一种卵巢肿瘤良恶性预测模型的辅助诊疗系统

1.本发明涉及医疗检测技术领域，尤其涉及一种卵巢肿瘤良恶性预测模型的辅助诊疗系统。


背景技术：

2.卵巢癌是一种极为常见的妇科恶性肿瘤，其致死率在女性恶性肿瘤中位列第10位，在生殖系统恶性肿瘤中位列第2位，仅次于子宫颈癌。卵巢位于盆腔深部，生理学位置特殊，且发病隐匿，在形成盆腔包块时早期无特异性症状。此外，卵巢癌缺少可靠的筛查方法，造成早期诊断困难。约有70％的卵巢癌患者出现明显临床症状时，肿瘤已进入中晚期或已转移至远处器官。并且，卵巢癌患者的预后恢复较差，5年生存率仅为20％至30％。
3.随着影像诊断技术的发展，卵巢肿瘤可在没有任何症状时得以发现，包括了从功能性滤泡囊肿到卵巢癌所有的可能性，治疗策略差别很大，其中一些生理性囊肿并不需要治疗。因此，发现卵巢肿瘤后进一步鉴别其良恶性已是临床亟待解决的问题。临床工作中卵巢肿瘤的分流评估是主要基于妇科肿瘤医师丰富的临床经验进行查体、肿瘤标志物检验及影像学图像辅助检查，对临床经验和判别能力都有极高的要求。一方面，肿瘤标志物糖类抗原125(ca125)是最早用于卵巢癌检测的肿瘤标志物，但其特异性差。卵巢癌风险预测模型(riskofovarianmalignancyalgorithm,roma)将患者的绝经因素与ca125、人附睾蛋白4(he4)结果经过计算得出绝经前后妇女卵巢癌高低风险百分比，在一定程度上提高了卵巢癌诊断的灵敏性和特异性，但单一依靠其诊断或排除卵巢癌，其准确度是远远不够的。另一方面，对于低年资医生、基层偏远地区医院医师而言，由于缺乏熟练的影像学阅片基础，无法准确分辨病灶与周围正常组织，很大程度需要依靠影像科医生的报告进行诊断，导致了诊断水平的参差不齐。因此，准确且可靠的自动分割与良恶性分类方法对于临床和研究都具有非常高的价值，对社会也有着重大的意义。
4.根据上述，现有的卵巢肿瘤计算机辅助诊疗方案大多基于所检测的对应患者身体上数据进行计算分析，无法形成数据模型以及根据历史数据对比进行分析，因此无法做到更全面、更智能的肿瘤良恶性结果判定。故而鉴于以上缺陷，实有必要设计一种卵巢肿瘤良恶性预测模型的辅助诊疗系统。


