CN116386857A - 一种病理分析系统及方法 - Google Patents

一种病理分析系统及方法 Download PDF

Info

Publication number
CN116386857A
CN116386857A CN202310669930.5A CN202310669930A CN116386857A CN 116386857 A CN116386857 A CN 116386857A CN 202310669930 A CN202310669930 A CN 202310669930A CN 116386857 A CN116386857 A CN 116386857A
Authority
CN
China
Prior art keywords
data
patient
pathology
model
image
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
Application number
CN202310669930.5A
Other languages
English (en)
Other versions
CN116386857B (zh
Inventor
朱峻
黄小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Senying Intelligent Technology Co ltd
Original Assignee
Shenzhen Senying Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Senying Intelligent Technology Co ltd filed Critical Shenzhen Senying Intelligent Technology Co ltd
Priority to CN202310669930.5A priority Critical patent/CN116386857B/zh
Publication of CN116386857A publication Critical patent/CN116386857A/zh
Application granted granted Critical
Publication of CN116386857B publication Critical patent/CN116386857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioethics (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种病理分析方法及系统，包括以下步骤：收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；对分类后的数据源进行预处理，以将数据映射到同一尺度；对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；通过综合模型对序列数据进行分析及预测，生成对患者体质特征的预测数据。本发明可以接受不同类型的数据输入，并对不同数据类型进行自动分类和整合；可以监测患者的治疗效果和疾病进展情况，并及时提醒医生调整治疗方案，以提高医疗保障水平，减少医疗事故；能够提高医生的诊疗精度和效率，减轻医护人员的工作负担，有效缓解医疗资源压力。

