CN116030957A - 知识图谱构建方法、装置、辅助诊断设备及存储介质 - Google Patents

Abstract

本申请提供一种知识图谱构建方法、装置、辅助诊断设备及计算机可读存储介质，所述方法包括：根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

Description

知识图谱构建方法、装置、辅助诊断设备及存储介质

技术领域

本申请涉及医疗器械技术领域，尤其是涉及一种知识图谱构建方法、装置、辅助诊断设备及计算机存储介质。

背景技术

目前，血细胞分析仪的应用越来越广泛，技术发展也越来越成熟，通过血细胞分析仪对患者血样进行自动检测，无论三分类、五分类、还是更高端的带不同荧光通道的血细胞分析仪，展示给用户的界面几乎没有大变化——由数十个报告参数、数个图形和数目不等的来自不同通道的报警信息组成，即血细胞分析仪对患者的血样进行检测分析后，展示给检验医师的是由大量数据、图形组成的数值型报告。

检验医师需要利用这些数值型报告做综合判断，才能给临床医生发送检验报告。然而，检验医师每天需要处理的血样标本量大，极高的工作强度无法保证他们拥有充足的时间了解每位患者的检测数据，而且也非常依赖检验医师的个人检验水平，从而检验效率低。

发明内容

为解决现有存在的技术问题，本申请提供一种检验效率更高、且检测结果更准确的知识图谱构建方法、装置、辅助诊断设备及计算机存储介质。

为达到上述目的，本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种知识图谱构建方法，应用于辅助诊断设备，包括：

根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；

根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；

根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

第二方面，本申请实施例提供一种知识图谱构建装置，应用于辅助诊断设备，包括：

实体抽取模块，用于根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；

关系抽取模块，用于根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；

构建模块，用于根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

第三方面，本申请实施例提供一种辅助诊断设备，包括处理器及存储器，所述存储器内存储有可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现本申请任一实施例所述的知识图谱构建方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被控制器执行时本申请任一实施例所述的知识图谱构建方法。

本申请上述实施例提供的知识图谱构建方法、装置、辅助诊断设备及计算机存储介质，根据构建辅助诊断知识图谱，综合生物样本分析数据、对生物样本分析数据的目标特征的识别结果和待检测对象的临床信息，确定所述待检测对象的样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，无需依赖检验医师个人经验水平即可得到准确的辅助诊断结果，从而可提高检验效率、检测结果更准确、且诊断结论更具可解释性。

附图说明

图1为一实施例中辅助诊断方法的可选应用场景示意图；

图2为一实施例中辅助诊断方法的流程图；

图3为一实施例中深度学习模型的架构示意图；

图4为另一实施例中辅助诊断方法的流程图；

图5为一实施例中辅助诊断方法的原理架构图；

图6为一具体示例中辅助诊断方法的原理架构图；

图7为另一实施例中辅助诊断方法的原理架构图；

图8为一实施例中应用于图像识别模型的辅助诊断方法的流程图；

图9为另一实施例中应用于图像识别模型的辅助诊断方法的流程图；

图10为一实施例中图像识别模型中第一子图像模型进行迭代训练的原理图；

图11为另一实施例中图像识别模型中第二子图像模型进行迭代训练的原理图；

图12为一实施例中辅助诊断知识图谱的构建方法的流程图；

图13为一实施例中辅助诊断知识图谱的构建方法的原理架构图；

图14为另一实施例中辅助诊断知识图谱的构建方法的原理架构图；

图15为一实施例中知识图谱构建装置的结构示意图；

图16为一实施例中辅助诊断设备的结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本申请技术方案做进一步的详细阐述。

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”的表述，其描述了所有可能实施例的子集，需要说明的是,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一、第二、第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一、第二、第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

请参阅图1，为本申请实施例提供的辅助诊断方法的可选的应用场景的辅助诊断系统的框架图。辅助诊断系统包括检验信息系统(Laboratory Information System，LIS)10、生物样本分析仪20及辅助诊断设备30。检验信息系统通10常设置于医院的检验科，可用于接收检验数据、录入保存患者检验信息，辅助医院进行信息管理。生物样本分析仪20是指用于对采集的待测样本进行智能检测分析的设备。待测样本可以是包含有各类生物细胞信息或其它生物信息的样本，如血液样本、尿液样本、其它体液(胸腹水、脑脊液、浆膜腔积液、滑膜液)样本等，生物细胞类型可以是嗜中性粒细胞、淋巴细胞、单球、嗜酸性粒细胞和嗜碱性粒细胞组成的组中的至少一种；也可以是是未成熟的粒细胞、肿瘤细胞、淋巴母细胞、浆细胞、非典型淋巴细胞、前成红细胞、基底红细胞和多色成红细胞、正色红细胞、前大胚细胞、基底巨胚细胞、多色巨细胞和选自正色巨红细胞和大核球体的有核红细胞。

辅助诊断设备30与检验信息系统10和生物样本分析仪20通信连接，用于从检验信息系统10获取患者的临床信息以及从生物样本分析仪20获取患者的待测样本的生物样本分析数据，结合患者的临床信息、生物样本分析数据以及根据历史诊断记录所形成的病例数据库判断出患者的待测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，辅助诊断决策信息可更加直观地了解到待测样本检测结果是否存在异常，且对于确定存在异常的情况下，可通过辅助诊断决策信息知晓决策依据，无需依赖检验医师个人经验水平即可得到准确的辅助诊断结果，一方面可以提高检验效率，检测结果更准确，另一方面诊断结论更具可解释性，将生物样本分析仪和检验信息系统中的数值型检测报告转化为具有描述性的辅助诊断决策信息，辅助检验医生减少筛查检测数据的工作量，同时也能借助辅助诊断报告中的结果更好地匹配分级诊疗政策。

其中，辅助诊断设备30可以是具有存储、计算能力的各类智能设备，其物理上可以与检验信息系统或生物样本分析仪相互分离，如加载有实现本申请实施例的辅助诊断方法的计算机程序的智能手机、个人计算机等；也可以是检验信息系统或生物样本细胞分析仪集成为一体，如加载有实现本申请实施例的辅助诊断方法的计算机程序的检验信息系统或生物样本分析仪。

为了便于理解，本申请实施例中以待测样本为血液样本为例对辅助诊断方法的实现进行详细说明，生物样本分析仪是指血细胞分析仪。已知的血细胞分析仪是流式细胞术的典型应用，用于细胞计数的阻抗通道利用的是库尔特电阻抗原理，用于血红蛋白浓度测定利用的是比色法原理，用于白细胞分类、网织红细胞识别、有核红细胞识别、嗜碱性粒细胞识别、低值血小板识别、原始细胞识别等高端血细胞分析仪的光学通道利用的是激光散射法和核酸荧光染色技术，以上这些技术的目标是将血细胞的大小、细胞内容物复杂度、核酸含量等生物学特性转换为电脉冲信号，这些电脉冲信号可为血细胞分析仪采集的原始数据。然而，需要说明的是，虽然本申请实施例的描述将生物样本分析数据以对血液样本的检测分析数据为例进行描述，但不应依此构成对本申请保护范围的限制。

请参阅图2，为本申请一实施例提供的辅助诊断方法，可应用于辅助诊断设备，所述辅助诊断方法包括但不限于S101、S103和S105，具体介绍如下：

S101，获取待检测对象的生物样本分析数据，对所述生物样本分析数据进行特征提取，输出所述生物样本分析数据中所承载的目标特征的识别结果。

待检测对象是指待检测样本的所属者，以待检测样本为人体的血液样本为例，待检测对象通常是指提供血液样本的患者。生物样本分析数据是指针对包含生物细胞信息或其它生物信息的各类生物样本进行检测得到的对应分析数据，细胞特征可以是不同类型细胞对应生物样本中所呈现的健康特征或不健康特征，如生物样本中包含异常细胞类型、细胞数量特征、细胞大小特征、细胞组成比例特征、细胞内容物特征、核酸含量特征等。目标特征是指根据不同生物样本的检测需求确定的生物信息特征，如以生物样本分析数据为细胞分析数据而言，目标特征是指根据不同生物样本的检测需求确定的某一个或几个细胞特征，如针对血液样本的细胞分析数据中的PLT直方图，目标细胞特征是指不同大小血小板的数量分布特征。

S103，获取所述待检测对象的临床信息。

不同待检测对象的年龄、性别、测试样本类型、既往病史等不同，血液样本中不同细胞的特征不同，在一个可选的具体示例中，待检测对象的临床信息包括待检测对象的年龄、性别、测试样本类型、既往病史。

S105，基于所述生物样本分析数据、所述识别结果和所述临床信息，确定所述待检测对象的待检测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息。

待检测样本的异常特征是指样本中可用于表征待检测对象是否存在疾病隐患的特征，以血液样本为例，血液样本的异常特征是指血样中可用于表征待检测对象是否存在疾病隐患的特征。与异常特征的对应的辅助诊断决策信息是指综合对生物样本分析数据中目标特征的提取结果、待检测对象的临床信息和细胞分析数据中除细胞特征提取结果之外的其它报告参数，所形成的基于待检测对象的待检测样本而确定的辅助诊断结论，可以包括对确定出的异常特征的依据说明，依据说明可以是文字、带有标注的图像，辅助诊断决策信息可反映做出决策所依据的信息，从而可以直观地知晓当前检测结果中确定出的异常的依据，提升辅助诊断结果的可读性。辅助诊断设备结合细胞分析数据、对细胞分析图像所承载的目标细胞特征的识别结果和临床数据，确定出待检测对象的待检测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，可通过辅助诊断决策信息快速的筛选出当前待检测样本检测结果中存在异常的样本以及确定出异常的依据出处，方便检验医师可根据辅助诊断决策信息更高效地做出下一步诊疗决策。

上述实施例中，辅助诊断方法根据生物样本分析数据、对生物样本分析数据中目标特征的识别结果和待检测对象的临床信息，确定所述待检测对象的待测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，如此，可将生物样本分析数据中所包含的异常特征作为识别对象，结合待检测对象的生物样本分析数据和临床信息确定待测样本的异常特征，基于异常特征输出与其对应的辅助诊断决策信息，无需依赖检验医师个人经验水平即可得到准确的辅助诊断决策，从而可提高检验效率、检测结果更准确、且诊断结论更具可解释性。

在一可选的实施例中，待测样本是指患者的血液样本，生物样本分析数据相应指血细胞分析数据。所述S101，获取待检测对象的生物样本分析数据，对所述生物样本分析数据进行特征提取，输出所述生物样本分析数据中所承载的目标特征的识别结果，包括：

获取待检测对象的生物样本分析数据，通过图像处理模型对所述生物样本分析数据中的生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标对象的识别结果。

