[发明专利]多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统

说明书

本发明提供了一种多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统，利用多中心的多模态脑肿瘤影像及其组学信息，患者临床病历信息等多尺度信息进行脑肿瘤预后生存期预测，提出了一种基于主动学习与强化学习的多中心联邦学习机制。本发明通过各中心分布式存储的患者电子病历信息联合影像组学特征与深度学习特征建立全面的脑肿瘤预后生存期分类模型，在保证患者图像数据隐私的基础上实现可靠的、准确度更高的脑肿瘤预后生存期预测系统。

技术领域

本发明涉及医学图像辅助诊断领域，具体地，涉及一种多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统。

背景技术

脑肿瘤是人体常见的肿瘤，我国脑肿瘤的患病率约为32/10万，占全身肿瘤发病率的6.31％，包括胶质瘤、淋巴瘤和转移瘤等。在医疗数字化时代，根据肿瘤临床诊疗需求，利用脑肿瘤多模态核磁共振影像技术从多模态MRI扫描中准确分割脑肿瘤的不同亚区，如水肿区、坏死核心、增强和非增强的肿瘤核心，对脑瘤的诊断、预后和治疗具有重要的临床意义。现阶段，影像科医生主要依照个人知识和经验对检查结果中脑肿瘤的进行主观、定性的分级诊断，而且诊断的结果意见也都是包含简单的量化信息，不能描述出全面的脑肿瘤信息，这不利于医生制定治疗方案。脑肿瘤患者肿瘤复发的准确识别对于选择治疗策略至关重要，早期准确的术后肿瘤复发预测可以为确定辅助治疗提供有价值的信息。脑肿瘤的预后通常以总生存期(Overall Survival,OS)来衡量，而OS在很大程度上因人而异。因此，及时准确地预测脑瘤患者的OS时间具有重要的临床意义，并有利于个体化的治疗护理。

在医疗图像分析领域，由于患者医疗数据的高度敏感性，数据仅保存在各医院本地，研究人员遇到数据碎片化和数据孤岛问题，所以原始数据完全不会离开拥有者的本地设备，而联邦学习框架则成了数据敏感场景下进行模型训练较好的选择之一。基于医疗联邦学习框架，能够在保证不同医疗机构数据隐私的基础上共同学习建模并更新参数，可以有效改善共享模型的性能，从而解决医疗行业数据安全与隐私保护难题，缓解医疗资源不均衡问题。

但是，现有的联邦学习方法通常采用单一的全局模型，仅通过聚合各个客户端模型参数来获取所有用户的共享知识，而不考虑不同中心的数据分布之间的差异。由于用户行为的多样性，将本地模型的梯度分配给不同的全局模型可以更好地捕获数据分布的异构性。主动学习是一种新型学习策略，它允许学习算法以交互方式查询信息源，以选择和标记新的训练样本，同时通过在一个非常小的人工标注数据集上训练的模型，从大量未标注样本中自动标注训练样本，从而简化标注过程，为选择对模型更有意义的高质量样本提供了一种的解决方案。

在公开号为CN110444263A的专利文献中，公开了一种基于联邦学习的疾病数据处理方法、装置、设备及介质，所述方法包括：获取本地数据库中已确诊病患的电子健康记录和所患疾病数据；对所述电子健康记录进行特征提取，得到各病患的患病特征向量；根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集；基于所述本地训练样本集参与各医院数据端的联邦学习，得到患病预测模型。本发明通过将各医院端的数据联合起来，进行联邦训练，在不泄露医院端病患隐私的基础上，能够训练出优质的患病预测模型，从而在医生的诊断过程发挥积极的辅助作用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统。

根据本发明提供的一种多中心基于联邦学习的脑肿瘤预后生存期预测方法，包括以下步骤：

步骤S1：构建基于多中心联邦学习的客户端-服务器体系结构的联邦学习模型；所述联邦学习模型基于主动学习策略来最小化所有设备的总损失；

步骤S2：在各客户端本地，采集脑肿瘤的原始医学图像，并对采集的图像做统一化和去隐私化处理，获得脑肿瘤医学肿瘤影像数据和历史肿瘤数据；