Description

一种病理分析系统及方法
技术领域
本发明涉及病理分析技术领域，尤其涉及一种病理分析系统及方法。
背景技术
非妇科病理是指不涉及女性生殖系统和乳腺的疾病，通常包括消化系统、肝胆胰、呼吸系统、心血管系统、神经系统、泌尿系统、骨科等疾病。
如今，随着医疗技术的进步和人口老龄化的加剧，患者对医疗服务的需求越来越高；同时，医学知识和医疗技术也在不断更新和发展，医生需要投入更多的时间和精力去学习和应用这些新技术。
在现有技术中，医生对于非妇科病理的分析是基于自身的医学知识进行的，在临床现场由于医生的精力有限，在进行全面细致的数据分析和病理分析时也面临很大的困难，且每个患者对于疾病的接受度也各有不同，导致医生对每位患者的病理分析准确性不足。
发明内容
为了解决医生对每位患者的病理分析的准确性不足，本发明提供了一种病理分析系统及方法，可以有效解决背景技术中的问题。
为了解决上述技术问题，本发明提供的技术方案具体如下：
第一方面，本发明实施例公开了一种病理分析方法，包括以下步骤：
收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；
依据图像类数据对医生的治疗方案进行验证，包括：
获取医生的治疗方案中患者的病理类型，若患者的病理类型为妇科病理，则判断患者图像类数据中是否存在宫颈细胞图像；其中，所述病理类型包括非妇科病理和妇科病理；
若不存在宫颈细胞图像，则验证不通过，并提醒医生补充患者的宫颈细胞图像；
若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度；
对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；
通过综合模型对序列数据进行分析及预测，生成对患者体质特征的预测数据；
根据预测数据，对医生的治疗方案进行提醒，生成可视化报告。
在上述任一方案中优选的是，所述收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式，包括：
通过分词器将文本数据划分为单个单词，去掉停用词并通过公式：
Figure SMS_1
，
Figure SMS_2
，将单词转换为向量化表示，其中，i为第i个单词，j为文档i，/>
Figure SMS_3
为单词i在文档j中出现的次数，/>
Figure SMS_4
为单词i的逆文档频率，N为所有文档的总数，/>
Figure SMS_5
为包含单词i的文档数；
通过卷积运算公式
Figure SMS_6
，对图像数据进行特征提取，其中，/>
Figure SMS_7
为卷积神经网络输出的特征图像素，/>
Figure SMS_8
为卷积核在第j个通道上的权重参数，/>
Figure SMS_9
为卷积神经网络输入图像中的像素值，N为卷积核大小，/>
Figure SMS_10
为偏置项。
在上述任一方案中优选的是，所述若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度，包括以下步骤：
对整理后的图像和文本数据进行去噪；
通过公式
Figure SMS_11
，对数据进行归一化处理，其中，/>
Figure SMS_12
为归一化后的数据，x为原始数据，/>
Figure SMS_13
和/>
Figure SMS_14
分别为数据的最小值和最大值。
在上述任一方案中优选的是，所述对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型，包括以下步骤：
通过深度神经网络对预处理后的数据进行特征提取；
将提取的特征转换为时间序列数据，并对时间序列数据进行预处理；
通过将前一个时间步骤隐藏层的状态作为当前时间步骤的输入，对时间序列进行建模。
在上述任一方案中优选的是，所述对时间序列数据进行预处理，包括：
通过公式：
Figure SMS_15
，对时间序列数据进行预处理，其中，
Figure SMS_16
为在时间t的数据，f为转换函数，/>
Figure SMS_17
和/>
Figure SMS_18
为用于填充缺失值和异常值处理的函数。
在上述任一方案中优选的是，所述通过将前一个时间步骤隐藏层的状态作为当前时间步骤的输入，对时间序列进行建模，包括以下步骤：