其中，生物样本分析数据以血细胞分析数据为例，生物样本分析图像是指血细胞分析图像。血细胞分析数据包括对血液样本进行检测得到的各类检测数据，如血细胞分析图像、血液报告参数、flag报警参数等。在一可选的具体示例中，血液报告参数包括红细胞(RBC)、血红蛋白(HGB)、红细胞比容(HCT)、平均红细胞体积(MCV)、平均红细胞血红蛋白含量(MCH)、白细胞(WBC)、红细胞平均血红蛋白浓度(MCHC)、红细胞分布宽度(RDW-CV)、红细胞分布宽度标准差(RDW-SD)、血小板(PLT)。血细胞分析图像包括血液中不同细胞对应的直方图以及表征各类细胞的分布特征的散点图，如血小板直方图、红细胞直方图、白细胞直方图、白细胞DIFF散点图、RET散点图。不同血细胞分析图像对应承载血液中不同细胞的特征，可表征血液中相应细胞的含量、分布是否存在异常，血细胞分析图像中所承载的目标对象是指血细胞分析图像对应承载的细胞特征。以血小板直方图为例，其所承载的目标对象是指血细胞直方图中曲线分布形态的异常类型，可以是直方图左移、直方图右移、直方图右侧呈拖尾状等。图像处理模型对血细胞分析图像进行特征提取，以识别所述血细胞分析图像所承载的目标对象并输出。图像处理模型可以将血细胞分析图像中所承载的细胞异常特征作为目标对象，通过对血细胞分析图像进行特征提取，识别并输出相应血细胞分析图像的细胞异常特征作为识别结果，可以为血细胞分析图像中存在的异常确定出支持依据。

在一些实施例中，所述获取待检测对象的生物样本分析数据，通过图像处理模型对所述生物样本分析数据中的生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标对象的识别结果，包括：

获取生物样本分析仪输出的待检测对象的生物样本分析数据；

通过图像处理模型对所述生物样本分析数据中的生物样本分析图像进行特征提取，输出所述生物样本分析图像所分别承载的目标特征的识别结果；所述生物样本分析图像包括如下至少之一：血细胞直方图、血细胞散点图、脉冲信号波形图、脉冲信号特征图、血栓弹力图、生化或免疫反应曲线。

生物样本分析仪以血细胞分析仪为例，辅助诊断设备与血细胞分析仪通信连接，直接将血细胞分析仪输出的血细胞分析数据作为输入。血细胞分析数据包括承载有不同的血细胞特征的血细胞分析图像，血细胞分析图像可以包括血液中不同血液细胞对应的直方图、表征各类细胞的分布特征的散点图、脉冲信号波形图、脉冲信号特征图，其中血细胞直方图和血细胞散点图可以如：血小板直方图、红细胞直方图、白细胞直方图、白细胞DIFF散点图、RET散点图、脉冲信号的峰高、前峰宽、后峰宽、半峰宽等脉冲特征值形成的直方图(比如由脉冲信号的峰高形成的RBC、PLT和WBC直方图)、几个维度的脉冲信号的特征值组成的二维、三维甚至多维组成的散点图(比如SFL、SSC和FSC三通道脉冲信号的峰高构成的DIFF三维散点数据集)、三维及高维散点数据形成的二维散点图投影图；脉冲信号波形图可以如：血细胞分析仪对血样样本检测所采集的原始脉冲信号形成的波形图、经脉冲识别算法筛选过的脉冲信号形成的脉冲信号波形图；脉冲信号特征图可以如：脉冲信号的峰高、前峰宽、后峰宽、半峰宽等脉冲特征值组成的向量特征图。不同的血细胞分析图像对应承载血液中不同细胞的特征，可表征血液中相应细胞的含量、分布是否存在异常，血细胞分析图像中所承载的目标细胞特征是指血细胞分析图像对应承载的不同类型细胞的特征。生物样本分析仪还可以包括凝血分析仪、免疫分析仪等，生物样本图像数据相应还可以包括血栓弹力图、生化或免疫反应曲线。本实施例中，图像处理模型将血细胞分析图像作为输入，对血细胞分析图像进行特征提取，输出所述血细胞分析图像所分别承载的目标细胞特征的识别结果。

上述实施例中，辅助诊断设备通过与生物样本分析仪协同作用，通过获取生物样本分析仪的生物样本分析数据进行分析，可准确地确定出待检测对象的待检测样本中是否存在异常以提供检验医师进行辅助诊断。

在另一可选的实施例中，所述S101，获取待检测对象的生物样本分析数据，对所述生物样本分析数据进行特征提取，输出所述生物样本分析数据中所承载的目标特征的识别结果，包括：

获取待检测对象的生物样本分析数据；所述生物样本分析数据包括如下至少之一：血细胞直方图、血细胞散点图、脉冲信号波形图、脉冲信号特征图、一维脉冲信号向量、脉冲信号特征值向量、多维散点数据集、弹力图数据、免疫反应原始数据；

通过深度学习模型或传统算法模型对所述生物样本分析数据进行特征提取，输出所述生物样本分析数据中所承载的目标特征的识别结果。

仍以待检测样本为患者的血液样本为例，生物样本分析数据是指血细胞分析数据。其中，血细胞分析数据可以包括血细胞直方图、血细胞散点图、脉冲信号波形图、脉冲信号特征图、一维脉冲信号向量、脉冲信号特征值向量、多维散点数据集，基于不同类型的血细胞分析数据的特点，通过根据对不同类型的血细胞分析数据的已知分析算法，建立算法模型对不同类型的血细胞分析数据中血细胞特征进行提取和特征分类，输出目标血细胞特征的识别结果；或采集训练样本集对深度学习模型进行训练，通过训练后的深度学习模型对不同类型的血细胞分析数据中血细胞特征进行提取和特征分类，输出目标血细胞特征的识别结果。生物样本分析数据还可以是包含其它生物信息的样本数据，目标特征是指表征对应生物信息特点的信息，如表征免疫分析仪输出的CRP反应曲线是否有异常峰、血细胞分析仪的阻抗检测通道是否有堵孔、血细胞分析仪的DIFF检测通道是否发现幼稚粒细胞等特点的信息。

可选的，所述通过深度学习模型或传统算法模型对所述生物样本分析数据进行特征提取，输出所述生物样本分析数据中所承载的目标特征的识别结果，包括：

通过基于图像分类的深度学习模型对所述生物样本分析数据进行特征提取；或基于图像形态学算法、图像分类算法、聚类算法或阈值分割算法构建的传统算法模型对所述血细胞分析数据中的血细胞特征进行特征提取；

根据特征提取的结果进行分类，输出所述生物样本分析数据中所承载的目标特征的识别结果。

请参阅图3，为基于图像分类的深度学习模型的可选的架构示意图，深度学习模型包括对生物样本分析图像等图像类输入数据进行特征提取的图像处理模型(Inception V4+Average reduce+Concat+Softmax)、对生物样本分析数据中数值型输入数据进行特征提取的特征转换模型(inputmeta data+Feature transform+Concat+Softmax)，所述图像处理模型和特征转换模型共用分类输出层(Concat+Softmax)对特征提取结果拼接和特征分类，输出所述生物样本分析数据中所承载的目标血细胞特征的识别结果。图像形态学算法可包括膨胀腐蚀等算法的组合，通过进行边界提取，骨架提取，孔洞填充，角点提取，图像重建等处理步骤，实现对图像类的生物样本分析数据的目标特征的识别。如血细胞分析数据，图像形态学算法、图像分类算法、聚类算法或阈值分割算法均可以选用对血细胞分析数据进行处理的传统算法来实现，如：对于高维非图像数据，传统算法可以采用PCA降维等策略提取特征，再利用距离函数进行条件判别、或者支持向量机(SVM)进行自动判别、或者KNN(k-nearest neighbor，最近邻规则)进行样本分类。需要说明的是，本实施例旨在保护基于建立算法模型对生物样本分析数据的目标特征进行识别，以提供作为辅助诊断决策信息的依据，而并非是对采用的算法本身做出创新。

上述实施例中，采用深度学习模型或传统算法模型可以支持对更多类型形式的生物样本分析数据所承载的目标特征进行识别，将目标特征的识别结果提供为做出辅助诊断决策信息的依据。

在一些实施例中，所述获取所述待检测对象的临床信息，包括：

获取检验信息系统输出的所述待检测对象的临床信息；所述临床信息包括所述待检测对象的年龄、性别、待测样本类型、历史诊断记录。

辅助诊断设备与检验信息系统通信连接，直接从检验信息系统中获取待检测对象的临床信息作为输入。待检测对象的年龄、性别、待测样本类型、历史诊断记录不同，其对应的样本标准值也相应不同，如血样样本检测为例，待检测对象的年龄、性别、待测样本类型、历史诊断记录不同，其对应的血液样本中不同细胞的正常形态标准也不同，辅助诊断设备结合待检测对象的临床信息对待检测对象的血样是否存在异常特征进行判断，有利于提升辅助诊断结果的准确性。其中，待测样本类型是指对血液样本执行不同检测项目的类型，如血常规检测、全血检测等。历史诊断记录包括待检测对象的病史诊断记录，包括既往病史。

上述实施例中，辅助诊断设备通过与检验信息系统协同作用，通过获取检验信息系统中待检测对象的临床信息结合生物样本分析仪输出的生物样本分析数据进行分析，可准确地确定出待检测对象的待检测样本中是否存在异常以提供检验医师进行辅助诊断。

可选的，所述获取所述待检测对象的临床信息，还包括：

获取所述待检测对象通过单台仪器、联检、和/或血液分析流水线得到的检测结果数据；所述检测结果数据包括如下至少之一：血细胞分析结果、生化分析结果、免疫分析结果、血凝结果、血细胞镜检结果。

血细胞分析仪可以是单台仪器、可以是单台的联检仪器(例如血常规与CRP的联检仪器，或血常规与CRP及SAA的联检产品)，也可以是指包括共用进样机构或拼接进样机构的多台检测设备级联的级联式血细胞分析仪，辅助诊断设备可以从单台仪器获取对待检测样本的检测结果数据，或从级联式血细胞分析仪获取联检得到的对待检测样本的检测结果数据。辅助诊断设备还可以与血液分析流水线通信连接，获取血液分析流水线得到的对待检测样本的检测结果数据。

上述实施例中，辅助诊断设备可与单台仪器、级联式血细胞分析仪、血液分析流水线协同配合，获取待检测对象的血细胞分析结果、生化分析结果、免疫分析结果、血凝结果、血细胞镜检结果等检测结果数据提供为做出辅助诊断决策信息的依据。

在一些实施例中，所述基于所述生物样本分析数据、所述识别结果和所述临床信息，确定所述待检测对象的待检测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，包括：

基于所述生物样本分析数据中的报告参数、所述识别结果和所述临床信息输入辅助诊断知识图谱；

所述辅助诊断知识图谱根据所述报告参数、所述识别结果、以及所述临床信息确定所述待检测对象的生物样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息。

生物样本是指血液样本，生物样本分析数据以从血液分析仪获取的分析数据为例，血液分析仪对血液样本进行检测得到的各类检测数据包括血细胞分析图像、血液报告参数、flag报警参数等。在一可选的示例中，图像处理设备对血细胞分析图像进行特征提取，识别血细胞分析图像所承载的目标对象，血细胞分析图像所承载的目标对象是指，血细胞分析图像中对应所承载的用于确定血液细胞是否存在异常的血细胞特征，所述识别结果相应是指图像处理模型对血细胞分析图像中是否存在异常的识别结果以及确定出对应识别结果在图像中出处依据。在一可选的具体示例中，血液报告参数包括红细胞(RBC)、血红蛋白(HGB)、红细胞比容(HCT)、平均红细胞体积(MCV)、平均红细胞血红蛋白含量(MCH)、红细胞平均血红蛋白浓度(MCHC)、白细胞(WBC)、红细胞分布宽度(RDW-CV)、红细胞分布宽度标准差(RDW-SD)、血小板(PLT)。血细胞分析图像包括血液中不同细胞对应的直方图以及表征各类血细胞的分布特征的散点图，如血小板直方图、红细胞直方图、白细胞直方图、白细胞DIFF散点图、RET散点图。与所述异常特征对应的辅助诊断决策信息可包含所述异常特征对应描述，表征决策做出的诊断依据。辅助诊断知识图谱用于结合所述血细胞分析数据中的血液报告参数、对血细胞分析图像中所承载的目标对象的识别结果和所述临床信息确定出血样的异常特征，形成与所述异常特征对应的辅助诊断决策信息，通过辅助诊断决策信息提供血样的异常特征的确定依据进行说明。

