CN114678123A - 慢阻肺的风险评估、决策方法及装置、电子设备和介质 - Google Patents
慢阻肺的风险评估、决策方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114678123A CN114678123A CN202210190192.1A CN202210190192A CN114678123A CN 114678123 A CN114678123 A CN 114678123A CN 202210190192 A CN202210190192 A CN 202210190192A CN 114678123 A CN114678123 A CN 114678123A
- Authority
- CN
- China
- Prior art keywords
- risk
- obstructive pulmonary
- chronic obstructive
- pulmonary disease
- lung
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012502 risk assessment Methods 0.000 title claims abstract description 54
- 230000000414 obstructive effect Effects 0.000 title claims description 34
- 230000002685 pulmonary effect Effects 0.000 title claims description 17
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims abstract description 309
- 210000004072 lung Anatomy 0.000 claims abstract description 172
- 238000013210 evaluation model Methods 0.000 claims abstract description 66
- 238000012216 screening Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 29
- 238000003384 imaging method Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001684 chronic effect Effects 0.000 claims 1
- 230000004083 survival effect Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 19
- 230000011218 segmentation Effects 0.000 description 19
- 210000000038 chest Anatomy 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 208000011623 Obstructive Lung disease Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241000220317 Rosa Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000009613 pulmonary function test Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013517 stratification Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 206010014561 Emphysema Diseases 0.000 description 2
- 108010026552 Proteome Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002294 pubertal effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 1
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种慢阻肺的风险评估、决策方法及装置、电子设备和介质,涉及生物医学工程技术领域。其中,所述的慢阻肺的风险评估方法,包括:获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。本公开实施例可实现慢阻肺的风险评估、早期决策。
Description
技术领域
本公开涉及生物医学工程技术领域,尤其涉及一种慢阻肺的风险评估、决策方法及装置、电子设备和介质。
背景技术
慢性阻塞性肺疾病(慢阻肺,COPD)的特点是持续性气流受限。诊断和评估COPD 的金标准是通过肺功能测试(PFT)检查的第一秒用力呼气量(FEV1)和FEV1/用力肺活量(FVC)比率。以往对COPD的研究主要集中在COPD诊断和分类、COPD治疗、COPD加重预测和COPD评估等方面。呼吸和肺免疫系统中已经证实了许多与年龄相关的变化。年龄已成为被称为“强调”(肺气肿、年龄、吸烟、体型)的评分的因素之一,用于预测临床上有意义的COPD 的存在和未来的发病率。COPD在老年人中的患病率最高,在这一脆弱人群的治疗中值得特别考虑。然而,年龄对COPD风险的影响尚不清楚。
随着成年人年龄的增长,胸腔的大小减小,限制了肺容积,并改变了有助于呼吸的肌肉。PFT结果随健康人和COPD患者的年龄而变化。出生后,肺组织将继续发育和生长至成熟。因此,肺泡和肺中的小血管将成倍增加,肺容积也将变得更大。PFT中的 FEV1和FVC中位数随着年龄的增长而增加,从6岁到18岁,呈线性变化,直到女孩在10 岁左右,男孩在12岁左右,青春期生长突飞猛进。从6岁到18岁,FEV1/FVC中位数先下降,然后上升,最后下降。肺成熟后,随着年龄的增长,肺的呼吸功能逐渐下降。之前的研究表明,在健康的终身不吸烟者中,随着年龄从20岁增加到90岁,FEV1和FVC 都会逐渐下降。在四年的随访期内,COPD患者的FVC和FEV1也显著下降。FEV1在20-36 岁之间达到峰值,随着年龄的增长而下降。60岁以上人群的COPD患病率高出2-3倍。老年人COPD负担的增加可能是由于肺部结构和功能的年龄相关变化,增加了COPD的致病易感性。老年终生不吸烟者出现的这些变化,其特征是支持组织丧失而导致的空气空间扩张,而无肺泡壁破坏,与COPD的变化相似。因此,有必要对不同年龄阶段的慢性阻塞性肺病风险进行评估。
