CN115132355A - 一种炎症性肠病的智能数据辅助诊断系统 - Google Patents
一种炎症性肠病的智能数据辅助诊断系统 Download PDFInfo
- Publication number
- CN115132355A CN115132355A CN202210854078.4A CN202210854078A CN115132355A CN 115132355 A CN115132355 A CN 115132355A CN 202210854078 A CN202210854078 A CN 202210854078A CN 115132355 A CN115132355 A CN 115132355A
- Authority
- CN
- China
- Prior art keywords
- model
- disease
- weight
- probability
- results
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 208000022559 Inflammatory bowel disease Diseases 0.000 title claims abstract description 22
- 206010009900 Colitis ulcerative Diseases 0.000 claims abstract description 76
- 201000006704 Ulcerative Colitis Diseases 0.000 claims abstract description 76
- 208000011231 Crohn disease Diseases 0.000 claims abstract description 75
- 238000001839 endoscopy Methods 0.000 claims abstract description 44
- 238000003384 imaging method Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 59
- 238000002052 colonoscopy Methods 0.000 claims description 20
- 238000002575 gastroscopy Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 210000000813 small intestine Anatomy 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 42
- 201000010099 disease Diseases 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 4
- 208000025865 Ulcer Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 231100000397 ulcer Toxicity 0.000 description 3
- 208000004998 Abdominal Pain Diseases 0.000 description 2
- 206010012735 Diarrhoea Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000004877 mucosa Anatomy 0.000 description 2
- 210000004400 mucous membrane Anatomy 0.000 description 2
- 206010015150 Erythema Diseases 0.000 description 1
- 206010018691 Granuloma Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010000269 abscess Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 208000027503 bloody stool Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000112 colonic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 231100000321 erythema Toxicity 0.000 description 1
- 210000002175 goblet cell Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000035861 hematochezia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 210000004379 membrane Anatomy 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss 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
- G16H50/20—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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Endoscopes (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医疗技术领域，提供了一种炎症性肠病的智能数据辅助诊断系统，包括：权重确定模块，其被配置为：确定每项高级指标的权重；第一概率确定模块，其被配置为：根据病例的临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果和组织病理学结果，分别采用各自对应的分类模型，得到病例每项高级指标属于溃疡性结肠炎和克罗恩病的概率；第二概率确定模块，其被配置为：针对病例每项高级指标属于溃疡性结肠炎和克罗恩病的概率，结合每项高级指标的权重，得到病例属于溃疡性结肠炎和克罗恩病的概率；辅助诊断模块，其被配置为：判断病例属于溃疡性结肠炎和克罗恩病的概率的大小，将概率大的炎症性肠病类别，作为辅助诊断结果。