上述实施例中，辅助诊断知识图谱可将对生物样本的检测结果转换为可读性更强的辅助诊断决策信息，便于通过辅助诊断决策信息快速的筛选出当前样本检测结果中存在异常的样本以及确定出异常的依据出处，方便检验医师可根据辅助诊断决策信息更高效地做出下一步诊疗决策。

在一些实施例中，所述基于所述生物样本分析数据中的报告参数、所述识别结果和所述临床信息输入辅助诊断知识图谱之前，还包括：

根据对所述生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；

根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；

根据所述实体集、所述属性集和所述关系集形成知识图谱三元组集合，根据所述知识图谱三元组集合构建辅助诊断知识图谱。

其中，对所述生物样本分析数据所承载的目标特征的识别结果，以通过图像处理模型对血细胞分析图像所承载的目标对象的识别结果为例。样本参考参数是指不同待测样本类型分别包含的检测指标参数对应的参考值。不同待测样本类型的样本参考参数包含的检测指标参数的数量、类型相应不同，相同的待测样本类型的样本参考参数中各检测指标参数的参考值的取值范围不同。历史诊断例是指基于待检测对象的生物样本分析图像、临床信息及样本参考参数确定待检测样本是否异常的检测结果，如，用户的任意血液检测记录均可形成一个历史诊断例，如根据用户A在时间1做的全血检测，全血检测记录a1对应包括血液检测仪针对用户A在时间1的血液样本进行检测输出的血细胞分析数据、检验信息系统中对用户A在时间1进行血液样本检测时相应录入的临床信息、以及检验医师利用前述数据做出的综合判断，全血检测记录a1可作为诊断例数据库的一个诊断例。

全血检测记录a1中血液分析仪输出的血细胞分析图像进行标注后可作为对初始的神经网络模型进行训练的训练样本，得到训练后的图像处理模型。将全血检测记录a1中血液分析仪输出的血细胞分析图像作为图像处理模型的输入，通过图像处理模型对血细胞分析图像进行特征提取，输出血细胞分析图像所承载的目标对象的识别结果，辅助诊断知识图谱以图像处理模型对血细胞分析图像所承载的目标对象的识别结果、检测对象的临床信息、以及血液参考参数作为输入，确定所述待检测对象的血样的异常特征，输出包含所述异常特征对应描述的辅助诊断报告。辅助诊断知识图谱以三元组作为构建知识图谱的节点，每一三元组可表征为(实体、关系、实体)、(实体、属性、属性值)等形式，通过从辅助诊断知识图谱的输入数据中抽取实体形成实体集，根据辅助诊断知识图谱基于输入到确定输出过程中所依赖的诊断例数据库中输入与诊断例的映射关系中抽取属性和关系分别形成属性集和关系集，根据实体与实体的关系、实体的属性值建立三元组形成三元组集合，也即形成构建辅助诊断知识图谱的节点集。

在一可选的具体示例中，图像处理模型对血细胞分析图像所承载的目标对象的识别结果包括PLT直方图标签1为存在小红细胞干扰、RBC直方图标签0为形态正常；血液报告参数包括RBC、HGB、HCT、WBC、MCV、MCH、RDW-CV、RDW-SD对应的参数值；临床信息包括患者年龄、性别及样本类型。诊断例数据库中诊断例包括基于PLT直方图存在小红细胞干扰和小细胞性红细胞确定存在血小板假性偏高、基于患者血液报告参数相对所述血液参考参数的比对结果中PLT参数值偏高确定存在血小板假性偏高；其中，基于RBC直方图形态正常和患者血液报告参数中MCV、MCHC的参数值确定存在小细胞性红细胞。由此，辅助诊断知识图谱的首节点可以包括(PLT直方图、标签1、小红细胞干扰)、(RBC直方图、标签0、形态正常)、(血液报告参数、取值、各参数对应取值)、(临床信息、基本信息、年龄性别和样本类型)；中间节点可以包括(RBC直方图形态正常、血液报告参数相对血液参考参数的比对结果中MCV、MCH的参数值偏低、小细胞性红细胞)、(患者临床信息、参数正常范围、对应的血液参考参数)、末节点可以包括(PLT直方图存在小红细胞干扰、小细胞性红细胞、血小板假性偏高)、(患者血液报告参数、血液报告参数相对所述血液参考参数的比对结果中PLT参数值偏高、血小板假性偏高)，根据从首节点到确定末节点所依赖的映射关系构建辅助诊断知识图谱。

上述实施例中，通过构建辅助诊断知识图谱，辅助诊断知识图谱结合图像处理模型对待检测对象的生物样本分析图像的识别结果、临床信息及对应的样本报告参数确定生物样本的异常特征，从而可辅助检验医师快速的筛选出当前样本检测结果中存在异常的样本以及确定出异常的依据出处，方便检验医师可根据辅助诊断决策信息更高效地做出下一步诊疗决策。

在一些实施例中，所述确定所述待检测对象的待检测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，包括如下之一：

确定所述待检测对象的待测样本的异常特征，根据所述异常特征对基于所述目标细胞特征的识别结果所形成的参数报警状态进行修正，输出修正后的与所述异常特征对应的辅助诊断决策信息；

确定所述待检测对象的待测样本的异常特征，输出包含所述异常特征对应的不合格原因分析的辅助诊断决策信息；

确定与所述待检测对象的待测样本的异常特征，确定与所述异常特征对应的支持性证据和/或诊疗建议，输出包含所述支持性证据和/或诊疗建议的辅助诊断报告。

生物样本分析仪对待检测样本进行检测分析，输出生物样本图像数据、参数报告、报警参数等，如，细胞分析仪对待检测样本进行检测分析，输出细胞分析数据、血液参数报告和报警参数等检测分析结果。其中，辅助诊断设备可基于辅助诊断知识图谱，综合将生物样本分析仪输出的检测分析结果、检验信息系统中待检测对象的临床信息等作为辅助诊断解决的输入，模拟检验医师基于检测结果数据做出辅助诊断决策且输出做出辅助诊断决策所依据的关键信息，可以减少对检验医师的个体经验水平的依赖，减少检验医师的工作量，辅助诊断决策更加具有可读性，且准确和高效。辅助诊断决策信息的一种可选方案是根据所述异常特征对基于所述目标特征的识别结果所形成的参数报警状态进行修正，输出修正后的与所述异常特征对应的辅助诊断决策信息，从辅助诊断决策信息中包含的做出辅助诊断决策所依据的关键信息，可以突出对参数报警状态进行修正的依据；如此，通过综合多个数据来源做出辅助诊断决策，以避免单数据源的片面性。辅助诊断决策信息的另一可选方案是包含所述异常特征对应的不合格原因分析，从辅助诊断决策信息中包含的做出辅助诊断决策所依据的关键信息，可以突出不合格标本决策逻辑；如此，可区别样本异常(乳糜血、溶血、红细胞冷凝集等)、生物样本分析仪异常(堵孔、电压不稳定等)等不合格原因。辅助诊断决策信息的又一可选方案是确定与所述异常特征对应的支持性证据和/或诊疗建议，输出包含所述支持性证据和/或诊疗建议的辅助诊断报告，根据做出辅助诊断决策所依据的关键信息形成辅助诊断报告。

上述实施例中，辅助诊断设备协同生物样本分析仪、检验信息系统，综合生物样本分析数据、所述识别结果和所述临床信息做出辅助诊断决策，基于做出辅助诊断决策所依据的关键信息形成不同形式的辅助诊断决策信息，得辅助诊断结果更具可读性，以及便于快速判断结果的可靠性。

在一些实施例中，所述确定所述待检测对象的待检测样本的异常特征，输出与所述异常特征对应的辅助诊断决策信息，包括：

确定所述待检测对象的待检测样本的异常特征，确定与所述异常特征对应的诊疗建议，输出包含所述诊疗建议的文字描述的辅助诊断报告；或，

确定所述待检测对象的待检测样本的异常特征，确定与所述异常特征对应的支持性证据，输出包含所述支持性证据的文字描述、携带标注的图像数据、数值描述的辅助诊断报告。

待检测样本以待检测对象的血液样本为例，生物样本的异常特征可以与诊断例数据库中各历史诊断例的诊断结果对应，如血小板数量较少、白细胞数量增多伴未成熟粒细胞等。针对血小板数量较少的诊疗建议可以是建议查自身抗体、血小板相关免疫球蛋白等相关检查以明确诊断，针对白细胞数量增多伴未成熟粒细胞的诊疗建议可以是建议必要时做骨髓细胞学检查等相关检查。辅助诊断报告中提供生物样本的异常特征及其对应诊疗建议的文字描述，使得辅助诊断结果更具可读性。与异常特征对应的支持性证据是指确定异常特征的原因出处，如针对血小板数量较少的支持性证据可以包括血小板计数值与对应的参考值的对比，针对白细胞数量增多伴未成熟粒细胞的支持性证据可以包括白细胞计数与对应的参考值的对比、未成熟粒细胞数与对应的参考值的对比、未成熟粒细胞比率与对应的参考值的对比、标注有异常部位的患者散点图与经镜检确认存在未成熟粒细胞的参考散点图的对比。辅助诊断报告中提供血样的异常特征及其对应支持性证据的文字描述、携带标注的图像数据、数值描述，方便检验医师高效、准确地知晓当前检测结果中异常的具体原因，掌握辅助诊断报告中结论形成过程的依据，便于检验医师依此做出决策。

上述实施例中，通过辅助诊断报告可提供待检测样本检测结果中的样本的异常特征的确定依据，且通过文字描述、或文字和图像结合描述对辅助诊断结论及结论形成进行说明，也可以进一步提供对辅助诊断报告的辅助诊断结论的支持性证据的解释，从而能够输出可读性更强的辅助诊断结果。

在一些实施例中，所述确定所述待检测对象的待检测样本的异常特征，输出包含所述异常特征对应描述的辅助诊断报告，包括：

获取简化诊断报告或详细诊断报告的选取指令；

根据对简化诊断报告的所述选取指令输出包含所述异常原因的文字描述的辅助诊断报告，或根据详细诊断报告的所述选取指令输出包含所述支持性证据的文字描述、携带标注的图像数据、数值描述的辅助诊断报告。

辅助诊断设备可通过应用程序界面提供辅助诊断报告类型的选取按键，使用者可通过点击选取按键，选择获取辅助诊断报告的类型为简化诊断报告或详细诊断报告。辅助诊断设备根据使用者对辅助诊断报告的类型的选取指令，若使用者选择输出简化诊断报告，则确定所述待检测对象的血样的异常特征，确定与所述异常特征对应的诊疗建议，输出包含所述诊疗建议的文字描述的辅助诊断报告；若使用者选择输出详细诊断报告，则确定所述待检测对象的血样的异常特征，确定与所述异常特征对应的支持性证据，输出包含所述支持性证据的文字描述、携带标注的图像数据、数值描述的辅助诊断报告。

