[发明专利]一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型

权利要求书

1.一种基于深度学习的肾透明细胞癌人工智能病理诊断方法，其特征在于，所述的肾透明细胞癌人工智能病理诊断方法，包括以下步骤：

S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；

S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；

S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；

S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；

S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。

2.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，还包括以下步骤：

S6:对肾透明细胞癌患者生存预后的预测效能探究：将通过训练集中的图像数据构建的人工智能诊断模型作为分类器，将训练集和测试集中的肾透明细胞癌病例的生存资料和提取的特征信息数据输入进行生存分析预测，通过生存曲线评估人工智能诊断模型对肾透明细胞癌患者生存预后的预测效能，通过受试者工作特征曲线评估人工智能诊断模型的对肾透明细胞癌患者术后生存状态的预测效能。

3.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，步骤S3:使用软件对特征性模块化图像进行归一化处理，模块化图像特征信息，包括8个主要部分：测量对象相关性、测量对象间隔距离、测量对象占用面积、测量图像强度、测量对象强度、测量对象邻近、测量对象径向分布、测量对象大小形状和测量对象纹理，每个主要部分又细化为多种定量特征信息，最后每个样本分别提取346个定量特征信息。

4.根据权利要求1所述的肾透明细胞癌人工智能病理诊断方法，其特征在于，步骤S4:总共筛选出66个与肾透明细胞癌病理诊断显著相关的模块化图像特征信息。

5.一种基于深度学习的肾透明细胞癌人工智能病理诊断模型，其特征在于，所述的肾透明细胞癌人工智能病理诊断模型通过以下方法构建，包括以下步骤：

S1:数据获取：从癌症基因组图谱肾透明细胞癌数据库获取肾透明细胞癌组织和正常肾脏组织染色后病理显微图像，每个图像标记为肾透明细胞癌切片或正常肾脏组织切片，作为数据集，通过随机数法将数据集数据随机分为训练集和测试集；

S2:病理显微图像处理：将训练集和测试集的病理显微图像进行显微镜放大，逐个进行分割图像处理，获得模块化图像，每个样本挑选一个等大的、特征性模块化图像进行下一步分析；

S3:模块化图像特征信息提取：使用软件对特征性模块化图像进行归一化处理，确定主要识别对象和次要识别对象，提取模块化图像特征信息；

S4:机器深度学习和诊断模型构建：将训练集中的图像提取数据以病理类别为因变量，以提取的模块化图像特征信息为自变量，采用Lasso回归拟合广义线性模型确定与肾透明细胞癌病理诊断显著相关的模块化图像特征信息；

S5:人工智能诊断模型的诊断效能验证：将通过训练集中的图像数据构建的人工智能诊断模型作为诊断分类器，将测试集提取的特征信息数据输入进行预测，通过受试者工作特征曲线评估人工智能诊断模型的诊断效能。