CN116758062A - 一种药物有效性评价方法及装置 - Google Patents
一种药物有效性评价方法及装置 Download PDFInfo
- Publication number
- CN116758062A CN116758062A CN202311010109.9A CN202311010109A CN116758062A CN 116758062 A CN116758062 A CN 116758062A CN 202311010109 A CN202311010109 A CN 202311010109A CN 116758062 A CN116758062 A CN 116758062A
- Authority
- CN
- China
- Prior art keywords
- drug
- image
- target
- features
- effectiveness evaluation
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 236
- 229940079593 drug Drugs 0.000 title claims abstract description 222
- 238000011156 evaluation Methods 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 claims abstract description 145
- 238000013210 evaluation model Methods 0.000 claims abstract description 132
- 201000010099 disease Diseases 0.000 claims abstract description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 90
- 238000000034 method Methods 0.000 claims description 81
- 238000012360 testing method Methods 0.000 claims description 51
- 229940124976 antitubercular drug Drugs 0.000 claims description 40
- 201000007227 lymph node tuberculosis Diseases 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 239000000814 tuberculostatic agent Substances 0.000 claims description 14
- 201000008827 tuberculosis Diseases 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 229940072185 drug for treatment of tuberculosis Drugs 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 3
- 201000003265 lymphadenitis Diseases 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 abstract description 5
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 13
- 210000004369 blood Anatomy 0.000 description 11
- 239000008280 blood Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000003902 lesion Effects 0.000 description 8
- 230000002365 anti-tubercular Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000009666 routine test Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000001165 lymph node Anatomy 0.000 description 5
- 238000004820 blood count Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 210000002966 serum Anatomy 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000007449 liver function test Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 108010088751 Albumins Proteins 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- 102000006395 Globulins Human genes 0.000 description 2
- 108010044091 Globulins Proteins 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012070 whole genome sequencing analysis Methods 0.000 description 2
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 238000008789 Direct Bilirubin Methods 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 108020004206 Gamma-glutamyltransferase Proteins 0.000 description 1
- 108010048233 Procalcitonin Proteins 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 229940041181 antineoplastic drug Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 102000006640 gamma-Glutamyltransferase Human genes 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000002705 metabolomic analysis Methods 0.000 description 1
- 230000001431 metabolomic effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种药物有效性评价方法及装置，从医学影像中提取病灶区域的影像特征，并从目标类型的医学检测结果中提取目标类型的检测特征，从而将影像特征以及目标类型的检测特征输入预先训练的药物有效性评价模型，得到药物有效性评价模型输出的目标用户的药物有效性评价结果。可见，综合医学影像以及目标类型的医学检测结果，通过预先训练的药物有效性评价模型评价治疗目标用户的药物对目标用户的疾病的有效性的方式，不再依赖医生的经验和主观判断，降低了药物有效性评价的门槛，并提高了药物有效性评价的准确性。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种药物有效性评价方法及装置。