Description
技术领域
本发明属于医疗技术领域，尤其涉及一种炎症性肠病的智能数据辅助诊断系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
炎症性肠病(Inflammatory Bowel Diseases，IBD)是一种病因不明、诊治复杂的终生疾病，发病人群主要为青壮年，重症患者致残率，致死率高。本病包括溃疡性结肠炎(Ulcerative colitis，UC)和克罗恩病(Crohn disease，CD)，但是由于患者个体化特点强烈，国内外相关指南、文献繁多冗杂，诊治需基于多项复杂的临床评分和分型，进行多维度考虑，溃疡性结肠炎(UC)和克罗恩病(CD)的鉴别依赖医生经验，而且存在一些患有结肠IBD的一时难以区分UC与CD者，单纯依靠医师经验容易在早期漏诊，从而失去最佳的诊治机会。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种炎症性肠病的智能数据辅助诊断系统，其基于预定义的针对指标的诊断权重，给出节点的诊断概率，从而给出疾病确诊的概率，减少由于医生主观经验造成的漏诊。
为了实现上述目的，本发明采用如下技术方案：
一种炎症性肠病的智能数据辅助诊断系统，包括：
第一权重确定模块，其被配置为：确定每项高级指标的权重；其中，所述高级指标包括临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果、组织病理学结果和综合评判结果；
第一概率确定模块，其被配置为：根据病例的临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果、组织病理学结果和综合评判结果，分别采用各自对应的分类模型，得到病例每项高级指标属于溃疡性结肠炎和克罗恩病的概率；
第二概率确定模块，其被配置为：针对病例每项高级指标属于溃疡性结肠炎和克罗恩病的概率，结合每项高级指标的权重，得到病例属于溃疡性结肠炎和克罗恩病的概率；
辅助诊断模块，其被配置为：判断病例属于溃疡性结肠炎和克罗恩病的概率的大小，将概率大的炎症性肠病类别，作为辅助诊断结果；
其中，所述内镜检查结果设为初级指标，包括结肠镜检查结果、小肠镜检查结果和胃镜检查结果；根据结肠镜检查结果、小肠镜检查结果和胃镜检查结果，分别采用各自的模型，得到病例每项初级指标属于溃疡性结肠炎和克罗恩病的概率；
第二权重确定模块，其被配置为：针对病例每项初级指标属于溃疡性结肠炎和克罗恩病的概率，结合每项初级指标的权重，得到病例属于溃疡性结肠炎和克罗恩病的概率；
第三概率确定模块，其被配置为：判断病例属于溃疡性结肠炎和克罗恩病的概率的大小，将概率大的数值作为内镜检查结果的概率。
进一步地，所述确定初级指标的权重具体包括：
利用训练样本集训练基于结肠镜检查特征的分类器model_a，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于小肠镜检查特征的分类器model_b，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于胃镜检查特征的分类器model_c，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
针对每个病例，判断分类器model_a、model_b和model_c识别结果的准确性，若分类器识别结果正确，则该分类器的权重进行累加，从而得到每项初级指标的权重。
进一步地，对每项初级指标的权重进行归一化处理，得到结肠镜检查特征的权重a、小肠镜检查特征的权重b和胃镜检查特征的权重c；
其中，权重
式中，counti为每项初级指标的权重。
进一步地，所述确定每项高级指标的权重具体包括：
利用训练样本集训练基于临床表现特征的分类器model_A，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于实验室检查特征的分类器model_B，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于影像学检查特征的分类器model_C，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于内镜检查特征的内镜检查分类模型model_D，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于组织病理学特征的分类器model_E，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练综合评判结果模型model_F，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
针对每个病例，判断分类器model_A、model_B、model_C、内镜检查分类模型model_D、分类器model_E和综合评判结果模型model_F识别结果的准确性，若分类器识别结果正确，则该分类器的权重进行累加，从而得到每项高级指标的权重。
进一步地，所述综合评判结果得到的过程包括：
采用测试集样本测试分类器model_A、分类器model_B、分类器model_C、内镜检查分类模型model_D和分类器model_E，得到各自的分类结果及概率；
构建特征向量：[model_A结果、model_A概率、model_B结果、model_B概率、model_C结果、model_C概率、model_D结果、model_D概率、model_E结果、model_E概率]；
基于特征向量，采用综合评判结果模型model_F，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；作为临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果和组织病理学结果的综合评判结果。
