[发明专利]基于肺部CT影像和临床信息的医疗资源分配方法及设备

权利要求书

1.一种基于肺部CT影像和临床信息的医疗资源分配方法，其特征在于，包括：

步骤1，针对RT-PCR检测阳性的患者，采集其肺部CT影像和预设种类的临床诊断信息；

步骤2，从肺部CT影像中分割所有病灶；

步骤3，选择已标定严重性标签的若干患者：以其肺部病灶的切片为输入、严重性标签为输出训练第一深度学习模型，得到第一严重性预测模型；以其预设种类的临床诊断信息为输入、严重性标签为输出训练第二深度学习模型，得到第二严重性预测模型；

步骤4，选择已标定医疗资源分配标签的若干患者，将其肺部病灶的切片输入至第一严重性预测模型，由第一严重性预测模型的中间层输出对应患者的CT影像特征向量；然后以所述若干患者的CT影像特征向量为输入、医疗资源分配标签为输出训练第一随机生存森林，得到医疗资源第一预分配模型；同时以所述若干患者的预设种类的临床诊断信息为输入、医疗资源分配标签为输出训练第二随机生存森林，得到医疗资源第二预分配模型；

步骤5，对于RT-PCR检测阳性的新患者，按步骤1和步骤2获取其预设种类的临床诊断信息和肺部病灶，将其肺部病灶的切片输入至第一严重性预测模型，由第一严重性预测模型的中间层输出CT影像特征向量；

将第一严重性预测模型的中间层输出的CT影像特征向量输入至医疗资源第一预分配模型，并将新患者预设种类的临床诊断信息输入至医疗资源第二预分配模型，融合两个医疗资源预分配结果得到新患者最终的医疗资源分配方案。

2.根据权利要求1所述的方法，其特征在于，从肺部CT影像中分割病灶的方法为：利用肺部CT影像样本以及样本中各像元的病变标签训练深度卷积神经网络，得到的病灶分割网络即可用于对肺部CT影像中各像元进行病变判断，进而根据病变判断结果分割出病灶。

3.根据权利要求2所述的方法，其特征在于，病灶分割网络对应的深度卷积神经网络，采用3D U-net网络。

4.根据权利要求2所述的方法，其特征在于，训练深度卷积神经网络得到病灶分割网络的过程，其损失函数采用交叉熵与骰子损失函数的混合损失函数。

5.根据权利要求1所述的方法，其特征在于，步骤3训练第一深度学习模型和步骤5使用第一严重性预测模型时，输入的肺部病灶切片是患者所有肺部病灶的轴向视图中病变面积最大的前N个肺部病灶切片。

6.根据权利要求5所述的方法，其特征在于，步骤3训练第一随机生存林和步骤5使用第一进展预测模型时，输入的CT影像特征向量，是第一严重性预测模型的中间层输出N个CT影像特征向量的均值向量。

7.根据权利要求1所述的方法，其特征在于，所述第一深度学习模型采用时间递归神经网络架构，训练第一深度学习模型和使用第一严重性预测模型时，其输入包括患者不同时间段的肺部病灶切片。

8.根据权利要求1所述的方法，其特征在于，所述医疗资源分配标签的标定规则为：以住院病床、呼吸机和重症监护病房作为3种医疗资源粗分类型，将每种医疗资源粗分类型与使用时长构建医疗资源细分类型，根据先验知识为患者标定每种医疗资源细分类型的分配概率。

9.一种设备，其特征在于，包括处理器和存储器；其中：所述存储器用于存储计算机指令；所述处理器用于执行所述存储器存储的计算机指令，具体执行如权利要求1-8任一所述的方法。