[發(fā)明專利]一種基于主動(dòng)學(xué)習(xí)的類別預(yù)測(cè)模型建模方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110197086.1
• 申請(qǐng)日: 2021-02-22
• 公開（公告）號(hào): CN113139568B
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計(jì)）人: 金征宇;毛麗;李秀麗;宋蘭;俞益洲;李一鳴;喬昕
• 申請(qǐng)（專利權(quán)）人: 杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責(zé)任公司
• 主分類號(hào): G06V10/778
• 分類號(hào): G06V10/778;G06V10/764;G06V10/40;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天方智力知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11719
• 代理人: 吳凡

本申請(qǐng)公開了一種基于主動(dòng)學(xué)習(xí)的類別預(yù)測(cè)模型建模方法及裝置，該方法中用端到端的方式，使得在建立類別預(yù)測(cè)模型時(shí)可以優(yōu)化深度學(xué)習(xí)提取的特征和臨床特征的交互作用，提高所建立的類別預(yù)測(cè)模型的效能。結(jié)合影像組學(xué)特征、患者的臨床特征和胸部醫(yī)學(xué)圖像，構(gòu)建以深度學(xué)習(xí)模型為核心，有機(jī)整合臨床多模態(tài)信息的類別預(yù)測(cè)模型，大大提高了類別預(yù)測(cè)模型的效能。基于主動(dòng)學(xué)習(xí)的策略，篩選出最有可能提高類別預(yù)測(cè)模型表現(xiàn)的樣本數(shù)據(jù)，在降低標(biāo)注工作量的同時(shí)持續(xù)提高類別預(yù)測(cè)模型的效能，設(shè)計(jì)優(yōu)化的委員會(huì)查詢方法，既可以利用現(xiàn)有模型的信息篩選能夠?qū)︻悇e預(yù)測(cè)模型提升有幫助的數(shù)據(jù)，又考慮到建模所用的特征存在的缺失，進(jìn)一步提高類別預(yù)測(cè)模型的效能。

技術(shù)領(lǐng)域

本申請(qǐng)涉及類別預(yù)測(cè)模型建模技術(shù)領(lǐng)域，尤其涉及一種基于主動(dòng)學(xué)習(xí)的類別預(yù)測(cè)模型建模方法及裝置。

背景技術(shù)

由于基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，可以有效提取圖像特征。因此，深度學(xué)習(xí)算法在圖像的識(shí)別、分割和檢測(cè)方面均有應(yīng)用。現(xiàn)有技術(shù)中，已經(jīng)存在基于深度學(xué)習(xí)算法建立的類別預(yù)測(cè)模型，例如肺結(jié)節(jié)類別預(yù)測(cè)模型。

現(xiàn)有技術(shù)中的類別預(yù)測(cè)模型在建立時(shí)是基于一次性臨床時(shí)間點(diǎn)的CT影像特征和/臨床特征組成的數(shù)據(jù)集進(jìn)行訓(xùn)練，是單獨(dú)訓(xùn)練的深度學(xué)習(xí)模型，而不是端到端的訓(xùn)練模型，因此，無法優(yōu)化深度學(xué)習(xí)提取的特征和臨床特征的交互作用，使得所建立的類別預(yù)測(cè)模型的效能較差。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┮环N基于主動(dòng)學(xué)習(xí)的類別預(yù)測(cè)模型建模方法及裝置，可以優(yōu)化深度學(xué)習(xí)提取的特征和臨床特征的交互作用，提高所建立的類別預(yù)測(cè)模型的效能。

第一方面，本申請(qǐng)?zhí)峁┝艘环N基于主動(dòng)學(xué)習(xí)的類別預(yù)測(cè)模型建模方法，包括：

根據(jù)所收集的在第一時(shí)間段內(nèi)的患者的臨床特征、病理信息和胸部醫(yī)學(xué)圖像生成基礎(chǔ)數(shù)據(jù)集；

從所述基礎(chǔ)數(shù)據(jù)集中提取肺結(jié)節(jié)的影像組學(xué)特征，從所述影像組學(xué)特征和在第一時(shí)間段內(nèi)的患者的臨床特征中篩選出與預(yù)測(cè)目標(biāo)之間的相關(guān)性大于預(yù)設(shè)相關(guān)性閾值的篩選后影像組學(xué)特征和篩選后臨床特征；

