本發(fā)明涉及機(jī)器學(xué)習(xí)，尤其涉及一種基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法及系統(tǒng)。

背景技術(shù)：

1、目前,機(jī)器學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像分析中的應(yīng)用正迅速發(fā)展，尤其在疾病分類、分割、檢測和圖像配準(zhǔn)等方面展現(xiàn)出巨大潛力。深度學(xué)習(xí)模型通過從大量醫(yī)學(xué)影像數(shù)據(jù)中學(xué)習(xí)，能夠輔助醫(yī)生進(jìn)行更準(zhǔn)確和高效的診斷與治療決策。隨著技術(shù)的進(jìn)步，醫(yī)學(xué)影像的精度不斷提升，為機(jī)器學(xué)習(xí)算法提供了豐富的數(shù)據(jù)資源，推動(dòng)了醫(yī)學(xué)影像分析領(lǐng)域的發(fā)展。

2、在現(xiàn)有技術(shù)中，使用深度學(xué)習(xí)方法，用于醫(yī)學(xué)影像分析，來提高診斷的準(zhǔn)確性和效率。這些方法通過分析患者特征和臨床數(shù)據(jù)，構(gòu)建模型預(yù)測患者個(gè)體化預(yù)后，輔助臨床決策和個(gè)性化治療。

3、綜上，現(xiàn)有技術(shù)的分析方法中，醫(yī)學(xué)影像的標(biāo)注數(shù)量少、成本高，需要大量專業(yè)知識支持，標(biāo)注過程費(fèi)時(shí)費(fèi)力。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中醫(yī)學(xué)影像標(biāo)注成本高、效率低的問題。

2、第一方面，為了解決上述技術(shù)問題，本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法，包括：

3、采集患者臨床信息；

4、對所述患者臨床信息進(jìn)行數(shù)據(jù)預(yù)處理，得到標(biāo)準(zhǔn)患者數(shù)據(jù)；

5、根據(jù)所述標(biāo)準(zhǔn)患者數(shù)據(jù)，采用卡方檢驗(yàn)?zāi)Ｐ瓦M(jìn)行篩選，得到與預(yù)測指標(biāo)相關(guān)的患者數(shù)據(jù)特征；

6、將所述患者數(shù)據(jù)特征輸入到預(yù)先構(gòu)建的多任務(wù)深度學(xué)習(xí)模型中，輸入篩選后的特征，對患者放療后的生存狀態(tài)進(jìn)行預(yù)測，得到腫瘤體積估計(jì)結(jié)果；其中所述腫瘤體積估計(jì)結(jié)果包括治療后第一周期、第二周期和第三周期的腫瘤預(yù)測結(jié)果；

7、其中，所述多任務(wù)深度學(xué)習(xí)模型是根據(jù)原始樣本進(jìn)行訓(xùn)練得到的模型。

8、作為一種可選的實(shí)施方式，所述對所述患者臨床信息進(jìn)行數(shù)據(jù)預(yù)處理，得到標(biāo)準(zhǔn)患者數(shù)據(jù)，包括：

9、對所述患者臨床信息進(jìn)行缺失值和異常值的清洗，將患者年齡、bmi進(jìn)行標(biāo)準(zhǔn)化，使得患者年齡、bmi呈正態(tài)分布，得到清洗后的患者數(shù)據(jù)；

10、使用標(biāo)簽編碼對所述清洗后的患者數(shù)據(jù)進(jìn)行數(shù)值編碼，得到編碼后的數(shù)據(jù)；

11、對所述編碼后的數(shù)據(jù)中的靶區(qū)gtvsum、靶區(qū)內(nèi)最大徑、靶區(qū)體積進(jìn)行歸一化處理,得到標(biāo)準(zhǔn)患者數(shù)據(jù)；

12、其中，所述患者臨床信息包括年齡、性別、bmi、gtvsum、靶區(qū)內(nèi)最大徑、靶區(qū)體積、分期、腫瘤類型、周圍器官。

13、作為一種可選的實(shí)施方式，所述使用標(biāo)簽編碼對所述清洗后的患者數(shù)據(jù)進(jìn)行數(shù)值編碼，得到編碼后的數(shù)據(jù)，包括：

14、將性別男、女編碼為1、0；將病理分型腺癌、鱗癌、其他分別編碼為2,3,4；將吸煙狀況有、無依次編碼為1,0；將gtvsum食管、胃、賁門、左肺門分別編碼為5,6,7,8。

15、作為一種可選的實(shí)施方式，所述根據(jù)所述標(biāo)準(zhǔn)患者數(shù)據(jù)，采用卡方檢驗(yàn)?zāi)Ｐ瓦M(jìn)行篩選，得到與預(yù)測指標(biāo)相關(guān)的患者數(shù)據(jù)特征，包括：

16、通過以下卡方檢驗(yàn)的公式進(jìn)行篩選：

17、；

18、其中是與預(yù)測指標(biāo)相關(guān)的患者數(shù)據(jù)特征，是患者數(shù)據(jù)，是在零假設(shè)為真的情況下的患者數(shù)據(jù)特征預(yù)期值。

19、作為一種可選的實(shí)施方式，所述多任務(wù)深度學(xué)習(xí)模型，包括：

20、通過多任務(wù)學(xué)習(xí)算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，將所述原始樣本輸入神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行模型訓(xùn)練；

21、當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)大于預(yù)設(shè)次數(shù)，或者當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)值小于預(yù)設(shè)的損失閾值時(shí)，判定訓(xùn)練完成，得到多任務(wù)深度學(xué)習(xí)模型。