进一步地，对每项高级指标的权重进行归一化处理，得到临床表现特征的权重A、实验室检查特征的权重B、影像学检查特征的权重C、内镜检查的权重D、组织病理学特征的权重E和综合评判结果的权重F。
进一步地，所述病例包括临床表现特征、实验室检查特征、影像学检查特征、内镜检查的图像特征和组织病理学特征。
进一步地，所述内镜检查的图像特征包括结肠镜检查特征、小肠镜检查特征和胃镜检查特征。
进一步地，所述诊断系统还包括第一显示模块，其被配置为：获得辅助诊断结果后，以病人为单位识别病例库中该病人触发的检查项目，形成基于确定病人的一体化诊断流程。
进一步地，所述诊断系统还包括第二显示模块，其被配置为：将每个病人的检查项目和检查结果以节点串联形式展示，每个节点对应该病人进行的检查项目及该项目的特征表现。
与现有技术相比，本发明的有益效果是：
本发明基于预定义的针对指标的诊断权重，给出节点的诊断概率，从而给出疾病确诊的概率，减少由于医生主观经验造成的漏诊，并将整个诊断流程一体化展示，便于医生明晰的查看当前病人的诊断路径，方便确定后续的补充检查。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的炎症性肠病的智能数据辅助诊断系统的框架图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
如图1所示，一种炎症性肠病的智能数据辅助诊断系统，包括：
权重针对每一项检查的结果，初始权重基于医学经验预设，最后通过模型基于一系列检查结果推断该病为UC还是CD，将UC和CD做的每一项检查都预设权重，基于权重计算出确诊为UC或CD的概率，UC和CD都缺乏诊断的金标准，都需要临床表现、实验室检查、影像学检查、内镜检查和组织病理学表现进行综合分析，内镜检查又包括结肠镜检查、小肠镜检查、胃镜检查等，于是给结肠镜检查、小肠镜检查、胃镜检查这些检查的结果设为初级指标，并为初级指标设置权重a、b、c，临床表现、实验室检查、影像学检查、内镜检查、组织病理学检查和这些检测识别结果的综合评判结果设为高级指标，并为高级指标设置权重A、B、C、D、E、F，根据每项初级指标的阴阳得出内镜检查这个节点的基数，然后根据高级指标间的权重求得确定为UC或CD的概率。
1、初级指标辅助诊断过程：
初级指标权重a、b、c，以及内镜检查的疾病识别模型计算方法：训练内镜检查识别的分类模型，内镜检查包括结肠镜检查、小肠镜检查、胃镜检查。分别在结肠镜检查、小肠镜检查、胃镜检查上建立的二分类模型，然后利用特征权重学习算法自动学习各个特征的权重，对每个检查分别利用这三个模型给出属于两个类别的可信度值，再利用结肠镜检查、小肠镜检查、胃镜检查的权重系数来综合计算该病例属于两个类别的可信度值，将该病例判为可信度值最大的类别。
具体如下：
(1)子分类器模型训练算法
1)输入：两种疾病类别的内镜检查图像训练样本集S1，S2.....Sn，其中训练集特征是基于两种疾病的图像特征进行提取的，UC的图像特征有溃疡浅，黏膜弥漫性充血水肿、颗粒状等特点；CD的图像特征有纵行溃疡、卵石样外观、病变间黏膜外观正常等特点。
2)利用训练样本集训练基于结肠镜检查的分类器model_a，输出识别类别为UC疾病类别和CD疾病类别。
3)利用训练样本集训练基于小肠镜检查的分类器model_b，输出识别类别为UC疾病类别和CD疾病类别。
4)利用训练样本集训练基于胃镜检查的分类器model_c，输出识别类别为UC疾病类别和CD疾病类别。
(2)特征权重学习算法
1)输入：基于结肠镜检查的分类器model_a，基于小肠镜检查的分类器model_b，基于胃镜检查的分类器model_c。两种疾病类别的内镜检查图像训练样本集S1，S2.....Sn。初始化三个分类器对应的权重为零。
2)对于测试样本集中的图像分别用model_a、model_b、model_c分类器识别，分类器识别正确时对应的权重累加。具体地，在测试样本集中分别测试model_a、model_b、model_c模型并统计正确分类个数:count_i，i＝1,2,3，其中count_1表示model_a的正确分类个数，count_2表示model_b的正确分类个数，count_3表示model_c的正确分类个数。
3)对三个分类器对应的权重做归一化处理，输出结肠镜检查的权重a、输出小肠镜检查的权重b、输出胃镜检查的权重c。具体地，对第二步求出的counti做归一化处理，即可得到各个模型的权重
假设测试集是200个确诊的溃疡性结肠炎或克罗恩病的病例，其中包含结肠镜检查图像、小肠镜检查的图像、胃镜检查的图像。分别用model_a识别结肠镜检查的图像，model_b识别小肠镜检查的图像，model_c识别胃镜检查的图像。model_a识别正确的疾病病例的数量是150例，model_b识别正确的疾病病例的数量是170例，model_c识别正确的疾病病例的数量是190例。
做归一化处理，得到对应的权重。model_a的权重w_a＝150/(150+170+190)＝150/510＝0.294；
model_b的权重w_b＝170/(150+170+190)＝170/510＝0.333；
model_c的权重w_c＝190/(150+170+190)＝190/510＝0.3725；
即w_a+w_b+w_c＝0.294+0.333+0.3725＝1.0
(3)预测算法
1)输入：一张图像的图像特征向量。
2)利用model_a推断出该图像属于UC或CD类别的概率model_a_pUC，model_a_pCD。
3)利用model_b推断出该图像属于UC或CD类别的概率model_b_pUC，model_b_pCD。
4)利用model_c推断出该图像属于UC或CD类别的概率model_c_pUC，model_c_pCD。
5)加入各项检查的权重，计算两种疾病类别的概率：pUC＝a*model_a_pUC+b*model_b_pUC+c*model_c_pUC，
pCD＝a*model_a_pCD+b*model_b_pCD+c*model_c_pCD。
6)输出：比较pUC和pCD，取最大值所对应的疾病类别作为识别结果。
通过上述方法得到了各个内镜检查的初级指标设置权重a、b、c，以及内镜检查的疾病识别模型。
二、高级指标辅助诊断过程：
高级指标设置权重A、B、C、D、E、F，以及病例识别模型计算方法：
