本發(fā)明涉及的是一種醫(yī)療衛(wèi)生領(lǐng)域的技術(shù)，具體是一種基于人工智能幫助肺癌篩查的方法及系統(tǒng)。

背景技術(shù)：

肺癌高危人群的判斷已有過研究。肺癌高危人群中進(jìn)行低劑量螺旋ct(low-dosecomputedtomography，ldct)檢查是篩查肺癌的有效手段，肺癌早期診斷能有效改善預(yù)后和降低死亡率。準(zhǔn)確確定高危人群不僅能提高篩查效率，還能減少醫(yī)療資源浪費(fèi)，避免讓低危人群接受不必要的輻射。當(dāng)前，美國國家綜合癌癥網(wǎng)絡(luò)(nccn)對高危人群的界定以吸煙量、家族史等風(fēng)險(xiǎn)因素寬泛定義，缺乏定量標(biāo)準(zhǔn)。近幾年有研究基于傳統(tǒng)統(tǒng)計(jì)學(xué)方法建立了風(fēng)險(xiǎn)量化的數(shù)學(xué)模型，用于鑒別高低危人群。比較有代表性的為tammemagi等人提出的的plcom2012肺癌篩查模型。然而，用于鑒別肺癌高低危人群的方法仍有待于改進(jìn)，另外，針對接受篩查人群的ct影像圖片中發(fā)現(xiàn)的肺結(jié)節(jié)，也缺乏有效的良惡性判別模型。ct判讀對專業(yè)水平和臨床經(jīng)驗(yàn)有較高要求，大型三甲醫(yī)院水平較高，可滿足篩查和診療的需求，然而在基層醫(yī)院，由于醫(yī)生經(jīng)驗(yàn)有限，則容易造成誤診、漏診。此外，針對肺癌篩查，醫(yī)療保健信息數(shù)字化程度相對較低，數(shù)據(jù)缺乏有效的管理和整合，電子病歷中所包含的數(shù)據(jù)是非結(jié)構(gòu)化的、格式散亂的、描述性語言居多的數(shù)據(jù)，使日益產(chǎn)生的海量數(shù)據(jù)難以得到有效利用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)存在的上述不足，提出一種基于人工智能幫助肺癌篩查的方法及系統(tǒng)，根據(jù)病例信息數(shù)據(jù)鑒別肺癌高危人群，并基于ct影像中肺結(jié)節(jié)形態(tài)密度等影像特征判別結(jié)節(jié)患者中的可能的惡性結(jié)節(jié)。

本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明涉及一種基于人工智能幫助肺癌篩查的方法，通過分別生成鑒別肺癌模型和肺結(jié)節(jié)良惡性評估模型，當(dāng)在線檢測時(shí)，實(shí)時(shí)采集對象的基本信息、基本健康信息、一般生活狀態(tài)、目前的呼吸系統(tǒng)癥狀、慢性病與肺病史和吸煙狀態(tài)，并通過鑒別肺癌模型和肺結(jié)節(jié)良惡性評估模型檢測得到患癌風(fēng)險(xiǎn)值和結(jié)節(jié)的惡性概率。

所述的鑒別肺癌模型，首先建立病例數(shù)據(jù)并進(jìn)行結(jié)構(gòu)初始化，通過收集肺癌患者和健康人結(jié)構(gòu)化病例數(shù)據(jù)信息，經(jīng)特征提取和特征數(shù)據(jù)標(biāo)準(zhǔn)化處理后，對得到的訓(xùn)練用數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，通過訓(xùn)練得到鑒別肺癌模型。

所述的肺結(jié)節(jié)良惡性評估模型，首先建立ct片中肺結(jié)節(jié)影像特征信息結(jié)構(gòu)，收集確診為惡性的結(jié)節(jié)和確診為良性的結(jié)節(jié)的影像特征，經(jīng)特征提取和特征數(shù)據(jù)標(biāo)準(zhǔn)化處理后，對得到的訓(xùn)練用數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，通過訓(xùn)練得到肺結(jié)節(jié)良惡性評估模型。

