一种甲真菌病诊断模型的构建方法、诊断模型和诊断装置制造方法及图纸

本公开提供一种甲真菌病诊断模型的构建方法、诊断模型和诊断装置。所述甲真菌病诊断模型的构建方法，包括以下步骤：构建训练集，所述训练集包括病甲和健康甲的皮肤镜图像，对训练集中的图像进行标注，得到标注的训练集；构建甲真菌病的诊断模型，采用深度学习算法模型建模，将所述标注的训练集的图像输入深度学习算法模型训练，训练完成后得到甲真菌病的诊断模型。模型。模型。

【技术实现步骤摘要】
一种甲真菌病诊断模型的构建方法、诊断模型和诊断装置


[0001]本公开涉及人工智能诊断领域，特别涉及一种甲真菌病诊断模型的构建方法、诊断模型、计算机可读存储介质和诊断装置。

技术介绍

[0002]皮肤镜(Dermoscopy)是一种皮肤放大镜(10
×‑
200
×
)，同时可消除皮肤表面反射光。作为一种观察皮肤表面及其下结构的无创检测技术，皮肤镜可以反映特定的组织结构模式，减少不必要的活检，提高诊断的准确率。在皮肤镜下，甲真菌病(是由各种真菌引起的甲板或甲下组织感染，主要由皮肤癣菌、酵母菌及非皮肤癣菌性霉菌引起，其中皮肤癣菌感染所致的甲真菌病称为甲癣。甲真菌病发病率占自然人群2％
‑
18％，约占甲病的50％。)可呈现特定的皮肤镜模式如锯齿状边缘、纵行条纹等，具有诊断价值。作为无创性的诊断方法，甲真菌病对于甲真菌病和炎症性甲病临床诊断及鉴别诊断具有广阔的应用前景。
[0003]皮肤镜诊断结果的判读主观性强，对皮肤镜图像的准确判断依赖于经验丰富的皮肤镜专家。在临床实践中，甲真菌病、甲银屑病、刺激性甲病可出现共同的皮肤镜特征，因此皮肤镜下甲真菌病的诊断具有一定难度。尤其是年轻医师的通过皮肤镜诊断甲真菌病的诊断准确率有待进一步提高。
[0004]因此，亟需一种能准确且快速诊断甲病以及区分甲真菌病和非甲真菌病的人工智能诊断模型和装置，提高皮肤镜下甲真菌病诊断的准确率及效率。