与计算初级指标权重a、b、c类似，将临床表现、实验室检查、影像学检查、内镜检查、组织病理学检查和这些检测识别结果的综合评判结果设为高级指标，计算高级指标设置权重A、B、C、D、E、F，然后根据高级指标间的权重求得确定为UC或CD的概率。
具体如下：
(1)子分类器模型训练算法
1)输入：两种疾病类别的病例训练样本集S1，S2.....Sn，其中临床表现特征根据疾病类型进行区分，用离散数字进行区分，UC的特征有持续或反复发作的腹泻、黏液脓血便伴腹痛，特征标记为0；CD的特征有腹泻、腹痛、体重减轻，特征标记为1。
实验室检查根据疾病类型进行区分，用离散数字进行区分，UC相应症状特征标记为0，CD相应症状特征标记为1。
影像学检查根据疾病类型进行区分，用离散数字进行区分，UC相应症状特征标记为0，CD相应症状特征标记为1。
内镜检查根据上一步得到的模型进行推断得到，检查内镜图像识别为UC标记为0，识别为CD标记为1。
组织病理学特征根据疾病类型进行区分，用离散数字进行区分，UC的特征有固有膜全层弥漫性炎症、隐窝脓肿、隐窝结构明显异常、杯状细胞减少，特征标记为0；CD的特征有裂隙状溃疡、非干酪性肉芽肿、黏膜下层淋巴细胞聚集，特征标记为1。
2)利用训练样本集训练基于临床表现特征的分类器model_A，输出识别类别为UC疾病类别和CD疾病类别。
3)利用训练样本集训练基于实验室检查特征的分类器model_B，输出识别类别为UC疾病类别和CD疾病类别。
4)利用训练样本集训练基于影像学检查的分类器model_C，输出识别类别为UC疾病类别和CD疾病类别。
5)利用训练样本集训练基于组织病理学特征的分类器model_E，输出识别类别为UC疾病类别和CD疾病类别。
6)在测试集样本测试子分类器模型：model_A、model_B、model_C、model_D、model_E，得到分类结果及概率，构建自定义特征向量训练CNN分类模型作为model_F。具体地，特征向量组成：[model_A结果、model_A概率、model_B结果、model_B概率、model_C结果、model_C概率、model_D结果、model_D概率、model_E结果、model_E概率]，测试集样本疾病类别是已知的，构造CNN分类模型，输出识别类别为UC疾病类别和CD疾病类别。作为临床表现、实验室检查、影像学检查、内镜检查、组织病理学检查识别结果的综合评判结果。
(2)特征权重学习算法
1)输入：基于临床表现特征的分类器model_A，基于实验室检查特征的分类器model_B，基于影像学检查的分类器model_C。上一步得到的内镜检查分类模型model_D。基于组织病理学特征的分类器model_E和综合评判分类器model_F。两种疾病类别的病例训练样本集S1，S2.....Sn。初始化三个分类器对应的权重A、B、C、D、E、F均为零。
2)对于训练样本集中的每一幅图像分别用model_A、model_B、model_C识别、内镜检查分类模型model_D、model_E、model_F识别。
3)如果分类器model_A能给出正确的疾病类别，model_A对应的权重A累加；如果分类器model_B能给出正确的疾病类别，model_B对应的权重累加；如果分类器model_C能给出正确的疾病类别，model_C对应的权重C累加。如果内镜检查分类模型能给出正确的疾病类别，内镜检查分类模型对应的权重D累加；如果分类器model_E能给出正确的疾病类别，model_E对应的权重E累加；如果分类器model_F能给出正确的疾病类别，model_F对应的权重F累加。
4)对权重A、B、C、D、E、F做归一化处理，输出临床表现特征的权重A、实验室检查特征的权重B、影像学检查特征的权重C、内镜检查的权重D、组织病理学特征的权重E、综合评判结果模型的权重F。
(3)预测算法
1)输入：一个病例，包含临床表现特征、实验室检查特征、影像学检查特征、内镜检查的图像特征、组织病理学特征。
2)利用model_A推断出该病例属于UC或CD类别的概率model_A_pUC，model_A_pCD。
3)利用model_B推断出该病例属于UC或CD类别的概率model_B_pUC，model_B_pCD。
4)利用model_C推断出该病例属于UC或CD类别的概率model_C_pUC，model_C_pCD。
5)利用内镜检查分类模型推断出该病例属于UC或CD类别的概率model_D_pUC，model_D_pCD。
6)利用model_E推断出该病例属于UC或CD类别的概率model_E_pUC，model_E_pCD。
7)利用model_F推断出该病例属于UC或CD类别的概率model_F_pUC，model_F_pCD。
8)加入各项检查的权重，计算两种疾病类别的概率：pUC＝A*model_A_pUC+B*model_B_pUC+C*model_C_pUC+D*内镜检查分类模型_pUC+E*model_E_pUC+F*model_F_pUC，
pCD＝A*model_A_pCD+B*model_B_pCD+C*model_C_pCD+D*内镜检查分类模型_pCD+E*model_E_pCD+F*model_F_pCD。
8)输出：比较pUC和pCD，取最大值所对应的疾病类别作为识别结果。
获得确诊概率后，以病人为单位识别病例库中该病人触发的检查项目，形成基于确定病人的一体化诊断流程，如形成如下流程：基本信息—既往史—结肠镜检查—黏膜活检—手术切除标本病例检查。
将每个病人的检查项目和检查结果以节点串联形式展示，每个节点对应该病人进行的检查项目及该项目的特征表现，如UC的结肠镜检查的特征表现为：病变黏膜无红斑，血管纹理正常，黏膜光滑，可见轻度糜烂，见轻度自发性出血，未见假息肉形成，为了将整个检查流程的结果简练清晰的展示出来，节点以段落标签的形式体现。
段落标签通过以下方式获得：对特征表现的每一句文本基于语义理解模型生成初级标签；将该特征表现下所有文本对应的初级标签基于语义理解模型生成段落标签。所述语义理解模型可以为BERT(Bidirectional Encoder Representations fromTransformers)模型。
需要指出的是本发明所有的分类器和内镜检查分类模型均采用现有的模型，可以采用YOLOv5分类器、YOLOv4分类器以及Softmax分类器。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种炎症性肠病的智能数据辅助诊断系统，其特征在于，包括：
