[發明專利]一種肺結節性質判定方法

在審

• 申請號: 202210069299.0
• 申請日: 2022-01-21
• 公開（公告）號: CN114429473A
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 宋永端;周勇城;談世磊;黃帆;張洪田;楊肖;陳星羿;吳將娛;廖昕怡
• 申請（專利權）人: 重慶大學;星際(重慶)智能裝備技術研究院有限公司;迪比(重慶)智能科技研究院有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/00;G06K9/62;G06V10/44;G06V10/764
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

本發明涉及一種肺結節性質判定方法，S1獲取多位病人的病理特征數據，分別提取影像結構化數據和基因甲基化數據的特征；S2對病理特征數據進行數據清洗得到小規模數據集；S3將小規模數據集中的每個樣本進行特征選擇得到最佳小規模數據集；將最佳小規模數據集中所有最佳樣本分割為訓練集和測試集；S4選擇現有M種分類方法，使用訓練集中分別對M種分類方法進行訓練得到M種最佳分類方法；S5將測試集輸入M種最佳分類方法中選擇最終分類方法，S6對于一個待預測病人的病理特征數據處理后輸入最終分類方法中，輸出該待預測病人肺結節屬于良性和惡性。該方法能用于本領域專家能夠對肺結節良惡性進行輔助診斷參考性，而且實時性較高。

技術領域

本發明涉及醫療數據分析技術領域，尤其涉及一種肺結節性質判定方法。

背景技術

目前許多肺結節臨床中，大部分需要醫生診斷肺部的結節是否為惡行結節，如果是則需要及時治療切除；同時醫生在診斷前需要進行CT影像觀察，或者其他檢驗(如做基因甲基化)這樣的數據用一次下次就不會再利用，會造成數據不充分利用或者存儲起來形成數據孤島。

目前機器學習來輔助醫生進行肺結節性質判定的方法主要有以下兩種：

通過CT影像結合深度學習方法進行檢測和識別其結果，該方案缺點：a、依賴大量的圖片數據，需要訓練相關模型，算法選擇和調參難度大，整體工作量比較大；b、圖像領域良惡性的機理只基于圖像的灰度去識別結節性質，這樣對圖像的質量提出挑戰；c、部署深度學習模型要求的平臺性能比較高，價格昂貴。

基于特性的專家系統，通過觀察影像學(如形狀，大小，厚度，結節是否有積液等特征)的特征并結合單一的算法，例如邏輯回歸(目前多數專利采用改方法)進行判斷；該方案的缺點：a、在醫學上通過這樣的特征去判斷是不能全部概括所有惡性結節的現象；b、邏輯回歸算法本身存在一定缺陷，算法很容易過擬合，而且只能處理小特征集。算法選擇無法合理的說明是最佳算法；c、基于a，b的選擇很容易造成準確率不高的情況。

發明內容

針對現有技術存在的上述問題，本發明要解決的技術問題是：如何在小樣本情況下提高肺結節種類判斷的準確性。

為解決上述技術問題，本發明采用如下技術方案：一種肺結節性質判定方法，包括如下步驟：

S1：獲取多位病人的病理特征數據，所述病例特征數據包括影像結構化數據和基因甲基化數據，分別提取影像結構化數據和基因甲基化數據的特征；

S2：對S1獲取的多位病人的病理特征數據進行數據清洗得到小規模數據集，所述小規模數據集滿足數據分析的最低要求，將小規模數據集中一個病人的病理特征數據定義為一個樣本；

S3：將S2得到的小規模數據集中的每個樣本進行特征選擇得到最佳樣本特征，經過特征選擇后的所有樣本構成最佳小規模數據集；

將最佳小規模數據集中所有最佳樣本分割為訓練集和測試集；

S4：選擇現有M種分類方法，使用訓練集中的訓練樣本分別對M種分類方法進行訓練對應的得到M種最佳分類方法；

S5：將測試集中的所有測試樣本輸入分別S4得到的M種最佳分類方法中，選擇最終分類方法；

S6：對于一個待預測病人的病理特征數據，采用S1-S3的方法得到該待預測病人對于的待預測樣本，將該待預測樣本輸入S5選擇的最終分類方法中，輸出該待預測病人肺結節屬于良性或惡性。

作為優選，所述S3中將小規模數據集中所有樣本按照訓練集：測試集＝7：3進行分割。由于本發明是在小樣本數據上進行，因此7：3的分割方法一方面可以盡可能的保證訓練樣本數量，另一方面盡可能的保證測試樣本的數量，確保通過測試樣本獲得的測試效果的準確性。

作為優選，所述S3中每個樣本進行特征選擇得到最佳樣本特征的具體步驟如下：