基于舌象图像的肿瘤预测系统、方法及其应用技术方案

本发明专利技术涉及肿瘤学诊断、预测、评估技术领域，具体涉及基于舌象图像的肿瘤预测系统、方法及其应用，所述系统包括：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。所述系统还包括输出模块。旨在应用AI深度学习，基于舌象图像对肿瘤进行诊断预测，肿瘤预测系统操作简单，成本低廉，无痛无创，通过大量测试病例证实预测系统是一种针对于肿瘤的前瞻性的、经济性的、无创性的、有效性的筛查系统。统。统。

【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风险，可以有效预测心血管疾病的风险。Takenaka K等学者开发了一种深度神经网络(见参考文献)，用于评估溃疡性结肠炎患者的内窥镜图像，该网络以90.1%的准确度识别内镜缓解和组织学缓解的患者，准确率为92.9%。
[0005]福州数据技术研究院有限公司专利CN110251084A提供一种基于人工智能的舌像检测与识别方法，用于解决舌像采集过程中舌像舌体的实时检测拍摄、保存、上传，同时识别舌像舌色、舌形、苔质、苔色；其方案主要涉及了舌像的采集和识别技术，其中舌像识别更侧重于提取舌像颜色、纹理、舌苔区域或舌苔厚薄等特性，然而这些工作并没有将舌像信息与某一特殊胃病比如胃癌建立对应关系。
[0006]沈阳智朗科技有限公司专利CN111710394A提出一种人工智能辅助的早期胃癌筛查系统，以自动化代替人工分析胃镜切片图像来解决胃癌阳性确定工作量大的问题；然而此种基于胃镜图像分析的策略，仍然首先需要获得大量的专业仪器采集的胃镜图像用于模型的学习，在测试阶段仍然需要依据每个测试者的胃镜图像做出决策，而胃镜图像的获得仍然存在时间消耗大、物质成本高、测试人群标准高等缺陷，很难做到全国范围的普查筛选。
[0007]江苏天瑞精准医疗科技有限公司CN112133427A提供了一种基于人工智能的胃癌辅助诊断系统，包括：诊断选择模块、数据采集模块、预处理模块、诊断模块和显示输出模块，该系统能够根据采集到的就诊者的数据，个性化地给出诊断结果。该诊断系统诊断所依
据的数据包括就诊者的基本信息、生活饮食、感染史、疾病史、家族史、临床症状和检验项目等，其中临床症状和检验项目等数据的收集难度较大，而单独依靠基本信息、生活饮食、感染史、疾病史、家族史等信息则会影响前期的筛查诊断效果。
[0008]参考文献：Cheung CY, Xu D, Cheng CY, et al. A deep
‑
learning system for the assessment of cardiovascular disease risk via the measurement of retinal
‑
vessel calibre. Nature biomedical engineering 2021;5(6):498
‑
508. doi: 10.1038/s41551
‑
020
‑
00626
‑
4 [published Online First: 2020/10/14]；Takenaka K, Ohtsuka K, Fujii T, et al. Development and Validation of a Deep Neural Network for Accurate Evaluation of Endoscopic Images From Patients With Ulcerative Colitis. Gastroenterology 2020;158(8):2150
‑
57. doi: 10.1053/j.gastro.2020.02.012 [published Online First: 2020/02/16]。
[0009]本专利技术力图解决这些和本领域中的其他待解决的需要。

技术实现思路

[0010]为解决上述
技术介绍
中提及的至少一种技术问题，本专利技术的目的旨在提供基于舌象图像的肿瘤预测系统，所述系统旨在应用AI深度学习模型，基于舌象图像对肿瘤进行诊断预测，肿瘤预测系统操作简单，成本低廉，无痛无创，通过大量测试病例证实预测系统是一种针对于肿瘤的前瞻性的、经济性的、无创性的、有效性的筛查和诊断预测系统。
[0011]目前，人工智能在舌头上的应用中医图像诊断主要侧重于舌特征提取的标准化，以消除人为解释引起的差异。首次应用AI深度学习建立基于舌象图像的GC诊断模型，并评价其在GC诊断中的价值，为中医舌象诊断理论提供科学依据。
[0012]本专利技术针对一种基于舌象的肿瘤预测系统，其包括：舌象获取模块，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。
[0013]在一个具体实施例中，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。
[0014]在一个具体实施例中，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。
[0015]在一个具体实施例中，所述系统还包括输出模块，其被配置为输出预测结果。
[0016]在一个具体实施例中，所述输出模块被配置为输出舌象图像与预测结果。
[0017]在一个具体实施例中，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。
[0018]在一个具体实施例中，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。旨在通过充分对比、分析、学习阳性舌象图像和/或阴性舌象图像之间、之内的共性和差异，从而获得阳性类别和阴性类别之间可判别性的特征，通过深度判别测试试样舌
象图像上阳性类别和阴性类别之间可判别性的特征即可判断得出测试试样属于阳性的概率，从而即可实现通本文档来自技高网...

【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：