CN113611390A - 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 - Google Patents
胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 Download PDFInfo
- Publication number
- CN113611390A CN113611390A CN202110848791.3A CN202110848791A CN113611390A CN 113611390 A CN113611390 A CN 113611390A CN 202110848791 A CN202110848791 A CN 202110848791A CN 113611390 A CN113611390 A CN 113611390A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- module
- model
- training
- 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Radiology & Medical Imaging (AREA)
- Educational Administration (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
Abstract
本发明属于手术风险诊断预测模型技术领域,公开了一种胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统,所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统包括:数据获取模块、风险诊断模型构建模块、数据预处理模块、数据融合模块、数据集训练模块、模型验证与优化模块、中央控制模块、风险诊断预测模块、数据存储模块、更新显示模块。本发明基于华西医院胸外科上万例数据,以经典的逻辑回归、人工神经网络和随机森林等机器学习算法,建立肺癌胸腔镜手术中转开胸的风险诊断预测模型,并基于建立的网页版nomogram图,输入一些指标后,即可实现在线预测胸腔镜肺癌切除术中转开胸风险的大小。
Description
技术领域
本发明属于手术风险诊断预测技术领域,尤其涉及一种胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统。
背景技术
目前,胸腔镜手术开展于20世纪90年代初,经过二十年的发展,目前胸腔镜肺癌根治术治疗I、II期非小细胞肺癌的安全性及有效性已被肯定,具有创伤小、恢复快、术后疼痛轻、肩关节功能影响小等优势。
胸腔镜肺癌根治术的手术入路经历了辅助切口下胸腔镜手术、三孔、单操作孔、单孔的历程变化,越来越微创化、精细化。目前在少数的胸外科中心达到了单孔即唯一孔下进行胸腔镜下肺癌根治术操作,更进一步的减少了切口数量,减轻了术后疼痛,减少了手术创伤,体现了微创的巨大优越性。胸腔镜肺癌切除术中可能会因大出血、胸膜紧密粘连等原因中转开胸,但现有技术均无法实现胸腔镜肺癌切除术中转开胸风险诊断的精确预测。因此,亟需一种胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统。
通过上述分析,现有技术存在的问题及缺陷为:现有技术均无法实现胸腔镜肺癌切除术中转开胸风险诊断的精确预测。
解决以上问题及缺陷的难度为:
(1)胸腔镜肺癌切除术中可能会因大出血、胸膜紧密粘连等原因中转开胸,但术前如何预见是否会中转开胸还不清楚。
(2)胸腔镜肺癌切除术后不可避免地会出现一些并发症,持续漏气是最常见的一种并发症,发生率为8%-30%不等,如何在术前预测发生这些并发症,识别高危人群,早期进行干预还不清楚。
发明内容
针对现有技术存在的问题,本发明提供了一种胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统。
本发明是这样实现的,一种胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,包括:
风险诊断模型构建模块,与中央控制模块连接,用于通过模型构建程序基于经典的逻辑回归、人工神经网络和随机森林在内的机器学习算法,构建胸腔镜肺癌切除术中转开胸风险诊断预测模型;
数据融合模块,与中央控制模块连接,用于通过数据融合程序对预处理后的临床病患的各类数据信息进行融合处理,获得风险诊断预测数据集,并将所述数据集分为样本集和测试集;
数据集训练模块,与中央控制模块连接,用于通过数据集训练程序将样本集输入至风险诊断预测模型中进行训练学习,训练后将测试集输入至风险诊断预测模型中进行测试;
中央控制模块,与风险诊断模型构建模块、数据融合模块、数据集训练模块、风险诊断预测模块连接,用于通过中央处理器和/或单片机协调控制所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统各个模块的正常运行;
风险诊断预测模块,与中央控制模块连接,用于通过胸腔镜肺癌切除术中转开胸风险诊断预测模型对临床病患胸腔镜肺癌切除术中转开胸风险进行诊断预测,并计算风险综合概率值,包括:
获取通过数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
基于获取的影像图像数据进行指标数据提取;同时对获取的影像图像信息进行处理后,通过分析处理的影像图像信息判断所述影像图像中是否存在肿瘤,若存在肿瘤则判断肿瘤大小是否超出预设阈值;同时判断所述影像中淋巴结是否肿瘤、肿瘤是否浸及血管以及胸腔粘连程度,得到影像图像的分析判断结果;
基于提取的指标数据、获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据以及所述影像图像的分析判断结果计算生成相应的临床指标,并输入至风险诊断预测模型进行风险预测;
风险诊断预测模型根据输入的每个临床指标,输出对应临床指标的风险几率,并计算临床病患的手术风险综合概率值;
其中,采用以下公式计算临床病患的手术风险综合概率值:
其中,参数n表示输入至风险诊断预测模型的临床指标个数,Ri表示某一临床指标经风险诊断预测模型所预测的手术风险几率,Wi表示第i个临床指标对于手术风险的加权影响因子。
进一步,所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,还包括:
数据获取模块,与中央控制模块连接,用于通过数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
数据预处理模块,与中央控制模块连接,用于通过数据预处理程序对获取的数据进行降噪和归一化处理,并在影像图像上标注和分割与病理结果对应的感兴趣区域;
模型验证与优化模块,与中央控制模块连接,用于评价模型在不同参数和场景下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代优化;
中央控制模块,与数据获取模块、数据预处理模块、模型验证与优化模块、数据存储模块、更新显示模块连接,用于通过中央处理器和/或单片机协调控制所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统各个模块的正常运行;
数据存储模块,与中央控制模块连接,用于通过存储器存储获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果;
更新显示模块,与中央控制模块连接,用于通过显示器对获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果的实时数据进行更新显示。
进一步,数据获取模块中,所述风险预测指标的获取,包括:
(1)通过专业医疗设备获取临床病患的所述若干个临床指标;
(2)对若干个临床指标数据完整性及数据质量进行验证评估后,并进行数据脱敏处理,隐去患者隐私信息和医疗机构信息;
(3)将临床评估指数高于第一阈值的若干个临床指标作为临床病患胸腔镜肺癌切除术中转开胸风险风险的预测指标。
进一步,数据预处理模块中,通过医师寻找与病理结果对应的病变,然后利用经医师修改确认的自动分割方法或医生采用手工分割方法,对病变进行轮廓分割和局部方块分割。
进一步,数据集训练模块中,所述通过数据集训练程序将样本集输入至所述风险诊断预测模型中进行训练学习,包括:
(1)获取训练数据并根据所述训练数据对所述风险诊断预测模型进行训练,得到第一训练模型;
(2)根据所述第一训练模型的部分参数得到第二训练模型;
(3)根据所述第一训练模型与所述第二训练模型之间的损失函数对所述第二训练模型进行训练,得到风险诊断预测模型。
进一步,所述根据所述训练数据对所述风险诊断预测模型进行训练,得到第一训练模型的步骤,包括:
对训练数据进行预处理,得到所述训练数据对应的文本序列和标签数据;
根据预设模型对所述文本序列和所述标签数据进行概率计算处理,得到概率值,其中,所述概率值表征文本序列对应字向量与所述标签数据的对应关系;
根据所述概率值对所述风险诊断预测模型进行训练,得到第一训练模型。
进一步,所述基于获取的影像图像数据进行指标数据提取包括:
对医学影像数字图像进行文字区域滤波处理,得到文字区域滤波后的二值化图像;对二值化图像去除孤立点,得到更新后的二值化图像;
对得到的更新后的二值化图像进行水平方向和竖直方向的扫描处理,得到每个二值化医学影像的大小以及在二值化图像中的位置信息;
将每个二值化医学影像按宽高对半的形式分成四等份,对于每一等份分别进行行扫描以及列扫描,分别得到所述等份部分中文字区域的高度和宽度;得到每一幅二值化医学影像中四个等份部分的所有文字区域的大小和位置信息;
将每一幅二值化医学影像中四个等份部分的文字区域进行提取。
本发明的另一目的在于提供一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以应用所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机应用所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,基于华西医院胸外科上万例数据,以经典的逻辑回归(logistic regression)、人工神经网络(artificial neuralnetwork)和随机森林(random forest)等机器学习算法,建立肺癌胸腔镜手术中转开胸的风险诊断预测模型,并基于建立的网页版nomogram图(https://ict-wch.shinyapps.io/dynnomapp/),输入一些指标后,即可实现在线预测胸腔镜肺癌切除术中转开胸风险的大小。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统结构框图;
图中:1、数据获取模块;2、风险诊断模型构建模块;3、数据预处理模块;4、数据融合模块;5、数据集训练模块;6、模型验证与优化模块;7、中央控制模块;8、风险诊断预测模块;9、数据存储模块;10、更新显示模块。
图2是本发明实施例提供的胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建方法流程图。
图3是本发明实施例提供的风险预测指标的获取方法流程图。
图4是本发明实施例提供的通过数据集训练模块利用数据集训练程序将样本集输入至所述风险诊断预测模型中进行训练学习的方法流程图。
图5是本发明实施例提供的通过风险诊断预测模块利用胸腔镜肺癌切除术中转开胸风险诊断预测模型对临床病患胸腔镜肺癌切除术中转开胸风险进行诊断预测,并计算风险综合概率值的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统包括:数据获取模块1、风险诊断模型构建模块2、数据预处理模块3、数据融合模块4、数据集训练模块5、模型验证与优化模块6、中央控制模块7、风险诊断预测模块8、数据存储模块9、更新显示模块10。
数据获取模块1,与中央控制模块7连接,用于通过数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