设置卷积层、池化层、全连接层构建模型框架；
将预处理后的时间序列数据作为模型的训练样本，并定义模型的损失函数；
通过优化器更新模型的参数和权重。
在上述任一方案中优选的是，设置卷积层、池化层、全连接层构建模型框架，包括：
卷积层通过公式：
Figure SMS_19
，对输入的数据进行特征提取，其中，l为输入数据，K为卷积核，O为输出特征图，/>
Figure SMS_20
为激活函数，W为卷积核权重值，B为卷积核偏置，M、N和L分别为卷积核的高度、宽度和长度；
池化层通过公式：
Figure SMS_21
，减小特征图的尺寸，其中，I为输入特征图，O为输出特征图，s为步长，p和q为池化窗口的大小；
全连接层通过公式：
Figure SMS_22
，将卷积层提取的特征转换为分类概率，其中，W为权重矩阵，b为偏置向量，x为输入特征向量，y为输出的分类概率向量，/>
Figure SMS_23
为将输出映射到0-1之间的概率分布。
在上述任一方案中优选的是，所述将预处理后的时间序列数据作为模型的训练样本，并定义模型的损失函数，包括：损失函数的计算公式为：
Figure SMS_24
，其中，y为真实标签，/>
Figure SMS_25
为模型预测标签，N为样本数量，K为类别数量。
在上述任一方案中优选的是，所述通过优化器更新模型的参数和权重，包括：优化器的计算公式为：
Figure SMS_26
，
其中，m和v分别为梯度的一阶矩阵估计和二阶矩估计，
Figure SMS_27
和/>
Figure SMS_28
为修正后的一阶矩估计和二阶矩估计，/>
Figure SMS_29
为模型参数，/>
Figure SMS_30
为学习率，/>
Figure SMS_31
和/>
Figure SMS_32
为衰减系数，/>
Figure SMS_33
为稳定值。
第二方面，一种病理分析系统，所述系统包括：
收集模块，用于收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；
验证模块，用于依据图像类数据对医生的治疗方案进行验证，包括：
获取医生的治疗方案中患者的病理类型，若患者的病理类型为妇科病理，则判断患者图像类数据中是否存在宫颈细胞图像；其中，所述病理类型包括非妇科病理和妇科病理；
第一提醒模块，用于若不存在宫颈细胞图像，则验证不通过，并提醒医生补充患者的宫颈细胞图像；
处理模块，用于若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度；
构建模块，用于对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；
分析模块，用于对序列数据进行分析及预测，生成对患者体质特征的预测数据；
第二提醒模块，用于根据预测数据，对医生的治疗方案进行提醒，生成可视化报告。
与现有技术相比，本发明的有益效果：
本发明提供了一种病理分析系统及方法，旨在提高医生的诊疗水平和准确性；可以接受不同类型的数据输入，并对不同数据类型进行自动分类和整合；可以监测患者的治疗效果和疾病进展情况，并及时提醒医生调整治疗方案，以提高医疗保障水平，减少医疗事故；能够提高医生的诊疗精度和效率，减轻医护人员的工作负担，有效缓解医疗资源压力。
附图说明
附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明病理分析方法的流程示意图；
图2是本发明病理分析系统的模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
如图1所示，本申请提供了一种病理分析方法，包括以下步骤：
步骤1，收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；
步骤2，依据图像类数据对医生的治疗方案进行验证，包括：
获取医生的治疗方案中患者的病理类型，若患者的病理类型为妇科病理，则判断患者图像类数据中是否存在宫颈细胞图像；其中，所述病理类型包括非妇科病理和妇科病理；
步骤3，若不存在宫颈细胞图像，则验证不通过，并提醒医生补充患者的宫颈细胞图像；