本發(fā)明涉及一種實(shí)現(xiàn)上述方法的系統(tǒng)，包括：鑒別肺癌模型模塊、肺結(jié)節(jié)良惡性評估模型模塊、信息采集模塊以及結(jié)果顯示模塊，其中：信息采集模塊分別與鑒別肺癌模型模塊和肺結(jié)節(jié)良惡性評估模型模塊相連，輸出實(shí)時(shí)采集的基本信息、基本健康信息、一般生活狀態(tài)、目前的呼吸系統(tǒng)癥狀、慢性病與肺病史和吸煙狀態(tài)，或輸出肺癌患者和健康人結(jié)構(gòu)化病例數(shù)據(jù)信息至鑒別肺癌模型模塊，輸出確診為惡性的結(jié)節(jié)和確診為良性的結(jié)節(jié)的影像特征至肺結(jié)節(jié)良惡性評估模型，鑒別模型生成模塊和肺結(jié)節(jié)良惡性評估模型模塊根據(jù)所得信息分別識別得到患癌風(fēng)險(xiǎn)值和結(jié)節(jié)的惡性概率，結(jié)果顯示模塊通過人機(jī)界面將結(jié)果顯示輸出。

技術(shù)效果

與現(xiàn)有技術(shù)相比，本發(fā)明充分各種相關(guān)特征，通過多維信息進(jìn)行肺癌高低危人群劃分和肺結(jié)節(jié)良惡性評估，可有助于辨別高危人群。

附圖說明

圖1為本發(fā)明流程圖；

圖2為本發(fā)明鑒別肺癌模型模塊示意圖；

圖3為本發(fā)明肺結(jié)節(jié)良惡性評估模型模塊示意圖。

具體實(shí)施方式

如圖1所示，本實(shí)施例通過分別生成鑒別肺癌模型和肺結(jié)節(jié)良惡性評估模型，當(dāng)在線檢測時(shí)，實(shí)時(shí)采集對象的基本信息、基本健康信息、一般生活狀態(tài)、目前的呼吸系統(tǒng)癥狀、慢性病與肺病史和吸煙狀態(tài)，并通過鑒別肺癌模型和肺結(jié)節(jié)良惡性評估模型檢測得到患癌風(fēng)險(xiǎn)值和結(jié)節(jié)的惡性概率。

所述的鑒別肺癌模型，首先建立病例數(shù)據(jù)并進(jìn)行結(jié)構(gòu)初始化，通過收集肺癌患者和健康人結(jié)構(gòu)化病例數(shù)據(jù)信息，經(jīng)特征提取和特征數(shù)據(jù)標(biāo)準(zhǔn)化處理后，對得到的訓(xùn)練用數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，通過訓(xùn)練得到鑒別肺癌模型。

所述的病例數(shù)據(jù)是指：根據(jù)醫(yī)學(xué)邏輯和已有文獻(xiàn)報(bào)導(dǎo)，定義與肺癌風(fēng)險(xiǎn)相關(guān)的病例信息字段，主要涵蓋人口統(tǒng)計(jì)學(xué)信息、吸煙狀況、一般健康信息，呼吸系統(tǒng)疾病相關(guān)臨床信息；針對每個(gè)字段定義可能出現(xiàn)的情形，對分類型字段的內(nèi)容進(jìn)行賦值量化，建立數(shù)據(jù)字典。

所述的結(jié)構(gòu)化病例數(shù)據(jù)信息是指：收集經(jīng)篩查6年內(nèi)確診為肺癌和確診未患肺癌人群的病例，根據(jù)建立的數(shù)據(jù)字典轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)。

所述的肺結(jié)節(jié)良惡性評估模型，首先建立ct片中肺結(jié)節(jié)影像特征信息結(jié)構(gòu)，收集確診為惡性的結(jié)節(jié)和確診為良性的結(jié)節(jié)的影像特征，經(jīng)特征提取和特征數(shù)據(jù)標(biāo)準(zhǔn)化處理后，對得到的訓(xùn)練用數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，通過訓(xùn)練得到肺結(jié)節(jié)良惡性評估模型。

所述的肺結(jié)節(jié)影像特征信息結(jié)構(gòu)是指：根據(jù)醫(yī)學(xué)邏輯和已有文獻(xiàn)報(bào)導(dǎo)，除收集第一部分中提及的信息外，定義結(jié)節(jié)形態(tài)的大小、位置、密度、形態(tài)字段；針對每個(gè)字段定義可能出現(xiàn)的情形，對分類型字段的內(nèi)容進(jìn)行賦值量化，建立數(shù)據(jù)字典。

所述的影響特征包括：經(jīng)確診為惡性的結(jié)節(jié)和確診為良性的ct影像結(jié)果和相關(guān)病人的病歷信息，根據(jù)建立的數(shù)據(jù)字典轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)。