背景技术
抗结核药物治疗是浅表淋巴结结核（Lymph Node tuberculosis，LNTB）最基础最常规的治疗方式。在医生针对患者的LNTB制定用药方案的过程中，需要对疗效进行监控。影像学检查在浅表淋巴结结核诊断中发挥了重要作用。超声检查是临床诊断浅表淋巴结结核的无创性检查方法，可显示受累淋巴结的数量、形态、内部结构、边界、钙化及窦道形成等。超声成像在浅表淋巴结结核的诊断及鉴别诊断中具有一定价值，也可以对淋巴结结核病灶治疗后进行疗效评估。
但是，由于超声检测的方式十分依赖医生的经验及主观判断，不同医生对同一超声影像的理解判读不同，导致药物有效性评价结果不同。并且，超声检测所使用的机器的参数，以及不同患者的自身客观因素都会影响药物有效性评价的准确性，导致仅基于超声检测的方式判断药物有效性存在一定的局限性。
基于此，本说明书提供了一种药物有效性评价方法。
发明内容
本说明书提供一种药物有效性评价方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种药物有效性评价方法，包括：
获取目标用户的病灶区域的医学影像，以及所述目标用户的目标类型的医学检测结果；
从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征；
将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果；
其中，所述目标用户的药物有效性评价结果用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。
可选地，从所述医学影像中提取所述病灶区域的影像特征，具体包括：
从所述医学影像分割得到所述病灶区域的影像；
根据所述病灶区域的影像包含的各像素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
可选地，所述医学影像包括多个二维医学影像；
从所述医学影像中提取所述病灶区域的影像特征，具体包括：
根据各二维医学影像进行三维重建，得到所述目标用户的病灶区域的三维医学影像；
从所述三维医学影像中分割得到所述目标用户的病灶区域的立体影像；
根据所述病灶区域的立体影像包含的各体素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
可选地，预先训练药物有效性评价模型，具体包括：
预先获取参考用户的病灶区域的参考医学影像、所述参考用户的目标类型的医学检测结果，以及所述参考用户的药物有效性评价结果；其中，所述参考用户的药物有效性评价结果用于指示治疗所述参考用户的疾病的药物对所述参考用户是否具备有效性；
从所述参考医学影像中提取所述病灶区域的参考影像特征，并从所述目标类型的医学检测结果中提取所述目标类型的检测特征；
通过预先优化的特征筛选算法从所述参考影像特征中筛选出候选影像特征；
将所述目标类型的检测特征和所述候选影像特征进行拼接，得到所述参考用户的目标特征；
根据所述参考用户的目标特征确定训练样本，并根据所述参考用户的药物有效性评价结果确定所述训练样本的标注；
根据所述训练样本和所述训练样本的标注，训练药物有效性评价模型。
可选地，所述药物有效性评价模型用于评价抗结核药物是否与所述参考用户的颈部淋巴结结核具备有效性；
根据所述参考用户的药物有效性评价结果确定所述训练样本的标注，具体包括：
根据所述参考用户的药物有效性评价结果，判断是否存在至少一个抗结核药物对所述参考用户的颈部淋巴结结核无效；
若是，确定所述训练样本的标注为抗结核药物无效；
若否，确定所述训练样本的标注为抗结核药物有效。
可选地，所述药物有效性评价模型用于评价抗结核药物是否与所述参考用户的颈部淋巴结结核具备有效性；
根据所述参考用户的药物有效性评价结果确定所述训练样本的标注，具体包括：
根据所述参考用户的药物有效性评价结果，确定各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率；
根据所述各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率，确定所述参考用户对应的药物有效性指标；
判断所述参考用户对应的药物有效性指标是否高于预设指标阈值；
若是，确定所述训练样本的标注为抗结核药物有效；
若否，确定所述训练样本的标注为抗结核药物无效。
可选地，根据所述训练样本和所述训练样本的标注，训练药物有效性评价模型，具体包括：
获取多个候选评价模型，各候选评价模型的模型结构互不相同；
根据所述训练样本和所述训练样本的标注，分别训练所述各候选评价模型；
获取测试样本和所述测试样本的标注；
针对每个训练完成的候选评价模型，将所述测试样本输入到该候选评价模型，得到该候选评价模型输出的所述测试样本的评价结果；
根据所述测试样本的评价结果和所述测试样本的标注之间的差异，确定该候选评价模型的测试结果；
根据所述各候选评价模型的测试结果，从所述各候选评价模型中确定训练完成的药物有效性评价模型。
本说明书提供了一种药物有效性评价装置，包括：
获取模块，用于获取目标用户的病灶区域的医学影像，以及所述目标用户的目标类型的医学检测结果；
特征提取模块，用于从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征；
评价模块，用于将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果；其中，所述目标用户的药物有效性评价结果用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述药物有效性评价方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述药物有效性评价方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的药物有效性评价方法中，从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征，从而将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果。可见，综合医学影像以及目标类型的医学检测结果，通过预先训练的药物有效性评价模型评价治疗目标用户的药物对目标用户的疾病的有效性的方式，不再依赖医生的经验和主观判断，降低了药物有效性评价的门槛，并提高了药物有效性评价的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种药物有效性评价方法的流程示意图；
图2为本说明书中一种药物有效性评价方法的流程示意图；
图3为本说明书中一种药物有效性评价方法的流程示意图；
图4为本说明书提供的一种药物有效性评价装置的示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都属于本说明书保护的范围。
另外，需要说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
采用治疗淋巴结结核（Lymph Node tuberculosis，LNTB）的抗结核药物，需要考虑抗结核药物对患者的有效性。目前，临床上可以使用超声检测的方式间接评价，医生可通过观察淋巴结患者用药前后的超声影像来判断抗结核药物对患者淋巴结结核的有效性。