步骤4，若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度；
步骤5，对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；
步骤6，通过综合模型对序列数据进行分析及预测，生成对患者体质特征的预测数据；
步骤7，根据预测数据，对医生的治疗方案进行提醒，生成可视化报告。
在本发明实施例所述的病理分析方法中，在判断患者图像类数据中是否存在宫颈细胞图像中，由于宫颈细胞是一类特殊的细胞，其特征主要表现为核浓染、核周围有一圈空晕带、胞质旁有透明区等，因此，判断患者图像类数据中是否存在宫颈细胞图像，可以相关技术实现，例如：使用计算机视觉或机器学习方法从图像数据中提取特征，例如形状、纹理、颜色等特征，可以选取一些特殊的细胞特征，如核周围有一圈空晕带来识别宫颈细胞。
进一步的，由于宫颈细胞对于妇科病理的诊断及后续治疗有着非常重要的作用，若为妇科病理，医生可通过对宫颈细胞进行分析，实现更精确的诊断，因此，若患者为妇科病理，但该患者的所有数据中并未有宫颈细胞图像，则需要提醒医生补充宫颈细胞图像，以便于帮助医生进行对该患者的更为精确的诊断。
具体的，所述步骤1，收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式，包括：
通过分词器将文本数据划分为单个单词，去掉停用词并通过公式：
Figure SMS_34
，
Figure SMS_35
，将单词转换为向量化表示，其中，i为第i个单词，j为文档i，/>
Figure SMS_36
为单词i在文档j中出现的次数，/>
Figure SMS_37
为单词i的逆文档频率，N为所有文档的总数，/>
Figure SMS_38
为包含单词i的文档数；
通过卷积运算公式
Figure SMS_39
，对图像数据进行特征提取，其中，/>
Figure SMS_40
为卷积神经网络输出的特征图像素，/>
Figure SMS_41
为卷积核在第j个通道上的权重参数，/>
Figure SMS_42
为卷积神经网络输入图像中的像素值，N为卷积核大小，/>
Figure SMS_43
为偏置项。
具体的，所述步骤4，若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度，包括以下步骤：
步骤41，对整理后的图像和文本数据进行去噪；
步骤42，通过公式
Figure SMS_44
，对数据进行归一化处理，其中，/>
Figure SMS_45
为归一化后的数据，x为原始数据，/>
Figure SMS_46
和/>
Figure SMS_47
分别为数据的最小值和最大值。
具体的，所述步骤5，对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型，包括以下步骤：
步骤51，通过深度神经网络对预处理后的数据进行特征提取；
步骤52，将提取的特征转换为时间序列数据，并对时间序列数据进行预处理；
步骤53，通过将前一个时间步骤隐藏层的状态作为当前时间步骤的输入，对时间序列进行建模。
进一步的，所述对时间序列数据进行预处理，包括：
通过公式：
Figure SMS_48
，对时间序列数据进行预处理，其中，
Figure SMS_49
为在时间t的数据，f为转换函数，/>
Figure SMS_50
和/>
Figure SMS_51
为用于填充缺失值和异常值处理的函数。
进一步的，所述步骤53，通过将前一个时间步骤隐藏层的状态作为当前时间步骤的输入，对时间序列进行建模，包括以下步骤：
设置卷积层、池化层、全连接层构建模型框架；
将预处理后的时间序列数据作为模型的训练样本，并定义模型的损失函数；
通过优化器更新模型的参数和权重。
更进一步的，设置卷积层、池化层、全连接层构建模型框架，包括：
卷积层通过公式：
Figure SMS_52
，对输入的数据进行特征提取，其中，l为输入数据，K为卷积核，O为输出特征图，/>
Figure SMS_53
为激活函数，W为卷积核权重值，B为卷积核偏置，M、N和L分别为卷积核的高度、宽度和长度；
池化层通过公式：
Figure SMS_54
，减小特征图的尺寸，其中，I为输入特征图，O为输出特征图，s为步长，p和q为池化窗口的大小；