第一权重确定模块，其被配置为：确定每项高级指标的权重；其中，所述高级指标包括临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果、组织病理学结果和综合评判结果；
第一概率确定模块，其被配置为：根据病例的临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果、组织病理学结果和综合评判结果，分别采用各自对应的分类模型，得到病例每项高级指标属于溃疡性结肠炎和克罗恩病的概率；
第二概率确定模块，其被配置为：针对病例每项高级指标属于溃疡性结肠炎和克罗恩病的概率，结合每项高级指标的权重，得到病例属于溃疡性结肠炎和克罗恩病的概率；
辅助诊断模块，其被配置为：判断病例属于溃疡性结肠炎和克罗恩病的概率的大小，将概率大的炎症性肠病类别，作为辅助诊断结果；
其中，所述内镜检查结果设为初级指标，包括结肠镜检查结果、小肠镜检查结果和胃镜检查结果；根据结肠镜检查结果、小肠镜检查结果和胃镜检查结果，分别采用各自的模型，得到病例每项初级指标属于溃疡性结肠炎和克罗恩病的概率；
第二权重确定模块，其被配置为：针对病例每项初级指标属于溃疡性结肠炎和克罗恩病的概率，结合每项初级指标的权重，得到病例属于溃疡性结肠炎和克罗恩病的概率；
第三概率确定模块，其被配置为：判断病例属于溃疡性结肠炎和克罗恩病的概率的大小，将概率大的数值作为内镜检查结果的概率。
2.根据权利要求1所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述确定初级指标的权重具体包括：
利用训练样本集训练基于结肠镜检查特征的分类器model_a，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于小肠镜检查特征的分类器model_b，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于胃镜检查特征的分类器model_c，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
针对每个病例，判断分类器model_a、model_b和model_c识别结果的准确性，若分类器识别结果正确，则该分类器的权重进行累加，从而得到每项初级指标的权重。
3.根据权利要求2所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，对每项初级指标的权重进行归一化处理，得到结肠镜检查特征的权重a、小肠镜检查特征的权重b和胃镜检查特征的权重c；
其中，权重
式中，counti为每项初级指标的权重。
4.根据权利要求1所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述确定每项高级指标的权重具体包括：
利用训练样本集训练基于临床表现特征的分类器model_A，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于实验室检查特征的分类器model_B，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于影像学检查特征的分类器model_C，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于内镜检查特征的内镜检查分类模型model_D，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练基于组织病理学特征的分类器model_E，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
利用训练样本集训练综合评判结果模型model_F，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；
针对每个病例，判断分类器model_A、model_B、model_C、内镜检查分类模型model_D、分类器model_E和综合评判结果模型model_F识别结果的准确性，若分类器识别结果正确，则该分类器的权重进行累加，从而得到每项高级指标的权重。
5.根据权利要求4所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述综合评判结果得到的过程包括：
采用测试集样本测试分类器model_A、分类器model_B、分类器model_C、内镜检查分类模型model_D和分类器model_E，得到各自的分类结果及概率；
构建特征向量：[model_A结果、model_A概率、model_B结果、model_B概率、model_C结果、model_C概率、model_D结果、model_D概率、model_E结果、model_E概率]；
基于特征向量，采用综合评判结果模型model_F，输出每个病例属于溃疡性结肠炎或克罗恩病的类别；作为临床表现结果、实验室检查结果、影像学检查结果、内镜检查结果和组织病理学结果的综合评判结果。
6.根据权利要求4所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，对每项高级指标的权重进行归一化处理，得到临床表现特征的权重A、实验室检查特征的权重B、影像学检查特征的权重C、内镜检查的权重D、组织病理学特征的权重E和综合评判结果的权重F。
7.根据权利要求1所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述病例包括临床表现特征、实验室检查特征、影像学检查特征、内镜检查的图像特征和组织病理学特征。
8.根据权利要求4所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述内镜检查的图像特征包括结肠镜检查特征、小肠镜检查特征和胃镜检查特征。
9.根据权利要求1所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述诊断系统还包括第一显示模块，其被配置为：获得辅助诊断结果后，以病人为单位识别病例库中该病人触发的检查项目，形成基于确定病人的一体化诊断流程。