但是，由于超声检测的方式十分依赖医生的经验及主观判断，不同医生对同一超声影像的理解判读不同，导致药物有效性评价结果不同。并且，超声检测所使用的机器的参数，以及不同患者的自身客观因素都会影响药物有效性评价的准确性，导致仅基于超声检测的方式判断药物有效性存在一定的局限性。基于此，本说明书提供一种药物有效性评价方法，综合医学影像以及目标类型的医学检测结果，通过预先训练的药物有效性评价模型评价药物有效性的方式，不再依赖医生的经验和主观判断，降低了药物有效性评价的门槛，并提高了药物有效性评价的准确性。
需要注意的是，对于本说明书涉及的目标用户以及参考用户，实际上，这些用户已经通过其他医学手段得到了相应的疾病诊断结果，因此，本说明书提供的药物有效性评价方法根本没有对用户所患疾病再次进行诊断的动机。本说明书提供的药物有效性评价方法实际是，针对目标用户治疗疾病过程中所采用的药物是否对治疗疾病存在有效性进行评价，如针对患有LNTB的目标用户，评价抗结核药物对该目标用户的LNTB是否具备有效性。也就是说，本说明书提供的药物有效性评价方法是非诊断目的的方法，该方法的直接目的不是获得目标用户的疾病诊断结果或者健康状况，而是提供一种用以辅助医生为目标用户制定用药方案的目标用户的生物学指标（药物有效性评价结果），该药物有效性评价结果仅仅只是一种生物学指标或是中间结果，只能作为一种参考信息，并且，医生无法从该药物有效性评价结果中得到治疗目标用户的指定疾病的用药方案。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种药物有效性评价方法的流程示意图。
S100：获取目标用户的病灶区域的医学影像，以及所述目标用户的目标类型的医学检测结果。
本说明书实施例中提供的一种药物有效性评价方法，该方法的执行过程可由用于进行药物有效性评价的服务器等电子设备执行。另外，对于该药物有效性评价方法所采用的训练完成的药物有效性评价模型，执行该药物有效性评价模型的训练过程的电子设备和执行药物有效性评价的电子设备可以相同也可以不同，本说明书对此不做限定。
在本说明书一个或多个实施例中，目标用户的病灶区域的医学影像可以通过超声（UltraSound，US）得到，也可以通过计算机断层扫描（Computed Tomography，CT）和磁共振（Magnetic Resonance Imaging，MRI）得到，还可以通过低剂量的正电子发射计算机断层显像（Positron Emission Computed Tomography/Magnetic Resonance Imaging，PET）得到，当然，目标用户的病灶区域的医学影像还可以是现有的任意其它模态的医学影像，目标用户的病灶区域的医学影像可以是二维医学影像也可以是基于多个二维医学影像重建得到的用于表征目标用户的立体病灶区域的三维医学影像，本说明书对医学影像的模态以及医学影像的维度不做具体限制。另外，本说明书对目标用户的病灶区域所属的人体部位的具体位置不做限定，可以是颈部，也可以是肺部，总之可基于药物有效性评价的具体场景进行确定。
例如，针对治疗LNTB的药物有效性评价，则目标用户的病灶区域可以为颈部淋巴结，该医学影像可以是超声影像。
另外，在本说明书中，目标用户的病灶区域的医学影像可以是在目标用户在采用药物进行治疗之后采集得到的，或者，该医学影像也可以是目标用户在采用药物进行治疗之前采集得到的。一般的，目标用户的目标类型的医学检测结果是在采集目标用户的病灶区域的医学影像之后一定时段内通过目标类型的医学检测手段得到的，因此，相对应的，目标用户的目标类型的医学检测结果也可以是在目标用户在采用药物进行治疗之后得到的，或者是在目标用户在采用药物进行治疗之前得到的。为了方便阐述，本说明书下述一个或多个实施例中，以目标用户的病灶区域的医学影像是在目标用户采用药物进行治疗之前采集得到，以及目标类型的医学检测结果是在目标用户采用药物进行治疗之前得到为例，对具体的实施例进行阐述。
可以理解的是，在本说明书中，在下述步骤S104中采用预先训练的药物有效性评价模型得到药物有效性评价结果，因此，目标用户的病灶区域的医学影像的采集时机，可以与药物有效性评价模型在训练过程中涉及的参考用户的病灶区域的医学影像的采集时机相同，以及，目标用户的目标类型的医学检测结果的获得时机可以与药物有效性评价模型在训练过程中涉及的参考用户的目标类型的医学检测结果的获得时机相同。
需要注意的是，在本说明书一个或多个实施例中，目标用户一般指的是已通过其他医学手段得到了相应的疾病诊断结果的用户，本说明书提供的药物有效性评价方法并非是以诊断为目的的方法，依据本说明书提供的药物有效性评价方法得到的药物有效性评价结果也无法作为诊断结果，只能作为参考结果提供给医生，用于辅助医生针对目标用户的指定疾病制定用药方案。
另外，在此步骤中，还获取了目标用户的目标类型的医学检测结果。由于在实际应用中，仅基于医学影像的药物有效性评价方案不仅依赖医生的专业经验和主观看法，还依赖于采集医学影像所用的采集设备的精度和目标用户的自身客观因素，从而导致药物有效性评价的准确性降低。为此，在本说明书中，在目标用户的病灶区域的医学影像的基础上，结合目标用户的目标类型的医学检测结果，以解决上述目前的方案中的问题。
其中，目标用户的目标类型的医学检测结果可以是多组学中除影像组学外的其他任一组学的医学检测结果，如基因组学、转录组学、蛋白质组学、代谢组学等。其中，基因组学的医学检测结果可以是通过对目标用户的血液、体液等进行基因测序检查得到的目标用户关于药物有效性（耐药性）基因的测序检测结果；转录组学的医学检测结果可以是针对目标用户在某一时刻内所表达的所有基因的转录产物的测序检查结果；蛋白质组学的医学检测结果可以是通过定量蛋白质组学分析针对目标用户体内的蛋白标志物进行定量分析得到的医学检测结果；代谢组学的医学检测结果可以是通过对目标用户的血清样本进行检测得到的血常规、肝功能等血清生物指标。在本说明书中，可根据具体的应用场景确定目标类型的医学检测结果的具体类型，本说明书对目标类型的医学检测结果的具体类型和数量不做限定。但为了方便阐述，下述以目标类型的医学检测结果为代谢组学的医学检测结果为例，对具体的技术方案进行阐述。
可选地，所述目标类型的医学检测结果包括血常规检测结果和肝功能检测结果。
需要说明的是，在本说明书中，目标类型的医学检测结果之所以不包含影像组学的医学检测结果是因为，目标用户的病灶区域的医学影像已经相当于是影像组学的医学检测结果，因此，在目标类型的医学检测结果对应的多组学的医学检测结果中并不包含影像组学。另外，对于多组学中的任意一个组学中，该组学对应的医学检测方案存在多种，也即，该组学对应的医学检测结果也存在不同类型的医学检测结果，因此，在本说明书中，目标用户的目标类型的医学检测结果可以存在多个，例如，对于目标类型的医学检测结果是代谢组学的医学检测结果的情况，目标类型的医学检测结果可包括血常规检测结果和肝功能检测结果这两种类型的医学检测结果。根据具体的应用场景，可确定具体需要获取多少种目标类型的医学检测结果，本说明书对此不做限定。
S102：从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征。
进一步的，在本说明书中，目标用户的医学影像一般是能够表征具体病灶区域的医学影像，因此，在该医学影像中能够观察到目标用户的至少部分的病灶区域的具体位置、形状、轮廓、纹理等。目标类型的医学检测结果是目标用户通过目标类型的医学检测手段得到的生物学指标。例如，血常规检测结果是针对目标用户的血清样本进行血常规检测得到的如白细胞计数、中性粒细胞百分比、淋巴细胞百分比、红细胞沉降率、C反应蛋白、降钙素原、抗结核抗体等生物学指标；肝功能检测结果是针对目标用户的静脉血样本进行肝功能检测得到的如谷草转氨酶（Aspartate aminotransferase，AST）、谷丙转氨酶（Alanineaminotransferase，ALT）、AST/ALT、总胆红素、直接胆红素、血清碱性磷酸酶、谷氨酰转肽酶、总蛋白、白蛋白、球蛋白、白蛋白/球蛋白、凝血酶原时间等生物学指标。