上述实施例中，使用者可自主选择当前接收到的辅助诊断报告的类型，获取简化诊断报告，可以快速浏览当前的辅助诊断结论，对于需要了解做出相应辅助诊断结论的具体依据的，可以选择获取详细诊断报告，以满足更多个性化的使用需求。

在一些实施例中，所述基于所述生物样本分析数据、所述识别结果和所述临床信息，确定所述待检测对象的待检测样本的异常特征，输出包含所述异常特征对应的辅助诊断决策信息，包括：

基于所述生物样本分析数据中的报告参数、所述识别结果和所述临床信息输入辅助诊断模型；

所述辅助诊断模型根据所述报告参数、所述识别结果、以及所述临床信息确定所述待检测对象的样本的异常特征类型，输出与所述异常特征类型对应的辅助诊断报告。

其中，待检测样本以血液样本、对所述生物样本分析数据所承载的目标特征的识别结果，以通过图像处理模型对血细胞分析图像所承载的目标对象的识别结果为例，通过建立辅助诊断模型，将细胞分析数据中的血液报告参数、图像处理模型对血细胞分析图像的识别结果和待检测对象的临床信息作为辅助诊断模型的输入，利用辅助诊断模型从大量多模态数据中习得特征，类比于专业检验医师的大脑，没有遗忘曲线，且随着数据的增多输出结果可逐级优化。可选的，辅助诊断模型可采用神经网络模型进行训练后得到，也可通过构建辅助诊断知识图谱来完成。

上述实施例中，辅助诊断模型综合多模态数据，包括但不限于生物样本分析仪输出的数值型数据、以各类直方图和散点图为代表的生物样本分析图像的图形数据、临床信息为代表的文本型数据、报告参数等输出可读性更强的辅助诊断报告，通过辅助诊断模型类比专业检验医师的大脑，使得辅助诊断结果的得出无需过分依赖检验医师的个人经验水平，辅助诊断结果更加客观、准确可靠。

为了能够对本申请实施例提供的辅助诊断方法具有更加整体的理解，下面以一具体示例进行说明，请结合参阅图4至图7，所述辅助诊断方法包括：

S11，获取细胞分析仪输出的细胞分析数据；如图6所示，所述细胞分析数据可以是血细胞分析仪对患者的血液样本进行检测得到的血细胞分析数据，包括直方图、散点图、血液报告参数、研究参数、flag报警等数据；

S12，从检验信息系统、单台仪器、级联分析仪和/或血液分析流水线获取患者相关临床信息；所述临床信息包括从检验信息系统获得的患者年龄、性别、测试样本类型、既往病史等；从单台仪器和/或级联分析仪获得的血细胞分析结果、血凝分析结果、生化分析结果、免疫分析结果、血细胞镜检结果等；从血液分析流水线获得的生化分析结果、免疫分析结果、血凝分析结果、血细胞镜检结果等。

S13，对细胞分析数据进行特征提取，获得细胞分析数据中的目标细胞特征的识别结果；如，针对细胞分析数据中的细胞图像数据，可采用图像处理模型对细胞图像数据进行特征提取和识别，以血细胞分析图像中的直方图、散点图为例，图像处理模型将血细胞分析数据中的直方图、散点图作为输入，对直方图、散点图进行特征提取，输出所述直方图、散点图所承载的细胞异常特征的识别结果；

S14，将对细胞分析数据所承载的目标细胞特征的识别结果、细胞分析数据中其它报告参数、临床信息输入辅助诊断知识图谱，辅助诊断知识图谱确定血样的异常特征，并输出与所述异常特征对应的辅助诊断决策信息。其中，辅助诊断决策信息可以包含做出辅助诊断决策所依据的关键信息，请参阅图5，辅助诊断决策信息可基于细胞分析仪输出的参数报警状态修正，突出对参数报警状态进行修正的依据；或包含所述异常特征对应的不合格原因分析，突出不合格标本决策逻辑；或设定辅助诊断报告的标准格式，确定与所述异常特征对应的支持性证据和/或诊疗建议，输出包含所述支持性证据和/或诊疗建议的辅助诊断报告。

请参阅图7，辅助诊断报告可分为简化诊断报告和详细诊断报告，简化诊断报告仅包含文字描述的辅助诊断结果，简化诊断报告描述了患者待检测样本的异常特征，包括了细胞的数量变化、异常细胞出现与否等异常类型，针对发现的异常特征同时给出下一步诊疗建议；详细诊断报告包含文字描述和结果解释的辅助诊断结果，详细诊断报告详细描述患者待检测样本的异常特征，包括了细胞的数量变化、异常细胞出现与否等异常类型，针对发现的异常特征同时给出下一步诊疗建议，同时会对发现的异常特征给出支持性证据，比如，针对数值高低的异常，会结合患者的年龄、性别等临床信息给出相应参数正常值的参考范围，针对异常细胞，会给出相似的临床已确诊病例的散点图图像并进行标注。对于某些特殊的异常，可以结合知识图谱进行更深入的解释，根据对历史诊断数据例的查找结果显示与所述异常特征匹配的经镜检所见目标细胞特征的参考图像。

上述实施例中，一方面，获得辅助诊断决策信息对应的输入数据可以是血细胞分析仪采集的原始脉冲信号本身或脉冲信号波形图，也可以是经由脉冲识别算法筛选过的脉冲信号本身或脉冲信号波形图，也可是脉冲信号的峰高、前峰宽、后峰宽、半峰宽等脉冲特征值组成的向量，也可以是由脉冲信号的特征值形成的直方图数据或直方图图形(比如由脉冲信号的峰高形成的RBC、PLT和WBC直方图)，也可以是由几个维度的脉冲信号的特征值组成的二维、三维甚至多维散点数据集(比如DIFF三维散点数据集即为SFL、SSC和FSC三通道脉冲信号的峰高构成的)，也可以是由二维散点组成的散点图图形或者三维及高维散点数据形成的二维散点图投影图形，上述输入数据结合患者的临床信息(年龄、性别、样本类型、镜检结果、既往病史等)、参数报告和/或研究参数的参考范围、结合单台仪器、联检仪器或流水线获得的如生化、免疫、血凝、血涂片镜检结果等输入数据，经过AI模型和/或传统算法建立的算法模型进行异常样本特征提取(如血小板数量减少、DIFF散点图出现未成熟粒细胞等)。另一方面，辅助诊断决策信息基于参数报警状态修正、不合格标本决策逻辑、设定格式的辅助诊断报告，共同形成的模拟检验医师决策路线的知识图谱，可生成针对特定异常样本特征的进一步诊疗方案建议，提供辅助诊断决策做出依据的关键信息，可读性高，且可以进一步佐证辅助诊断决策的可信度。

其中，步骤S13中，采用图像处理模型对细胞分析数据中的细胞分析图像进行特征提取，以识别对应所述细胞分析图像所承载的目标细胞异常特征，图像处理模型可类比专业检验医师的大脑，完成对细胞分析仪输出的细胞分析图像的智能识别，并使得输出结果中图像显著特征可视化。

请参阅图8，本申请另一方面，还提供一种辅助诊断方法，应用于深度学习模型，包括：

S201，获取待检测对象的生物样本分析图像；其中，所述生物样本分析图像包括血细胞直方图、血细胞散点图、脉冲信号波形图、脉冲信号特征图、血栓弹力图、生化或免疫反应曲线。

待检测对象是指待检测样本的所属者，以待检测样本为人体的血液样本为例，待检测对象通常是指提供血液样本的患者。生物样本分析图像包括血液中不同细胞对应的血细胞直方图、表征各类细胞的分布特征的血细胞散点图、脉冲信号波形图、脉冲信号特征图等血细胞分析图像，其中血细胞直方图和血细胞散点图可以如：血小板直方图、红细胞直方图、白细胞直方图、白细胞DIFF散点图、RET散点图、脉冲信号的峰高、前峰宽、后峰宽、半峰宽等脉冲特征值形成的直方图(比如由脉冲信号的峰高形成的RBC、PLT和WBC直方图)、几个维度的脉冲信号的特征值组成的二维、三维甚至多维组成的散点图(比如SFL、SSC和FSC三通道脉冲信号的峰高构成的DIFF三维散点数据集)、三维及高维散点数据形成的二维散点图投影图；脉冲信号波形图可以如：血细胞分析仪对血样样本检测所采集的原始脉冲信号形成的波形图、经脉冲识别算法筛选过的脉冲信号形成的脉冲信号波形图；脉冲信号特征图可以如：脉冲信号的峰高、前峰宽、后峰宽、半峰宽等脉冲特征值组成的向量特征图。不同血细胞分析图像对应承载血液中不同细胞的特征，可表征血液中相应细胞的含量、分布是否存在异常。血栓弹力图是用于反映血液凝固动态变化(包括纤维蛋白的形成速度，溶解状态和凝状的坚固性，弹力度)的指标；生化或免疫反应曲线是用于表征检测物的含量或浓度的指标。

S203，对所述生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标特征的识别结果。

可选的，请参阅图9，深度学习模型以图像处理模型为主体架构，包括多个子图像模型，分别对不同类型的生物样本分析图像所承载的目标特征进行识别。以待检测样本为血液样本为例，生物样本分析图像至少包括血细胞直方图和血细胞散点图的血细胞分析图像，所述S203，对所述生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标特征的识别结果，包括：

S2031，通过第一子图像模型对所述血细胞直方图进行特征提取，输出所述血细胞直方图所承载的目标细胞特征的第一识别结果。

图像处理模型包括以血细胞直方图为输入的第一子图像模型。第一子图像模型可以是指经过深度学习得到的能够用于提取图像中表征是否承载有目标对象的关键特征的模型。其中，深度学习(DL,Deep Learning)，是机器学习(ML，Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标，即AI。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习使机器模仿视听、思考等人类大脑活动在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音识别，推荐和个性化技术，以及其他相关领域都取得了很多成果，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。其中，第一子图像模型通过对血细胞直方图进行特征提取，得到所述血细胞直方图所承载的目标细胞特征的第一识别结果，通过第一子图像模型进行特征提取形成的特征向量表征对应的血细胞直方图的图像特征，基于特征向量确定血细胞直方图是否存在指定的目标细胞特征。以血小板直方图为例，其所承载的目标细胞特征可以是指血细胞直方图中曲线分布形态的异常类型，可以是直方图左移、直方图右移、直方图右侧呈拖尾状等。

S2032，通过第二子图像模型对所述血细胞散点图进行特征提取，输出所述血细胞散点图所承载的目标细胞特征的第二识别结果。

图像处理模型包括以血细胞散点图为输入的第二子图像模型。第二子图像模型与第一子图像模型相互独立，并行对血细胞直方图和血细胞散点图进行处理识别。第二子图像模型通过对血细胞散点图进行特征提取，得到所述血细胞散点图所承载的目标细胞特征的第二识别结果，通过第二子图像模型进行特征提取形成的特征向量表征对应的血细胞散点图的图像特征，基于特征向量确定血细胞散点图是否存在指定的目标细胞特征。以侧向荧光散点图为例，其所承载的目标细胞特征可以是指血细胞散点图中白细胞数量减少、嗜中性粒细胞发生核左移等。

