【技术实现步骤摘要】
本专利技术人工智能处理，具体而言涉及一种肺部结节良恶性分类方法、装置、设备和介质。
技术介绍
1、肺癌是全球最常见的恶性肿瘤之一，由于肺癌早期临床症状不典型，缺乏特异性，大部分患者诊断时已经处于中晚期阶段，出现了多处转移，现有的治疗手段效果不佳，肿瘤进展迅速，死亡率高，晚期肺癌的5年生存率只有4％-17％，因此早期诊断和治疗对于提高患者生存率至关重要。
2、传统的肺癌诊断方法依赖于临床症状、肿瘤标志物、影像学和病理学检查，但存在早期症状不典型、误诊率高、侵入性检查依从性差等问题，随着人工智能技术的快速发展，深度学习算法被用于肺癌的诊断中，但是这些算法都是基于比较昂贵的影像学手段建立的，忽略了患者的临床症状、风险因素，以及常规检验数据中隐藏的大量信息，没有进行多源数据的有效融合，存在分类结果准确性差的技术问题。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种肺部结节良恶性分类方法、装置、设备和介质，用以解决现有技术中存在的上述问题中的一者或多者。
2、本专利技术的目的是这样实现的：
3、本专利技术第一方面实施例提供一种肺部结节良恶性分类方法，包括：
4、获取患者的输入数据，所述输入数据包括标签数据、数值数据和图像数据；
5、对所述输入数据进行预处理和特征提取，得到各类输入数据对应的特征向量；
6、对各类输入数据对应的特征向量进行融合，得到融合特征；
7、将所述融合特征输入分类模型中，输
8、进一步地，所述对所述输入数据进行预处理，包括：对所述标签数据进行二值化处理，对所述数值数据进行归一化处理，对所述图像数据进行图像识别和图像分割处理。
9、进一步地，所述对所述输入数据进行特征提取，得到各类输入数据对应的特征向量，包括：对经过二值化处理的标签数据进行加权拼接，得到标签特征向量；对归一化处理后的数值数据进行拼接，得到数值特征向量；提取经过图像分割处理后的图像数据中肺部结节区域的形状特征，得到图像特征向量。
10、对二值化处理后的标签数据进行加权拼接，对各类输入数据对应的特征向量进行融合，得到融合特征，包括：使用注意力机制加权融合所述标签特征向量、数值特征向量和图像特征向量，生成所述融合特征，表示为：x'r＝x'b+x's+x't；其中，x'b＝σ(αbs·xs+αbt·xt)，x's＝σ(αsb·xb+αst·xt)，x't＝∑(αtb·xb+αts·xs)，xb表示标签特征向量，xs表示数值特征向量，xt表示图像特征向量，αbs表示标签特征向量和数值特征向量的相关性权重，αsb表示数值特征向量和标签特征向量的相关性权重，αtb表示图像特征向量和标签特征向量的相关性权重，x'b为标签特征向量的加权表示，x's为数值特征向量的加权表示，x't为图像特征向量的加权表示，wq表示查询权重矩阵，wk表示键权重矩阵。
11、进一步地，所述分类模型包括：多层全连接网络，用于对所述融合特征进行逐层非线性映射，得到高维特征；多头注意力机制，用于对所述融合特征中各个特征向量进行加权计算，得到加权特征；全局平均池化层，用于获得所述融合特征的全局特征。
12、进一步地，所述分类模型将所述高维特征、加权特征和全局特征拼接为联合特征向量，通过softmax分类层计算良性和恶性的概率分布，输出肺部结节的分类结果以及置信度。
13、进一步地，还包括：根据所述融合特征在病例库中进行检索，召回与融合特征的相似度最高的病例，作为参考病例；根据所述参考病例中分类结果的概率调整所述分类模型的参数。
14、本专利技术第二方面实施例提供一种肺部结节良恶性分类装置，包括：
15、获取模块，用于获取患者的输入数据，所述输入数据包括标签数据、数值数据和图像数据；
16、特征提取模块，用于对所述输入数据进行预处理和特征提取，得到各类输入数据对应的特征向量；
17、特征融合模块，用于对各类输入数据对应的特征向量进行融合，得到融合特征；
18、分类模块，用于将所述融合特征输入分类模型中，输出肺部结节的分类结果。
19、本专利技术第三方面实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现任一实施例所述的肺部结节良恶性分类方法。
20、本专利技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一实施例所述的肺部结节良恶性分类方法。
21、与现有技术相比，本专利技术至少可实现如下有益效果之一：
22、本专利技术提供的肺部结节良恶性分类方法，通过融合患者的标签数据、数值数据和图像数据的特征，综合不同类型的临床数据对患者肺部结节的良恶性进行分类，提高了分类结果的准确性。
本文档来自技高网...【技术保护点】
1.一种肺部结节良恶性分类方法，其特征在于，包括：
2.根据权利要求1所述的肺部结节良恶性分类方法，其特征在于，所述对所述输入数据进行预处理，包括：
3.根据权利要求2所述的肺部结节良恶性分类方法，其特征在于，所述对所述输入数据进行特征提取，得到各类输入数据对应的特征向量，包括：
4.根据权利要求3所述的肺部结节良恶性分类方法，其特征在于，对各类输入数据对应的特征向量进行融合，得到融合特征，包括：
5.根据权利要求1所述的肺部结节良恶性分类方法，其特征在于，所述分类模型包括：
6.根据权利要求5所述的肺部结节良恶性分类方法，其特征在于，所述分类模型将所述高维特征、加权特征和全局特征拼接为联合特征向量，通过Softmax分类层计算良性和恶性的概率分布，输出肺部结节的分类结果以及置信度。
7.根据权利要求1-6任一项所述的肺部结节良恶性分类方法，其特征在于，还包括：
8.一种肺部结节良恶性分类装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储
10.一种存储介质，其特征在于，其上存储有计算机程序，所述程序被处理器执行时，实现权利要求1-7任一项所述的肺部结节良恶性分类方法。
...【技术特征摘要】
1.一种肺部结节良恶性分类方法，其特征在于，包括：
2.根据权利要求1所述的肺部结节良恶性分类方法，其特征在于，所述对所述输入数据进行预处理，包括：
3.根据权利要求2所述的肺部结节良恶性分类方法，其特征在于，所述对所述输入数据进行特征提取，得到各类输入数据对应的特征向量，包括：
4.根据权利要求3所述的肺部结节良恶性分类方法，其特征在于，对各类输入数据对应的特征向量进行融合，得到融合特征，包括：
5.根据权利要求1所述的肺部结节良恶性分类方法，其特征在于，所述分类模型包括：
6.根据权利要求5所述的肺部结节良恶性分类方法，其特征在于，所述分类模型将所述高...
【专利技术属性】
技术研发人员：王兵，刘水，商蕾，张洁，梁国威，
申请(专利权)人：航天中心医院，
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。