与PFT相比,计算机断层扫描(CT)被认为是表征和量化COPD的最有效方法,例如,定量分析COPD患者的气道疾病和肺气肿。自2012年正式提出影像组学的概念以来,胸部CT图像的影像组学已被广泛用于非小细胞肺癌的化疗反应预测和孤立性肺结节患者的病理侵袭性预测等。最近,影像组学也被用于COPD的生存预测,以及COPD恶化的预测。然而,慢性阻塞性肺病的影像组学尚未得到广泛研究。目前,在慢性阻塞性肺病的诊断、治疗和随访以及未来的发展方向中,还需要进一步挖掘影像组学特征的潜在应用。尤其是,作为反映肺实质状态的成像生物标记物,影像组学特征可应用于 COPD风险评估,以早期做出COPD风险决策。
发明内容
本公开提出了一种慢阻肺的风险评估、决策方法及装置、电子设备和介质技术方案。
根据本公开的一方面,提供了一种慢阻肺的风险评估方法,包括:
获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;
基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;
基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。
优选地,在所述获取不同分级下的慢阻肺对应的设定多个肺影像组学特征之前,确定所述设定多个肺影像组学特征,其方法,包括:
获取设定筛选模型及不同分级下的慢阻肺对应的多个肺影像组学特征;
利用所述设定筛选模型及设定筛选规则,对所述不同分级下的慢阻肺对应的多个肺影像组学特征进行筛选,得到所述设定多个肺影像组学特征;其中,所述设定筛选规则,至少包括:慢阻肺的分级。
优选地,所述基于所述设定肺影像组学特征及对应的年龄信息构建评估模型的方法,包括:
根据所述分级对应的设定分组规则将所述设定多个肺影像组学特征划分为多组肺影像组学特征,以及将所述多组肺影像组学特征对应的年龄信息按照设定区间划分为多个年龄区间,并对所述年龄区间的数目进行按照年龄递增的方式进行标号;
分别基于所述多组肺影像组学特征及对应的标号构建评估模型。
优选地,所述分级对应的设定分组规则的确定方法,包括:
将所述分级的最低分级对应的肺影像组学特征确定为所述多组的第一子组;
分别将所述其他分级对应的肺影像组学特征确定为所述多组的第二子组;
以及/或,
所述分别基于所述多组肺影像组学特征及对应的标号构建评估模型的方法,包括:
获取所述多组对应的待构建基础评估模型;
分别利用每组对应的肺影像组学特征及对应的标号对各自的待构建基础评估模型进行训练,得到各组的评估模型。
优选地,所述基于所述设定肺影像组学特征及对应的年龄信息构建评估模型之前,对所述设定肺影像组学特征进行非线性处理,得到非线性特征;
基于所述设定肺影像组学特征、所述非线性特征以及对应的年龄信息构建评估模型。
根据本公开的一方面,提供了一种慢阻肺的风险决策方法,包括:如上述的评估方法;以及,
获取慢阻肺的风险评估结果,其中,所述风险评估结果,至少包括:风险概率及其对应的慢阻肺的分级及年龄信息;
根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级;
基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
根据本公开的一方面,提供了一种慢阻肺的风险评估装置,包括:
第一获取单元,用于获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;
构建单元,用于基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;
评估单元,用于基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。
根据本公开的一方面,提供了一种慢阻肺的风险决策装置,包括:如上述的慢阻肺的风险评估装置;所述的慢阻肺的风险评估装置,用于生成慢阻肺的风险评估结果;其中,所述风险评估结果,至少包括:风险概率及其对应的慢阻肺的分级及年龄信息;以及,
第二获取单元,用于获取慢阻肺的风险评估结果,
风险等级单元,用于根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级;
风险决策单元,用于基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述慢阻肺的风险评估方法,以及/或,慢阻肺的风险决策方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述慢阻肺的风险评估方法,以及/或,慢阻肺的风险决策方法。
在本公开实施例中,所公开的慢阻肺的风险评估、决策方法及装置、电子设备和介质技术方案,可实现慢阻肺的风险评估、早期决策,为慢阻肺的评估及早期预警提供临床帮助,进而解决目前不能明确年龄对慢阻肺风险定量评估的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的慢阻肺的风险评估方法的流程图;
图2示出根据本公开实施例的感兴趣区域分割及影像组学计算的流程图;
图3示出根据本公开实施例的构建评估模型的流程图;
图4示出根据本公开实施例的构建评估模型的具体实现流程图;
图5示出根据本公开实施例的评估模型的ROC曲线及相应的AUC值及C index值;
图6示出根据本公开实施例构建的评估模型对应的COPD风险概率值;
图7示出根据本公开实施例构建的COPD风险概率值对应的年龄-风险曲线;
图8示出根据本公开实施例的慢阻肺的风险决策方法的流程图;
图9示出根据本公开实施例患有不同分级COPD及COPD分级0(不患有COPD)对应的年龄-风险的风险决策示意图;
图10是根据一示例性实施例示出的一种电子设备800的框图;