全连接层通过公式：
Figure SMS_55
，将卷积层提取的特征转换为分类概率，其中，W为权重矩阵，b为偏置向量，x为输入特征向量，y为输出的分类概率向量，/>
Figure SMS_56
为将输出映射到0-1之间的概率分布。
更进一步的，所述将预处理后的时间序列数据作为模型的训练样本，并定义模型的损失函数，包括：损失函数的计算公式为：
Figure SMS_57
，其中，y为真实标签，/>
Figure SMS_58
为模型预测标签，N为样本数量，K为类别数量。
更进一步的，所述通过优化器更新模型的参数和权重，包括：优化器的计算公式为：
Figure SMS_59
，
其中，m和v分别为梯度的一阶矩阵估计和二阶矩估计，
Figure SMS_60
和/>
Figure SMS_61
为修正后的一阶矩估计和二阶矩估计，/>
Figure SMS_62
为模型参数，/>
Figure SMS_63
为学习率，/>
Figure SMS_64
和/>
Figure SMS_65
为衰减系数，/>
Figure SMS_66
为稳定值。
具体的，所述步骤6，通过综合模型对序列数据进行分析及预测，生成对患者体质特征的预测数据，包括：
步骤61，获取当前患者的数据并输入至综合模型中，输出对当前数据的预测数据；
步骤62，根据患者的疾病种类，对预测数据进行筛选，得到对患者体质特征的预测数据。
在本发明实施例所述的病理分析方法中，不同的疾病种类对应有不同的体质参数，以用于反映疾病的严重程度；在根据患者的疾病种类，对预测数据进行筛选，得到对患者体质特征的预测数据中，需预先从医生处获取该患者的疾病种类，从而可以在预测的数据中精确筛选出能够直接反映该疾病严重度的体质数据。
具体的，所述步骤7，根据预测数据，对医生的治疗方案进行提醒，生成可视化报告，包括：
步骤71，将患者体质的预测数据发送至医生端，用以对医生进行提醒；
步骤72，根据患者体质的预测数据对医生治疗方案中的数据进行比对；
步骤73，设置每项数据的差异阈值，将对比结果超出差异阈值的数据项进行标记，并以报表形式输出。
其中，医生治疗方案中包括对于该患者的治疗过程及方案，每个治疗过程中包括有患者治疗后的体质数据，例如对于高烧患者，医生给出的治疗过程为一天注射三次X药剂，需连续注射3天，即其中包括有每次注射X药剂前，患者对应的体温范围；由于每个患者对于疾病治疗的接受度不同，从而通过将预测的数据与医生治疗方案中的数据进行比对，可以提醒医生是否需要更改药剂注射次数等。
如图2所示，本申请还提供了一种病理分析系统，所述系统包括：
收集模块，用于收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；
验证模块，用于依据图像类数据对医生的治疗方案进行验证，包括：
获取医生的治疗方案中患者的病理类型，若患者的病理类型为妇科病理，则判断患者图像类数据中是否存在宫颈细胞图像；其中，所述病理类型包括非妇科病理和妇科病理；
第一提醒模块，用于若不存在宫颈细胞图像，则验证不通过，并提醒医生补充患者的宫颈细胞图像；
处理模块，用于若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度；
构建模块，用于对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；
分析模块，用于对序列数据进行分析及预测，生成对患者体质特征的预测数据；
第二提醒模块，用于根据预测数据，对医生的治疗方案进行提醒，生成可视化报告。
与现有技术相比，本发明提供的有益效果是：
本发明提供了一种病理分析系统及方法，旨在提高医生的诊疗水平和准确性；可以接受不同类型的数据输入，并对不同数据类型进行自动分类和整合；可以监测患者的治疗效果和疾病进展情况，并及时提醒医生调整治疗方案，以提高医疗保障水平，减少医疗事故；能够提高医生的诊疗精度和效率，减轻医护人员的工作负担，有效缓解医疗资源压力。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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)