22、作為一種可選的實(shí)施方式，所述原始樣本輸入神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行模型訓(xùn)練，包括：

23、對所述原始樣本進(jìn)行十折交叉驗(yàn)證，選取分類準(zhǔn)確率最高的參數(shù)，將所述分類準(zhǔn)確率最高的參數(shù)輸入神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行模型訓(xùn)練；其中，所述分類準(zhǔn)確率最高的參數(shù)包括隱藏神經(jīng)元個(gè)數(shù)、學(xué)習(xí)速率、迭代次數(shù)、batch、size、和激活函數(shù)。

24、作為一種可選的實(shí)施方式，所述將所述患者數(shù)據(jù)特征輸入到預(yù)先構(gòu)建的多任務(wù)深度學(xué)習(xí)模型中，輸入篩選后的特征，對患者放療后的生存狀態(tài)進(jìn)行預(yù)測，得到腫瘤體積估計(jì)結(jié)果，包括：

25、通過以下公式得到治療后第一周期時(shí)的腫瘤預(yù)測結(jié)果：

26、

27、通過以下公式得到治療后第二周期時(shí)的腫瘤預(yù)測結(jié)果：

28、

29、通過以下公式得到治療后第三周期時(shí)的腫瘤預(yù)測結(jié)果：

30、

31、其中是初始腫瘤體積；k是衰減常數(shù)，它取決于治療的效果。

32、作為一種可選的實(shí)施方式，所述在所述標(biāo)準(zhǔn)患者數(shù)據(jù)，采用卡方檢驗(yàn)?zāi)Ｐ瓦M(jìn)行篩選，得到與預(yù)測指標(biāo)相關(guān)的患者數(shù)據(jù)特征之后，所述方法包括：

33、利用皮爾森相關(guān)系數(shù)將所述患者數(shù)據(jù)特征進(jìn)行剔除，得到降維數(shù)據(jù)特征；

34、根據(jù)所述降維數(shù)據(jù)特征對患者放療后的生存狀態(tài)進(jìn)行預(yù)測；

35、其中，通過以下公式進(jìn)行皮爾森相關(guān)系數(shù)降維操作；

36、；

37、其中，r是皮爾森相關(guān)系數(shù)，用于表示各特征與腫瘤復(fù)發(fā)轉(zhuǎn)移的相關(guān)性，為對應(yīng)第i個(gè)特征的靶區(qū)消退率,是第i個(gè)患者數(shù)據(jù)特征，和是分別為、的平均值。

38、第二方面，本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)系統(tǒng)，包括：

39、數(shù)據(jù)采集模塊，用于采集患者的臨床信息；

40、數(shù)據(jù)預(yù)處理模塊，用于對所述患者臨床信息進(jìn)行數(shù)據(jù)預(yù)處理，得到標(biāo)準(zhǔn)患者數(shù)據(jù)；

41、特征選擇模塊，用于根據(jù)所述標(biāo)準(zhǔn)患者數(shù)據(jù)，采用卡方檢驗(yàn)?zāi)Ｐ瓦M(jìn)行篩選，得到與預(yù)測指標(biāo)相關(guān)的患者數(shù)據(jù)特征；

42、多任務(wù)學(xué)習(xí)模塊，用于將所述患者數(shù)據(jù)特征輸入到預(yù)先構(gòu)建的多任務(wù)深度學(xué)習(xí)模型中，輸入篩選后的特征，對患者放療后的生存狀態(tài)進(jìn)行預(yù)測，得到腫瘤體積估計(jì)結(jié)果；

43、其中，所述多任務(wù)深度學(xué)習(xí)模型是根據(jù)原始樣本進(jìn)行訓(xùn)練得到的模型。

44、第三方面，本發(fā)明還提供了一種電子設(shè)備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述中任意一項(xiàng)所述的基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法。

45、第四方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)包括存儲的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲介質(zhì)所在設(shè)備執(zhí)行上述中任意一項(xiàng)所述的基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法。

46、相比于現(xiàn)有技術(shù)，本發(fā)明具有如下有益效果：

47、本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法，包括獲取患者臨床信息；根據(jù)所述患者臨床信息進(jìn)行數(shù)據(jù)預(yù)處理，得到標(biāo)準(zhǔn)患者數(shù)據(jù)；根據(jù)所述標(biāo)準(zhǔn)患者數(shù)據(jù)，采用卡方檢驗(yàn)?zāi)Ｐ瓦M(jìn)行篩選，得到與預(yù)測指標(biāo)相關(guān)的患者數(shù)據(jù)特征；將所述患者數(shù)據(jù)特征輸入到預(yù)先構(gòu)建的多任務(wù)深度學(xué)習(xí)模型中，輸入篩選后的特征，對患者放療后的生存狀態(tài)進(jìn)行預(yù)測，得到腫瘤體積估計(jì)結(jié)果；其中所述腫瘤體積估計(jì)結(jié)果包括治療后第一周期、第二周期和第三周期的腫瘤預(yù)測結(jié)果。相對于現(xiàn)有技術(shù)，本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)的腫瘤放療效果評價(jià)方法，通過將腫瘤體積、最大徑數(shù)值編碼，通過模型訓(xùn)練，輸出患者生存概率，并通過物理公式估計(jì)腫瘤體積，實(shí)現(xiàn)腫瘤狀態(tài)估計(jì)，為患者提供更全面治療信息，方便判斷預(yù)后情況，實(shí)現(xiàn)了增加醫(yī)學(xué)影像的標(biāo)注數(shù)量，提高標(biāo)注效率。