图11是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了慢阻肺的风险评估装置,以及/或,慢阻肺的风险决策装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种慢阻肺的风险评估方法,以及/或,慢阻肺的风险决策方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的慢阻肺的风险评估方法的流程图,如图1所示,所述的慢阻肺的风险评估方法,包括:步骤S101:获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;步骤S102:基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;步骤S103:基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。可实现慢阻肺的风险评估、早期决策,为慢阻肺的评估及早期预警提供临床帮助,进而解决目前不能明确年龄对慢阻肺风险定量评估的问题。
步骤S101:获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息。
在本公开中,在所述获取不同分级下的慢阻肺对应的设定多个肺影像组学特征之前,确定所述设定多个肺影像组学特征,其方法,包括:获取设定筛选模型及不同分级下的慢阻肺对应的多个肺影像组学特征;利用所述设定筛选模型及设定筛选规则,对所述不同分级下的慢阻肺对应的多个肺影像组学特征进行筛选,得到所述设定多个肺影像组学特征;其中,所述设定筛选规则,至少包括:慢阻肺的分级。
在本公开的实施例及其他可能的实施例中,所述设定筛选模型的可以为Lasso(Least absolute shrinkage and selection operator)模型、Lars(最小角回归算法)模型、岭回归模型或其他筛选模型的一种或几种。显然,本领域技术人员也可以根据需要,自行利用其他现有的筛选方法对所述不同分级下的慢阻肺对应的多个肺影像组学特征进行筛选,得到所述设定多个肺影像组学特征,本公开不对筛选方法或模型进行限制。
在本公开的实施例及其他可能的实施例中,慢阻肺的不同分级由GOLD(GlobalInitiative for Chronic Obstructive Lung Disease,GOLD)标准确定,根据GOLD标准,可以将慢阻肺分级确定为COPD分级0(COPD stage 0)、COPD分级I(COPD stage I)、COPD 分级II(COPD stage II)、COPD分级Ⅲ(COPD stageⅢ)、COPD分级Ⅳ(COPD stageⅣ)。其中,COPD分级0为不患有COPD,COPD分级I为轻度COPD、COPD分级II为中度 COPD、COPD分级Ⅲ为重度COPD、COPD分级Ⅳ为危重COPD。显然,本领域技术人员也可以根据需要,自行利用其他现有的方法对慢阻肺进行分级,本公开不对慢阻肺分级的方法或方式进行限制。
图2示出根据本公开实施例的感兴趣区域分割及影像组学计算的流程图。如图2所示,在获取设定筛选模型及不同分级下的慢阻肺对应的多个肺影像组学特征之前,需要将肺区域作为感兴趣区域(ROI)进行分割,得到肺区域分割图像;其中,所述肺区域分割图像可为左肺的肺区域分割图像、右肺的肺区域分割图像、双肺(左肺及右肺) 的肺区域分割图像。本领域技术人员也可以根据需要,对所述肺区域分割图像进行选择。同时,所述将肺区域作为感兴趣区域(ROI)进行分割,得到肺区域分割图像的方法,包括:获取预设的肺区域分割模型及原始的胸部图像,利用所述肺区域分割模型对所述胸部图像进行分割,得到肺区域分割图像。其中,所述原始的胸部图像可为胸部DR图像、胸部CT图像、胸部高分辨率CT(HRCT)图像或其他胸部图像;所述预设的肺区域分割模型可利用本领域通用的传统的肺区域分割方法或神经网络模型,在此不再进行详细说明。
在本公开的实施例及其他可能的实施例中,在所述获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息之前,需确定待分析的感兴趣区域,获取所述待分析的感兴趣区域对应的不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息。其中,所述待分析的感兴趣区域可为左肺、右肺或双肺。
在图2(A)中,胸部HRCT图像(图像尺寸:512×512×N)经过预设的肺区域分割模型进行肺区域分割,得到肺区域分割图像(图像尺寸:512×512×N)。
在本公开的实施例及其他可能的实施例中,所述肺区域分割图像及所述原始的胸部图像输入到肺影像组学计算模型中,计算原始的胸部图像对应的肺影像组学。同时,在所述肺影像组学计算模型中,首先基于所述肺区域分割图像及所述原始的胸部图像进行肺实质图像的提取,得到原始肺实质图像;获取设定的滤波器,利用所述设定的滤波器对所述原始肺实质图像进行滤波处理,得到派生的肺实质图像;基于获取的影像组学特征的设定类,对所述原始肺实质图像及所述派生的肺实质图像进行肺影像组学的计算,得到多个肺影像组学特征。其中,所述派生的肺实质图像的数目与所述设定的滤波器的数目相同。
在图2(B)中,胸部HRCT图像(512×512×N)及胸部HRCT图像(512×512× N)输入到肺影像组学计算模型,计算胸部HRCT图像对应的肺影像组学。具体地说,所述设定的滤波器为小波滤波器以及/或LoG滤波器,本领域人员可以根据需要选择适当的滤波器。所述影像组学特征的设定类的具体含义可以参照肺图像的处理方法及装置、电子设备和存储介质(申请号:202110956768.6)中的详细说明进行理解,本公开在此不再进行详细说明。
在本公开的以下实施例中,选择GOLD标准,根据GOLD标准,可以将慢阻肺分级确定为COPD分级0、COPD分级I、COPD分级II、COPD分级Ⅲ、COPD分级Ⅳ。所述设定筛选规则,至少包括:任意2个慢阻肺的分级。
例如,COPD分级0及患有COPD(COPD分级I、COPD分级II、COPD分级Ⅲ、COPD 分级Ⅳ)、COPD分级0及COPD分级I、COPD分级0及COPD分级II、COPD分级0及COPD 分级Ⅲ、COPD分级0及COPD分级Ⅳ。
在本公开的实施例及其他可能的实施例中,所述利用所述设定筛选模型及设定筛选规则,对所述不同分级下的慢阻肺对应的多个肺影像组学特征进行筛选,得到所述设定多个肺影像组学特征的方法,包括:根据所述设定筛选规则确定慢阻肺分级及所述慢阻肺分级对应的待筛选影像组学;利用所述设定筛选模型,建立所述慢阻肺分级与所述慢阻肺分级对应的待筛选影像组学的关系,得到所述设定多个肺影像组学特征。在本公开的实施例中,所述设定筛选模型优选Lasso模型。
