【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及一种基于机器学习的肿瘤放疗效果评价方法及系统。
技术介绍
1、目前,机器学习技术在医学影像分析中的应用正迅速发展，尤其在疾病分类、分割、检测和图像配准等方面展现出巨大潜力。深度学习模型通过从大量医学影像数据中学习，能够辅助医生进行更准确和高效的诊断与治疗决策。随着技术的进步，医学影像的精度不断提升，为机器学习算法提供了丰富的数据资源，推动了医学影像分析领域的发展。
2、在现有技术中，使用深度学习方法，用于医学影像分析，来提高诊断的准确性和效率。这些方法通过分析患者特征和临床数据，构建模型预测患者个体化预后，辅助临床决策和个性化治疗。
3、综上，现有技术的分析方法中，医学影像的标注数量少、成本高，需要大量专业知识支持，标注过程费时费力。
技术实现思路
1、本专利技术提供了一种基于机器学习的肿瘤放疗效果评价方法及系统，以解决现有技术中医学影像标注成本高、效率低的问题。
2、第一方面，为了解决上述技术问题，本专利技术提供了一种基于机器学习的肿瘤放疗效果评价方法，包括：
3、采集患者临床信息；
4、对所述患者临床信息进行数据预处理，得到标准患者数据；
5、根据所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征；
6、将所述患者数据特征输入到预先构建的多任务深度学习模型中，输入筛选后的特征，对患者放疗后的生存状态进行预测，得到肿瘤体积估计结果；其中所述
7、其中，所述多任务深度学习模型是根据原始样本进行训练得到的模型。
8、作为一种可选的实施方式，所述对所述患者临床信息进行数据预处理，得到标准患者数据，包括：
9、对所述患者临床信息进行缺失值和异常值的清洗，将患者年龄、bmi进行标准化，使得患者年龄、bmi呈正态分布，得到清洗后的患者数据；
10、使用标签编码对所述清洗后的患者数据进行数值编码，得到编码后的数据；
11、对所述编码后的数据中的靶区gtvsum、靶区内最大径、靶区体积进行归一化处理,得到标准患者数据；
12、其中，所述患者临床信息包括年龄、性别、bmi、gtvsum、靶区内最大径、靶区体积、分期、肿瘤类型、周围器官。
13、作为一种可选的实施方式，所述使用标签编码对所述清洗后的患者数据进行数值编码，得到编码后的数据，包括：
14、将性别男、女编码为1、0；将病理分型腺癌、鳞癌、其他分别编码为2,3,4；将吸烟状况有、无依次编码为1,0；将gtvsum食管、胃、贲门、左肺门分别编码为5,6,7,8。
15、作为一种可选的实施方式，所述根据所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征，包括：
16、通过以下卡方检验的公式进行筛选：
17、；
18、其中是与预测指标相关的患者数据特征，是患者数据，是在零假设为真的情况下的患者数据特征预期值。
19、作为一种可选的实施方式，所述多任务深度学习模型，包括：
20、通过多任务学习算法构建神经网络模型，将所述原始样本输入神经网络模型，进行模型训练；
21、当所述神经网络模型的训练次数大于预设次数，或者当所述神经网络模型的损失函数值小于预设的损失阈值时，判定训练完成，得到多任务深度学习模型。
22、作为一种可选的实施方式，所述原始样本输入神经网络模型，进行模型训练，包括：
23、对所述原始样本进行十折交叉验证，选取分类准确率最高的参数，将所述分类准确率最高的参数输入神经网络模型，进行模型训练；其中，所述分类准确率最高的参数包括隐藏神经元个数、学习速率、迭代次数、batch、size、和激活函数。
24、作为一种可选的实施方式，所述将所述患者数据特征输入到预先构建的多任务深度学习模型中，输入筛选后的特征，对患者放疗后的生存状态进行预测，得到肿瘤体积估计结果，包括：
25、通过以下公式得到治疗后第一周期时的肿瘤预测结果：
26、
27、通过以下公式得到治疗后第二周期时的肿瘤预测结果：
28、
29、通过以下公式得到治疗后第三周期时的肿瘤预测结果：
30、
31、其中是初始肿瘤体积；k是衰减常数，它取决于治疗的效果。
32、作为一种可选的实施方式，所述在所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征之后，所述方法包括：
33、利用皮尔森相关系数将所述患者数据特征进行剔除，得到降维数据特征；
34、根据所述降维数据特征对患者放疗后的生存状态进行预测；
35、其中，通过以下公式进行皮尔森相关系数降维操作；
36、；
37、其中，r是皮尔森相关系数，用于表示各特征与肿瘤复发转移的相关性，为对应第i个特征的靶区消退率,是第i个患者数据特征，和是分别为、的平均值。
38、第二方面，本专利技术提供了一种基于机器学习的肿瘤放疗效果评价系统，包括：
39、数据采集模块，用于采集患者的临床信息；
40、数据预处理模块，用于对所述患者临床信息进行数据预处理，得到标准患者数据；
41、特征选择模块，用于根据所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征；
42、多任务学习模块，用于将所述患者数据特征输入到预先构建的多任务深度学习模型中，输入筛选后的特征，对患者放疗后的生存状态进行预测，得到肿瘤体积估计结果；
43、其中，所述多任务深度学习模型是根据原始样本进行训练得到的模型。
44、第三方面，本专利技术还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的基于机器学习的肿瘤放疗效果评价方法。
45、第四方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于机器学习的肿瘤放疗效果评价方法。
46、相比于现有技术，本专利技术具有如下有益效果：
47、本专利技术公开了一种基于机器学习的肿瘤放疗效果评价方法，包括获取患者临床信息；根据所述患者临床信息进行数据预处理，得到标准患者数据；根据所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征；将所述患者数据特征输入到预先构建的多任务深度学习模型中，输入筛选后的特征，对患者放疗后的生存状态进行预测，得到肿瘤体积估计结果；其中所述肿瘤体积估计结果包括治疗后第一周期、本文档来自技高网...
【技术保护点】
1.一种基于机器学习的肿瘤放疗效果评价方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述对所述患者临床信息进行数据预处理，得到标准患者数据，包括：
3.根据权利要求2所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述使用标签编码对所述清洗后的患者数据进行数值编码，得到编码后的数据，包括：
4.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述根据所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征，包括：
5.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述多任务深度学习模型，包括：
6.根据权利要求5所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述原始样本输入神经网络模型，进行模型训练，包括：
7.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述将所述患者数据特征输入到预先构建的多任务深度学习模型中，输入筛选后的特征，对患者放疗后的生存状态进行预
8.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，在所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征之后，所述方法包括：
9.一种基于机器学习的肿瘤放疗效果评价系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8任一项所述基于机器学习的肿瘤放疗方法的步骤。
...【技术特征摘要】
1.一种基于机器学习的肿瘤放疗效果评价方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述对所述患者临床信息进行数据预处理，得到标准患者数据，包括：
3.根据权利要求2所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述使用标签编码对所述清洗后的患者数据进行数值编码，得到编码后的数据，包括：
4.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述根据所述标准患者数据，采用卡方检验模型进行筛选，得到与预测指标相关的患者数据特征，包括：
5.根据权利要求1所述的基于机器学习的肿瘤放疗效果评价方法，其特征在于，所述多任务深度学习模型，包括：
6.根据权利要求5所述的基于机器学习的肿瘤放...
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。