[发明专利]人工智能医学影像的肿瘤恶性风险分层辅助诊断系统

说明书

本发明公开了一种人工智能医学影像的肿瘤恶性风险分层辅助诊断系统，包括：数据采集模块、数据预处理模块、模型建立模块、模型验证与优化模块、分层诊断模块及数据库平台。本发明的肿瘤恶性风险分层辅助诊断系统基于人工智能技术，可实现对肿瘤的恶性风险进行逐次分层，模拟临床诊断思路，以人工智能模型的高精度的良性病变检出和恶性肿瘤检出能力，对影像特征明确的占位性病变进行自动诊断，从而能够实质性辅助占位性病变临床管理决策，改进临床诊断现有工作流程，增加医师诊断信心，减轻工作压力，也减少低恶性风险病变患者的焦虑，大大提高了良性病变及恶性肿瘤的确诊率，有望实现人工智能临床辅助诊断的落地实施。

技术领域

本发明涉及一种肿瘤恶性风险分层辅助诊断系统和方法，具体涉及一种人工智能医学影像的肿瘤恶性风险分层辅助诊断系统和方法；属于医学影像人工智能辅助诊断技术领域。

背景技术

肿瘤是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物。大部分良性病灶在无占位效应时无需手术干预。恶性肿瘤早期手术干预预后多良好，而晚期无论是手术干预还是放化疗普遍预后较差。目前，全球医疗机构都在不断投入巨资研究肿瘤的发生、发展和治疗，在现阶段，医生在进行肿瘤诊断过程中大多依靠其自身的经验和所掌握的知识、以及参考现有医学的医学指南进行诊断和治疗，具有诊断信心不足、效率较低和工作繁琐等问题。

以肺癌为例，肺癌每年造成全球约137万人死亡，占所有癌症死亡人数的18%，是全球发病率及死亡率最高的恶性肿瘤。随着CT技术的发展，肺结节的检出率迅速提高，这不仅使得影像医师的诊断工作量急剧上升，也给肺结节的临床决策及管理工作带来了巨大的挑战。为了辅助影像医师占位性病变临床诊断工作，提高工作效率和降低工作强度，近年来出现了一些人工智能辅助占位性病变良恶性诊断的探索。

申请号为201710737538.4的发明专利公布了一种病变良恶性风险分层辅助诊断系统，包括结节检测、医生指导、语义标注生成、样本生成、在线学习等步骤，需要医生指导，即医生标注关注点，自动计算得到关注区域内的肺结节轮廓与轮廓内各像素点的预测概率，生成含有精确语义轮廓的肺结节标注样本，供自学习系统学习。

总的来说，当前的系统大多利用公开数据集或单中心数据集进行训练，模型的泛化性和鲁棒性尚需检验；同时，数据质量参差不齐，有部分数据甚至无明确病理诊断信息，数据可靠性和数据的有效样本量受到质疑；此外，当前系统大多采用二分类思想，追求高准确率或者高AUC（ROC曲线下面积），但这种基于恶性可能性的分类方式并没有考虑到临床应用实际情况，不能切实为占位性病变临床决策管理提供参考。

鉴于上述原因，有必要对人工智能影像辅助诊断技术进行深入研究，切实帮助临床医生减轻工作压力，造福患者。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种人工智能医学影像的肿瘤恶性风险分层辅助诊断系统，提高临床医生诊断信心，辅助肿瘤性病变临床管理决策。

人工智能医学影像的肿瘤恶性风险分层辅助诊断系统，包括：

数据采集模块：用于采集现有数据，包括影像图像、临床信息、基因信息和病理良恶性标签，对数据完整性及数据质量进行验证评估后，进行数据脱敏处理并发送至数据预处理模块；

数据预处理模块：对采集到的现有数据进行降噪和数据归一化处理，寻找与病理结果对应的病变并对图像进行病变标注和分割；

模型建立模块：基于数据预处理模块得到的病变，对感兴趣区域进行特征提取和特征选择，筛选出低冗余高相关的特征，以医学影像图像为基础建立肿瘤恶性风险分层模型，并针对不同应用场景，选择高敏感性良性病变检出模型和高特异性恶性病变检出模型的模型参数及阈值：对于临床筛查应用场景，选择高敏感性的良性病变检出阈值，使阴性预测值/真良性率99%；针对恶性病变明确诊断场景，选择高特异性的恶性病变检出阈值，使阳性预测值/真恶性率99%，分层出极高风险病变；