其中,所述根据所述设定筛选规则确定慢阻肺分级及所述慢阻肺分级对应的待筛选影像组学之前,分别将所述慢阻肺分级进行0-1编码,利用所述设定筛选模型,建立所述0-1编码的慢阻肺分级与所述慢阻肺分级对应的待筛选影像组学的关系,得到所述设定多个肺影像组学特征。例如,所述设定筛选规则为COPD分级0及患有COPD;COPD 分级0进行0-1编码后,对应为0;患有COPD进行0-1编码后,对应为1。又例如,所述设定筛选规则为COPD分级0及COPD分级Ⅲ;COPD分级0进行0-1编码后,对应为0;COPD 分级Ⅲ进行0-1编码后,对应为1。
步骤S102:基于所述设定肺影像组学特征及对应的年龄信息构建评估模型。
在本公开的实施例中,所述基于所述设定肺影像组学特征及对应的年龄信息构建评估模型的方法,包括:根据所述分级对应的设定分组规则将所述设定多个肺影像组学特征划分为多组肺影像组学特征,以及将所述多组肺影像组学特征对应的年龄信息按照设定区间划分为多个年龄区间,并对所述年龄区间的数目进行按照年龄递增的方式进行标号;分别基于所述多组肺影像组学特征及对应的标号构建评估模型。
在本公开的实施例及其他可能的实施例中,所述多组肺影像组学特征对应的年龄信息为40-79岁,所述设定区间可以确定为5岁,将所述多组肺影像组学特征对应的年龄信息按照设定区间划分为8个等距离的年龄区间分别为40-44、45-49、50-54、55-59、 60-64、65-69、70-74、75-79;对所述年龄区间的数目进行按照年龄递增的方式进行标号,即40-44标号为1、45-49标号为2、50-54标号为3、55-59标号为4、60-64标号为5、 65-69标号为6、70-74标号为7、75-79标号为8。同时,本领域人员可以根据实际需要对所述设定区间自行进行选择。
在本公开的实施例中,在根据所述分级对应的设定分组规则将所述设定多个肺影像组学特征划分为多组肺影像组学特征之前,确定根据所述分级对应的设定分组规则将所述设定多个肺影像组学特征划分为多组肺影像组学特征,所述分级对应的设定分组规则的确定方法,包括:将所述分级的最低分级对应的肺影像组学特征确定为所述多组的第一子组;分别将所述其他分级对应的肺影像组学特征确定为所述多组的第二子组。例如,所述分级的最低分级为COPD分级0,将COPD分级0确定为所述多组的第一子组。
在本公开的实施例及其他可能的实施例中,所述多组可为四组,分别为第一组A(group A)、第二组B(group B)、第三组C(group C)及第四组D(group D),第一组 A、第二组B、第三组C及第四组D分别包括:COPD分级0及患有COPD(COPD分级I、 COPD分级II、COPD分级Ⅲ、COPD分级Ⅳ)、COPD分级0及COPD分级I、COPD分级0 及COPD分级II、COPD分级0及COPD分级Ⅲ&Ⅳ。其中,所述第一组A、第二组B、第三组C及第四组D中的第一子组均为COPD分级0,所述第一组A、第二组B、第三组C及第四组D中的第二子组分别为患有COPD、COPD分级I、COPD分级II、COPD分级Ⅲ&Ⅳ。其中,所述多组肺影像组学特征为第一组A、第二组B、第三组C及第四组D对应的肺影像组学特征。其中,所述COPD分级Ⅲ&Ⅳ视为一个分级,本领域人员可根据需要对相邻的COPD分级进行组合,而视为一个新的分级。
图3示出根据本公开实施例的构建评估模型的流程图。如图3所示,在本公开的实施例中,所述分别基于所述多组肺影像组学特征及对应的标号构建评估模型的方法,包括:获取所述多组对应的待构建基础评估模型;分别利用每组对应的肺影像组学特征及对应的标号对各自的待构建基础评估模型进行训练,得到各组的评估模型。
在本公开的实施例及其他可能的实施例中,所述待构建基础评估模型可为生存分析模型(survival Cox model),分别利用每组对应的肺影像组学特征及对应的标号对各自的待构建基础评估模型进行训练,得到各组的评估模型;基于所述各组的评估模型得到COPD风险概率,并基于所述COPD风险概率进行风险评估。例如,所述第一组A、第二组B、第三组C及第四组D分别对应的评估模型分别为第一模型、第二模型、第三模型及第四模型。
在本公开的实施例及其他可能的实施例中,当所述待构建基础评估模型为生存分析模型时,所述第一模型可进行从COPD分级0到患有COPD的生存概率(患有COPD的概率);所述第二模型可进行从COPD分级0到COPD分级I的生存概率(COPD分级I的概率);所述第三模型可进行从COPD分级0到COPD分级II的生存概率(COPD分级II的概率);所述第四模型可进行从COPD分级0到COPD分级Ⅲ&Ⅳ的生存概率(COPD分级Ⅲ&Ⅳ的概率);同时,可以将所述生存概率转换为风险概率。
图4示出根据本公开实施例的构建评估模型的具体实现流程图,如图4所示,以所述第一组A、第二组B、第三组C及第四组D为例进行说明,所述待构建基础评估模型为生存分析模型(survival Cox model),分别利用Lasso模型对所述第一组A、第二组B、第三组C及第四组D对应的肺影像组学进行筛选,得到所述第一组A、第二组B、第三组 C及第四组D对应的设定多个肺影像组学特征;同时,分别对所述第一组A、第二组B、第三组C及第四组D的按照设定区间划分为多个年龄区间,并对所述年龄区间的数目进行按照年龄递增的方式进行标号,分别得到所述第一组A、第二组B、第三组C及第四组D对应的第一年龄区间、第二年龄区间、第三年龄区间及第四年龄区间的标号(1-8);分别将所述第一组A、第二组B、第三组C及第四组D按照设定比例划分为训练集和测试集,分别利用所述训练集对4个所述待构建基础评估模型进行训练,得到4个评估模型,利用测试集及得到的所述4个评估模型进行COPD风险评估。其中,所述设定比例7:3,即训练集与测试集的比例为7:3。
在本公开的实施例及其他可能的实施例中,在所述分别利用每组对应的肺影像组学特征及对应的标号对各自的待构建基础评估模型进行训练,得到各组的评估模型之前,获取设定显著性值;分别计算所述对应的肺影像组学特征在所述每组的分级下的显著性值;根据所述显著性值及所述设定显著性值对所述对应的肺影像组学特征进一步选择,得到用于所述待构建基础评估模型训练的肺影像组学特征。同时,用于所述待构建基础评估模型训练的肺影像组学特征,与用于所述待构建基础评估模型测试或验证的肺影像组学特征应保持一致。
在本公开的实施例及其他可能的实施例中,所述根据所述显著性值及所述设定显著性值对所述对应的肺影像组学特征进一步选择,得到用于所述待构建基础评估模型训练的肺影像组学特征的方法,包括:若所述显著性值小于或等于所述设定显著性值,则保留所述显著性值对应的肺影像组学特征;否则,删除所述肺影像组学特征;得到用于所述待构建基础评估模型训练的肺影像组学特征。其中,所述设定显著性值可设置为0.1或0.05或0.01等0-1之间的任一数值。