1.一种病理分析方法，其特征在于：包括以下步骤：
收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；
依据图像类数据对医生的治疗方案进行验证，包括：
获取医生的治疗方案中患者的病理类型，若患者的病理类型为妇科病理，则判断患者图像类数据中是否存在宫颈细胞图像；其中，所述病理类型包括非妇科病理和妇科病理；
若不存在宫颈细胞图像，则验证不通过，并提醒医生补充患者的宫颈细胞图像；
若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度；
对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；
通过综合模型对序列数据进行分析及预测，生成对患者体质特征的预测数据；
根据预测数据，对医生的治疗方案进行提醒，生成可视化报告。
2.根据权利要求1所述的病理分析方法，其特征在于：所述收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式，包括：
通过分词器将文本数据划分为单个单词，去掉停用词并通过公式：
Figure QLYQS_1
，
Figure QLYQS_2
，将单词转换为向量化表示，其中，i为第i个单词，j为文档i，/>
Figure QLYQS_3
为单词i在文档j中出现的次数，/>
Figure QLYQS_4
为单词i的逆文档频率，N为所有文档的总数，/>
Figure QLYQS_5
为包含单词i的文档数；
通过卷积运算公式
Figure QLYQS_6
，对图像数据进行特征提取，其中，/>
Figure QLYQS_7
为卷积神经网络输出的特征图像素，/>
Figure QLYQS_8
为卷积核在第j个通道上的权重参数，/>
Figure QLYQS_9
为卷积神经网络输入图像中的像素值，N为卷积核大小，/>
Figure QLYQS_10
为偏置项。
3.根据权利要求2所述的病理分析方法，其特征在于：所述若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度，包括以下步骤：
对整理后的图像和文本数据进行去噪；
通过公式
Figure QLYQS_11
，对数据进行归一化处理，其中，/>
Figure QLYQS_12
为归一化后的数据，x为原始数据，/>
Figure QLYQS_13
和/>
Figure QLYQS_14
分别为数据的最小值和最大值。
4.根据权利要求3所述的病理分析方法，其特征在于：所述对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型，包括以下步骤：
通过深度神经网络对预处理后的数据进行特征提取；
将提取的特征转换为时间序列数据，并对时间序列数据进行预处理；
通过将前一个时间步骤隐藏层的状态作为当前时间步骤的输入，对时间序列进行建模。
5.根据权利要求4所述的病理分析方法，其特征在于：所述对时间序列数据进行预处理，包括：
通过公式：
Figure QLYQS_15
，对时间序列数据进行预处理，其中，/>
Figure QLYQS_16
为在时间t的数据，f为转换函数，/>
Figure QLYQS_17
和/>
Figure QLYQS_18
为用于填充缺失值和异常值处理的函数。
6.根据权利要求5所述的病理分析方法，其特征在于：所述通过将前一个时间步骤隐藏层的状态作为当前时间步骤的输入，对时间序列进行建模，包括以下步骤：
设置卷积层、池化层、全连接层构建模型框架；
将预处理后的时间序列数据作为模型的训练样本，并定义模型的损失函数；
通过优化器更新模型的参数和权重。
7.根据权利要求6所述的病理分析方法，其特征在于：设置卷积层、池化层、全连接层构建模型框架，包括：
卷积层通过公式：
Figure QLYQS_19
，对输入的数据进行特征提取，其中，l为输入数据，K为卷积核，O为输出特征图，/>
Figure QLYQS_20
为激活函数，W为卷积核权重值，B为卷积核偏置，M、N和L分别为卷积核的高度、宽度和长度；
池化层通过公式：
Figure QLYQS_21
，减小特征图的尺寸，其中，I为输入特征图，O为输出特征图，s为步长，p和q为池化窗口的大小；
全连接层通过公式：
Figure QLYQS_22
，将卷积层提取的特征转换为分类概率，其中，W为权重矩阵，b为偏置向量，x为输入特征向量，y为输出的分类概率向量，/>
Figure QLYQS_23
为将输出映射到0-1之间的概率分布。
8.根据权利要求7所述的病理分析方法，其特征在于：所述将预处理后的时间序列数据作为模型的训练样本，并定义模型的损失函数，包括：损失函数的计算公式为：
Figure QLYQS_24
，其中，y为真实标签，/>
Figure QLYQS_25
为模型预测标签，N为样本数量，K为类别数量。
9.根据权利要求8所述的病理分析方法，其特征在于：所述通过优化器更新模型的参数和权重，包括：优化器的计算公式为：
Figure QLYQS_28
，其中，m和v分别为梯度的一阶矩阵估计和二阶矩估计，/>
Figure QLYQS_30
和/>
Figure QLYQS_31
为修正后的一阶矩估计和二阶矩估计，/>
Figure QLYQS_27
为模型参数，/>
Figure QLYQS_29
为学习率，/>
Figure QLYQS_32
和/>
Figure QLYQS_33
为衰减系数，/>
Figure QLYQS_26
为稳定值。
10.一种病理分析系统，其特征在于：所述系统包括：
收集模块，用于收集患者不同类型的数据源，并对数据源进行整理分类，以将数据源转换为计算机可识别格式；
验证模块，用于依据图像类数据对医生的治疗方案进行验证，包括：
获取医生的治疗方案中患者的病理类型，若患者的病理类型为妇科病理，则判断患者图像类数据中是否存在宫颈细胞图像；其中，所述病理类型包括非妇科病理和妇科病理；
第一提醒模块，用于若不存在宫颈细胞图像，则验证不通过，并提醒医生补充患者的宫颈细胞图像；
处理模块，用于若存在宫颈细胞图像，则验证通过，并对分类后的数据源进行预处理，以将数据映射到同一尺度；
构建模块，用于对预处理后的数据进行特征提取，并进行序列建模，以将不同类型的数据组合为综合模型；
分析模块，用于对序列数据进行分析及预测，生成对患者体质特征的预测数据；
第二提醒模块，用于根据预测数据，对医生的治疗方案进行提醒，生成可视化报告。
CN202310669930.5A 2023-06-07 2023-06-07 一种病理分析系统及方法 Active CN116386857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310669930.5A CN116386857B (zh) 2023-06-07 2023-06-07 一种病理分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310669930.5A CN116386857B (zh) 2023-06-07 2023-06-07 一种病理分析系统及方法