风险诊断模型构建模块2,与中央控制模块7连接,用于通过模型构建程序基于经典的逻辑回归、人工神经网络和随机森林在内的机器学习算法,构建胸腔镜肺癌切除术中转开胸风险诊断预测模型;
数据预处理模块3,与中央控制模块7连接,用于通过数据预处理程序对获取的数据进行降噪和归一化处理,并在影像图像上标注和分割与病理结果对应的感兴趣区域;
数据融合模块4,与中央控制模块7连接,用于通过数据融合程序对预处理后的临床病患的各类数据信息进行融合处理,获得风险诊断预测数据集,并将所述数据集分为样本集和测试集;
数据集训练模块5,与中央控制模块7连接,用于通过数据集训练程序将样本集输入至风险诊断预测模型中进行训练学习,训练后将测试集输入至风险诊断预测模型中进行测试;
模型验证与优化模块6,与中央控制模块7连接,用于评价模型在不同参数和场景下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代优化;
中央控制模块7,与数据获取模块1、风险诊断模型构建模块2、数据预处理模块3、数据融合模块4、数据集训练模块5、模型验证与优化模块6、风险诊断预测模块8、数据存储模块9、更新显示模块10连接,用于通过中央处理器和/或单片机协调控制所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统各个模块的正常运行;
风险诊断预测模块8,与中央控制模块7连接,用于通过胸腔镜肺癌切除术中转开胸风险诊断预测模型对临床病患胸腔镜肺癌切除术中转开胸风险进行诊断预测,并计算风险综合概率值;
数据存储模块9,与中央控制模块7连接,用于通过存储器存储获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果;
更新显示模块10,与中央控制模块7连接,用于通过显示器对获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果的实时数据进行更新显示。
如图2所示,本发明实施例提供的胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建方法包括以下步骤:
S101,通过数据获取模块利用数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
S102,通过风险诊断模型构建模块利用模型构建程序基于经典的逻辑回归、人工神经网络和随机森林在内的机器学习算法,构建胸腔镜肺癌切除术中转开胸风险诊断预测模型;
S103,通过数据预处理模块利用数据预处理程序对获取的数据进行降噪和归一化处理,并在影像图像上标注和分割与病理结果对应的感兴趣区域;
S104,通过数据融合模块利用数据融合程序对预处理后的临床病患的各类数据信息进行融合处理,获得风险诊断预测数据集,并将所述数据集分为样本集和测试集;
S105,通过数据集训练模块利用数据集训练程序将样本集输入至所述风险诊断预测模型中进行训练学习,训练后将测试集输入至所述风险诊断预测模型中进行测试;
S106,通过模型验证与优化模块评价模型在不同参数和场景下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代优化;通过中央控制模块利用中央处理器和/或单片机协调控制所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统各个模块的正常运行;
S107,通过风险诊断预测模块利用胸腔镜肺癌切除术中转开胸风险诊断预测模型对临床病患胸腔镜肺癌切除术中转开胸风险进行诊断预测,并计算风险综合概率值;
S108,通过数据存储模块利用存储器存储获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果;
S109,通过更新显示模块利用显示器对获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果的实时数据进行更新显示。
如图3所示,本发明实施例提供的风险预测指标的获取,包括:
S201,通过专业医疗设备获取临床病患的所述若干个临床指标;
S202,对若干个临床指标数据完整性及数据质量进行验证评估后,并进行数据脱敏处理,隐去患者隐私信息和医疗机构信息;
S203,将临床评估指数高于第一阈值的若干个临床指标作为临床病患胸腔镜肺癌切除术中转开胸风险风险的预测指标。
本发明实施例提供的数据预处理模块中,通过医师寻找与病理结果对应的病变,然后利用经医师修改确认的自动分割方法或医生采用手工分割方法,对病变进行轮廓分割和局部方块分割。
如图4所示,本发明实施例提供的通过数据集训练模块利用数据集训练程序将样本集输入至所述风险诊断预测模型中进行训练学习,包括:
S301,获取训练数据并根据所述训练数据对所述风险诊断预测模型进行训练,得到第一训练模型;
S302,根据所述第一训练模型的部分参数得到第二训练模型;
S303,根据所述第一训练模型与所述第二训练模型之间的损失函数对所述第二训练模型进行训练,得到风险诊断预测模型。
本发明实施例提供的根据所述训练数据对所述风险诊断预测模型进行训练,得到第一训练模型的步骤,包括:
对训练数据进行预处理,得到所述训练数据对应的文本序列和标签数据;
根据预设模型对所述文本序列和所述标签数据进行概率计算处理,得到概率值,其中,所述概率值表征文本序列对应字向量与所述标签数据的对应关系;
根据所述概率值对所述风险诊断预测模型进行训练,得到第一训练模型。
如图5所示,本发明实施例提供的通过风险诊断预测模块利用胸腔镜肺癌切除术中转开胸风险诊断预测模型对临床病患胸腔镜肺癌切除术中转开胸风险进行诊断预测,并计算风险综合概率值,包括:
S401,获取通过数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
S402,基于获取的影像图像数据进行指标数据提取;同时对获取的影像图像信息进行处理后,通过分析处理的影像图像信息判断所述影像图像中是否存在肿瘤,若存在肿瘤则判断肿瘤大小是否超出预设阈值;同时判断所述影像中淋巴结是否肿瘤、肿瘤是否浸及血管以及胸腔粘连程度,得到影像图像的分析判断结果;