需要说明的是，在本说明书中，目标类型的医学检测结果可以包含两个方面的数据，其一是目标类型的医学检测结果包含的检测结果的子类型，其二是目标类型的医学检测结果包含的子类型的检测结果，而其中，子类型的检测结果可以是数值型的检测结果，也可以是字符型的检测结果。例如，上述血常规检测结果中，“血常规”是医学检测结果的目标类型，“白细胞计数”即为血常规检测结果包含的一项子类型，而血常规检测结果中，白细胞计数的具体数值“4×109/L”则为“白细胞计数”这一子类型的检测结果的数值型结果。另外，需要说明的是，除了数值型的检测结果外，还有如“抗结核抗体”这一子类型的检测结果为字符型数据，具体的，该“抗结核抗体”的字符型检测结果可以是为“阴性”或者是“阳性”。
为了在后续步骤中基于预先训练的药物有效性评价模型得出目标用户的药物有效性评价结果，需要从医学影像中提取目标用户的病灶区域的影像特征，以及从目标类型的医学检测结果中提取目标用户的检测特征。
具体的，从医学影像中提取目标用户的病灶区域的影像特征是描述病灶区域的具体位置、形状、轮廓、纹理、大小等信息的数值向量，该影像特征可以基于机器学习模型的方法、基于统计的方法、基于变换的方法，或者基于形状的方法。其中，基于机器学习模型的方法旨在基于用于特征提取的模型分析医学影像中各像素/体素表征的灰度信息以及病灶区域的形状信息等，如Autoencoder、SAE、VAE等结构的模型。基于统计的方法一般是通过不同的统计学方案对医学影像中各像素/体素表征的灰度信息进行统计从而得到用于表征纹理的特征，如灰度共生矩阵、灰度区域大小矩阵、灰度游程矩阵、相邻灰度色调差异矩阵、灰度依赖矩阵等。基于变换的方法可以是基于傅里叶变换分析、基于小波变换分解医学影像的强度和纹理特征，或者基于拉普拉斯变换分析病灶区域的纹理粗糙程度。基于形状的方法一般提取用于描述病灶区域几何特征，例如2D和3D直径、轴及其比率。基于使用网格（即三角形和四面体等小多边形）的基于表面和体积的方法分析得到紧凑型或球形度等形状特征。
从目标类型的医学检测结果中提取目标类型的检测特征可以是针对目标类型的医学检测结果包含的多个子类型以及各子类型的检测结果对应的具体数值进行编码得到的数值向量，作为从目标类型的医学检测结果中提取的检测特征，编码方式可以是one-hot编码机制等现有的编码方式，本说明书对此不做限定。
可选地，从所述目标类型的医学检测结果中提取目标类型的检测特征，具体包括：
通过one-hot编码机制对所述目标类型的医学检测结果包含的检测结果的子类型，以及各子类型的医学检测结果对应的字符型数据进行编码，得到编码向量作为各子类型的医学检测结果对应的字符型数据对应的特征。
依然以“抗结核抗体”这一子类型为例，由于“抗结核抗体”的医学检测结果对应的字符型数据为“阴性”或者“阳性”两种不同的结果，因此，可将“抗结核抗体”对应的医学检测结果中“阴性”编码为“01”，将“阳性”编码为“10”。
可选地，在实际应用中，影像特征以及目标类型的检测特征可能分别分布在不同的尺度上，为了使得药物有效性评价模型基于影像特征和目标类型的检测特征得到药物有效性评价结果，可以对影像特征和目标类型的检测特征进行归一化处理，将影像特征和目标类型的检测特征映射到同一尺度。具体的，针对影像特征和目标类型的检测特征中每个特征，根据各个特征中的最大值和最小值分别对该特征进行归一化处理，得到归一化后的特征，并将归一化后的各特征作为药物有效性评价模型的输入。
一种可选的归一化公式如下：
其中，x(i) normal表征归一化后的特征，x(i)表征归一化之前的特征，xmax表征归一化前各特征中的最大值，xmin表征归一化前各特征中的最小值。
S104：将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果。其中，所述目标用户的药物有效性评价结果用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。
在此步骤中，药物有效性评价模型是预先基于多个参考用户的影像特征和目标类型的特征作为训练样本，以及基于所述多个参考用户的药物有效性评价结果作为训练样本的标注，通过有监督学习的方式训练得到的。该药物有效性评价模型可以是基于支持向量机（SVM）、决策树（DT）、逻辑回归（LR）等算法或者不同类型的神经网络中一种或多种预先构建的，本说明书对药物有效性评价模型的具体模型结构不做限定。
另外，药物有效性评价模型可以是二分类模型，也可以是多分类模型，因此，通过药物有效性评价模型得到的目标用户的药物有效性评价结果可以是药物有效或者是药物无效，也可以是药物对治疗目标用户的疾病的有效性概率大小，本说明书对此不做限定。由此，通过药物有效性评价模型得到的目标用户的药物有效性评价结果，用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。例如，对于颈部淋巴结结核的目标用户，所述药物有效性评价模型用于评价抗结核药物是否对治疗所述目标用户的颈部淋巴结结核具备有效性；对于罹患癌症的目标用户，所述药物有效性评价模型用于评价抗癌药物对治疗所述目标用户的癌症是否具备有效性。
可选地，在实际应用中，从医学影像中提取的影像特征可能存在特征维度较大的情况，在将影像特征和目标类型的检测特征直接输入到药物有效性评价模型时，可能会出现耗费大量计算资源，提升模型计算延时的问题，从而降低了药物有效性评价的效率。因此，可以对影像特征进行降维处理，从影像特征中提取对药物有效性评价模型输出药物有效性评价结果贡献较大的一部分特征作为药物有效性评价模型输入的一部分。具体的，采用主成分分析（Principal Component Analysis，PCA）方法，从所述影像特征中筛选出候选影像特征，采用套索（Least Absolute Shrinkage and Selection Operator，LASSO）算法，从所述候选影像特征中筛选出预设数量的目标影像特征，将所述预设数量的目标影像特征和所述目标类型的检测特征作为输入，输入到预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果。
在本说明书中，分别从医学影像中提取影像特征，以及从目标类型的医学检测结果中提取检测特征，通过多组学融合的方式，将影像特征和检测特征均作为药物有效性评价模型的输入，由于药物有效性评价模型的输入中结合了不同维度、不同组学的特征，相比于目前仅基于超声影像评价药物有效性的方案，不仅降低了药物有效性评价门槛、减少医生主观带来的检测误差，还从多维度和多组学入手，充分描述目标用户的生物学特征，从而提升了药物有效性评价的准确率，得到更为准确的药物有效性评价结果，从而提升医生基于药物有效性评价结果为目标用户制定针对性的处理方案。
本说明提供的药物有效性评价方法中，从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征，从而将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果。
可见，综合医学影像以及目标类型的医学检测结果，通过预先训练的药物有效性评价模型评价治疗目标用户的药物对目标用户的疾病的有效性的方式，不再依赖医生的经验和主观判断，降低了药物有效性评价的门槛，并提高了药物有效性评价的准确性。
在本说明书一个或多个的实施例中，图1步骤S102从所述医学影像中提取所述病灶区域的影像特征时，由于医学影像可以是二维影像，也可是三维影像，根据不同类型的医学影像，可分别采取下述两种方案提取影像特征，具体方案如下：
对于医学影像是二维影像的情况：从所述医学影像分割得到所述病灶区域的影像，根据所述病灶区域的影像包含的各像素，确定所述病灶区域的影像特征。其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