所述的特征提取是指：針對結(jié)構(gòu)化病例數(shù)據(jù)中的每一個(gè)特征進(jìn)行數(shù)學(xué)分析和文獻(xiàn)挖掘，選取有潛在臨床意義的特征變量。

所述的訓(xùn)練用數(shù)據(jù)集是指：按正負(fù)樣本數(shù)目基本一致的原則隨機(jī)抽取樣本得到。

所述的訓(xùn)練是指：使用支持向量機(jī)算法對上面的特征進(jìn)行機(jī)器學(xué)習(xí)，用剩余數(shù)據(jù)檢測預(yù)測效能，進(jìn)行參數(shù)調(diào)優(yōu)，再次進(jìn)行機(jī)器學(xué)習(xí)和效能分析，直至獲得最優(yōu)模型。

本實(shí)施例通過如圖2所示的系統(tǒng)得以實(shí)現(xiàn)：

在圖2所示肺癌高低危人群評估實(shí)施例中，通過填寫、下拉菜單、點(diǎn)擊選擇或者滑塊方式輸入用戶自己的基本信息、基本健康信息、一般生活狀態(tài)、目前的呼吸系統(tǒng)癥狀、慢性病與肺病史和吸煙狀態(tài)等，有無結(jié)節(jié)一欄選擇“否”滑塊，輸入完畢后點(diǎn)擊“評估”按鈕。在結(jié)果中展示用戶輸入的信息生成信息小結(jié)，以彩虹圖和數(shù)字展示的方式給出患癌風(fēng)險(xiǎn)值，以雷達(dá)圖方式顯示各風(fēng)險(xiǎn)因素所占的比重。

在圖3所示肺結(jié)節(jié)良惡性評估實(shí)施例中，按圖2實(shí)施例中相同的方式輸入用戶自己的基本信息、基本健康信息、一般生活狀態(tài)、目前的呼吸系統(tǒng)癥狀、慢性病與肺病史和吸煙狀態(tài)等，在有無結(jié)節(jié)一欄選擇“是”滑塊，填寫結(jié)節(jié)大小、類型、位置、性質(zhì)等性狀。輸入完畢后點(diǎn)擊“評估”按鈕。在結(jié)果中以彩虹圖和數(shù)字展示的方式給出患癌風(fēng)險(xiǎn)值，以雷達(dá)圖方式顯示各風(fēng)險(xiǎn)因素所占的比重。此外，還以彩虹圖和數(shù)字展示的方式給出結(jié)節(jié)的惡性概率，以雷達(dá)圖方式顯示各風(fēng)險(xiǎn)因素所占的比重。此外還提供相關(guān)的科普信息。

上述具體實(shí)施可由本領(lǐng)域技術(shù)人員在不背離本發(fā)明原理和宗旨的前提下以不同的方式對其進(jìn)行局部調(diào)整，本發(fā)明的保護(hù)范圍以權(quán)利要求書為準(zhǔn)且不由上述具體實(shí)施所限，在其范圍內(nèi)的各個(gè)實(shí)現(xiàn)方案均受本發(fā)明之約束。

技術(shù)特征：

技術(shù)總結(jié)
一種基于人工智能幫助肺癌篩查的方法及系統(tǒng)，通過分別生成鑒別肺癌模型和肺結(jié)節(jié)良惡性評估模型，當(dāng)在線檢測時(shí)，實(shí)時(shí)采集對象的基本信息、基本健康信息、一般生活狀態(tài)、目前的呼吸系統(tǒng)癥狀、慢性病與肺病史和吸煙狀態(tài)，并通過鑒別肺癌模型和肺結(jié)節(jié)良惡性評估模型檢測得到患癌風(fēng)險(xiǎn)值和結(jié)節(jié)的惡性概率。本發(fā)明充分各種相關(guān)特征，通過多維信息進(jìn)行肺癌高低危人群劃分和肺結(jié)節(jié)良惡性評估，可有助于辨別高危人群。

技術(shù)研發(fā)人員：葛亮;商麗君;金松;丁寅;陳晨;其他發(fā)明人請求不公開姓名
受保護(hù)的技術(shù)使用者：點(diǎn)內(nèi)（上海）生物科技有限公司
技術(shù)研發(fā)日：2017.07.27
技術(shù)公布日：2017.10.13