技术实现要素：

5.本发明所要解决的技术问题在于：提供一种卵巢肿瘤良恶性预测模型的辅助诊疗系统，解决了背景技术提出的问题。
6.为解决上述技术问题，本发明的技术方案是：一种卵巢肿瘤良恶性预测模型的辅助诊疗系统，包括卵巢影像检测分析模块、肿瘤标志物提取分析模块、数字化数据整理模块、人工智能模型训练模块、历史数据验证对比模块、判定肿瘤良恶性模块，卵巢影像检测分析模块用于检测患者卵巢医学影像，再导入肿瘤图片，设置对应的患者临床特征，并对导入的图片进行自动检测和识别后保存为相应图像特征数据，肿瘤标志物提取分析模块用于
提取患者体内肿瘤的标志物，并导入进行分析后生成数据对结果进行保存以及生成历史数据，数字化数据整理模块能接收并存储卵巢影像检测分析模块和肿瘤标志物提取分析模块的分析数据，并对数据进行分类和整理以及生成历史数据，人工智能模型训练模块能接收数字化数据整理模块中分类和整理的数据，并对数据进行计算分析生成数据模型以及保存为历史数据，历史数据验证对比模块能将人工智能模型训练模块计算分析后的数据模型与历史数据中的同类型数据模型进行对比，进而分析相似性、差异度，判定肿瘤良恶性模块根据历史数据验证对比模块分析后的相似性和差异度数据进行综合判定，分辨肿瘤的良恶性，所述的卵巢影像检测分析模块的影像检测包括b超影像、ct影像、核磁共振影像检测以及患者临床特征采集，分析模块包括基于b超影像、ct影像以及核磁共振影像的肿瘤分割模型，得到基于影像的肿瘤分割结果，患者临床特征形成数据化，得到临床特征数据包括确诊年龄、肿瘤个数、肿瘤大小、病理类型、病理组织学分级和临床肿瘤分期数据，所述的肿瘤标志物提取分析模块的肿瘤标志物提取物包含甲胎蛋白、癌胚抗原、糖类抗原125、人附睾蛋白4和糖类抗原19-9，并分析判断所检测甲胎蛋白、癌胚抗原、糖类抗原125、人附睾蛋白4和糖类抗原19-9的数据是否异常，所述的数字化数据整理模块能将卵巢影像、肿瘤标志物、患者临床特征转换为计算机数字化数据，并同时能够按照确诊年龄、肿瘤个数、肿瘤大小、病理类型、病理组织学分级和临床肿瘤分期数据的类型实现分别归类以及按照上述某一种类型或多种类型进行筛选归类，所述的人工智能模型训练模块的训练模块对图文数据进行训练，并生成神经网络模型，训练过程中计算每次迭代的网络模型的损失函数值，直至损失函数值收敛到最小，当训练完成后保存训练后的网络模型，载入训练好的网络模型，指定网络中具体一层的输出作为网络模型最终提取的特征，然后将这些特征作为数据模型的输入数据进行智能分类，并通过设置模型参数调整功能模块，便于用户可以参与数据参数的调整和修改，所述的历史数据验证对比模块能够将数据按时间轴逐渐进行历史数据记录保存，并能够在人工智能模型训练模块的配合下对历史数据进行数据对比和分析训练，得到数据之间的相似性和差异度的数值变化数据，所述的判定肿瘤良恶性模块存储包括良性肿瘤的数据标准值单元和恶性肿瘤的数据标准值单元，并根据人工智能模型训练模块得到的数据和历史数据验证对比模块得到的数据进行综合评估，最终判定肿瘤良恶性的结果。
7.可选地，所述基于影像的肿瘤分割模型使用u-net网络，所述基于图像的肿瘤分类模型使用resnet-101网络，采用随机森林算法对影像特征进行筛选，采用单因素分析对患者临床特征数据进行筛选。
8.可选地，所述肿瘤标志物提取分析模块的分析模块设定正常数据值的上下限范围，超过正常数据值上限或低于正常数据值下限均列为异常数据。
9.可选地，所述人工智能模型训练模块的训练模块基于英伟达a100芯片对图文数据进行训练。
10.可选地，所述历史数据验证对比模块能够对相似性和差异度数据进行特殊标识分类，利于人工智能模型训练模块快速抽取进行训练分析。
11.与现有技术相比，本发明可以获得包括以下技术效果：
12.1、本发明通过采用人工智能的大量训练，能够大规模对卵巢肿瘤病例进行分析计算，最大程度分析得到相关病例之间的相似性和差异度数据。
13.2、本发明能够同时分析肿瘤影像数据和肿瘤标志物数据，并能配合人工智能对其
进行相关分析，更进一步准确判断肿瘤良恶性的状态。
14.3、本发明能按时间轴存储历史数据，并同时能够通过对比同类型历史数据来辅助判断肿瘤影像数据和肿瘤标志物数据的特征相似性和差异度，最终得到更全面、真实的结果。
附图说明
15.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是一种卵巢肿瘤良恶性预测模型的辅助诊疗系统的流程图。
17.如下具体实施方式将结合上述附图进一步说明。
具体实施方式
18.在下文中，阐述了多种特定细节，以便提供对构成所描述实施例基础的概念的透彻理解，然而，对本领域的技术人员来说，很显然所描述的实施例可以在没有这些特定细节中的一些或者全部的情况下来实践，在其他情况下，没有具体描述众所周知的处理步骤。
19.以下将配合实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
20.实施例1
21.其中，包括卵巢影像检测分析模块、数字化数据整理模块、人工智能模型训练模块、历史数据验证对比模块、判定肿瘤良恶性模块；
22.步骤1：采用卵巢影像检测分析模块获取患者的卵巢影像图像，并使用u-net网络对影像进行分割，使其成为肿瘤分割模型，再使用resnet-101网络对影像进行分类；
23.步骤2：同时对患者临床特征采集，获取确诊年龄、肿瘤个数、肿瘤大小、病理类型、病理组织学分级和临床肿瘤分期的数据，并匹配到相对应的卵巢影像图像
24.步骤3：采用数字化数据整理模块将分类后的肿瘤影像以及与之相匹配的患者临床特征转换为数字化数据进行保存以及按时间轴生成为历史数据；
25.步骤4：采用人工智能模型训练模块调取数字化数据整理模块中的数据，并生成神经网络模型，训练过程中计算每次迭代的网络模型的损失函数值，直至损失函数值收敛到最小，同时借助英伟达a100芯片对图文数据的超强计算能力，获取数据之间的相似性和差异度，然后将这些特征作为数据模型的输入数据进行智能分类；
26.步骤5：采用历史数据验证对比模块能够在人工智能模型训练模块的配合下对历史数据进行数据对比和分析，得到数据之间的相似性和差异度的数值变化数据，
27.步骤6：采用判定肿瘤良恶性模块中的良性肿瘤的数据标准值单元和恶性肿瘤的数据标准值单元为判定依据，再根据人工智能模型训练模块得到的数据和历史数据验证对比模块得到的相似性和差异度的数值变化数据进行综合评估，最终能够分析出患者卵巢影像图像的状态；
28.通过上述系统，能够对患者卵巢影像进行采集、数据化整理、历史数据存储以及借
助人工智能与历史数据的对比来辅助计算分析，利于更全面的判定卵巢影像属于良性/或恶性肿瘤。
29.实施例2
30.其中，包括肿瘤标志物提取分析模块、数字化数据整理模块、人工智能模型训练模块、历史数据验证对比模块、判定肿瘤良恶性模块；
31.步骤1：采用肿瘤标志物提取分析模块提取患者的甲胎蛋白、癌胚抗原、糖类抗原125、人附睾蛋白4和糖类抗原19-9进行检测，并设定正常数据值的上下限范围，超过正常数据值上限或低于正常数据值下限均列为异常数据；
32.步骤2：采用数字化数据整理模块将检测后的肿瘤标志物以及与之相匹配的患者临床特征转换为数字化数据进行保存以及按时间轴生成为历史数据；
33.步骤4：采用人工智能模型训练模块调取数字化数据整理模块中的数据，并生成神经网络模型，训练过程中计算每次迭代的网络模型的损失函数值，直至损失函数值收敛到最小，同时借助英伟达a100芯片对图文数据的超强计算能力，获取数据之间的相似性和差异度，然后将这些特征作为数据模型的输入数据进行智能分类；
34.步骤5：采用历史数据验证对比模块能够在人工智能模型训练模块的配合下对历史数据进行数据对比和分析，得到数据之间的相似性和差异度的数值变化数据，
35.步骤6：采用判定肿瘤良恶性模块中的良性肿瘤的数据标准值单元和恶性肿瘤的数据标准值单元为判定依据，再根据人工智能模型训练模块得到的数据和历史数据验证对比模块得到的相似性和差异度的数值变化数据进行综合评估，最终能够分析出患者肿瘤标志物的状态；
36.通过上述系统，能够对患者肿瘤标志物进行采集、数据化整理、历史数据存储以及借助人工智能与历史数据的对比来辅助计算分析，利于更全面的判定肿瘤标志物属于良性/或恶性肿瘤。
37.上述说明示出并描述了发明的若干优选实施例，但如前所述，应当理解发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