具体的，可以采用人工标注的方式，通过在目标用户的医学影像中人工勾勒病灶区域的方法从该医学影像中分割得到病灶区域的影像。也可以基于机器学习模型的方法，将目标用户的医学影像输入到预先训练的病灶区域分割模型，得到病灶区域分割模型输出的病灶区域的影像。还可以基于图像处理的方法，通过改变医学影像中各像素/体素的灰度值的区间，调整前景图像和背景图像之间的对比度，从而将病灶区域的影像与人体组织影像分离开。根据具体的应用场景可以选择不同的分割方法，本说明书对此不做限定。
进一步的，采用不同类型的统计方法，对病灶区域的影像包含的各像素对应的灰度信息进行统计，得到的各类型的统计结果可以分别表征病灶区域的影像中像素灰度的分布情况，从而将各类型的统计结果作为病灶区域的影像特征。
病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
其中，一阶特征指的是直接基于病灶区域的影像的像素灰度分布统计得到的直方图特征，本说明书中，一阶特征可以是能量（Energy）、总能量（Total Energy）、熵（Entropy）、最小值（Minimum）、最大值（Maximum）、均值（Mean）、极差（Range）、平均绝对偏差（Mean Absolute Deviation，MAD）、鲁棒平均绝对偏差（Robust Mean AbsoluteDeviation，rMAD）、均方根（Root Mean Squared，RMS）、偏度（Skewness）、峰度（Kurtosis）、方差（Variance）、均匀性（Uniformity）等。
形态特征用于表征病灶区域的轮廓和形状大小，如网格体积（Mesh Volume）、体素体积（Voxel Volume）、表面积（Surface Area）、表面积体积比（Surface Area to Volumeratio）、球度（Sphericity）、伸长率（Elongation）、平面度（Flatness）等。
纹理特征用于表征病灶区域的粗糙程度、影像强度的变化、影像灰度的变化以及病灶区域与人体组织之间的差异，如灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）、灰度区域大小矩阵（Gray-Level Size Zone Matrix，GLSZM）、灰度游程矩阵（Gray-Level Run-Length Matrix ，GLRLM）、相邻灰度色调差异矩阵（Neighbourhood Gray-ToneDifference Matrix，NGTDM）、灰度依赖矩阵（Gray Level Dependence Matrix，GLDM）。
可选地，根据所述病灶区域的影像包含的各像素，确定所述病灶区域的影像特征，具体可以使用 python 影像组学分析软件包pyradiomics从病灶区域的影像中自动提取影像组学的定量特征作为影像特征。
对于医学影像是三维影像的情况，所述医学影像包括多个二维医学影像。
从所述医学影像中提取所述病灶区域的影像特征，具体包括：
根据各二维医学影像进行三维重建，得到所述目标用户的病灶区域的三维医学影像。从所述三维医学影像中分割得到所述目标用户的病灶区域的立体影像。根据所述病灶区域的立体影像包含的各体素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
当目标用户的医学影像是多个二维医学影像时，该医学影像可以来源于医学数字成像和通信（Digital Imaging and Communications in Medicine，DICOM）文件中提取的医学影像序列。在实际应用中，医学影像序列中包含对患者的身体部位进行扫描得到的多个影像，各影像在医学影像序列中的排列顺序与各影像的采集顺序相关，可以是根据各影像的采集时刻从早到晚排列，也可以是根据各影像的采集时刻从晚到早排列，本说明书对此不做限定。根据多个二维医学影像可以采用现有的三维重建方案经过三维重建得到目标用户的三维医学影像，然后，对三维重建得到的单位影像进行分割，将病灶区域与人体组织区域分开，分割方法与上述二维医学影像中分割得到二维的病灶区域影像的方案类似。
进一步地，从所述三维医学影像中分割得到的所述目标用户的病灶区域的立体影像包含的各体素，确定病灶区域的影像特征，基于病灶区域的立体影像得到的影像特征与二维影像中得到的影像特征类似，此处不做赘述。
在本说明书一个或多个的实施例中，图1步骤S104所采用的药物有效性评价模型可以通过下述方案迭代训练得到，如图2所示：
S200：预先获取参考用户的病灶区域的参考医学影像、所述参考用户的目标类型的医学检测结果，以及所述参考用户的药物有效性评价结果。
在此步骤中，参考用户的数量是多个，一般的，将临床资料完整，且进行过医学影像采集以及目标类型的医学检测的用户作为参考用户。需要注意的是，参考用户包括已经通过其他医学手段诊断得到了相应的疾病诊断结果，并确诊了指定疾病的用户。例如，药物有效性评价模型用于评价抗结核药物对治疗目标用户的颈部淋巴结结核是否有效时，则该药物有效性评价模型在训练过程中采用的参考用户已经是确诊颈部淋巴结结核这一疾病的用户。
参考用户的参考医学影像与参考用户的目标类型的医学检测结果与上述S100的描述类似，此处不再赘述。
参考用户的药物有效性评价结果一般是基于指定疾病的检测实验或者全基因组测序检测，如针对颈部淋巴结结核的参考用户，可基于结核实验或者全基因组测序检测，对现有的任何一种抗结核药物进行药物有效性评价，从而得到参考用户的药物有效性评价结果。
S202：从所述参考医学影像中提取所述病灶区域的参考影像特征，并从所述目标类型的医学检测结果中提取所述目标类型的检测特征。
此步骤与上述S102类似，此处不做赘述。
S204：通过预先优化的特征筛选算法从所述参考影像特征中筛选出候选影像特征。
在此步骤中，采用的特征筛选算法可以实现由的任意一种特征筛选算法，如基于过滤式方案的t检验、卡方检验或者是F检验，通过独立统计参考影像特征中每一维特征与参考用户的药物有效性评价结果之间的相关性来为每一维特征打分，并将相关性较大的多个特征筛选出来作为候选影像特征。
还可以是基于嵌入式方案的Lasso特征筛选和树模型，通过利用了模型本身的特性，将特征选择嵌入到药物有效性评价模型的构建过程中。以Lasso特征筛选为例，在药物有效性评价模型的训练过程中通过L1范数形成的惩罚项对模型系数加以约束，控制模型参数的稀疏程度，模型参数越稀疏，会有越多的与参考用户的药物有效性评价结果（训练样本的标注）最不相关、或者对模型输出预测药物有效性评价结果贡献最小的一部分特征的特征系数为0，即不选用该特征，以达到特征筛选的目的。
通过优化后的特征筛选算法，可以得到参考影像特征中与参考用户的药物有效性评价结果最相关、或者对药物有效性评价模型输出预测药物有效性评价结果贡献最大的一部分特征。特征筛选算法可以根据所需处理的数据特点从现有的降维算法中进行选择，本说明书对此不做限定。
S206：将所述目标类型的检测特征和所述候选影像特征进行特征拼接，得到所述参考用户的目标特征。
在本说明书中，药物有效性评价模型在训练过程中的输入与在应用过程中的输入类似，不同处在于：在药物有效性评价模型的应用过程中，训练完成的药物有效性评价模型的输入是目标用户的目标类型的检测特征和影像特征，该目标用户未经检测实验等方案获得药物有效性的评价结果，在药物有效性评价模型的训练过程中，待训练的药物有效性评价模型的输入是参考用户的目标类型的检测特征和候选影像特征，该参考用户已经通过检测实验等方案得到的药物有效性的评价结果。
基于此，在药物有效性评价模型的训练过程中，以参考用户的目标类型的检测特征和候选影像特征均作为训练样本。为此，可以将目标类型的检测特征和候选影像特征进行拼接，并将拼接得到的目标特征直接作为药物有效性评价模型的训练样本。