10.根据权利要求1所述的炎症性肠病的智能数据辅助诊断系统，其特征在于，所述诊断系统还包括第二显示模块，其被配置为：将每个病人的检查项目和检查结果以节点串联形式展示，每个节点对应该病人进行的检查项目及该项目的特征表现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210854078.4A CN115132355B (zh) | 2022-07-13 | 2022-07-13 | 一种炎症性肠病的智能数据辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210854078.4A CN115132355B (zh) | 2022-07-13 | 2022-07-13 | 一种炎症性肠病的智能数据辅助诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115132355A true CN115132355A (zh) | 2022-09-30 |
| CN115132355B CN115132355B (zh) | 2024-05-03 |
Family
ID=83383859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210854078.4A Active CN115132355B (zh) | 2022-07-13 | 2022-07-13 | 一种炎症性肠病的智能数据辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115132355B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116784827A (zh) * | 2023-02-14 | 2023-09-22 | 安徽省儿童医院 | 一种基于内镜的消化道溃疡深度及面积测算方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194137A (zh) * | 2016-01-31 | 2017-09-22 | 青岛睿帮信息技术有限公司 | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 |
| CN109615633A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学人民医院（湖北省人民医院） | 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法 |
| CN110993099A (zh) * | 2019-12-18 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的溃疡性结肠炎严重程度评估方法及系统 |
| CN111128396A (zh) * | 2019-12-20 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的消化道疾病辅助诊断系统 |
| WO2022009127A1 (en) * | 2020-07-09 | 2022-01-13 | Irccs Centro Neurolesi "Bonino- Pulejo" | Inflammatory bowel disease diagnosis method |
| US20220214357A1 (en) * | 2019-05-02 | 2022-07-07 | University Of Limerick | Method of determining the probability of inflammatory bowel disease in a subject being ulcerative colitis or crohn's disease |
-
2022
- 2022-07-13 CN CN202210854078.4A patent/CN115132355B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194137A (zh) * | 2016-01-31 | 2017-09-22 | 青岛睿帮信息技术有限公司 | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 |
| CN109615633A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学人民医院（湖北省人民医院） | 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法 |
| US20220214357A1 (en) * | 2019-05-02 | 2022-07-07 | University Of Limerick | Method of determining the probability of inflammatory bowel disease in a subject being ulcerative colitis or crohn's disease |
| CN110993099A (zh) * | 2019-12-18 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的溃疡性结肠炎严重程度评估方法及系统 |
| CN111128396A (zh) * | 2019-12-20 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的消化道疾病辅助诊断系统 |
| WO2022009127A1 (en) * | 2020-07-09 | 2022-01-13 | Irccs Centro Neurolesi "Bonino- Pulejo" | Inflammatory bowel disease diagnosis method |
Non-Patent Citations (2)
