[發明專利]實現持續深度學習模型實時監管的優選集成系統及方法

在審

• 申請號: 202210496285.7
• 申請日: 2022-05-09
• 公開（公告）號: CN114822820A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 李建;金林原;張艷芬;張敏;李洪新;王靜超;廖杰科
• 申請（專利權）人: 廣州易睿智影科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06F16/532;G06F16/55;G06K9/62
• 代理公司: 廣州金鵬律師事務所 44529
• 代理人: 周藝

本發明公開了實現持續深度學習模型實時監管的優選集成系統及方法，包括持續學習子系統、數據處理模塊、優選模型生成模塊、診斷模塊、數據存儲模塊、病理類型數據庫、病理疾病數據庫、優選模型數據庫和超聲PACS子系統，實現方法包括步驟一，數據集構建；步驟二，算法優選；步驟三，系統開發；步驟四，系統應用；本發明的集成系統采用模型優選的方法進行設計，實現了對模型的監管，可以保證集成系統診斷性能的穩定；本發明的集成系統具有持續學習能力，其診斷能力隨著階段學習不斷提高，保證了診斷結果的準確性；本發明采用模型集成化設計，集成系統可以輸出多種診斷結果，為醫師鑒別疾病起了非常重要的輔助作用。

技術領域

本發明涉及機器學習技術領域，具體為實現持續深度學習模型實時監管的優選集成系統及方法。

背景技術

持續學習在醫療實踐中具有巨大潛力，這種方式類似于人類臨床醫生的學習方式，模型能夠從錯誤中逐步學習并通過逐漸增加的數據調整性能；在現有技術中，采用持續學習開發模型用于超聲診斷還沒有相關的文獻報導，現有的超聲診斷模型缺乏持續學習能力，其診斷準確性無法得到提高；其次，由于AI對健康結果的影響，持續學習模型須合并來自大量患者的臨床數據，也可能會導致患者隱私問題，目前還沒有評估這些模型質量的方法，AI在實時醫學中監管挑戰巨大，風險也很高，現有技術對模型監管問題還沒有好的解決方法，一般將模型訓練20次以上，當準確率不再升高就終止訓練，這使得系統的穩定性無法得到保障；現有診斷模型為了避免診斷結果相互干擾，其輸出的診斷結果較為單一，無法為醫師鑒別疾病提供更多的依據。

發明內容

本發明的目的在于提供實現持續深度學習模型實時監管的優選集成系統及方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：實現持續深度學習模型實時監管的優選集成系統，包括持續學習子系統和超聲PACS子系統，所述持續學習子系統包括數據處理模塊、優選模型生成模塊、診斷模塊和數據存儲模塊，超聲PACS子系統數據連接有數據處理模塊，數據處理模塊數據連接有優選模型生成模塊、診斷模塊和數據存儲模塊，且優選模型生成模塊和診斷模塊均與數據存儲模塊建立數據連接，診斷模塊與超聲PACS子系統建立數據連接。

優選的，所述數據處理模塊包括圖像分類子模塊和數據集構建子模塊。

優選的，所述優選模型生成模塊包括模型訓練子模塊和模型測試子模塊，且模型訓練子模塊與模型測試子模塊建立數據連接。

優選的，所述數據存儲模塊包括腫塊良惡性數據庫、病理類型數據庫、病理疾病數據庫和優選模型數據庫，且腫塊良惡性數據庫、病理類型數據庫和病理疾病數據庫均與數據處理模塊建立數據連接，優選模型數據庫與優選模型生成模塊和診斷模塊建立數據連接。

實現持續深度學習模型實時監管的優選集成系統的實現方法，包括步驟一，數據集構建；步驟二，算法優選；步驟三，系統開發；步驟四，系統應用；

其中上述步驟一中，數據集構建包括以下步驟：

1)構建實驗數據集：選取499例有病理結果的超聲乳腺病例用于訓練，收集乳腺超聲良性腫塊圖像965幅，惡性圖像腫塊965幅，分別隨機選取800幅用于訓練，165幅用于測試，構建實驗數據集(Experimental data set，EDS)；

2)構建腫塊良惡性診斷測試數據集：選取130例病例作為測試數據集(Test dataset，TDS)，在用于測試的病例中選取良性腫塊圖像200幅和惡性腫塊圖像200幅，用于構建腫塊良惡性診斷測試數據集(Benign and malignant diagnostic test data set，BMTDS)；

3)構建病理類型診斷測試數據集：根據病理診斷結果的病理類型，選取浸潤性非特殊癌200幅圖像作為正類，其它病理類型圖像中隨機選200幅圖像作為負類，構建病理類型診斷測試數據集(Pathological type diagnostic test data set，PTTDS)；