技术特征：
101网络，采用随机森林算法对影像特征进行筛选，采用单因素分析对患者临床特征数据进行筛选。3.根据权利要求1所述的一种卵巢肿瘤良恶性预测模型的辅助诊疗系统，其特征在于所述肿瘤标志物提取分析模块的分析模块设定正常数据值的上下限范围，超过正常数据值上限或低于正常数据值下限均列为异常数据。4.根据权利要求1所述的一种卵巢肿瘤良恶性预测模型的辅助诊疗系统，其特征在于所述人工智能模型训练模块的训练模块基于英伟达a100芯片对图文数据进行训练。5.根据权利要求1所述的一种卵巢肿瘤良恶性预测模型的辅助诊疗系统，其特征在于所述历史数据验证对比模块能够对相似性和差异度数据进行特殊标识分类，利于人工智能模型训练模块快速抽取进行训练分析。

技术总结
本发明公开了一种卵巢肿瘤良恶性预测模型的辅助诊疗系统，包括卵巢影像检测分析模块、肿瘤标志物提取分析模块、数字化数据整理模块、人工智能模型训练模块、历史数据验证对比模块、判定肿瘤良恶性模块，本发明通过采用人工智能的大量训练，能够大规模对卵巢肿瘤病例进行分析计算，最大程度分析得到相关病例之间的相似性和差异度数据，本发明能够同时分析肿瘤影像数据和肿瘤标志物数据，并能配合人工智能对其进行相关分析，更进一步准确判断肿瘤良恶性的状态，本发明能按时间轴存储历史数据，并同时能够通过对比同类型历史数据来辅助判断肿瘤影像数据和肿瘤标志物数据的特征相似性和差异度，最终得到更全面、真实的结果。真实的结果。真实的结果。


技术研发人员：赵淑华 杨红
受保护的技术使用者：中国人民解放军空军军医大学
技术研发日：2023.03.03
技术公布日：2023/9/23