[发明专利]基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法

说明书

技术领域

本发明涉及一种基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法。

背景技术

深度学习是目前人工智能领域用于图像识别和语音分析的最契合、应用最广泛的算法，其灵感来自于人类大脑的工作机制，是通过建立卷积神经网络对外部输入的数据进行自动化特征提取，从而能够使机器理解学习数据，获得信息并输出。目前，基于深度学习的人工智能已应用于各个行业领域，包括语音识别、人脸识别、车标识别、手写汉字识别等。近年来人工智能辅助医疗技术的产品研发也取得重大进展，如由谷歌大脑及Verily公司研发的用于乳腺癌病理诊断的人工智能产品可达到89％的肿瘤定位准确率；浙江大学附属第一医院利用人工智能实现快速分析甲状腺B超中结节区域的位置和良恶性。

在医疗诊断过程中，病理组织切片检查需要极高的规范化和精确度。目前绝大部分的病理组织切片是由人工制作，并由病理医生结合自身长期积累的临床诊断经验来分析和判断。胃肠间质瘤(Gastrointestinal stromal tumors,GIST)是好发于胃肠道的间叶源性的肿瘤。GIST常伴随着胃肠道出血、吞咽困难，严重影响患者正常生活，因此GIST患者需要得到及时有效的治疗以防病情持续恶化。但由于缺乏特异性临床表现，确诊GIST必须依据病理组织学和免疫组化检测结果。将病变组织制备成病理切片标本，置于光学显微镜下观察，可见GIST瘤细胞形态多变，主要是上皮样细胞和梭形细胞，前者呈圆形、椭圆形或多边形，胞浆丰富，核仁明显，嗜酸性较弱，多成弥漫、巢状或围绕血管成器官样排列；后者核仁不明显，两侧呈钝圆，嗜酸性可较弱也可为中度，染色质不集中，主要呈交叉束状、栅栏状、漩涡状排列。根据组织良恶性程度可见不同程度的细胞异型性和核分裂像。

因此，病理组织学方法诊断GIST的缺点主要是：病理玻片的结果判断是由病理医生肉眼观察所得，这种人工阅片方法与病理医生自身经验、工作状态等主观因素密切相关，容易产生误差。临床上也往往因为胃肠道内环境复杂，GIST常被误诊为平滑肌源性肿瘤或神经源性肿瘤，这对于经验不足的病理医生更容易漏诊、误诊。同时，病理医生要负责检查切片上的所有可见的生物组织，而每个病人都会有许多切片，在进行40倍放大时每个切片都有100多亿的像素，因此人工阅片工作量极大，容易受阅片者主观情绪和疲劳阅片等因素的影响。而且，不同的病理学家对同一病人可能给出相当不同的诊断结论。因此，这种高度依赖人为因素的病理组织学诊断方法具有主观差异性，加上其工作强度大、时间成本高且诊断不一致性等缺点，很大程度上会影响GIST的早期诊治从而影响患者预后。另外，培养合格专业的病理医生需要进行长期的专业培训和实践过程，培养周期长，且易受当前社会经济、文化等社会因素的影响，意味着我国乃至全世界病理医生数量“供不应求”、职业缺口大的严峻形势亟需解决。

发明内容

针对病理组织学人工阅片的缺点，本发明拟通过计算机对大量胃肠间质瘤病理图像进行深度学习，来建立智能化的胃肠间质瘤病理诊断数学模型，搭建基于大数据及深度学习算法的胃肠间质瘤辅助病理诊断人工智能平台，从而实现高准确率和高效率的智能读片，以辅助临床上胃肠间质瘤的病理诊断工作，提高其准确率、工作效率及工作持续状态。

基于此，本发明的目的在于克服上述现有技术的不足之处而提供一种可提高临床诊断胃肠间质瘤时的效率、降低医疗成本的胃肠间质瘤病理诊断支持系统。

为实现上述目的，本发明采取的技术方案为：一种基于大数据深度学习的胃肠间质瘤病理诊断支持系统，所述支持系统包括：图像数据获得单元，用于获得正常胃肠组织切片图像和已确诊的胃肠间质瘤病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对所述已输入图像数据进行标注，以及保证图像的标签和图像的真实病理诊断结果一致；图像数据库构建单元，用于对所述图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，利用所述病理图像数据库的图像数据对所述第一卷积神经网络模型的参数进行调节，以及训练所述第一卷积神经网络模型，获得可用于检测患者病理图像数据的第二卷积神经网络模型。