技术实现思路

[0005]为了解决现有技术中存在的上述技术问题之一，本公开提供了一种基于人工智能的诊断甲真菌病的深度学习算法模型的构建方法，以及构建的模型、计算机可读存储介质和诊断装置。
[0006]根据本公开的第一方面，提供了一种甲真菌病诊断模型的构建方法，所述方法包括以下步骤：
[0007]构建训练集，所述训练集包括病甲和健康甲的皮肤镜图像，对训练集中的图像进行标注，得到标注的训练集；
[0008]构建甲真菌病的诊断模型，采用深度学习算法模型建模，将所述标注的训练集的图像输入深度学习算法模型训练，训练完成后得到甲真菌病的诊断模型。
[0009]进一步的，所述方法还包括获取对诊断甲真菌病具有阳性预测因素的皮肤镜特征的步骤；优选的，所述用于诊断甲真菌病具有阳性预测因素的皮肤镜特征包括纵行条纹、锯齿状边缘、大理石样浑浊区、远端不规则中断、锥形甲角化中的至少一种。
[0010]进一步的，所述标注包括：对训练集中的病甲和健康甲分别进行标注得到训练集A；优选的，所述病甲包括甲真菌病、甲银屑病和刺激性甲病；
[0011]对训练集中的甲真菌病和非真菌性甲病分别进行标注，得到训练集B；优选的，所述非真菌性甲病包括甲银屑病和刺激性甲病；
[0012]对训练集中甲真菌病的皮肤镜图像根据皮肤镜特征进行标注，得到训练集C；优选的，所述皮肤镜特征包括纵行条纹、锯齿状边缘、大理石样浑浊区、远端不规则中断、锥形甲角化中的至少一种。
[0013]进一步的，所述构建模型步骤包括：采用训练集A训练所述深度学习算法模型，得到诊断模型I，所述诊断模型I用于鉴别病甲和健康甲；
[0014]采用训练集B训练所述深度学习算法模型，得到诊断模型II，所述诊断模型II用于鉴别甲真菌病和非真菌性甲病；
[0015]采用训练集C训练所述深度学习算法模型，得到诊断模型III，所述诊断模型III用于鉴别甲真菌病的皮肤镜特征。
[0016]进一步的，所述深度学习算法模型选自RCNN,FastRCNN，FasterRCNN，优选FasterRCNN。
[0017]进一步的，根据诊断模型中的至少一种：1)诊断模型I鉴别为病甲；2)诊断模型II鉴别为甲真菌病；3)诊断模型III鉴别出甲真菌病皮肤镜特征，得出样本为病甲的诊断结果；否则得出样本为健康甲的诊断结果。
[0018]进一步的，根据诊断模型中的至少一种：1)诊断模型II鉴别为甲真菌病；2)诊断模型III鉴别出甲真菌病皮肤镜特征，得出样本为甲真菌病的诊断结果；否则得出样本为非甲真菌病的诊断结果；优选的，在诊断模型III鉴别出甲真菌病皮肤镜特征，对样本进行相应的特征标注并得出样本为甲真菌病的综合诊断结果。
[0019]进一步的，所述方法还包括构建综合模型的步骤，所述综合模型调用甲真菌病的诊断模型的诊断结果做出综合判断；优选的，综合模型调用诊断模型I、诊断模型II、诊断模型III的诊断结果，利用诊断模型II和/或诊断模型III的诊断结果对诊断模型I输出的诊断结果做出校正，或利用诊断模型III的诊断结果对诊断模型II输出的诊断结果做出校正。
[0020]进一步的，当诊断模型I鉴别为健康甲，综合模型调用诊断模型II和/或诊断模型III的诊断结果进行判断，如果模型II鉴别为甲真菌病和/或模型III鉴别出甲真菌病皮肤镜特征，则得出待测皮肤镜图像为病甲的综合诊断结果；和/或，当诊断模型II鉴别为非甲真菌病，诊断模型III鉴别出甲真菌病皮肤镜特征，则对待测皮肤镜图像进行相应的特征标注并得出待测皮肤镜图像为甲真菌病的综合诊断结果；和/或，当诊断模型II鉴别为甲真菌病，且诊断模型III鉴别出甲真菌病皮肤镜特征，则对待测皮肤镜图像进行相应的特征标注并得出待测皮肤镜图像为甲真菌病得综合诊断结果。
[0021]根据本公开的第二方面，提供一种甲真菌病诊断模型，所述诊断模型由本公开第一方面所述的构建方法获得。
[0022]根据本公开的第三方面，提供一种甲真菌病诊断装置，所述装置包括甲真菌病诊断模型模块，所述甲真菌病诊断模型模块包括用于诊断甲真菌病的深度学习算法模型，所述深度学习算法模型训练经标注的样本的皮肤镜图像获得。
[0023]进一步的，所述甲真菌病诊断模型模块包括三个诊断模型子模块，所述三个诊断子模块分别设置通过训练的深度学习算法诊断模型I、II、III，分别用于鉴别病甲和健康甲、用于鉴别甲真菌病和非甲真菌病和用于鉴别甲真菌病皮肤镜特征。
[0024]进一步的，诊断模型I、II、III由下述步骤获得：
[0025]对训练集中的病甲和健康甲分别进行标注得到训练集A；优选的，所述病甲包括甲
真菌病、甲银屑病和刺激性甲病；采用训练集A训练所述深度学习算法模型，得到诊断模型I；