Publications (2)

Publication Number Publication Date
CN116386857A true CN116386857A (zh) 2023-07-04
CN116386857B CN116386857B (zh) 2023-11-10

Family

ID=86961983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310669930.5A Active CN116386857B (zh) 2023-06-07 2023-06-07 一种病理分析系统及方法

Country Status (1)

Country Link
CN (1) CN116386857B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110739070A (zh) * 2019-09-26 2020-01-31 南京工业大学 一种基于3d卷积神经网络的脑疾病诊断方法
CN111009324A (zh) * 2019-11-25 2020-04-14 东北大学 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN111274903A (zh) * 2020-01-15 2020-06-12 合肥工业大学 一种基于图卷积神经网络的宫颈细胞图像分类方法
CN113571199A (zh) * 2021-09-26 2021-10-29 成都健康医联信息产业有限公司 医疗数据分类分级方法、计算机设备及存储介质
CN113743353A (zh) * 2021-05-10 2021-12-03 合肥工业大学 空间、通道和尺度注意力融合学习的宫颈细胞分类方法
CN113990521A (zh) * 2021-10-22 2022-01-28 北京大学人民医院 一种IgA肾病病理分析、预后预测及病理指标挖掘系统
CN115239993A (zh) * 2022-07-06 2022-10-25 杭州丝跃科技有限公司 基于跨域半监督学习的人体脱发类型与阶段识别系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163102A (zh) * 2019-04-18 2019-08-23 麦克奥迪（厦门）医疗诊断系统有限公司 一种基于卷积神经网络的宫颈细胞图像分类识别方法
CN113808738B (zh) * 2021-09-18 2022-03-15 安徽爱朋科技有限公司 一种基于自识别影像的疾病识别系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110739070A (zh) * 2019-09-26 2020-01-31 南京工业大学 一种基于3d卷积神经网络的脑疾病诊断方法
CN111009324A (zh) * 2019-11-25 2020-04-14 东北大学 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN111274903A (zh) * 2020-01-15 2020-06-12 合肥工业大学 一种基于图卷积神经网络的宫颈细胞图像分类方法
CN113743353A (zh) * 2021-05-10 2021-12-03 合肥工业大学 空间、通道和尺度注意力融合学习的宫颈细胞分类方法
CN113571199A (zh) * 2021-09-26 2021-10-29 成都健康医联信息产业有限公司 医疗数据分类分级方法、计算机设备及存储介质
CN113990521A (zh) * 2021-10-22 2022-01-28 北京大学人民医院 一种IgA肾病病理分析、预后预测及病理指标挖掘系统
CN115239993A (zh) * 2022-07-06 2022-10-25 杭州丝跃科技有限公司 基于跨域半监督学习的人体脱发类型与阶段识别系统

Also Published As

Publication number Publication date
CN116386857B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN111540468B (zh) 一种诊断原因可视化的icd自动编码方法与系统
CN107247971B (zh) 一种超声甲状腺结节风险指标的智能分析方法及系统
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
CN110911009A (zh) 一种临床诊断辅助决策系统和医学知识图谱积累方法
TWI723868B (zh) 一種抽樣後標記應用在類神經網絡訓練模型之方法
CN109558912A (zh) 一种基于深度可分离卷积的阿尔兹海默病分类方法
CN109214437A (zh) 一种基于机器学习的ivf-et早孕胚胎发育预测系统
CN113808738B (zh) 一种基于自识别影像的疾病识别系统
CN112465058A (zh) 改进GoogLeNet神经网络下多模态医学图像分类方法
CN110415815A (zh) 深度学习和人脸生物特征信息的遗传病辅助诊断系统
CN112085742B (zh) 一种基于上下文注意力的nafld超声视频诊断方法
CN113782184A (zh) 一种基于面部关键点与特征预学习的脑卒中辅助评估系统
Yang et al. A novel deep learning framework for standardizing the label of OARs in CT
CN114240874A (zh) 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质
CN116883768A (zh) 基于多模态特征融合的肺结节智能分级方法及系统
Aristoteles et al. Identification of human sperm based on morphology using the you only look once version 4 algorithm
CN113688942A (zh) 基于深度学习的头侧片腺样体图像自动评估方法和装置
CN112927797A (zh) 一种基于贝叶斯概率推断的急诊临床诊断分析系统
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
CN116386857B (zh) 一种病理分析系统及方法
CN115641335B (zh) 基于时差培养箱的胚胎异常多级联智能综合分析系统
CN115188413A (zh) 一种染色体核型分析模块
CN113077466A (zh) 基于多尺度感知损失的医学图像分类方法和装置
CN111932523A (zh) 一种基于脑成像大数据深度学习的性别分类器

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