步骤S103:基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。
在本公开的实施例及其他可能的实施例中,在基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估之前,需要获取模型的设定评价参数值;若所述模型的评价参数值符合所述设定评价参数值,则进行慢阻肺肺病随着所述年龄信息的评估;否则,不进行慢阻肺肺病随着所述年龄信息的评估。
在本公开的实施例及其他可能的实施例中,所述评估模型为生存分析模型,则模型的评价参数可为AUC(area under the curve)值及C index值,AUC值及C index值的设定评价参数值可配置为0.8。
图5示出根据本公开实施例的评估模型的ROC曲线及相应的AUC值及C index值。在图5中,AUC值及C index值可用于评价所述评估模型的有效性。所述第一组A、第二组 B、第三组C及第四组D对应的第一模型、第二模型、第三模型及第四模型。其中,所述第一模型、第二模型、第三模型及第四模型的AUC值/C index值,分别为0.87/0.94, 0.84/0.83,0.94/0.89,and 0.97/0.86。因此,上述第一模型、第二模型、第三模型及第四模型的AUC值/Cindex值均小于设定评价参数值0.8,因此所述模型的评价参数值符合所述设定评价参数值,可以进行慢阻肺肺病随着所述年龄信息的评估。
在本公开的实施例及其他可能的实施例中,所述基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估的方法,包括:基于所述评估模型,得到慢阻肺肺病随着所述年龄信息的概率值;若所述概率值为风险概率,则基于所述风险概率进行慢阻肺肺病随着所述年龄信息的评估;否则,将所述概率值转换为风险概率,基于所述风险概率进行慢阻肺肺病随着所述年龄信息的评估。
在本公开的实施例及其他可能的实施例中,所述评估模型可为所述待构建基础评估模型进行训练训练得到的评估模型,例如上述4个评估模型。
例如,所述评估模型为4个生存分析模型,将测试集(肺影像组学特征及,年龄信息或年龄区间)输入所述生存分析模型,得到所述年龄信息的概率值为生存概率;需要将所述生存概率转换为风险概率,基于所述风险概率进行慢阻肺肺病随着所述年龄信息的评估。
在本公开的实施例及其他可能的实施例中,所述将所述生存概率转换为风险概率的方法为:风险概率=1-生存概率。例如,所述年龄区间的标号8对应的生存概率为0.2,则所述年龄区间的标号8对应的风险概率为1-0.2=0.8。
例如,在本公开实施例的图4中,所述第一组A、第二组B、第三组C及第四组D对应的第一模型、第二模型、第三模型及第四模型可分别得到第一生存概率值、第二生存概率值、第三生存概率值及第四生存概率值,所述第一生存概率值、第二生存概率值、第三生存概率值及第四生存概率值分别转化为第一风险概率值、第二风险概率值、第三风险概率值及第四风险概率值;基于所述第一风险概率值、第二风险概率值、第三风险概率值及第四风险概率值进行慢阻肺肺病随着所述年龄信息的评估。
图6示出根据本公开实施例构建的评估模型对应的COPD风险概率值,具体地说为评估模型对应的COPD风险概率值的散点分布统计图或趋势图,如图6所示,给出了本公开实施例中的所述第一组A、第二组B、第三组C及第四组D对应的第一模型、第二模型、第三模型及第四模型在各自的年龄区间对应的第一风险概率值、第二风险概率值、第三风险概率值及第四风险概率值。在本公开的实施例及其他可能的实施例中,所述慢阻肺肺病随着所述年龄信息的评估的方法,包括:获取所述评估模型在不同分级下所述年龄区间对应的风险概率;根据所述分级,对所述对应的风险概率进行分类;根据所述分类的结果,得到所述评估模型中不同分级对应的风险概率;分别绘制所述不同分级对应的风险概率与年龄信息(年龄区间)的散点分布统计图或趋势图,进而行慢阻肺肺病随着所述年龄信息的评估。
在本公开的实施例及其他可能的实施例中,所述散点分布统计图可包括:每个风险概率值及其均值、最大值及最小值等信息。
具体地说,在图6中,第一组A为COPD分级0及患有COPD对应的第一模型得到的风险概率;根据所述分级0及患有COPD,对所述对应的风险概率进行分类,分别得到分级0及患有COPD对应的风险概率的散点分布统计图,如图6中的(a1)及(a2)所示。同样地,第二组B为COPD分级0及COPD分级I对应的第一模型得到的风险概率;根据所述分级0及COPD分级I,对所述对应的风险概率进行分类,分别得到分级0及COPD分级 I对应的风险概率的散点分布统计图,如图6中的(b1)及(b2)所示。同样地,第三组 C为COPD分级0及COPD分级II对应的第一模型得到的风险概率;根据所述分级0及 COPD分级II,对所述对应的风险概率进行分类,分别得到分级0及COPD分级II对应的风险概率的散点分布统计图,如图6中的(c1)及(c2)所示。同样地,第四组D为COPD 分级0及COPD分级II对应的第一模型得到的风险概率;根据所述分级0及COPD分级II,对所述对应的风险概率进行分类,分别得到分级0及COPD分级Ⅲ&Ⅳ对应的风险概率的散点分布统计图,如图6中的(d1)及(d2)所示。由图6可以看出,随着年龄的增加,无论是COPD分级0,还是COPD分级I、COPD分级II、COPD分级Ⅲ&Ⅳ,COPD 的风险概率均呈现增加的趋势。
图7示出根据本公开实施例构建的COPD风险概率值对应的年龄-风险曲线。如图7所示,具体地说,构建的COPD风险概率值对应的年龄-风险曲线为年龄-风险曲线的趋势图。所述第一组A、第二组B、第三组C及第四组D对应的第一模型、第二模型、第三模型及第四模型得到的每个分级下的趋势图之间的显著性都小于0.001。
在本公开的实施例及其他可能的实施例中,所述根据所述分类的结果,得到所述评估模型中不同分级对应的风险概率后,可以对所述评估模型中不同分级对应的风险概率进行拟合,得到风险评估拟合曲线;基于所述风险评估拟合曲线对之后的患者进行风险评估。其中,所述风险评估拟合曲线的方法可为线性最小二乘拟合、指数函数拟合、幂函数拟合的一种或几种。
