临床决策方案输入随访间隔;
响应于接收到的所输入的随访间隔进行计时;
在所述随访方案的时间间隔期满或即将期满的情况下,提供提醒通知。
10.根据权利要求9所述的方法,所述提醒通知通过用于宫颈图像的分析管理的用户界面来呈现,或者利用所述受检者的个人信息中的联系方式传输给所述受检者。
11.一种用于宫颈图像的分析管理的设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求6至10中任一项所述的用于宫颈图像的分析管理的方法所执行的操作。
12.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现如权利要求6至10中任一项所述的用于宫颈图像的分析管理的方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754648.8A CN113256626B (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754648.8A CN113256626B (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256626A true CN113256626A (zh) | 2021-08-13 |
CN113256626B CN113256626B (zh) | 2022-06-10 |
Family
ID=77190584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110754648.8A Active CN113256626B (zh) | 2021-07-05 | 2021-07-05 | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256626B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110224088A1 (en) * | 2010-03-11 | 2011-09-15 | Heidi Lyng | Biomarkers for subtypes of cervical cancer |
CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
CN110664365A (zh) * | 2019-10-22 | 2020-01-10 | 上海法路源医疗器械有限公司 | 宫颈癌精准筛查系统 |
-
2021
- 2021-07-05 CN CN202110754648.8A patent/CN113256626B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110224088A1 (en) * | 2010-03-11 | 2011-09-15 | Heidi Lyng | Biomarkers for subtypes of cervical cancer |
CN110009050A (zh) * | 2019-04-10 | 2019-07-12 | 杭州智团信息技术有限公司 | 一种细胞的分类方法及装置 |
CN110664365A (zh) * | 2019-10-22 | 2020-01-10 | 上海法路源医疗器械有限公司 | 宫颈癌精准筛查系统 |
Non-Patent Citations (3)
Title |
---|
HAIPING ZHU等: "Ordinal distribution regression for gait-based age estimation", 《SCIENCE CHINA(INFORMATION SCIENCES)》 * |
刘辉: ""HPV、TCT、P16联合检测对宫颈病变筛查的作用研究"", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
陆尧胜等: "液基细胞学图文系统的设计与实现", 《中国医学物理学杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113256626B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Artificial intelligence-assisted fast screening cervical high grade squamous intraepithelial lesion and squamous cell carcinoma diagnosis and treatment planning | |
Zhu et al. | Hybrid AI-assistive diagnostic model permits rapid TBS classification of cervical liquid-based thin-layer cell smears | |
Sato et al. | Application of deep learning to the classification of images from colposcopy | |
Cho et al. | Classification of cervical neoplasms on colposcopic photography using deep learning | |
Sunny et al. | A smart tele-cytology point-of-care platform for oral cancer screening | |
Sheikhzadeh et al. | Automatic labeling of molecular biomarkers of immunohistochemistry images using fully convolutional networks | |
Pouliakis et al. | Artificial neural networks as decision support tools in cytopathology: past, present, and future | |
US20200388033A1 (en) | System and method for automatic labeling of pathology images | |
Hegde et al. | Artificial intelligence in early diagnosis and prevention of oral cancer | |
KR102498686B1 (ko) | 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들 | |
Yoshida et al. | Automated histological classification of whole slide images of colorectal biopsy specimens | |
Hunt et al. | Diagnosing cervical neoplasia in rural Brazil using a mobile van equipped with in vivo microscopy: A cluster-randomized community trial | |
Stenman et al. | Antibody supervised training of a deep learning based algorithm for leukocyte segmentation in papillary thyroid carcinoma | |
KR102562708B1 (ko) | 일반화된 질병 검출을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들 | |
Sarwar et al. | Novel benchmark database of digitized and calibrated cervical cells for artificial intelligence based screening of cervical cancer | |
Joseph et al. | Proliferation Tumour Marker Network (PTM-NET) for the identification of tumour region in Ki67 stained breast cancer whole slide images | |
Gutiérrez-Fragoso et al. | Optimization of classification strategies of acetowhite temporal patterns towards improving diagnostic performance of colposcopy | |
Xu et al. | AI Empowered of Advancements in Microbial and Tumor Cell Image Labeling for Enhanced Medical Insights | |
Bashir et al. | A digital score of peri‐epithelial lymphocytic activity predicts malignant transformation in oral epithelial dysplasia | |
Holmen et al. | Characteristics of blood vessels in female genital schistosomiasis: paving the way for objective diagnostics at the point of care | |
Sukegawa et al. | Effectiveness of deep learning classifiers in histopathological diagnosis of oral squamous cell carcinoma by pathologists | |
CN113256627B (zh) | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 | |
CN113256626B (zh) | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 | |
Tagami et al. | Machine learning model with texture analysis for automatic classification of histopathological images of ocular adnexal mucosa-associated lymphoid tissue lymphoma of two different origins | |
CN113256628B (zh) | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 |
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 |