S403,基于提取的指标数据、获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据以及所述影像图像的分析判断结果计算生成相应的临床指标,并输入至风险诊断预测模型进行风险预测;
S404,风险诊断预测模型根据输入的每个临床指标,输出对应临床指标的风险几率,并计算临床病患的手术风险综合概率值。
本发明实施例提供的基于获取的影像图像数据进行指标数据提取包括:
对医学影像数字图像进行文字区域滤波处理,得到文字区域滤波后的二值化图像;对二值化图像去除孤立点,得到更新后的二值化图像;
对得到的更新后的二值化图像进行水平方向和竖直方向的扫描处理,得到每个二值化医学影像的大小以及在二值化图像中的位置信息;
将每个二值化医学影像按宽高对半的形式分成四等份,对于每一等份分别进行行扫描以及列扫描,分别得到所述等份部分中文字区域的高度和宽度;得到每一幅二值化医学影像中四个等份部分的所有文字区域的大小和位置信息;
将每一幅二值化医学影像中四个等份部分的文字区域进行提取。
本发明实施例提供的采用以下公式计算临床病患的手术风险综合概率值:
其中,参数n表示输入至风险诊断预测模型的临床指标个数,Ri表示某一临床指标经风险诊断预测模型所预测的手术风险几率,Wi表示第i个临床指标对于手术风险的加权影响因子。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统包括:
风险诊断模型构建模块,与中央控制模块连接,用于通过模型构建程序基于经典的逻辑回归、人工神经网络和随机森林在内的机器学习算法,构建胸腔镜肺癌切除术中转开胸风险诊断预测模型;
数据融合模块,与中央控制模块连接,用于通过数据融合程序对预处理后的临床病患的各类数据信息进行融合处理,获得风险诊断预测数据集,并将所述数据集分为样本集和测试集;
数据集训练模块,与中央控制模块连接,用于通过数据集训练程序将样本集输入至风险诊断预测模型中进行训练学习,训练后将测试集输入至风险诊断预测模型中进行测试;
中央控制模块,与风险诊断模型构建模块、数据融合模块、数据集训练模块、风险诊断预测模块连接,用于通过中央处理器和/或单片机协调控制所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统各个模块的正常运行;
风险诊断预测模块,与中央控制模块连接,用于通过胸腔镜肺癌切除术中转开胸风险诊断预测模型对临床病患胸腔镜肺癌切除术中转开胸风险进行诊断预测,并计算风险综合概率值,包括:
获取通过数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
基于获取的影像图像数据进行指标数据提取;同时对获取的影像图像信息进行处理后,通过分析处理的影像图像信息判断所述影像图像中是否存在肿瘤,若存在肿瘤则判断肿瘤大小是否超出预设阈值;同时判断所述影像中淋巴结是否肿瘤、肿瘤是否浸及血管以及胸腔粘连程度,得到影像图像的分析判断结果;
基于提取的指标数据、获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据以及所述影像图像的分析判断结果计算生成相应的临床指标,并输入至风险诊断预测模型进行风险预测;
风险诊断预测模型根据输入的每个临床指标,输出对应临床指标的风险几率,并计算临床病患的手术风险综合概率值;
其中,采用以下公式计算临床病患的手术风险综合概率值:
其中,参数n表示输入至风险诊断预测模型的临床指标个数,Ri表示某一临床指标经风险诊断预测模型所预测的手术风险几率,Wi表示第i个临床指标对于手术风险的加权影响因子。
2.如权利要求1所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,还包括:
数据获取模块,与中央控制模块连接,用于通过数据获取设备获取临床病患的身体特征数据、影像图像信息、风险预测指标、基因信息、病理良恶性标签以及临床医师给出的诊断结果数据;
数据预处理模块,与中央控制模块连接,用于通过数据预处理程序对获取的数据进行降噪和归一化处理,并在影像图像上标注和分割与病理结果对应的感兴趣区域;
模型验证与优化模块,与中央控制模块连接,用于评价模型在不同参数和场景下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代优化;
中央控制模块,与数据获取模块、数据预处理模块、模型验证与优化模块、数据存储模块、更新显示模块连接,用于通过中央处理器和/或单片机协调控制所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统各个模块的正常运行;
数据存储模块,与中央控制模块连接,用于通过存储器存储获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果;
更新显示模块,与中央控制模块连接,用于通过显示器对获取的临床病患的各类数据信息、构建得到的风险诊断预测模型、数据预处理结果、风险诊断预测数据集、数据集训练结果、模型验证与优化结果以及风险诊断预测结果的实时数据进行更新显示。
3.如权利要求2所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,数据获取模块中,所述风险预测指标的获取,包括:
(1)通过专业医疗设备获取临床病患的所述若干个临床指标;
(2)对若干个临床指标数据完整性及数据质量进行验证评估后,并进行数据脱敏处理,隐去患者隐私信息和医疗机构信息;
(3)将临床评估指数高于第一阈值的若干个临床指标作为临床病患胸腔镜肺癌切除术中转开胸风险风险的预测指标。
4.如权利要求2所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,数据预处理模块中,通过医师寻找与病理结果对应的病变,然后利用经医师修改确认的自动分割方法或医生采用手工分割方法,对病变进行轮廓分割和局部方块分割。
5.如权利要求1所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,数据集训练模块中,所述通过数据集训练程序将样本集输入至所述风险诊断预测模型中进行训练学习,包括:
(1)获取训练数据并根据所述训练数据对所述风险诊断预测模型进行训练,得到第一训练模型;
(2)根据所述第一训练模型的部分参数得到第二训练模型;
(3)根据所述第一训练模型与所述第二训练模型之间的损失函数对所述第二训练模型进行训练,得到风险诊断预测模型。
6.如权利要求5所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,所述根据所述训练数据对所述风险诊断预测模型进行训练,得到第一训练模型的步骤,包括:
对训练数据进行预处理,得到所述训练数据对应的文本序列和标签数据;
根据预设模型对所述文本序列和所述标签数据进行概率计算处理,得到概率值,其中,所述概率值表征文本序列对应字向量与所述标签数据的对应关系;
根据所述概率值对所述风险诊断预测模型进行训练,得到第一训练模型。
7.如权利要求1所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统,其特征在于,所述基于获取的影像图像数据进行指标数据提取包括:
对医学影像数字图像进行文字区域滤波处理,得到文字区域滤波后的二值化图像;对二值化图像去除孤立点,得到更新后的二值化图像;
对得到的更新后的二值化图像进行水平方向和竖直方向的扫描处理,得到每个二值化医学影像的大小以及在二值化图像中的位置信息;
将每个二值化医学影像按宽高对半的形式分成四等份,对于每一等份分别进行行扫描以及列扫描,分别得到所述等份部分中文字区域的高度和宽度;得到每一幅二值化医学影像中四个等份部分的所有文字区域的大小和位置信息;
将每一幅二值化医学影像中四个等份部分的文字区域进行提取。
8.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求1-7任意一项所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以应用如权利要求1~7任意一项所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机应用如权利要求1~7任意一项所述胸腔镜肺癌切除术中转开胸风险诊断预测模型的构建系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848791.3A CN113611390B (zh) | 2021-07-27 | 2021-07-27 | 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848791.3A CN113611390B (zh) | 2021-07-27 | 2021-07-27 | 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113611390A true CN113611390A (zh) | 2021-11-05 |
CN113611390B CN113611390B (zh) | 2023-04-07 |
Family
ID=78305515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848791.3A Active CN113611390B (zh) | 2021-07-27 | 2021-07-27 | 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113611390B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114242234A (zh) * | 2021-12-15 | 2022-03-25 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117378A (zh) * | 2009-12-31 | 2011-07-06 | 苏州瑞派宁科技有限公司 | 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统 |
CA2980209A1 (en) * | 2016-09-27 | 2018-03-27 | Covidien Lp | Systems and methods for detecting pleural invasion for surgical and interventional planning |
CA2980213A1 (en) * | 2016-09-27 | 2018-03-27 | Covidien Lp | Fissural assessment and surgical and interventional planning |
CN110189824A (zh) * | 2019-06-04 | 2019-08-30 | 冯骥良 | 原发性肝癌根治切除术的预后情况分组方法、装置和系统 |
CN111370059A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肿瘤突变负荷的预测系统及方法 |
CN111445946A (zh) * | 2020-03-26 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
CN112272784A (zh) * | 2018-06-07 | 2021-01-26 | 皇家飞利浦有限公司 | 用于确定呼吸发作的风险的状况的系统和方法 |
-
2021
- 2021-07-27 CN CN202110848791.3A patent/CN113611390B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117378A (zh) * | 2009-12-31 | 2011-07-06 | 苏州瑞派宁科技有限公司 | 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其系统 |