上述实施例中，图像处理模型对生物样本分析图像进行特征提取，以识别所述生物样本分析图像所承载的目标特征。对于血细胞分析图像中的血细胞直方图和血细胞散点图，图像处理模型采用第一子图像模型和第二子图像模型分别对血细胞直方图和血细胞散点图并行处理的架构，第一子图像模型和第二子图像模型可以分别将血细胞直方图和血细胞散点图中所承载的细胞异常特征作为识别对象，第一子图像模型通过对血细胞直方图进行特征提取，识别并输出相应血细胞直方图的细胞异常特征作为识别结果，第二子图像模型通过对血细胞散点图进行特征提取，识别并输出相应血细胞散点图的细胞异常特征作为识别结果，将血细胞直方图和血细胞散点图分别独立并行处理，有利于提高图像处理模型的准确率和效率，可以为血细胞分析图像中存在的异常确定出支持依据。

可选的，深度学习模型还包括特征转换模型，用于对生物样本分析数据中的非图像类的数值型数据进行特征提取。所述特征转换模型与图像处理模型共用分类输出层，用于将第一子图像模型、第二子图像模型的特征提取层输出的对血细胞分析图像的特征提取结果、和特征转换模型的线性分类层输出的对数值型数据的特征提取结果拼接后特征分类，输出所述血细胞分析数据中所承载的目标血细胞特征的识别结果。

其中，深度学习模型可采用特征转换模型对血细胞分析数据中的数值型数据与图像处理模型对图像类数据并行处理，如将患者临床信息、血液报告参数与血细胞直方图、血细胞散点图分别作为深度学习模型的输入，利用深度学习模型自学习，得到对一个待测样本对应的血细胞分析数据整体表征的目标血细胞特征的识别结果。

请结合参阅图10和图11，图像处理模型可以采用不同的神经网络模型，在一些实施例中，所述第一子图像模型和所述第二子图像模型分别为图像分类神经网络模型；

所述通过第一子图像模型对所述血细胞直方图进行特征提取，输出所述血细胞直方图所承载的目标细胞特征的第一识别结果，包括：通过第一子图像模型对所述血细胞直方图进行特征提取，输出携带有所述血细胞直方图所承载的目标细胞特征的分类标签的第一识别结果；

所述通过第二子图像模型对所述血细胞散点图进行特征提取，输出所述血细胞散点图所承载的目标细胞特征的第二识别结果，包括：通过第二子图像模型对所述血细胞散点图进行特征提取，输出携带有所述血细胞散点图所承载的目标细胞特征的分类标签的第二识别结果。

血细胞直方图所承载的目标细胞特征的分类标签可以是指血细胞直方图所承载的目标细胞特征的预设类型，预设类型可以根据不同血细胞在对应血细胞直方图中的不同显性体现确定，以血小板直方图为例，其所承载的目标细胞特征可以是指血细胞直方图中曲线分布形态的异常类型，可以是直方图左移、直方图右移、直方图右侧呈拖尾状等，相应的分类标签包括与直方图左移对应的标签1、与直方图右移对应的标签2、与直方图右侧呈拖尾状对应的标签3。通过第一子图像模型对所述血细胞直方图进行特征提取，输出携带有所述血细胞直方图所承载的目标细胞特征的分类标签的第一识别结果可以是指，通过预训练得到的对血细胞直方图进行分类的分类神经网络模型，获取分类神经网络模型对血细胞直方图所承载的目标细胞特征判断是否为指定的目标类型的分类结果。分类神经网络模型包括特征提取层和分类预测层，将血细胞直方图输入分类神经网络模型，通过特征提取层对血细胞直方图进行特征提取，特征提取层可以有多层，最后一层连接分类预测层，分类预测层根据特征提取层输出的特征向量进行分类预测，确定对应的分类标签。

与此同理，血细胞散点图所承载的目标细胞特征的分类标签可以是指血细胞散点图所承载的目标细胞特征的预设类型，预设类型可以根据不同血细胞在对应血细胞散点图中的不同显性体现确定，以侧向荧光散点图为例，其所承载的目标细胞特征可以是指血细胞散点图中白细胞数量减少、嗜中性粒细胞发生核左移等，相应的分类标签包括白细胞数量减少对应的标签1、与嗜中性粒细胞发生核左移对应的标签2。通过第二子图像模型对所述血细胞散点图进行特征提取，输出携带有所述血细胞散点图所承载的目标细胞特征的分类标签的第二识别结果可以是指，通过预训练得到的对血细胞散点图进行分类的分类神经网络模型，获取分类神经网络模型对血细胞散点图所承载的目标细胞特征判断是否为指定的目标类型的分类结果。其中，分类神经网络模型包括特征提取层和分类预测层，将血细胞散点图输入分类神经网络模型，通过特征提取层对血细胞散点图进行特征提取，特征提取层可以包括多层，最后一层连接分类预测层，分类预测层根据特征提取层输出的特征向量进行分类预测，确定对应的分类标签。

上述实施例中，图像处理模型采用图像分类神经网络模型，通过训练后的图像分类神经网络模型将对应的血细胞直方图和血细胞散点图的预测类别与标准的目标类别进行比较，以基于预测类别与目标类别之间的相似度确定对应的血细胞直方图和血细胞散点图所分别承载的目标细胞特征的分类标签，完成替代专业检验医师的大脑对血细胞分析仪输出的血细胞分析图像的智能识别，并使得输出结果中图像显著特征可视化。

在一些实施例中，所述获取待检测对象的血细胞分析图像之前，还包括：

获取样本图像集；所述样本图像集包括携带有目标细胞特征的分类标签的血细胞直方图作为第一样本图像、及携带有目标细胞特征的分类标签的血细胞散点图作为第二样本图像；所述第一样本图像的分类标签包括小红细胞干扰的正样本标签和形态正常的负样本标签，所述第二样本图像的分类标签包括未成熟粒细胞异常的正样本标签和形态正常的负样本标签；

采用所述第一样本图像对初始的第一图像分类神经网络模型进行迭代训练，直至所述第一图像分类神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；

采用第二样本图像对初始的第二图像分类神经网络模型进行迭代训练，直至所述第二图像分类神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

第一子图像模型和第二子图像模型通过预训练得到，具体实施时，可以先构建初始的分类神经网络模型，如ResNet50、InceptionV4等经典图像分类神经网络，通过以下方式对分类神经网络模型进行训练：首先获取样本图像，并对样本图像进行类别标注，这里可以根据能够唯一表征目标细胞特征的类别身份的标签信息对样本图像进行类别标注，如样本图像中包含有指定的目标对象1的图像的类别标注对应为1，样本图像中包含有指定的目标对象2的图像的类别标注对应为2，样本图像中不包含有任意指定的目标对象的图像的类别标注对应为0，以得到标注有目标类别的样本图像；然后将标注有目标类别的样本图像输入分类神经网络模型，以通过分类神经网络模型对样本图像所承载的对象进行类别预测，将预测类别与标准的目标类别进行比较，以基于预测类别与标准的目标类别之间的差异，以确定分类神经网络模型的损失函数的值，将损失函数的值反向传入分类神经网络模型的各个层，通过随机梯度下降法(SGD，Stochastic Gradient Descent)更新各个层的模型参数，以实现神经网络模型的训练。

对第一子图像模型进行训练的样本图像采用标注的血细胞直方图，样本图像包括正样本图像和负样本图像，本实施例中，第一样本图像的分类标签包括小红细胞干扰的正样本标签和形态正常的负样本标签。通过训练后第一子图像模型对输入的待检测对象的血细胞直方图进行特征提取，识别血细胞直方图是否存在小红细胞干扰或形态正常，相应输出所述血细胞直方图所承载的目标细胞特征的分类标签为小红细胞干扰的分类标签或形态正常的分类标签。与此类似的，对第二子图像模型进行训练的样本图像采用标注的血细胞散点图，样本图像包括正样本图像和负样本图像，所述第二样本图像的分类标签包括未成熟粒细胞异常的正样本标签和形态正常的负样本标签。通过训练后第二子图像模型对输入的待检测对象的血细胞散点图进行特征提取，识别血细胞散点图是否存在未成熟粒细胞异常或形态正常，相应输出所述血细胞散点图所承载的目标细胞特征的分类标签为未成熟粒细胞异常的分类标签或者形态正常的分类标签。分类神经网络模型可包括池化层，采用Guided-Backpropagation、Grad-CAM、Score-CAM、Group-CAM等视觉特征可视化算法，利用最后一卷积层输出的特征映射与原图存在的空间对应关系，将确定相应分类标签的图像区域作为神经网络模型更关注的区域在原图上进行标记，与分类标签同步输出。

可选的，图像处理模型包括与回归层，可以采用反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。

上述实施例中，第一子图像模型和第二子图像模型分别采用图像分类神经网络训练后得到，不同类型的图像数据分别建立单独的分类神经网络进行特征提取，完成替代专业检验医师的大脑对血细胞分析仪输出的血细胞分析图像的智能识别。

在一些实施例中，所述第一子图像模型和所述第二子图像模型分别为目标检测神经网络模型；

所述通过第一子图像模型对所述血细胞直方图进行特征提取，输出所述血细胞直方图所承载的目标细胞特征的第一识别结果，包括：通过第一子图像模型对所述血细胞直方图进行特征提取，输出包含有所述血细胞直方图所承载的目标细胞特征所在图像区域标注的第一识别结果；

所述通过第二子图像模型对所述血细胞散点图进行特征提取，输出所述血细胞散点图所承载的目标细胞特征的第二识别结果，包括：通过第二子图像模型对所述血细胞散点图进行特征提取，输出包含有所述血细胞散点图所承载的目标细胞特征所在图像区域标注的第二识别结果。

第一子图像模型采用目标检测神经网络模型，根据不同血细胞在对应血细胞直方图中的不同显性体现，检测对应血细胞直方图中目标对象在图像中的位置，并输出包含有所述血细胞直方图所承载的目标细胞特征所在图像区域标注的第一识别结果。

本实施例中，以PLT直方图为例，其所承载的目标细胞特征可以是指PLT直方图存在小红细胞干扰、形态正常，相应的目标细胞特征所在图像区域标注是指PLT直方图中可以依此确定存在小红细胞干扰的局部图像区域的图像分割线。通过第一子图像模型对所述血细胞直方图进行特征提取，输出携带有所述血细胞直方图所承载的目标细胞特征所在图像区域标注的第一识别结果可以是指，通过预训练得到的对血细胞直方图中是否存在小红细胞干扰进行检测的目标检测神经网络模型，获取目标检测神经网络模型对血细胞直方图所承载的目标细胞特征判断是否存在小红细胞干扰的目标检测结果。可选的，目标检测神经网络模型包括卷积层和RPN(region proposal networks)网络层，卷积层对输入的图像进行特征提取得到特征图，RPN(region proposal networks)网络层使用先验anchor输出带有objectness socre的矩形候选区域集合，确定对应的目标细胞特征所在图像区域。

与此同理，血细胞散点图所承载的目标细胞特征所在图像区域标注可以是指，血细胞散点图中可以依此确定存在未成熟粒细胞异常的局部图像区域的图像分割线。通过第二子图像模型对所述血细胞散点图进行特征提取，输出携带有所述血细胞散点图所承载的目标细胞特征所在图像区域标注的第二识别结果可以是指，通过预训练得到的对血细胞散点图中是否存在未成熟粒细胞异常图像区域进行检测的目标检测神经网络模型，获取目标检测神经网络模型对血细胞散点图所承载的目标细胞特征判断是否存在未成熟粒细胞异常区域的目标检测结果。

上述实施例中，图像处理模型采用目标检测神经网络模型，通过训练后的目标检测神经网络模型将对应的血细胞直方图和血细胞散点图是否存在预设的细胞异常特征类型进行检测，以基于检测到的细胞异常特征类型与标准的细胞异常特征类型进行比较，以确定对应的血细胞直方图和血细胞散点图所分别承载的目标细胞特征的类型及所在位置，完成替代专业检验医师的大脑对血细胞分析仪输出的血细胞分析图像的智能识别，并使得输出结果中图像显著特征可视化。