在本公开的实施例中,所述基于所述设定肺影像组学特征及对应的年龄信息构建评估模型之前,对所述设定肺影像组学特征进行非线性处理,得到非线性特征;基于所述设定肺影像组学特征、所述非线性特征以及对应的年龄信息构建评估模型。其中,所述对所述设定肺影像组学特征进行非线性处理,得到非线性特征的方法,包括:获取预设的神经网络;利用所述预设的神经网络,对所述设定肺影像组学特征及对应的分级(又称为真实的分级,标签或真实值)进行非线性处理,得到非线性特征。
在本公开的实施例及其他可能的实施例中,所述预设的神经网络,包括:输入层,以及与所述输入层连接的隐藏层,以及与所述隐藏层连接的输入层。其中,在本公开的实施例中,所述隐藏层的数目可以设置为2个。其中,所述对所述设定肺影像组学特征进行非线性处理,得到非线性特征的方法,还包括:获取待构建基础评估模型对应的损失函数;基于所述预设的神经网络,对所述设定肺影像组学特征对应分级进行预测,所述损失函数利用所述预测的分级及真实的分级对所述预设的神经网络进行训练,得到非线性特征。
图8示出根据本公开实施例的慢阻肺的风险决策方法的流程图。如图8所示,所述慢阻肺的风险决策方法,包括:如上述的评估方法;步骤S201:获取慢阻肺的风险评估结果,其中,所述风险评估结果,至少包括:风险概率及其对应的慢阻肺的分级及年龄信息;步骤S202:根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级;步骤S203:基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
在本公开的实施例及其他可能的实施例中,确定所述设定分区规则的方法,包括:获取划分风险等级的数目及设定风险区间;根据所述数目对所述设定风险区间确定所述设定分区规则。例如,所述设定风险区间为0-1,划分风险等级的数目为4,则根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级的数目为4个,分别为第一风险等级、第二风险等级、第三风险等级、第四风险等级。例如,所述第一风险等级、第二风险等级、第三风险等级、第四风险等级的区间分别为[0,0.25),[0.25,0.5),[0.5,0.75), [0.75,1)。显然,本领域人员可根据实际需要设置所述数目及所述设定风险区间。
在本公开的实施例及其他可能的实施例中,所述基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息的方法,包括:获取所述风险评估结果在所述年龄区间风险概率的平均值;根据所述平均值及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
在本公开的实施例及其他可能的实施例中,所述根据所述平均值及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息(年龄区间)的方法,包括:若相邻年龄信息(年龄区间)对应的所述平均值分别在不同的所述风险等级内,则确定所述平均值对应的COPD分级及年龄信息(年龄区间),得到所述对应的COPD 分级的年龄信息(年龄区间)。其中,所述年龄信息(年龄区间)即为年龄信息(年龄区间)风险决策的年龄信息(年龄区间)。在此年龄信息(年龄区间)之前,需要进行 COPD的防治或增加锻炼,以预防COPD或防止COPD的加重。
图9示出根据本公开实施例患有不同分级COPD及COPD分级0(不患有COPD)对应的年龄-风险的风险决策示意图。如图9(A)所示,COPD分级Ⅰ、Ⅱ、Ⅲ&Ⅳ患者的COPD风险概率随着年龄的增长而增加。具体而言,在第1-4年龄区间,患有COPD、 COPD分级Ⅰ、分级Ⅱ和分级Ⅲ&Ⅳ基本上处于轻度风险(第一风险等级)。另一方面,这些患者的第5个年龄区间处于中等风险(第二风险等级),第6个年龄区间处于严重风险(第三风险等级),第7-8个年龄段处于极端风险(第四风险等级)。如图9(B)所示,四组的COPD分级0受试者的COPD风险随着年龄增长而增加。总体而言,在同一年龄区间内,COPD分级0受试者患COPD的风险依次为COPD分级Ⅰ、分级Ⅱ和分级Ⅲ&Ⅳ。随着年龄的增长,可能患有COPD的受试者的风险高于COPD分级Ⅰ、Ⅱ、Ⅲ&Ⅳ。同样,可能患有COPD分级Ⅰ的受试者的风险大于COPD分级Ⅱ,且随着年龄的增长,可能患有COPD分级Ⅱ的受试者的风险大于COPD分级Ⅲ&Ⅳ期的老龄化受试者的风险。具体而言,对于COPD分级0的受试者,第一组A和第二组B的第1-5个年龄区间以及第三组C和第四组D第1-6个年龄区间的COPD风险为轻度风险(第一风险等级)。第一组A 第6个年龄区间、第二组B第6-7个年龄区间以及C和D组第7个年龄区间的COPD风险为中度风险(第二风险等级)。第一组A和第二组B第7-8个年龄区间以及C组和D组第8个年龄区间的COPD风险严重。COPD分级Ⅰ(10年:第6-7年龄区间)受试者的COPD风险发展慢于中度风险等级的COPD分级Ⅱ和Ⅲ&Ⅳ(5年:第7年龄区间)受试者。然而,在79岁之前,COPD风险不会发展到极端风险级别(第四风险区间)。
对于患有COPD的受试者,即COPD分级Ⅰ、分级Ⅱ和分级Ⅲ&Ⅳ,尽管COPD风险随着年龄的增长而增加,但患有COPD的患者,COPD分级Ⅰ、分级Ⅱ和分级Ⅲ&Ⅳ在所有的风险等级基本上具有相同的年龄区间。因此,年龄不仅是区分“年轻COPD”(年龄小于50岁的年轻COPD患者)和非年轻COPD的时间点,还可以区分不同的COPD风险等级。无论处于哪一个COPD阶段,在60岁之前都被认为是相对安全的COPD风险等级(轻度风险,第一风险等级)。对于60岁以后的受试者,COPD风险等级随年龄增长而上升的规律也被揭示出来。这些受试者的风险等级每五年上升一次。因此,一旦COPD 患者超过60岁,就需要密切关注,防止COPD的进展和恶化。如有必要,应考虑人工干预,包括增加适当的实际锻炼和在医院进行COPD护理治疗。
对于处于COPD分级0的受试者,可能患有COPD、COPD分级Ⅰ、Ⅱ和Ⅲ&Ⅳ的 COPD风险也随着年龄的增长而增加。我们的研究发现,从COPD分级0开始,可能患有COPD、COPD分级Ⅰ、分级Ⅱ和的Ⅲ&Ⅳ的各COPD风险等级的年龄区间不一致。年龄可以区分不同的COPD风险等级。对于65岁之前可能患有COPD和COPD分级Ⅰ的受试者来说,这是一个相对安全的COPD风险等级(轻度风险)。对于70岁之前可能患有 COPD分级Ⅱ和Ⅲ&Ⅳ期的受试者来说,这也是一个相对安全的COPD风险等级。对于 COPD分级0的受试者,65岁后每五年患COPD分级I的风险等级上升一次,70岁后每五年患COPD分级II和分级Ⅲ、Ⅳ的风险等级上升一次。因此,65岁是可能患COPD分级期的受试者风险增加的起始年龄,70岁是可能患COPD分级Ⅱ和分级Ⅲ&Ⅳ的受试者风险增加的起始年龄。尽管COPD风险不能达到极端风险等级,但一旦COPD分级0受试者超过65或70岁,他们也需要采取预防措施。
