[發明專利]基于影像組合病理的肺癌術后風險模型構建方法和系統

在審

• 申請號: 202310766518.5
• 申請日: 2023-06-27
• 公開（公告）號: CN116504406A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 王友于;白義鳳;彭盛坤;劉翔;馮剛
• 申請（專利權）人: 四川省醫學科學院·四川省人民醫院
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06V10/25;G06V10/762;G06V10/766;G06V10/774;G16H30/20
• 代理公司: 成都海成知識產權代理事務所(普通合伙) 51357
• 代理人: 龐啟成

1.基于影像組合病理的肺癌術后風險模型構建方法，其特征在于，包括以下步驟：

S101、構建候選肺癌術后風險模型，初步向候選肺癌術后風險模型輸入底限指標，所述底限指標由服務器端設定，使術后恢復人員達到所預測的合理區間；

S102、通過回顧性術后表征，以及已有的候選肺癌術后風險模型的指標，依據候選肺癌術后風險模型內部的分析原則，分析出術后圖像輸出的感興趣區域，輸出給術后護理人員；

S103、對術后護理人員篩選感興趣區域，在術后護理人員獲取感興趣區域之后，得到下一階段的篩選特征，獲取感興趣區域及其下一階段的篩選特征；

S104、將獲取的感興趣區域和篩選特征輸入到病理組學標簽聚類中，病理組學標簽聚類分析出的聚類值，間接表示所述候選肺癌術后風險模型的指標的置信度；

S105、將獲取的感興趣區域和篩選特征輸入到準確度校驗函數中，準確度校驗函數通分析出準確度值，繼而分析下一步的所需要校驗指標的準確度范圍；

S106、獲取候選肺癌術后風險模型指標與相對應的聚類值進行LASSO過程回歸，獲取聚類值與相應的候選肺癌術后風險模型指標的回歸的函數關系；

S107、對候選肺癌術后風險模型指標與相對應的準確度值進行LASSO過程回歸，獲取準確度值與相應的候選肺癌術后風險模型指標的回歸的函數關系；

S108、準確度校驗步驟，對上一步獲取的準確度值與相應的候選肺癌術后風險模型指標的回歸的函數關系進行校驗，假定準確度函數滿足萊布尼茲條件，利用萊布尼茲常數來校驗下一步的準確度范圍；

S109、由上一步獲取的準確度范圍，對候選肺癌術后風險模型的指標進行優化，所優化出的候選肺癌術后風險模型指標仍然處于準確度的范圍中，在準確度的范圍內求得使病理組學標簽聚類最小的指標，并將該指標輸入給候選肺癌術后風險模型；

S110、候選肺癌術后風險模型獲取指標之后，重復S102，直至兩次重復獲取的病理組學標簽聚類之間的誤差小于預設臨界值便停止繼續訓練,?肺癌術后風險模型構建完成。

2.通過權利要求1所述的基于影像組合病理的肺癌術后風險模型構建方法，其特征在于，所述S102的具體方法如下：

候選肺癌術后風險模型分析預測術后恢復關聯區域特征向量，術后恢復關聯區域特征向量的分析公式由下式表示：

；

；

；

式中，y為實際回顧性篩選特征值，為回顧性標準篩選特征值；m為篩選特征數量；在自適應檢測預測當中，篩選特征為回顧性變化加速率，理想篩選特征為理想的變化加速率；在復雜的預測邏輯當中，篩選特征為向量或標量；感興趣區域通過回顧性篩選特征與理想篩選特征之間的偏差，分析出所需要的預測術后恢復關聯區域特征向量，在檢測預測中g為所輸出的術后恢復關聯區域特征向量；均關聯指標特征向量；

式中，min(),max()函數是為限定感興趣區域不會超過關聯極限，使最后求解的感興趣區域能夠達到滿足的狀態，和是術后恢復關聯區域特征向量的理論最大值和最小值；

?；

為感興趣區域指標準確度值；

所述S103的具體方法如下：

術后護理人員分析感興趣區域特征向量，由力學運動定律，術后恢復縱向預測的方程為：

;

式(3)中，q為術后初始圖像質量，a為變化加速率，為式分析出的感興趣區域的恢復權值，為術后恢復過程中的各種關聯要素的權值之和；術后恢復分析預測術后恢復關聯區域特征向量在分析之后產生下一階段的篩選特征，輸出給病理組學標簽聚類中分析；

所述S104的具體方法如下：

病理組學標簽聚類分析感興趣區域特征向量與篩選特征與合理區間之間的偏差繼而獲取病理組學標簽聚類值。

3.通過權利要求1所述的基于影像組合病理的肺癌術后風險模型構建方法，其特征在于，所述S106、S107的具體方法如下：

采集到的感興趣區域指標準確度值；

其中，為每一次標定過程中的指標匹配選擇，S為標定次數存儲下來的數據量，為感興趣區域指標準確度值的維度；

以x為準確度函數的值，則回歸為如下方程式：

；

式中，p為第p個特征向量數據，為測量過程中的獨立同分布干擾區域，其均值為0，標準差的平方為，干擾區域在整個過程使用向量表達，即：

；

其中：

。