[發明專利]一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法

在審

• 申請號: 202211271722.1
• 申請日: 2022-10-18
• 公開（公告）號: CN115620912A
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 謝海琴;董理聰;張嶼森;呂衡;趙辰陽;楊琪;劉俐;孫德勝;沈琳琳;李雪晨;張宇迪
• 申請（專利權）人: 北京大學深圳醫院;深圳大學
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/30;G06F18/25;G06N3/0464;G06N3/08;G06V10/80;G06V10/82
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 劉芙蓉

本發明提供了一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法，建立了一個基于超聲圖像和臨床特征診斷軟組織腫瘤(STT)的人工智能輔助STT預測模型。所述模型基于灰階超聲和彩色多普勒超聲兩個超聲模態的圖像，以及STT患者的臨床特征；利用多數據融合卷積神經網絡同時進行超聲圖像和臨床特征的分析，將圖像數據和語義信息疊加，進行綜合預測。在經過前期訓練和驗證后，所述模型在鑒別STT良惡性方面，診斷表現相對穩定、準確性較高，而且高效、自動化，達到輔助超聲醫生診斷的目的，具有準確的超聲圖像評分能力，極大地提高缺乏經驗超聲醫生的評分準確性和穩定性。該模型可開發為商業軟件，嵌入超聲設備，一鍵化操作，簡單易行。

技術領域

本發明涉及醫學影像分析技術領域以及人工智能領域，尤其涉及一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法。

背景技術

軟組織腫瘤(soft tissue tumor,STT)是一種起源于間葉組織，由間葉組織向不同類型軟組織分化而形成的腫瘤，具有高度異質性。惡性STT占所有惡性腫瘤約1％，其預后差，具有較高復發率、轉移性、生存率低等風險。因此，針對STT早期、準確的診斷是關鍵。目前STT診斷主要依靠影像學，因病灶成分復雜且種類繁多，良惡性病變在臨床、影像表現上存在較多的重疊，所以鑒別診斷較困難。臨床亟需尋找一種簡單、可靠的方法，提高STT良惡性診斷能力。目前，超聲(Ultrasound，US)常用于STT的影像學診斷，是STT篩查的首選方法。然而，超聲對STT良惡性鑒別能力有限，準確率較低，最低報道可至69％，診斷水平亟需提高。另外，超聲診斷還存在經驗依賴性，當超聲醫師診斷水平參差不齊時，超聲診斷結果受主觀因素影響較大，會出現診斷準確性進一步降低、診斷結果具有較大不穩定性等問題。

深度學習在各種醫學影像學任務中顯示出巨大的潛力，包括乳腺癌預測、甲狀腺癌診斷、肺癌篩查、心功能評估和肌骨圖像分析。然而，利用深度學習的方法輔助超聲評估STT良惡性的相關研究較少，沒有實現臨床應用。而且，既往研究應用的數據量很少，結果準確性不高。既往研究在建模時，也僅僅利用患者的超聲圖像，沒有充分利用其臨床信息進行建模。同時，以前的研究也未關注其對臨床的有效性和助益，未評價深度學習軟件對超聲醫生的輔助作用。

因此，現有技術還有待改進。

發明內容

鑒于上述現有技術的不足，本發明的目的在于提供一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法，旨在提供一種基于深度學習的卷積神經網絡方法，建立一個同時基于超聲圖像和臨床信息診斷STT的人工智能輔助STT診斷模型，解決目前利用深度學習的方法輔助超聲評估STT良惡性的方法結果準確性不高、診斷表現不穩定、依賴超聲操作經驗的問題。

本發明的技術方案如下：

一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其中，包括步驟：

收集軟組織腫瘤患者的超聲圖像和臨床特征，作為原始數據集；

構建多數據融合卷積神經網絡，所述多數據融合卷積神經網絡包括圖像特征提取模塊、多層感知器、多數據融合模塊；

利用構建的多數據融合卷積神經網絡對所述原始數據集進行分析和訓練，輸出軟組織腫瘤良惡性預測模型。

所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其中，采用五折交叉驗證法來進行模型的建立和驗證。

所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其中，所述超聲圖像包括灰階超聲圖像和彩色多普勒超聲圖像；所述臨床特征包括性別、年齡、腫瘤病史、手術病史、發現腫塊病程、腫瘤位置、腫瘤方位、腫瘤長徑、腫瘤短徑、腫瘤距離皮膚距離、腫瘤層次中的一種或多種特征的組合。

所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其中，所述利用構建的多數據融合卷積神經網絡對所述原始數據集進行分析和訓練具體包括步驟：