【技术实现步骤摘要】
基于舌象图像的肿瘤预测系统、方法及其应用
[0001]本专利技术涉及肿瘤学诊断、预测、评估
,更具体来说,具体涉及基于舌象图像的肿瘤预测系统、方法及其应用,通过分析舌象图像与肿瘤学的关联关系,从而实现经济的、非侵入性的且具有较高准确度的肿瘤预测。
技术介绍
[0002]根据最新数据,胃癌(GC)是全球第三大癌症相关死亡原因,仅2020年即新增GC病例109万例,死亡77万例,其中,中国新增病例48万例,死亡病例37万例,约占世界病例的一半。GC的诊断和筛查仍然依赖于胃镜检查,但由于其侵入性强、成本高以及需要专业的内镜医师,其应用受到很大限制。此外,由于胃癌早期缺乏特异性症状,临床疾病标志物的特异性和敏感性较差,超过60%的患者在确诊时即发生局部或远处转移。局部早期GC患者的5年生存率超过60%,而局部、远处转移患者的5年生存率分别显著下降至30%和5%。因此,迫切需要新的GC诊断或筛查方法,以提高该人群的早期诊断率和预后效果。
[0003]中医药是几千年来中国人民经验应用和保留的医学科学和文化遗产,舌象诊断是中医诊断疾病的重要依据之一。中医理论认为,舌象的变化(舌的颜色、大小和形状,舌苔的颜色、厚度和含水量)可以反映人体的健康状况,尤其与胃病密切相关。但尚未有研究证实舌象变化与GC存在对应关系,以及舌象变化在GC诊断和筛查中的价值。
[0004]人工智能(AI)可用于筛查、诊断和治疗各种疾病,Cheung CY等学者开发了一种深度学习系统(见参考文献),通过测量视网膜血管的口径来评估心血管疾病的 ...
【技术保护点】
【技术特征摘要】
1.一种基于舌象图像的肿瘤预测系统,其特征在于包括:舌象采集模块,其被配置为获取测试试样的舌象图像;数据处理模块,其被配置为通过下述操作来获得测试试样属于阳性的概率:依据自动学习获得的舌象图像上的可判别性的特征预测测试试样属于阳性的概率。2.根据权利要求1所述的系统,其特征在于:所述肿瘤是胃癌、乳腺癌、结直肠癌、食道癌、肝胆胰腺癌、肺癌、前列腺癌、甲状腺癌、卵巢癌、神经母细胞瘤、滋养细胞肿瘤或头颈部鳞癌中的至少一种。3.根据权利要求1或2所述的系统,其特征在于:所述肿瘤是胃癌、乳腺癌、结直肠癌、食道癌、肝胆胰腺癌或肺癌中的至少一种。4.根据权利要求1所述的系统,其特征在于:所述系统还包括输出模块,其被配置为输出预测结果。5.根据权利要求4所述的系统,其特征在于:所述输出模块被配置为输出舌象图像与预测结果。6.根据权利要求4或5所述的系统,其特征在于:所述输出模块以电子显示、声音播报、打印、网络传输的至少一种模式输出。7.根据权利要求1所述的系统,其特征在于:所述可判别性的特征来自于舌象图像上的阳性类别与阴性类别之间。8.根据权利要求1或7所述的系统,其特征在于:所述可判别性的特征来自于成对输入交互式深度学习模型的阳性舌象图像和阴性舌象图像。9.根据权利要求8所述的系统,其特征在于:所述数据处理模块具体配置为通过下述操作来预测测试试样属于阳性的概率:充分对比同时输入交互式深度学习模型的阳性舌象图像和阴性舌象图像,自动学习在舌象图像上阳性类别和阴性类别之间的共性和差异,依据阳性类别和阴性类别之间可判别性的特征预测测试试样属于阳性的概率。10.根据权利要求9所述的系统,其特征在于:所述阳性舌象图像采集自肿瘤阳性患者;所述阴性舌象图像采集自肿瘤阴性患者。11.根据权利要求9所述的系统,其特征在于:所述交互式深度学习模型是APINet模型。12.根据权利要求9或11所述的系统,其特征在于:所述数据处理模块具体配置为通过下述操作来获得测试试样属于阳性的概率:1)从预先获取的阳性舌象图像及阴性舌象图像中提取得到阳性特征和阴性特征;2)以阳性特征和阴性特征训练模型,输出特征分属各个类别的概率;3)将测试试样舌象图像输入训练完成的模型,输出测试试样属于阳性的概率。13.根据权利要求12所述的系统,其特征在于:步骤1)所述提取得到阳性特征和阴性特征的步骤包括:编码器提取图像的特征向量,输出阳性特征f1和阴性特征f2;将f1和f2及其拼接后的特征f
m
同时输入特征选择区的MLP,对应输出两个控制向量g1和g2;g1分别激活f1和f2形成选择后的特征f
1+
和f2‑
,g2分别激活f1和f2形成选择后的特征f1‑
和f
2+
,获得两个阳性特征f
1+
和f1‑
与两个阴性特征f
2+
和f2‑
。14.根据权利要求13所述的系统,其特征在于:特征选择区的MLP充分学习f1和f
m
的共性及差异并输出控制向量g1,特征选择区的MLP充分学习f2和f
m
的共性及差异并输出控制向量g2。15.根据权利要求12所述的系统,其特征在于:步骤2)所述以阳性特征和阴性特征训练模型具体是将阳性特征和阴性特征输入到全连接层分类器中,输出这些特征分别属于各个类别的概率。16.根据权利要求12或15所述的系统,其特征在于:步骤2)所述输出特征分属各个类别的概率时,依据四个特征所述类别,最小化交叉熵损失函数:其中,y是该特征所对应的真实标签,函数φ
c
代表了最后的全连接层分类器,f
ik
对应了输入的4个特征。17.根据权利要求12或15所述的系统,其特征在于:步骤2)所述输出特征分属各个类别的概率时,考虑模型对特征f
i+
所输出的置信度应该高于特征f
i
‑
,最小化排序损失函数:其中,p
i
‑
和p
i+
是特征f
i
‑
和f
i+
经过分类器所输出的在各个类别上的概率分布,
ϵ
∈[0,1]是指定的超参数,p(c)是指在指定类别c上的概率。18.根据权利要求12所述的系统,其特征在于:步骤3)所述将测试试样舌象图像输入训练完成的模型是指将单个测试试样舌象图像输入。19.根据权利要求12或18所述的系统,其特征在于:步骤3)所述输出测试试样分属类别的概率是指最终输出对应测试试样在各个类别上的概率分布,取概率最大所对应的类别为预测的类别。20.根据权利要求1或7所述的系统,其特征在于:所述可判别性的特征来自于单一...
【专利技术属性】
技术研发人员:程向东,袁莉,杨林,张士川,徐志远,
申请(专利权)人:浙江省肿瘤医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。