在一些实施例中，所述获取待检测对象的血细胞分析图像之前，还包括：

获取样本图像集；所述样本图像集包括携带有目标细胞特征所在图像区域标注的血细胞直方图作为第一样本图像、以及携带有目标细胞特征所在图像区域标注的血细胞散点图作为第二样本图像；所述第一样本图像的图像区域标注包括小红细胞干扰图像区域标注的正样本标签和形态正常的负样本标签，所述第二样本图像的图像区域标注包括未成熟粒细胞异常图像区域标注的正样本标签和形态正常的负样本标签；

采用所述第一样本图像对初始的第一目标检测神经网络模型进行迭代训练，直至所述第一目标检测神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；

采用第二样本图像对初始的第二目标检测神经网络模型进行迭代训练，直至所述第二目标检测神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

第一子图像模型和第二子图像模型通过预训练得到，具体实施时，可以先构建初始的目标检测神经网络模型，如YoloV5、RetinaNet等经典的目标检测神经网络，通过以下方式对目标检测神经网络模型进行训练：首先获取样本图像，并对样本图像进行目标对象类别及所在区域进行标注，这里可以根据能够唯一表征目标细胞特征的类别身份及对应所在位置的图像分割线对样本图像进行标注，如样本图像中包含有指定的目标对象1的图像的类别标注对应为1、并将目标对象1所在图像区域通过图像分割线进行标记，样本图像中包含有指定的目标对象2的图像的类别标注对应为2、并将目标对象2所在图像区域通过图像分割线进行标记，样本图像中不包含有任意指定的目标对象的图像的类别标注对应为0，以得到标注的样本图像；然后将标注的样本图像输入目标检测神经网络模型，以通过目标检测神经网络模型对样本图像所承载的目标对象进行检测，将检测到的目标细胞异常特征与标准的样本图像中细胞异常特征进行比较，以基于检测到的目标细胞异常特征与标准的样本图像中细胞异常特征之间的差异，以确定目标检测神经网络模型的损失函数的值，将损失函数的值反向传中至目标检测神经网络模型的各个层，通过随机梯度下降法(SGD，Stochastic Gradient Descent)更新各个层的模型参数，以实现神经网络模型的训练。

对第一子图像模型进行训练的样本图像采用标注的血细胞直方图，样本图像包括正样本图像和负样本图像，本实施例中，第一样本图像的图像区域标注包括小红细胞干扰图像区域标注的正样本标签和形态正常的负样本标签。通过训练后第一子图像模型对输入的待检测对象的血细胞直方图进行特征提取，识别血细胞直方图是否存在小红细胞干扰或形态正常，相应输出所述血细胞直方图所承载的目标细胞特征的分类标签为小红细胞干扰的分类标签及其所在图像区域标注，或形态正常的分类标签。

与此类似的，对第二子图像模型进行训练的样本图像采用标注的血细胞散点图，样本图像包括正样本图像和负样本图像，所述第二样本图像的图像区域标注包括未成熟粒细胞异常图像区域标注的正样本标签和形态正常的负样本标签。通过训练后第二子图像模型对输入的待检测对象的血细胞散点图进行特征提取，识别血细胞散点图是否存在未成熟粒细胞异常或形态正常，相应输出所述血细胞散点图所承载的目标细胞特征的分类标签为未成熟粒细胞异常的分类标签及其所在图像区域标注，或者形态正常的分类标签。

上述实施例中，第一子图像模型和第二子图像模型分别采用目标检测神经网络训练后得到，不同类型的图像数据分别建立单独的目标检测神经网络进行特征提取，完成替代专业检验医师的大脑对血细胞分析仪输出的血细胞分析图像的智能识别。

在一些实施例中，所述第一子图像模型和所述第二子图像模型分别为图像分割神经网络模型；

所述通过第一子图像模型对所述血细胞直方图进行特征提取，输出所述血细胞直方图所承载的目标细胞特征的第一识别结果，包括：通过第一子图像模型对所述血细胞直方图进行特征提取，输出包含有所述血细胞直方图所承载的目标细胞特征的图像区域分割标注的第一识别结果；

所述通过第二子图像模型对所述血细胞散点图进行特征提取，输出所述血细胞散点图所承载的目标细胞特征的第二识别结果，包括：通过第二子图像模型对所述血细胞散点图进行特征提取，输出包含有所述血细胞散点图所承载的目标细胞特征的图像区域分割标注的第二识别结果。

本实施例中，以PLT直方图为例，其所承载的目标细胞特征可以是指PLT直方图存在小红细胞干扰、形态正常，相应的目标细胞特征所在图像区域分割标注是指PLT直方图中可以依此确定存在小红细胞干扰的局部图像的图像增强显性表示。通过第一子图像模型对所述血细胞直方图进行特征提取，输出携带有所述血细胞直方图所承载的目标细胞特征所在图像区域分割标注的第一识别结果可以是指，通过预训练得到的对血细胞直方图中是否存在小红细胞干扰进行检测的图像分割神经网络模型，获取图像分割神经网络模型对血细胞直方图所承载的目标细胞特征判断是否存在小红细胞干扰的局部图像的目标检测结果。

与此同理，血细胞散点图所承载的目标细胞特征所在图像区域分割标注可以是指，血细胞散点图中可以依此确定存在未成熟粒细胞异常的局部图像的图像增强显示表示。通过第二子图像模型对所述血细胞散点图进行特征提取，输出携带有所述血细胞散点图所承载的目标细胞特征所在图像区域分割标注的第二识别结果可以是指，通过预训练得到的对血细胞散点图中是否存在未成熟粒细胞异常图像进行检测的图像分割神经网络模型，获取图像分割神经网络模型对血细胞散点图所承载的目标细胞特征判断是否存在未成熟粒细胞异常的局部图像的目标检测结果。

上述实施例中，图像处理模型采用图像分割神经网络模型，通过训练后的图像分割神经网络模型将对应的血细胞直方图和血细胞散点图是否存在预设的细胞异常特征类型进行检测，以基于检测到的细胞异常特征类型与标准的细胞异常特征类型进行比较，以确定对应的血细胞直方图和血细胞散点图所分别承载的目标细胞特征的类型及所在位置，完成替代专业检验医师的大脑对血细胞分析仪输出的血细胞分析图像的智能识别，并使得输出结果中图像显著特征可视化。

在一些实施例中，所述获取待检测对象的血细胞分析图像之前，还包括：

获取样本图像集；所述样本图像集包括携带有目标细胞特征的图像区域分割标注的血细胞直方图作为第一样本图像、以及携带有目标细胞特征的图像区域分割标注的血细胞散点图作为第二样本图像；所述第一样本图像的图像区域分割标注包括分割小红细胞干扰图像区域的标注的正样本标签和形态正常的负样本标签，所述第二样本图像的图像区域分割标注包括五分类异常图像区域分割标注的正样本标签和形态正常的负样本标签；

采用所述第一样本图像对初始的第一图像分割神经网络模型进行迭代训练，直至所述第一图像分割神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；

采用第二样本图像对初始的第二图像分割神经网络模型进行迭代训练，直至所述第二图像分割神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

第一子图像模型和第二子图像模型通过预训练得到，具体实施时，可以先构建初始的图像分割神经网络模型，如U-Net、DeepLabV3等经典的图像分割神经网络，通过以下方式对图像分割神经网络模型进行训练：首先获取样本图像集，并对样本图像进行目标对象类别及所在图像位置，这里可以根据能够唯一表征目标细胞特征的类别身份及其对应所在位置的图像增强显示表示对样本图像进行标注，图像增强显示可以是采用不同颜色进行增强显示，如样本图像中包含有指定的目标对象1的图像的类别标注对应为1、并将目标对象1所在图像区域通过局部图像增强显示进行标记，样本图像中包含有指定的目标对象2的图像的类别标注对应为2、并将目标对象2所在图像区域通过局部图像增强显示进行标记，样本图像中不包含有任意指定的目标对象的图像的类别标注对应为0，以得到标注的样本图像；然后将标注的样本图像输入图像分割神经网络模型，以通过图像分割神经网络模型对样本图像中所承载的目标对象进行检测，将检测到的目标细胞异常特征与标准的样本图像中的细胞异常特征进行比较，以基于检测到的目标细胞异常特征与标准的样本图像中细胞异常特征之间的差异，以确定所述图像分割神经网络模型的损失函数的值，将损失函数的值反向传至图像分割神经网络模型的各个层，通过随机梯度下降法(SGD，StochasticGradient Descent)更新各个层的模型参数，以实现神经网络模型的训练。

对第一子图像模型进行训练的样本图像采用图像区域分割标注的血细胞直方图，样本图像包括正样本图像和负样本图像，本实施例中，第一样本图像的图像区域标注包括小红细胞干扰图像局部区域增强显示的正样本标签和形态正常的负样本标签。通过训练后第一子图像模型对输入的待检测对象的血细胞直方图进行特征提取，识别血细胞直方图是否存在小红细胞干扰或形态正常，相应输出所述血细胞直方图所承载的目标细胞特征的分类标签为小红细胞干扰的分类标签及其所在图像局部区域增强显示，或形态正常的分类标签。

与此类似的，对第二子图像模型进行训练的样本图像采用局部区域增强显示的血细胞散点图，样本图像包括正样本图像和负样本图像，所述第二样本图像的图像区域标注包括未成熟粒细胞异常的局部图像区域标注的正样本标签和形态正常的负样本标签。通过训练后第二子图像模型对输入的待检测对象的血细胞散点图进行特征提取，识别血细胞散点图是否存在未成熟粒细胞异常或形态正常，相应输出所述血细胞散点图所承载的目标细胞特征的分类标签为未成熟粒细胞异常的分类标签及其所在局部图像区域增强显示标注，或者形态正常的分类标签。

上述实施例中，第一子图像模型和第二子图像模型分别采用图像分割神经网络训练后得到，不同类型的图像数据分别建立单独的图像分割神经网络进行特征提取，完成替代专业检验医师的大脑对血细胞分析仪输出的血细胞分析图像的智能识别。

在一些实施例中，所述获取待检测对象的细胞分析图像，包括：

获取血细胞分析仪输出的待检测对象的血细胞直方图和血细胞散点图。

图像处理模型与血细胞分析仪通信连接，直接将血细胞分析仪输出的血细胞直方图和血细胞散点图作为输入。血细胞直方图可以包括血液中不同血液细胞对应的直方图，如血小板直方图、红细胞直方图、白细胞直方图等；血细胞散点图可以包括光束在每个血细胞的不同方向上产生光散射,通过检测散射光,将光信号转化为电脉冲而获得的不同散点图，如白细胞DIFF散点图、RET散点图等。

不同的血细胞分析图像对应承载血液中不同细胞的特征，可表征血液中相应细胞的含量、分布是否存在异常，血细胞分析图像中所承载的目标细胞特征是指血细胞分析图像对应承载的不同类型细胞的特征。本实施例中，图像处理模型将血细胞直方图和血细胞散点图作为输入，对血细胞直方图和血细胞散点图进行特征提取，输出所述血细胞直方图和所述血细胞散点图所分别承载的目标细胞特征的识别结果。