根據(jù)所述篩選后影像組學(xué)特征、所述篩選后臨床特征和所述基礎(chǔ)數(shù)據(jù)集對(duì)第一初始深度學(xué)習(xí)模型進(jìn)行訓(xùn)練直至收斂得到基礎(chǔ)模型；

收集在第二時(shí)間段內(nèi)的患者的胸部醫(yī)學(xué)圖像作為候選數(shù)據(jù)集，其中，所述第二時(shí)間段的起始時(shí)間點(diǎn)晚于所述第一時(shí)間段的終止時(shí)間點(diǎn)；

根據(jù)所述基礎(chǔ)數(shù)據(jù)集對(duì)所述第一初始深度學(xué)習(xí)模型進(jìn)行訓(xùn)練直至收斂得到第一委員會(huì)成員模型，根據(jù)所述基礎(chǔ)數(shù)據(jù)集對(duì)k-1個(gè)第二初始深度學(xué)習(xí)模型進(jìn)行訓(xùn)練直至收斂得到k-1個(gè)第二委員會(huì)成員模型，其中，k為正整數(shù)，所述第一委員會(huì)成員模型與所述基礎(chǔ)模型的網(wǎng)絡(luò)參數(shù)相同；

根據(jù)k個(gè)委員會(huì)成員模型計(jì)算所述候選數(shù)據(jù)集中包含的各樣本數(shù)據(jù)的投票熵，對(duì)各投票熵進(jìn)行排序，提取大于預(yù)設(shè)排序位數(shù)的投票熵對(duì)應(yīng)的目標(biāo)樣本數(shù)據(jù)，確定各目標(biāo)樣本數(shù)據(jù)中的第一肺結(jié)節(jié)區(qū)域，收集在所述第二時(shí)間段內(nèi)各目標(biāo)樣本數(shù)據(jù)對(duì)應(yīng)的患者的臨床特征和病理信息，將所述第一肺結(jié)節(jié)區(qū)域、各目標(biāo)樣本數(shù)據(jù)對(duì)應(yīng)的患者的臨床特征和病理信息和各目標(biāo)樣本數(shù)據(jù)作為補(bǔ)充數(shù)據(jù)集，其中，k個(gè)委員會(huì)成員模型由所述第一委員會(huì)成員模型和k-1個(gè)第二委員會(huì)成員模型組成；

提取各目標(biāo)樣本數(shù)據(jù)中的肺結(jié)節(jié)的目標(biāo)影像組學(xué)特征，根據(jù)所述目標(biāo)影像組學(xué)特征、所述補(bǔ)充數(shù)據(jù)集和所述基礎(chǔ)數(shù)據(jù)集對(duì)所述基礎(chǔ)模型進(jìn)行訓(xùn)練直至收斂得到類別預(yù)測(cè)模型，其中，所述類別預(yù)測(cè)模型用于預(yù)測(cè)肺結(jié)節(jié)的類別。

可選的，所述根據(jù)所收集的在第一時(shí)間段內(nèi)的患者的臨床特征、病理信息和胸部醫(yī)學(xué)圖像生成基礎(chǔ)數(shù)據(jù)集的步驟，包括：

對(duì)所收集的在第一時(shí)間段內(nèi)的患者的臨床特征進(jìn)行標(biāo)準(zhǔn)化處理；

對(duì)所收集的在第一時(shí)間段內(nèi)的患者的胸部醫(yī)學(xué)圖像進(jìn)行預(yù)處理；

確定預(yù)處理后的胸部醫(yī)學(xué)圖像中的第二肺結(jié)節(jié)區(qū)域；