[发明专利]人工智能辅助诊断系统、诊断方法

说明书

本发明涉及AI医疗领域，提供了一种结论可解释化的深度学习人工智能辅助诊断系统。包括：当处理器执行指令时，所述智能辅助诊断系统被配置为：获取已知肿瘤分期/分型的原始影像数据；更改所述影像数据中的一个影像组学特征，得到更改后的影像数据；将更改前后的影像数据分别输入同一分类神经网络，以获取所述原始影像数据和所述更改后的影像数据的肿瘤分期/分型结果；累计多次所述分期/分型结果的准确率，并计算所述原始影像数据和所述更改后的影像数据的准确率之差；根据所述准确率之差建立影像组学特征和所述分类神经网络决策选择之间的映射关系。本发明的优点是使神经网络的判断结果具有可解释性。

技术领域

本发明涉及AI(Artificial Intelligence，人工智能)医疗领域，尤其涉及一种人工智能辅助诊断系统、诊断方法。

背景技术

深度神经网络已经在医学影像的诊断，预测和评估等方面取得了卓越的表现。尽管如此，决策机制缺乏透明性和抽象特征的难以理解性，使其正遭受广泛质疑，并也会影响其在临床实践中的应用和推广，因为临床医学要求可解释性。为此，我们试图建立深度学习系统的输出结果和医师的可理解性概念如放射组学特征之间的联系。因此，我们提出了改进的深度学习抽象特征可解释化方案：利用深度神经网络输入特征向量对输出准确性权重影响的排序来反向推出输入特征向量权重的排序，从而得到对深度学习系统影响权重最大的几个放射组学特征。

例如肺癌的病期决定了患者的预后方案，而准确的临床分期是肺癌治疗方案制定的重要依据。但是，目前肺癌分型及分期的方法存在局限性，首先，肺癌分型的依据为活检或手术的组织学，具有创伤性和滞后性；其次，影像医师对肺癌进行分期具有主观性，如肺癌对周围组织的侵犯的判断依靠经验；最后，肺癌分期中淋巴结转移的CT评价主要靠淋巴结直径分析，但淋巴结大小并非是判读是否存在转移的唯一标准，其与淋巴结密度、强化特征、生物学性质等特征有关。故淋巴结转移的评价指标过于单一化。

采用基于深度神经网络技术的人工智能(AI，Artificial Intelligence)的方法可以建立影像组学、基因组学与肺癌分型分期中的相关性，有效弥补医师评估的主观性，滞后性、分析指标单一化等方面的不足。但是，深度神经网络是一套非线性的复杂关系模型，其优点是可以逼近任何函数，在近似值和精确度上均有较好的表现，但是这种复杂关系模型无法捕捉网络生成和输出的运作方式，即深度神经网络是一个“黑匣子”，其能提供准确的结果，但无从解释得到该结果的依据。

在临床上，这个“黑匣子”带来的困扰表现在：其一，临床实践要求可解释性。可解释性在癌症的诊断、分型和分期中尤其重要。以肺癌为例，因为肺结节计算机辅助诊断的研究有较长的历史，有大量放射组学的文献提取了大量特征来做肺癌的早期诊断，医生对于这些图像的特征也比较熟悉，如果要借助智能系统获得补充性诊断意见，这就首先要求人工智能系统能够生成医生能理解的影像特征。其二，在医学实践中，缺乏可解释性易造成信任危机，而不良的医患关系会影响深度学习的神经网络系统(人工智能系统)的推广和应用。

发明内容

为了解决上述的“黑匣子”困扰，本发明力求建立深度神经网络中的抽象的特征参数和医生可解释性概念之间的联系，即映射关系，从而让医生能够理解并且解释深度神经网络做出的决策。

本发明的目的在于提供一种人工智能辅助诊断系统，用于辅助肿瘤分期/分型。包括存储一组指令的至少一个存储介质以及配置成与所述至少一个存储介质通信的至少一个处理器，当所述处理器执行所述一组指令时，所述人工智能辅助诊断系统被配置为：

获取肿瘤分期/分型的原始影像数据；

更改所述影像数据中的一个影像组学特征，得到更改后的影像数据；

将更改前后的影像数据分别输入同一可信的分类神经网络，以获取所述原始影像数据和所述更改后的影像数据的肿瘤分期/分型结果；

累计多次所述分期/分型结果的准确率，并计算所述原始影像数据和所述更改后的影像数据的准确率之差；