上述实施例中，图像处理模型通过与血细胞分析仪协同作用，通过直接获取血细胞分析仪输出的血细胞分析图像进行分析，可准确地确定出待检测对象的血液样本中是否存在异常以提供检验医师进行辅助诊断。

其中，步骤S14中，采用辅助诊断知识图谱综合对细胞分析数据所承载的目标细胞特征的识别结果、细胞分析数据中的血液报告参数、临床信息确定待检测样本的异常特征，并输出与所述异常特征对应的辅助诊断决策信息。辅助诊断知识图谱可基于深度学习模型或传统算法模型对生物样本分析数据中目标特征的识别结果、报告参数、临床信息作为输入进行构建。

请参阅图12，本申请另一方面，还提供一种知识图谱构建方法，应用于辅助诊断设备，包括：

S301，根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；

S303，根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；

S305，根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

样本参考参数是指不同待测样本类型分别包含的检测指标参数对应的参考值，样本参考参数可以基于行业标准得到，如血液参考参数中，儿童血细胞分析参数区间可基于中华人民共和国卫生行业标准WS/T 779-2021得到。不同待测样本类型的样本参考参数包含的检测指标参数的数量、类型相应不同，相同的待测样本类型的样本参考参数中各检测指标参数的参考值的取值范围不同。历史诊断例是指基于待检测对象的生物样本分析图像、临床信息及样本参考参数确定样本是否异常的检测结果，如以待检测样本为血液样本为例，用户的任意血液检测记录均可形成一个历史诊断例，如根据用户A在时间1做的全血检测，全血检测记录a1对应包括血液检测仪针对用户A在时间1的血液样本进行检测输出的血细胞分析数据、检验信息系统中对用户A在时间1进行血液样本检测时相应录入的临床信息、以及检验医师利用前述数据做出的综合判断，全血检测记录a1可作为诊断例数据库的一个诊断例。

全血检测记录a1中血液分析仪输出的血细胞分析图像进行标注后可作为对初始的神经网络模型进行训练的训练样本，得到训练后的图像处理模型。将全血检测记录a1中血液分析仪输出的血细胞分析图像作为图像处理模型的输入，通过图像处理模型对血细胞分析图像进行特征提取，输出血细胞分析图像所承载的目标对象的识别结果，辅助诊断知识图谱以图像处理模型对血细胞分析图像所承载的目标对象的识别结果、检测对象的临床信息、以及血液参考参数作为输入，确定所述待检测对象的血样的异常特征，输出包含所述异常特征对应描述的辅助诊断报告。辅助诊断知识图谱以三元组作为构建知识图谱的节点，每一三元组可表征为(实体、关系、实体)、(实体、属性、属性值)等形式，通过从辅助诊断知识图谱的输入数据中抽取实体形成实体集，根据辅助诊断知识图谱基于输入到确定输出过程中所依赖的诊断例数据库中输入与诊断例的映射关系中抽取属性和关系分别形成属性集和关系集，根据实体与实体的关系、实体的属性值建立三元组形成三元组集合，也即形成构建辅助诊断知识图谱的节点集；基于所述节点集构建辅助诊断知识图谱。

上述实施例中，通过构建辅助诊断知识图谱，通过辅助诊断知识图谱结合图像处理模型对待检测对象的生物样本分析图像的识别结果、临床信息及对应的报告参数确定样本的异常特征，从而可辅助检验医师快速的筛选出当前生物样本检测结果中存在异常的样本以及确定出异常的依据出处，方便检验医师可根据辅助诊断报告更高效地做出下一步诊疗决策。

在一些实施例中，待检测样本是指血液样本，对生物样本分析数据所承载的目标特征的识别结果主要包括图像处理模型对血细胞分析图像所承载的目标对象的识别结果，图像处理模型包括第一子图像模型和第二子图像模型形成的并行架构，分别对血细胞直方图和血细胞散点图中所承载的目标细胞特征进行识别，所述知识图谱构建方法，还包括：

获取图像处理模型对血细胞直方图进行识别输出的所述血细胞直方图所承载的目标细胞特征的第一识别结果、以及对血细胞散点图进行识别输出的所述血细胞散点图所承载的目标细胞特征的第二识别结果。

图像处理模型包括分别对血细胞分析仪输出的血细胞直方图和血细胞散点图独立、并行处理的第一子图像模型和第二子图像模型。辅助诊断知识图谱的构建的输入包括图像处理模型分别对血细胞直方图所承载的目标细胞特征进行识别输出的第一识别结果、及对血细胞散点图所承载的目标细胞特征进行识别输出的第二识别结果，从而构建得到的辅助诊断知识图谱可将血细胞分析仪对待检测对象的血样进行检测得到的血细胞直方图和血细胞散点图作为输入，并结合其它报告参数和待检测对象的相关临床信息形成最终的辅助诊断报告，辅助诊断知识图谱将血样的检测结果转换为可读性更强的辅助诊断报告，便于通过辅助诊断报告快速的筛选出当前血液样本检测结果中存在异常的样本以及确定出异常的依据出处，方便检验医师可根据辅助诊断报告更高效地做出下一步诊疗决策。

在一些实施例中，所述根据所述三元组集合构建辅助诊断知识图谱，包括：

根据所述三元组集合中属性值为所述诊断例数据库中诊断结果描述的三元组确定末节点，实体为图像处理模型对血细胞分析图像所承载的目标对象的识别结果、检测对象的临床信息、以及血液参考参数的三元组确定首节点，根据所述首节点到确定所述末节点的连接事件相关的三元组确定中间节点；

基于所述首节点、所述中间节点和所述末节点构建辅助诊断知识图谱。

诊断例数据库中诊断结果描述可以包括：与血样的异常特征对应的诊疗建议的文字描述；或者与血样的异常特征对应的支持性证据的文字描述、携带标注的图像数据、数值描述。

请参阅图13，在一可选的具体示例中，图像处理模型对血细胞分析图像所承载的目标对象的识别结果包括PLT直方图标签1为存在小红细胞干扰、RBC直方图标签0为形态正常；血液报告参数包括RBC、HGB、HCT、WBC、MCV、MCH、RDW-CV、RDW-SD对应的参数值；临床信息包括患者年龄、性别及样本类型。诊断例数据库中诊断例包括基于PLT直方图存在小红细胞干扰和小细胞性红细胞确定存在血小板假性偏高、基于患者血液报告参数相对所述血液参考参数的比对结果中PLT参数值偏高确定存在血小板假性偏高；其中，基于RBC直方图形态正常和患者血液报告参数中MCV、MCHC的参数值确定存在小细胞性红细胞。由此，辅助诊断知识图谱的首节点可以包括(PLT直方图、标签1、小红细胞干扰)、(RBC直方图、标签0、形态正常)、(血液报告参数、取值、各参数对应取值)、(临床信息、基本信息、年龄性别和样本类型)；中间节点可以包括(RBC直方图形态正常、血液报告参数相对血液参考参数的比对结果中MCV、MCH的参数值偏低、小细胞性红细胞)、(患者临床信息、参数正常范围、对应的血液参考参数)、末节点可以包括(PLT直方图存在小红细胞干扰、小细胞性红细胞、血小板假性偏高)、(患者血液报告参数、血液报告参数相对所述血液参考参数的比对结果中PLT参数值偏高、血小板假性偏高)，根据从首节点到确定末节点所依赖的映射关系构建辅助诊断知识图谱。

请参阅图14，在另一可选的具体示例中，图像处理模型对血细胞分析图像所承载的目标对象的识别结果包括PLT直方图标签1为PLT直方图偏矮、DIFF散点图标签1为DIFF二维主视图存在幼稚粒细胞；血液报告参数包括PLT对应的参数值；临床信息包括患者年龄、性别及样本类型。诊断例数据库中诊断例包括基于PLT直方图偏矮、结合PLT参数值与患者的参数参考范围的对比结果为PLT参数值小于参考值，确定PLT数值偏低，相应的辅助诊断决策信息为血小板数量减少，建议查自身抗体、血小板相关免疫球蛋白等相关检查以明确诊断。诊断例数据库中诊断例包括DIFF二维主视图存在幼稚粒细胞、结合WBC、IG和IG比例的参数值与患者的参数参考范围的对比结果为WBC、IG和IG比例参数值大于参考值，确定白细胞数值偏高，存在未成熟粒细胞，相应的辅助诊断决策信息为白细胞数量增多伴未成熟粒细胞，建议必要时做骨髓细胞学检查等相关检查。

由此，辅助诊断知识图谱的首节点包括:(PLT直方图、标签1、PLT直方图偏矮)、(DIFF散点图、标签1、DIFF二维主视图存在幼稚粒细胞)、(血液报告参数、取值、各参数对应取值)、(临床信息、基本信息、年龄性别和样本类型)；中间节点包括:(DIFF二维主视图存在幼稚粒细胞、WBC、IG和IG比例参数值大于参考值、白细胞数值偏高，存在未成熟粒细胞)、(患者临床信息、参数正常范围、对应的血液参考参数)、(PLT直方图偏矮、PLT参数值与患者的参数参考范围的对比结果为PLT参数值小于参考值、白细胞数值偏高，存在未成熟粒细胞)；末节点包括：(PLT直方图存在小红细胞干扰、小细胞性红细胞、血小板假性偏高)、(患者血液报告参数、血液报告参数相对所述血液参考参数的比对结果中PLT参数值偏高、血小板假性偏高)。根据所述首节点到确定所述末节点的连接事件所依赖的映射关系构建辅助诊断知识图谱。

上述实施例中，图像处理模型的输入可以包括血细胞分析仪对待检测对象的血样进行检测分析得到的血小板直方图、红细胞直方图、白细胞直方图、脉冲信号的峰高、前峰宽、后峰宽、半峰宽等脉冲特征值形成的直方图(比如由脉冲信号的峰高形成的RBC、PLT和WBC直方图)、白细胞DIFF散点图、RET散点图、多维度的脉冲信号的特征值组成的二维、三维甚至多维组成的散点图(比如SFL、SSC和FSC三通道脉冲信号的峰高构成的DIFF三维散点数据集)等图片数据，或者构建这些图片数据的原始脉冲信号，辅助诊断知识图谱的输入包括图像处理模型对图片数据的识别结果，还可包括血细胞分析仪输出的血液报告参数、来自医院LIS系统的患者相关临床信息等，通过辅助诊断知识图谱形成可读性更强的辅助诊断报告，包含文字描述、图片描述和数值描述以对辅助诊断报告的结果确定提供支持性证据，数值型结果的支持性证据可来源于血液报告参数范围，白细胞分类结果的解释可来源于对白细胞DIFF散点图的显著特征展示以及异常特征数据库中相似散点图的查找(如pHash值相近的图像或IG比例近似的图像等)两部分。

在一些实施例中，所述辅助诊断知识图谱的构建方法，还包括：

获取待检测对象的生物样本分析数据，通过图像处理模型对所述生物样本分析数据中的生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标对象的识别结果；

获取所述待检测对象的临床信息；

将所述生物样本分析数据中的报告参数、所述识别结果和所述临床信息输入辅助诊断知识图谱，所述辅助诊断知识图谱根据所述报告参数、所述识别结果、以及所述临床信息确定所述待检测对象的待测样本的异常特征，输出包含所述异常特征对应描述的辅助诊断报告；

根据验证后的辅助诊断报告更新所述诊断例数据库。

其中，辅助诊断知识图谱构建后，在应用过程中获得的诊断例对诊断例数据库进行更新，更新后的诊断例数据库可以对辅助诊断知识图谱进行升级、完善，随时升级，没有遗忘曲线，随着诊断例的数据越来越多，辅助诊断知识图谱的表现也会越来越好。