S208：根据所述参考用户的目标特征确定训练样本，并根据所述参考用户的药物有效性评价结果确定所述训练样本的标注。
在本说明书中，根据参考用户的药物有效性评价结果确定训练样本的标注可通过下述两种方案：
其一：根据所述参考用户的药物有效性评价结果，判断是否存在至少一个抗结核药物对所述参考用户的颈部淋巴结结核无效。
若是，确定所述训练样本的标注为抗结核药物无效。
若否，确定所述训练样本的标注为抗结核药物有效。
其二：根据所述参考用户的药物有效性评价结果，确定各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率。
其中，参考用户的药物有效性评价结果可以是不同类型的抗结核药物分别对治疗参考用户的颈部淋巴结结核是否具备有效性，对不同类型的抗结核药物针对治疗参考用户的颈部淋巴结结核是否具备有效性进行统计，即可确定各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率。得到有效性概率的统计方法可以是平均统计、加权平均统计等现有的任意统计方法，本说明书对此不做限定。
例如，不同类型的抗结核药物共有A、B、C三种类型，其中药物A和B对治疗参考用户的颈部淋巴结结核有效，但药物C对治疗参考用户的颈部淋巴结结核无效，经过统计可以得到各类型的抗结核药物对治疗该参考用户的颈部淋巴结结核的有效性概率为0.67。
根据所述各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率，确定所述参考用户对应的药物有效性指标。
根据有效性概率确定有效性指标可以是直接将有效性概率作为有效性指标，也可以是基于同一参考用户的多次药物有效性评价结果分别得到多个有效性概率，并基于所述多个有效性概率进行统计得到该参考用户的有效性指标。
例如，参考用户在三次结核实验中对三种不同类型的抗结核药物的有效性概率分别是0.67、0.5和0.8，则可以基于这三次结核实验得到的有效性概率进行平均处理，得到参考用户的有效性指标为0.65。
判断所述参考用户对应的药物有效性指标是否高于预设指标阈值，
该预设指标阈值可以是根据先验经验人工设置的固定值，也可以是随着药物有效性评价模型的迭代训练动态调整的变化值，本说明书对此不做限定。
若是，确定所述训练样本的标注为抗结核药物有效。
若否，确定所述训练样本的标注为抗结核药物无效。
S210：根据所述训练样本和所述训练样本的标注，训练药物有效性评价模型。
可选地，在实际应用中，可采用不同的模型结构构建得到不同的药物有效性评价模型，会造成不同的药物有效性评价模型的性能不同。在本说明书中，可通过对模型结构互不相同的各评价模型均进行训练，并对训练后的各评价模型进行测试验证，将在测试样本上性能较好的评价模型作为实际投入应用的药物有效性评价模型，如图3所示，具体方案如下：
S300：获取多个候选评价模型，各候选评价模型的模型结构互不相同。
具体的，不同模型结构的机器学习模型，其在泛化性和准确性上可能存在一定的差异。本说明书中采用支持向量机（SVM）、决策树（DT）、逻辑回归（LR）分别构建候选评价模型，并针对这多个候选评价模型分别进行训练和测试。
S302：根据所述训练样本和所述训练样本的标注，分别训练所述各候选评价模型。
S304：获取测试样本和所述测试样本的标注。
一般的，测试样本与训练样本的获取方式相同或相近，也可以是在基于训练样本训练药物有效性评价模型之前，从训练样本中随机采样一部分样本作为测试样本，如以随机抽样的形式将原本的训练样本划分为训练集和测试集，二者比值为8：2，以训练集执行药物有效性评价模型的训练过程，以测试集对各训练完成的候选评价模型进行泛化性和准确性测试。
S306：针对每个训练完成的候选评价模型，将所述测试样本输入到该候选评价模型，得到该候选评价模型输出的所述测试样本的评价结果。
S308：根据所述测试样本的评价结果和所述测试样本的标注之间的差异，确定该候选评价模型的测试结果。
测试结果用于表征各候选评价模型在测试样本上的性能，一般的，测试样本的评价结果和所述测试样本的标注之间的差异越小，测试结果表征的候选评价模型的性能越好。反之，测试样本的评价结果和所述测试样本的标注之间的差异越大，测试结果表征的候选评价模型的性能越差。
S310：根据所述各候选评价模型的测试结果，从所述各候选评价模型中确定训练完成的药物有效性评价模型。
可以将测试结果表征的各候选评价模型中性能最好的候选评价模型作为药物有效性评价模型。也可以将测试结果表征的各候选评价模型中性能较好的多个候选评价模型筛选出来，基于筛选出的候选评价模型的模型结构重新构建模型，从而基于重新构建的模型得到药物有效性评价模型。
图4为本说明书提供的一种药物有效性评价装置示意图，具体包括：
获取模块400，用于获取目标用户的病灶区域的医学影像，以及所述目标用户的目标类型的医学检测结果；
特征提取模块402，用于从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征；
评价模块404，用于将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果；其中，所述目标用户的药物有效性评价结果用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。
可选地，所述特征提取模块402具体用于，从所述医学影像分割得到所述病灶区域的影像；根据所述病灶区域的影像包含的各像素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
可选地，所述医学影像包括多个二维医学影像；
可选地，所述特征提取模块402具体用于，根据各二维医学影像进行三维重建，得到所述目标用户的病灶区域的三维医学影像；从所述三维医学影像中分割得到所述目标用户的病灶区域的立体影像；根据所述病灶区域的立体影像包含的各体素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
可选地，所述装置还包括：
训练模块406，具体用于预先获取参考用户的病灶区域的参考医学影像、所述参考用户的目标类型的医学检测结果，以及所述参考用户的药物有效性评价结果；其中，所述参考用户的药物有效性评价结果用于指示治疗所述参考用户的疾病的药物对所述参考用户是否具备有效性；从所述参考医学影像中提取所述病灶区域的参考影像特征，并从所述目标类型的医学检测结果中提取所述目标类型的检测特征；通过预先优化的特征筛选算法从所述参考影像特征中筛选出候选影像特征；将所述目标类型的检测特征和所述候选影像特征进行拼接，得到所述参考用户的目标特征；根据所述参考用户的目标特征确定训练样本，并根据所述参考用户的药物有效性评价结果确定所述训练样本的标注；根据所述训练样本和所述训练样本的标注，训练药物有效性评价模型。
可选地，所述药物有效性评价模型用于评价抗结核药物是否与所述参考用户的颈部淋巴结结核具备有效性；
可选地，所述训练模块406具体用于，根据所述参考用户的药物有效性评价结果，判断是否存在至少一个抗结核药物对所述参考用户的颈部淋巴结结核无效；若是，确定所述训练样本的标注为抗结核药物无效；若否，确定所述训练样本的标注为抗结核药物有效。
可选地，所述药物有效性评价模型用于评价抗结核药物是否与所述参考用户的颈部淋巴结结核具备有效性；
可选地，所述训练模块406具体用于，根据所述参考用户的药物有效性评价结果，确定各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率；根据所述各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率，确定所述参考用户对应的药物有效性指标；判断所述参考用户对应的药物有效性指标是否高于预设指标阈值；若是，确定所述训练样本的标注为抗结核药物有效；若否，确定所述训练样本的标注为抗结核药物无效。