CA2980209A1 (en) * | 2016-09-27 | 2018-03-27 | Covidien Lp | Systems and methods for detecting pleural invasion for surgical and interventional planning |
CA2980213A1 (en) * | 2016-09-27 | 2018-03-27 | Covidien Lp | Fissural assessment and surgical and interventional planning |
CN112272784A (zh) * | 2018-06-07 | 2021-01-26 | 皇家飞利浦有限公司 | 用于确定呼吸发作的风险的状况的系统和方法 |
CN110189824A (zh) * | 2019-06-04 | 2019-08-30 | 冯骥良 | 原发性肝癌根治切除术的预后情况分组方法、装置和系统 |
CN111370059A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院(上海市职业病防治院) | 一种肿瘤突变负荷的预测系统及方法 |
CN111445946A (zh) * | 2020-03-26 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114242234A (zh) * | 2021-12-15 | 2022-03-25 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
CN114242234B (zh) * | 2021-12-15 | 2023-06-30 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113611390B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2765695C2 (ru) | Устройство определения поражения заболеванием, способ определения поражения заболеванием и программа определения поражения заболеванием | |
US7657299B2 (en) | Automated methods and systems for vascular plaque detection and analysis | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
KR102629045B1 (ko) | 의료용 인공 신경망 기반 사용자 선호 스타일을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
CN113611390B (zh) | 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 | |
CN114582496A (zh) | 一种常见妇科疾病预测模型构建方法和预测系统 | |
CN111340794A (zh) | 冠状动脉狭窄的量化方法及装置 | |
CN111275699A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
Danala et al. | Applying quantitative radiographic image markers to predict clinical complications after aneurysmal subarachnoid hemorrhage: A pilot study | |
CN116050691A (zh) | 医疗影像报告评估方法、装置、电子设备及存储介质 | |
CN113610841B (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
CN115938593A (zh) | 病历信息的处理方法、装置、设备及计算机可读存储介质 | |
CN113138259B (zh) | 一种预测载药微球化疗栓塞治疗肝癌预后的试剂盒 | |
CN114420291A (zh) | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 | |
CN113128599A (zh) | 一种基于机器学习的头颈肿瘤远端转移预测方法 | |
CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
WO2021029973A1 (en) | Methods and systems for modeling a necrotized tissue volume in an ablation procedure | |
Singh et al. | Lung and Colon Cancer Classification of Histopathology Images Using Convolutional Neural Network | |
CN115424724B (zh) | 一种多模态图森林的肺癌淋巴结转移辅助诊断系统 | |
CN107799182A (zh) | 合并症及并发症影响因子的估算方法和电子设备 | |
US20230359707A1 (en) | Method for evaluating likelihood of observation value and program | |
Zhou et al. | Analysis on Computer-Aided Diagnosis of Breast Tumors Based on GA-SVM | |
EP4099219A1 (en) | Method and device for determining presence of tumor | |
CN117635578A (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 |