[0026]对训练集中的甲真菌病和非真菌性甲病分别进行标注，得到训练集B；优选的，所述非真菌性甲病包括甲银屑病和刺激性甲病；采用训练集B训练所述深度学习算法模型，得到诊断模型II；
[0027]对训练集中甲真菌病的皮肤镜图像根据皮肤镜特征进行标注，得到训练集C；优选的，所述皮肤镜特征包括纵行条纹、锯齿状边缘、大理石样浑浊区、远端不规则中断、锥形甲角化中的至少一种；采用训练集C训练所述深度学习算法模型，得到诊断模型III。
[0028]进一步的，所述深度学习算法模型选自RCNN,FastRCNN，FasterRCNN，优选FasterRCNN。
[0029]进一步的，所述装置还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种甲真菌病诊断模型的构建方法，其特征在于，所述方法包括以下步骤：构建训练集，所述训练集包括病甲和健康甲的皮肤镜图像，对训练集中的图像进行标注，得到标注的训练集；构建甲真菌病的诊断模型，采用深度学习算法模型建模，将所述标注的训练集的图像输入深度学习算法模型训练，训练完成后得到甲真菌病的诊断模型。2.根据权利要求1所述的甲真菌病诊断模型的构建方法，其特征在于：还包括获取对诊断甲真菌病具有阳性预测因素的皮肤镜特征的步骤；优选的，所述用于诊断甲真菌病具有阳性预测因素的皮肤镜特征包括纵行条纹、锯齿状边缘、大理石样浑浊区、远端不规则中断、锥形甲角化中的至少一种。3.根据权利要求1或2所述的甲真菌病诊断模型的构建方法，其特征在于：所述标注包括：对训练集中的病甲和健康甲分别进行标注得到训练集A；优选的，所述病甲包括甲真菌病、甲银屑病和刺激性甲病；对训练集中的甲真菌病和非真菌性甲病分别进行标注，得到训练集B；优选的，所述非真菌性甲病包括甲银屑病和刺激性甲病；对训练集中甲真菌病的皮肤镜图像根据皮肤镜特征进行标注，得到训练集C；优选的，所述皮肤镜特征包括纵行条纹、锯齿状边缘、大理石样浑浊区、远端不规则中断、锥形甲角化中的至少一种。4.根据权利要求3所述的甲真菌病诊断模型的构建方法，其特征在于：所述构建模型步骤包括：采用训练集A训练所述深度学习算法模型，得到诊断模型I，所述诊断模型I用于鉴别病甲和健康甲；采用训练集B训练所述深度学习算法模型，得到诊断模型II，所述诊断模型II用于鉴别甲真菌病和非真菌性甲病；采用训练集C训练所述深度学习算法模型，得到诊断模型III，所述诊断模型III用于鉴别甲真菌病的皮肤镜特征。5.根据权利要求1
‑
4任一项所述的甲真菌病诊断模型的构建方法，其特征在于，所述深度学习算法模型选自RCNN,FastRCNN，FasterRCNN，优选FasterRCNN。6.根据权利要求5所述的甲真菌病诊断模型的构建方法，其特征在于：根据诊断模型中的至少一种：1)诊断模型I鉴别为病甲；2)诊断模型II鉴别为甲真菌病；3)诊断模型III鉴别出甲真菌病皮肤镜特征，得出样本为病甲的诊断结果；否则得出样本为健康甲的诊断结果。7.根据权利要求5或6所述的甲真菌病诊断模型的构建方法，其特征在于，根据诊断模型中的至少一种：1)诊断模型II鉴别为甲真菌病；2)诊断模型III鉴别出甲真菌病皮肤镜特征，得出样本为甲真菌病的诊断结果；否则得出样本为非甲真菌病的诊断结果；优选的，在诊断模型III鉴别出甲真菌病皮肤镜特征，对样本进行相应的特征标注并得出样本为甲真菌病的综合诊断结果。8.根据权利要求5所述的甲真菌病诊断模型的构建方法，其特征在于：还包括构建综合模型的步骤，所述综合模型调用甲真菌病诊断模型的诊断结果做出综合判断；优选的，综合模型调用诊断模型I、诊断模型II、诊断模型III的诊断结果，利用诊断模型II和/或诊断模型III的诊断结果对诊断模型I输出的诊断结果做出校正，或利用诊断模型III的诊断结果对诊断模型II输出的诊断结果做出校正。
9.根据权利要求8所述的甲真菌病诊断模型的构建方法，其特征在于：当诊断模型I鉴别为健康甲，综合模型调用诊断模型II和/或诊断模型III的诊断结果进行判断，如果模型II鉴别为甲真菌病和/或模型III鉴别出甲真菌病皮肤镜特征，则得出待测皮肤镜图像为病甲的综合诊断结果；和/或，当诊断模型II鉴别为非甲真菌病，诊断模型III鉴别出甲真菌病皮肤镜特征，则对待测皮肤镜图像进行相应的特征标注并得出待测皮肤镜图像为甲真菌病的综合诊断结果；和/或，...

【专利技术属性】
技术研发人员：鲁莎，席丽艳，李希清，朱显忠，张军民，蔡文莹，张静，
申请(专利权)人：中山大学孙逸仙纪念医院，
类型：发明
国别省市：