可选地，所述训练模块406具体用于，获取多个候选评价模型，各候选评价模型的模型结构互不相同；根据所述训练样本和所述训练样本的标注，分别训练所述各候选评价模型；获取测试样本和所述测试样本的标注；针对每个训练完成的候选评价模型，将所述测试样本输入到该候选评价模型，得到该候选评价模型输出的所述测试样本的评价结果；根据所述测试样本的评价结果和所述测试样本的标注之间的差异，确定该候选评价模型的测试结果；根据所述各候选评价模型的测试结果，从所述各候选评价模型中确定训练完成的药物有效性评价模型。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的药物有效性评价方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的药物有效性评价方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种药物有效性评价方法，其特征在于，包括：
获取目标用户的病灶区域的医学影像，以及所述目标用户的目标类型的医学检测结果；
从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征；
将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果；
其中，所述目标用户的药物有效性评价结果用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。
2.如权利要求1所述的方法，其特征在于，从所述医学影像中提取所述病灶区域的影像特征，具体包括：
从所述医学影像分割得到所述病灶区域的影像；
根据所述病灶区域的影像包含的各像素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
3.如权利要求1所述的方法，其特征在于，所述医学影像包括多个二维医学影像；
从所述医学影像中提取所述病灶区域的影像特征，具体包括：
根据各二维医学影像进行三维重建，得到所述目标用户的病灶区域的三维医学影像；
从所述三维医学影像中分割得到所述目标用户的病灶区域的立体影像；
根据所述病灶区域的立体影像包含的各体素，确定所述病灶区域的影像特征；其中，所述病灶区域的影像特征包括一阶特征、形态特征和纹理特征中的至少一种。
4.如权利要求1所述的方法，其特征在于，预先训练药物有效性评价模型，具体包括：
预先获取参考用户的病灶区域的参考医学影像、所述参考用户的目标类型的医学检测结果，以及所述参考用户的药物有效性评价结果；其中，所述参考用户的药物有效性评价结果用于指示治疗所述参考用户的疾病的药物对所述参考用户是否具备有效性；
从所述参考医学影像中提取所述病灶区域的参考影像特征，并从所述目标类型的医学检测结果中提取所述目标类型的检测特征；
通过预先优化的特征筛选算法从所述参考影像特征中筛选出候选影像特征；
将所述目标类型的检测特征和所述候选影像特征进行拼接，得到所述参考用户的目标特征；
根据所述参考用户的目标特征确定训练样本，并根据所述参考用户的药物有效性评价结果确定所述训练样本的标注；
根据所述训练样本和所述训练样本的标注，训练药物有效性评价模型。
5.如权利要求4所述的方法，其特征在于，所述药物有效性评价模型用于评价抗结核药物是否与所述参考用户的颈部淋巴结结核具备有效性；
根据所述参考用户的药物有效性评价结果确定所述训练样本的标注，具体包括：
根据所述参考用户的药物有效性评价结果，判断是否存在至少一个抗结核药物对所述参考用户的颈部淋巴结结核无效；
若是，确定所述训练样本的标注为抗结核药物无效；
若否，确定所述训练样本的标注为抗结核药物有效。
6.如权利要求4所述的方法，其特征在于，所述药物有效性评价模型用于评价抗结核药物是否与所述参考用户的颈部淋巴结结核具备有效性；
根据所述参考用户的药物有效性评价结果确定所述训练样本的标注，具体包括：
根据所述参考用户的药物有效性评价结果，确定各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率；
根据所述各类型的抗结核药物分别对所述参考用户的颈部淋巴结结核的有效性概率，确定所述参考用户对应的药物有效性指标；
判断所述参考用户对应的药物有效性指标是否高于预设指标阈值；
若是，确定所述训练样本的标注为抗结核药物有效；
若否，确定所述训练样本的标注为抗结核药物无效。
7.如权利要求4所述的方法，其特征在于，根据所述训练样本和所述训练样本的标注，训练药物有效性评价模型，具体包括：
获取多个候选评价模型，各候选评价模型的模型结构互不相同；
根据所述训练样本和所述训练样本的标注，分别训练所述各候选评价模型；
获取测试样本和所述测试样本的标注；
针对每个训练完成的候选评价模型，将所述测试样本输入到该候选评价模型，得到该候选评价模型输出的所述测试样本的评价结果；
根据所述测试样本的评价结果和所述测试样本的标注之间的差异，确定该候选评价模型的测试结果；
根据所述各候选评价模型的测试结果，从所述各候选评价模型中确定训练完成的药物有效性评价模型。
8.一种药物有效性评价装置，其特征在于，包括：
获取模块，用于获取目标用户的病灶区域的医学影像，以及所述目标用户的目标类型的医学检测结果；
特征提取模块，用于从所述医学影像中提取所述病灶区域的影像特征，并从所述目标类型的医学检测结果中提取目标类型的检测特征；
评价模块，用于将所述影像特征以及所述目标类型的检测特征作为输入，输入预先训练的药物有效性评价模型，得到所述药物有效性评价模型输出的所述目标用户的药物有效性评价结果；其中，所述目标用户的药物有效性评价结果用于指示治疗所述目标用户的疾病的药物对所述目标用户是否具备有效性。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010109.9A CN116758062A (zh) | 2023-08-11 | 2023-08-11 | 一种药物有效性评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010109.9A CN116758062A (zh) | 2023-08-11 | 2023-08-11 | 一种药物有效性评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116758062A true CN116758062A (zh) | 2023-09-15 |
Family
ID=87961221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311010109.9A Pending CN116758062A (zh) | 2023-08-11 | 2023-08-11 | 一种药物有效性评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758062A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106267239A (zh) * | 2015-05-28 | 2017-01-04 | 江苏命码生物科技有限公司 | 一种筛选药物或评价药物有效性的方法 |
| CN113838583A (zh) * | 2021-09-27 | 2021-12-24 | 中国人民解放军空军军医大学 | 一种基于机器学习的智能药品疗效评价方法及其应用 |
| CN113901234A (zh) * | 2021-10-19 | 2022-01-07 | 中国人民解放军空军军医大学 | 新药临床试验信息采集分析装置 |