慢阻肺的风险评估方法,以及/或,慢阻肺的风险决策方法的执行主体可以是图像处理装置,例如,慢阻肺的风险评估方法,以及/或,慢阻肺的风险决策方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理 (Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该慢阻肺的风险评估方法,以及/或,慢阻肺的风险决策方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开的实施例还提出了一种慢阻肺的风险评估装置,所述的慢阻肺的风险评估装置,包括:第一获取单元,用于获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;构建单元,用于基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;评估单元,用于基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。
另外,本公开的实施例还提出了一种慢阻肺的风险决策装置,所述的慢阻肺的风险评估装置,包括:上述的慢阻肺的风险评估装置;所述的慢阻肺的风险评估装置,用于生成慢阻肺的风险评估结果;其中,所述风险评估结果,至少包括:风险概率及其对应的慢阻肺的分级及年龄信息;第二获取单元,用于获取慢阻肺的风险评估结果,风险等级单元,用于根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级;风险决策单元,用于基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图10是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图10,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820 来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804 或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件 814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信 (NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图11是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900 可以被提供为一服务器。参照图11,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件 1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘 (DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(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。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种慢阻肺的风险评估方法,其特征在于,包括:
获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;
基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;
基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。
2.根据权利要求1所述的评估方法,其特征在于,在所述获取不同分级下的慢阻肺对应的设定多个肺影像组学特征之前,确定所述设定多个肺影像组学特征,其方法,包括:
获取设定筛选模型及不同分级下的慢阻肺对应的多个肺影像组学特征;
利用所述设定筛选模型及设定筛选规则,对所述不同分级下的慢阻肺对应的多个肺影像组学特征进行筛选,得到所述设定多个肺影像组学特征;其中,所述设定筛选规则,至少包括:慢阻肺的分级。
3.根据权利要求1或2所述的评估方法,其特征在于,所述基于所述设定肺影像组学特征及对应的年龄信息构建评估模型的方法,包括:
根据所述分级对应的设定分组规则将所述设定多个肺影像组学特征划分为多组肺影像组学特征,以及将所述多组肺影像组学特征对应的年龄信息按照设定区间划分为多个年龄区间,并对所述年龄区间的数目进行按照年龄递增的方式进行标号;
分别基于所述多组肺影像组学特征及对应的标号构建评估模型。
4.根据权利要求3所述的评估方法,其特征在于,所述分级对应的设定分组规则的确定方法,包括:
将所述分级的最低分级对应的肺影像组学特征确定为所述多组的第一子组;
分别将所述其他分级对应的肺影像组学特征确定为所述多组的第二子组;
以及/或,
所述分别基于所述多组肺影像组学特征及对应的标号构建评估模型的方法,包括:
获取所述多组对应的待构建基础评估模型;
分别利用每组对应的肺影像组学特征及对应的标号对各自的待构建基础评估模型进行训练,得到各组的评估模型。
5.根据权利要求1-4任一项所述的评估方法,其特征在于,所述基于所述设定肺影像组学特征及对应的年龄信息构建评估模型之前,对所述设定肺影像组学特征进行非线性处理,得到非线性特征;
基于所述设定肺影像组学特征、所述非线性特征以及对应的年龄信息构建评估模型。
6.一种慢阻肺的风险决策方法,包括:如权利要求1-5任一项所述的评估方法,其特征在于:
获取慢阻肺的风险评估结果,其中,所述风险评估结果,至少包括:风险概率及其对应的慢阻肺的分级及年龄信息;
根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级;
基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
7.一种慢阻肺的风险评估装置,其特征在于,包括:
第一获取单元,用于获取不同分级下的慢阻肺对应的设定多个肺影像组学特征及年龄信息;
构建单元,用于基于所述设定肺影像组学特征及对应的年龄信息构建评估模型;