上述实施例所提供的辅助诊断方法，至少存在如下优点：

第一，构建基于图像处理的深度学习模型，通过图像处理模型直接对生物样本分析仪的生物样本图像类数据，如血细胞分析仪输出的血细胞分析图像进行识别，通过图像处理模型替代检验医师对血细胞分析仪的输出结果进行高效准确地筛查，筛查出存在异常的血样，并提供血细胞分析图像中异常确定所依据出处，不仅可以提高检验效率，而且可以将专业检验医师的诊断例作为图像处理模型学习的模态数据，提高检验准确率；

第二、构建辅助诊断知识图谱结合对生物样本分析数据中所承载的目标特征的识别结果，如可以是图像处理模型对待检测对象的血细胞分析图像的识别结果，临床信息及对应的血液报告参数确定血样的异常特征，从而可辅助检验医师快速的筛选出当前血液样本检测结果中存在异常的血样以及确定出异常的依据出处，形成包含对异常进行解释性描述的辅助诊断报告；

第三、辅助诊断设备通过深度学习模型或传统算法模型对从生物样本分析仪得到图像类、数值型和/或文本型数据进行目标特征的提取，如，图像处理模型对血细胞分析仪输出的血细胞分析图像进行识别，并通过辅助诊断知识图像综合血细胞分析仪输出的其它血细胞分析数据、图像处理模型的识别结果以及相关临床数据完成对血样检测的智能识别，使得血细胞分析仪展现的数值型报告转换为描述性报告，无需依赖检验医师个人经验水平即可得到准确的辅助诊断结果。

本申请实施例另一方面，请参阅图15，还提供一种知识图谱构建装置，应用于辅助诊断设备，包括实体抽取模块315，用于根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；关系抽取模块316，用于根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；构建模块317，用于根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

可选的，知识图谱构建装置还包括获取模块，用于获取图像处理模型对血细胞直方图进行识别输出的所述血细胞直方图所承载的目标细胞特征的第一识别结果、以及对血细胞散点图进行识别输出的所述血细胞散点图所承载的目标细胞特征的第二识别结果。

可选的，所述构建模块317，还用于根据所述三元组集合中属性值为所述诊断例数据库中诊断结果描述的三元组确定末节点，实体为图像处理模型对血细胞分析图像所承载的目标对象的识别结果、检测对象的临床信息、以及血液参考参数的三元组确定首节点，根据所述首节点到确定所述末节点的连接事件相关的三元组确定中间节点；基于所述首节点、所述中间节点和所述末节点构建辅助诊断知识图谱。

可选的，知识图谱构建装置还包括更新模块，用于获取待检测对象的生物样本分析数据，通过图像处理模型对所述生物样本分析数据中的生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标对象的识别结果；获取所述待检测对象的临床信息；将所述生物样本分析数据中的报告参数、所述识别结果和所述临床信息输入辅助诊断知识图谱，所述辅助诊断知识图谱根据所述报告参数、所述识别结果、以及所述临床信息确定所述待检测对象的待测样本的异常特征，输出包含所述异常特征对应描述的辅助诊断报告；根据验证后的辅助诊断报告更新所述诊断例数据库。

可选的，图像处理模型包括并行的第一子图像模型和第二子图像模型，所述知识图谱构建模型还包括训练模块，用于获取样本图像集；所述样本图像集包括携带有目标细胞特征的分类标签的血细胞直方图作为第一样本图像、及携带有目标细胞特征的分类标签的血细胞散点图作为第二样本图像；所述第一样本图像的分类标签包括小红细胞干扰的正样本标签和形态正常的负样本标签，所述第二样本图像的分类标签包括未成熟粒细胞异常的正样本标签和形态正常的负样本标签；采用所述第一样本图像对初始的第一图像分类神经网络模型进行迭代训练，直至所述第一图像分类神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；采用第二样本图像对初始的第二图像分类神经网络模型进行迭代训练，直至所述第二图像分类神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

可选的，图像处理模型包括并行的第一子图像模型和第二子图像模型，所述知识图谱构建模型还包括训练模块，用于获取样本图像集；所述样本图像集包括携带有目标细胞特征所在图像区域标注的血细胞直方图作为第一样本图像、以及携带有目标细胞特征所在图像区域标注的血细胞散点图作为第二样本图像；所述第一样本图像的图像区域标注包括小红细胞干扰图像区域标注的正样本标签和形态正常的负样本标签，所述第二样本图像的图像区域标注包括未成熟粒细胞异常图像区域标注的正样本标签和形态正常的负样本标签；采用所述第一样本图像对初始的第一目标检测神经网络模型进行迭代训练，直至所述第一目标检测神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；采用第二样本图像对初始的第二目标检测神经网络模型进行迭代训练，直至所述第二目标检测神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

可选的，图像处理模型包括并行的第一子图像模型和第二子图像模型，所述知识图谱构建模型还包括训练模块，用于获取样本图像集；所述样本图像集包括携带有目标细胞特征的图像区域分割标注的血细胞直方图作为第一样本图像、以及携带有目标细胞特征的图像区域分割标注的血细胞散点图作为第二样本图像；所述第一样本图像的图像区域分割标注包括分割小红细胞干扰图像区域的标注的正样本标签和形态正常的负样本标签，所述第二样本图像的图像区域分割标注包括五分类异常图像区域分割标注的正样本标签和形态正常的负样本标签；采用所述第一样本图像对初始的第一图像分割神经网络模型进行迭代训练，直至所述第一图像分割神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；采用第二样本图像对初始的第二图像分割神经网络模型进行迭代训练，直至所述第二图像分割神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

需要说明的是：上述实施例提供的知识图谱构建模型在实现知识图谱构建的方法过程中，仅以上述各程序模块的划分进行举例说明，在实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即可将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或部分方法步骤。另外，上述实施例提供的知识图谱构建模型与知识图谱构建方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例另一方面，还提供一种辅助诊断设备，请参阅图16，包括处理器211及存储器212，所述存储器212内存储有可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现本申请任一实施例所述的知识图谱构建方法，辅助诊断设备与前述实施例提供的知识图谱构建方法能够达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述知识图谱构建方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。所述计算机可读存储介质，如只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(RandomAccessMemory，简称RAM)、磁碟或者光盘等。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围之内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种知识图谱构建方法，应用于辅助诊断设备，其特征在于，包括：

根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；

根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；

根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

2.如权利要求1所述的构建方法，其特征在于，还包括：获取图像处理模型对血细胞直方图进行识别输出的所述血细胞直方图所承载的目标细胞特征的第一识别结果、以及对血细胞散点图进行识别输出的所述血细胞散点图所承载的目标细胞特征的第二识别结果。

3.如权利要求2所述的构建方法，其特征在于，所述根据所述三元组集合构建辅助诊断知识图谱，包括：

根据所述三元组集合中属性值为所述诊断例数据库中诊断结果描述的三元组确定末节点，实体为图像处理模型对血细胞分析图像所承载的目标对象的识别结果、检测对象的临床信息、以及血液参考参数的三元组确定首节点，根据所述首节点到确定所述末节点的连接事件相关的三元组确定中间节点；

基于所述首节点、所述中间节点和所述末节点构建辅助诊断知识图谱。

4.如权利要求1所述的构建方法，其特征在于，还包括：

获取待检测对象的生物样本分析数据，通过图像处理模型对所述生物样本分析数据中的生物样本分析图像进行特征提取，输出所述生物样本分析图像所承载的目标对象的识别结果；

获取所述待检测对象的临床信息；

将所述生物样本分析数据中的报告参数、所述识别结果和所述临床信息输入辅助诊断知识图谱，所述辅助诊断知识图谱根据所述报告参数、所述识别结果、以及所述临床信息确定所述待检测对象的待测样本的异常特征，输出包含所述异常特征对应描述的辅助诊断报告；

根据验证后的辅助诊断报告更新所述诊断例数据库。

5.如权利要求1所述的构建方法，其特征在于，所述图像处理模型包括并行的第一子图像模型和第二子图像模型，所述构建方法还包括：

获取样本图像集；所述样本图像集包括携带有目标细胞特征的分类标签的血细胞直方图作为第一样本图像、及携带有目标细胞特征的分类标签的血细胞散点图作为第二样本图像；所述第一样本图像的分类标签包括小红细胞干扰的正样本标签和形态正常的负样本标签，所述第二样本图像的分类标签包括未成熟粒细胞异常的正样本标签和形态正常的负样本标签；

采用所述第一样本图像对初始的第一图像分类神经网络模型进行迭代训练，直至所述第一图像分类神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；

采用第二样本图像对初始的第二图像分类神经网络模型进行迭代训练，直至所述第二图像分类神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

6.如权利要求1所述的构建方法，其特征在于，所述图像处理模型包括并行的第一子图像模型和第二子图像模型，所述构建方法还包括：

获取样本图像集；所述样本图像集包括携带有目标细胞特征所在图像区域标注的血细胞直方图作为第一样本图像、以及携带有目标细胞特征所在图像区域标注的血细胞散点图作为第二样本图像；所述第一样本图像的图像区域标注包括小红细胞干扰图像区域标注的正样本标签和形态正常的负样本标签，所述第二样本图像的图像区域标注包括未成熟粒细胞异常图像区域标注的正样本标签和形态正常的负样本标签；

采用所述第一样本图像对初始的第一目标检测神经网络模型进行迭代训练，直至所述第一目标检测神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；

采用第二样本图像对初始的第二目标检测神经网络模型进行迭代训练，直至所述第二目标检测神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

7.如权利要求1所述的构建方法，其特征在于，所述图像处理模型包括并行的第一子图像模型和第二子图像模型，所述构建方法还包括：

获取样本图像集；所述样本图像集包括携带有目标细胞特征的图像区域分割标注的血细胞直方图作为第一样本图像、以及携带有目标细胞特征的图像区域分割标注的血细胞散点图作为第二样本图像；所述第一样本图像的图像区域分割标注包括分割小红细胞干扰图像区域的标注的正样本标签和形态正常的负样本标签，所述第二样本图像的图像区域分割标注包括五分类异常图像区域分割标注的正样本标签和形态正常的负样本标签；

采用所述第一样本图像对初始的第一图像分割神经网络模型进行迭代训练，直至所述第一图像分割神经网络模型的第一损失函数收敛，得到训练后的第一子图像模型；

采用第二样本图像对初始的第二图像分割神经网络模型进行迭代训练，直至所述第二图像分割神经网络模型的第二损失函数收敛，得到训练后的第二子图像模型。

8.一种知识图谱构建装置，应用于辅助诊断设备，其特征在于，包括：

实体抽取模块，用于根据对生物样本分析数据所承载的目标特征的识别结果、检测对象的临床信息、以及样本参考参数形成知识库中的实体集；

关系抽取模块，用于根据诊断例数据库中所述识别结果、所述临床信息、报告参数相对所述样本参考参数的比对结果与历史诊断例的映射关系形成知识库中的属性集和关系集；

构建模块，用于根据所述实体集、所述属性集和所述关系集形成三元组集合，根据所述三元组集合构建辅助诊断知识图谱。

9.一种辅助诊断设备，其特征在于，包括处理器及存储器，所述存储器内存储有可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的知识图谱构建方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被控制器执行时实现如权利要求1至7中任一项所述的知识图谱构建方法。

Images