| CN115527683A (zh) * | 2022-10-08 | 2022-12-27 | 温州医科大学附属第一医院 | 基于人工智能预测肝癌患者仑伐替尼靶向治疗效果的方法 |
-
2023
- 2023-08-11 CN CN202311010109.9A patent/CN116758062A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106267239A (zh) * | 2015-05-28 | 2017-01-04 | 江苏命码生物科技有限公司 | 一种筛选药物或评价药物有效性的方法 |
| CN113838583A (zh) * | 2021-09-27 | 2021-12-24 | 中国人民解放军空军军医大学 | 一种基于机器学习的智能药品疗效评价方法及其应用 |
| CN113901234A (zh) * | 2021-10-19 | 2022-01-07 | 中国人民解放军空军军医大学 | 新药临床试验信息采集分析装置 |
| CN115527683A (zh) * | 2022-10-08 | 2022-12-27 | 温州医科大学附属第一医院 | 基于人工智能预测肝癌患者仑伐替尼靶向治疗效果的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梅子行 等: "《Keras深度学习入门、实战与进阶》", vol. 1, 中国协和医科大学出版社, pages: 144 - 152 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wee et al. | Cortical graph neural network for AD and MCI diagnosis and transfer learning across populations | |
| Arab et al. | A fast and fully-automated deep-learning approach for accurate hemorrhage segmentation and volume quantification in non-contrast whole-head CT | |
| Sethi et al. | [Retracted] Classification of Alzheimer’s Disease Using Gaussian‐Based Bayesian Parameter Optimization for Deep Convolutional LSTM Network | |
| Haghighi et al. | Automatic renal segmentation in DCE-MRI using convolutional neural networks | |
| CN111899252B (zh) | 基于人工智能的病理图像处理方法和装置 | |
| JP7521834B2 (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
| Seo et al. | A deep learning algorithm for automated measurement of vertebral body compression from X-ray images | |
| CN115330748A (zh) | 脑图像处理方法、计算机设备和存储介质 | |
| Kavitha et al. | Brain tumor segmentation using a deep Shuffled‐YOLO network | |
| Mansour et al. | Kidney segmentations using cnn models | |
| Ouf et al. | An enhanced deep learning approach for breast cancer detection in histopathology images | |
| Zhang et al. | Deep learning with 18F-fluorodeoxyglucose-PET gives valid diagnoses for the uncertain cases in memory impairment of Alzheimer’s disease | |
| CN114529718B (zh) | 一种结外鼻型nk/t细胞淋巴瘤诊断与预后模型的构建方法 | |
| CN116758062A (zh) | 一种药物有效性评价方法及装置 | |
| Amaludin et al. | Toward more accurate diagnosis of multiple sclerosis: Automated lesion segmentation in brain magnetic resonance image using modified U‐Net model | |
| Wang et al. | Classification of clinical skin lesions with double-branch networks | |
| Song et al. | s2MRI-ADNet: an interpretable deep learning framework integrating Euclidean-graph representations of Alzheimer’s disease solely from structural MRI | |
| Sun | Empirical analysis for earlier diagnosis of Alzheimer’s disease using deep learning | |
| He et al. | Attention-based dual-path feature fusion network for automatic skin lesion segmentation | |
| Arora et al. | Enhancing teeth segmentation using multifusion deep neural net in panoramic X-ray images | |
| Archana et al. | Feedforward Model of Deep Learning Strategy for Brain Tumor Segmentation on MRI Images. | |
| CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| Prasanna et al. | Deep learning models for predicting the position of the head on an X-ray image for Cephalometric analysis | |
| Manjushree et al. | Automated detection of diabetic retinopathy using deep learning in retinal fundus images: analysis | |
| KR101957810B1 (ko) | 영상을 다배율로 촬영하는 방법, 이를 위한 제어 장치 및 촬영 장치 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230915 |
|
| RJ01 | Rejection of invention patent application after publication |