| Title |
|---|
| SHELIAKINA, NM等: "The Application of Mathematical Modeling to Diagnose Diseases of the Digestive System", 《AIP CONFERENCE PROCEEDINGS》 * |
| 朱芸;周晓军;: "炎症性肠病的临床病理诊断", 诊断病理学杂志, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116784827A (zh) * | 2023-02-14 | 2023-09-22 | 安徽省儿童医院 | 一种基于内镜的消化道溃疡深度及面积测算方法 |
| CN116784827B (zh) * | 2023-02-14 | 2024-02-06 | 安徽省儿童医院 | 一种基于内镜的消化道溃疡深度及面积测算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115132355B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020207377A1 (zh) | 一种图像识别模型训练及图像识别方法、装置及系统 | |
| CN111275118B (zh) | 基于自我修正式标签生成网络的胸片多标签分类方法 | |
| CN109447985B (zh) | 结肠镜图像分析方法、装置及可读存储介质 | |
| US11615527B2 (en) | Automated anatomic and regional location of disease features in colonoscopy videos | |
| CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
| Hou et al. | Periphery-aware COVID-19 diagnosis with contrastive representation enhancement | |
| Hou et al. | Cmc-cov19d: Contrastive mixup classification for covid-19 diagnosis | |
| CN113610118A (zh) | 一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质 | |
| CN115132355B (zh) | 一种炎症性肠病的智能数据辅助诊断系统 | |
| Ribeiro et al. | Polyps detection in colonoscopies | |
| Ahmad et al. | Autism spectrum disorder detection using facial images: A performance comparison of pretrained convolutional neural networks | |
| CN114078137A (zh) | 一种基于深度学习的阴道镜图像筛选方法、装置和电子设备 | |
| Liu et al. | Artificial intelligence image-based prediction models in IBD exhibit high risk of bias: A systematic review | |
| Ghafoor | COVID-19 pneumonia level detection using deep learning algorithm | |
| CN112807008A (zh) | 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和系统 | |
| CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 | |
| Zhu et al. | A CNN-based cleanliness evaluation for bowel preparation in colonoscopy | |
| CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
| Kassylkassova et al. | Automated Pneumonia Diagnosis using a 2D Deep Convolutional Neural Network with Chest X-Ray Images | |
| Liu et al. | Design of Double-Network Pneumonia Detection Based on Classification and Medical Segmentation | |
| Mahadar et al. | Comparison and Evaluation of CNN Architectures for Classification of Covid-19 and Pneumonia | |
| Abdulsamad et al. | Cervical Cancer Screening Using Residual Learning | |
| Faruk | Vggcovidnet: A deep convolutional neural network to predict covid-19 cases from x-ray images | |
| Saheb et al. | Review Of Machine Learning-Based Disease Diagnosis and Severity Estimation of Covid-19 | |
| Karthikha et al. | Effect of U-net hyperparameter optimisation in polyp segmentation from colonoscopy images |
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 |