评估单元,用于基于所述评估模型,进行慢阻肺肺病随着所述年龄信息的评估。
8.一种慢阻肺的风险决策装置,其特征在于,包括:权利要求7所述的慢阻肺的风险评估装置;
所述的慢阻肺的风险评估装置,用于生成慢阻肺的风险评估结果;其中,所述风险评估结果,至少包括:风险概率及其对应的慢阻肺的分级及年龄信息;
第二获取单元,用于获取慢阻肺的风险评估结果,
风险等级单元,用于根据设定分区规则,对慢阻肺的风险进行划分,得到风险等级;
风险决策单元,用于基于所述风险评估结果及所述风险等级,进行慢阻肺的风险决策,得到所述风险区间对应的年龄信息。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至5中任意一项所述的慢阻肺的风险评估方法;以及/或,权利要求6所述的慢阻肺的风险决策方法。
10.一种计算机可读存储介质,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权利要求1至5中任意一项所述的慢阻肺的风险评估方法;以及/或,权利要求6所述的慢阻肺的风险决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210190192.1A CN114678123A (zh) | 2022-02-28 | 2022-02-28 | 慢阻肺的风险评估、决策方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210190192.1A CN114678123A (zh) | 2022-02-28 | 2022-02-28 | 慢阻肺的风险评估、决策方法及装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114678123A true CN114678123A (zh) | 2022-06-28 |
Family
ID=82072874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210190192.1A Pending CN114678123A (zh) | 2022-02-28 | 2022-02-28 | 慢阻肺的风险评估、决策方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114678123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
-
2022
- 2022-02-28 CN CN202210190192.1A patent/CN114678123A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612885A (zh) * | 2023-04-26 | 2023-08-18 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
CN116612885B (zh) * | 2023-04-26 | 2024-03-22 | 浙江大学 | 一种基于多模态的慢性阻塞性肺病急性加重的预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978886B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
JP2022537974A (ja) | ニューラルネットワーク訓練方法及び装置、電子機器並びに記憶媒体 | |
CN113164025A (zh) | 医疗支持系统、医疗支持设备和医疗支持方法 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN113012146B (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN115423819A (zh) | 肺血管的分割方法及装置、电子设备和存储介质 | |
US20210145389A1 (en) | Standardizing breast density assessments | |
CN111724364B (zh) | 基于肺叶及气管树的方法及装置、电子设备和存储介质 | |
KR102492463B1 (ko) | 병변 판독 결과 표시 방법 | |
CN114678123A (zh) | 慢阻肺的风险评估、决策方法及装置、电子设备和介质 | |
KR20080040803A (ko) | 이동 단말기 사용자의 건강 상태를 진단하는 방법, 장치 및시스템 | |
CN117218133A (zh) | 肺图像处理方法及装置、电子设备和存储介质 | |
Paiva Proença Lobo Lopes et al. | Machine learning model for predicting severity prognosis in patients infected with COVID-19: Study protocol from COVID-AI Brasil | |
CN112182117A (zh) | 一种核赔方法和装置 | |
WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
KR20220012407A (ko) | 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체 | |
CN113808082B (zh) | 肺图像的处理方法及装置、电子设备和存储介质 | |
CN111462910A (zh) | 项目的匹配方法及装置、电子设备和存储介质 | |
CN115565666A (zh) | 脑梗死评估方法及装置、电子设备和存储介质 | |
KR102456338B1 (ko) | 아밀로이드 베타 축적 예측 장치 및 방법 | |
CN110335679B (zh) | 一种基于多粒度图模式挖掘的生存预测方法及系统 | |
CN113576488B (zh) | 基于心率的肺影像组学的确定方法及装置、设备及介质 | |
CN111489260A (zh) | 项目分类方法及装置、电子设备和存储介质 |
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 |