[发明专利]基于Cnn-former的肝纤维化病变检测模型训练方法与系统

权利要求书

1.基于Cnn-former的肝纤维化病变检测模型训练方法，其特征在于：包括以下步骤：

(1)获取电子病历，包括生化特征、生理特征和CT图像特征；

(2)对生化特征进行缺失值补全、标准化处理以及异常检测处理，提取生理特征描述信息的自定义实体并转换为数值，通过二分类图像网络将CT图像分为是否疑似患病标签，将其作为一个特征加入训练数据集；训练数据集中的病理特征包括数值化的生化特征、生理特征和CT图像特征；

(3)绘制特征权重影响图，根据图中特征对于分类标签的影响进行特征筛选；

(4)根据Spearman相关系数计算所有特征的相关系数，将结果绘制为热力图，用于验证步骤(3)中筛选的特征是否有效，如果出现不一致，则根据专家分析结果，决定是否将其判定为有效特征；

(5)使用Cnn-former构建肝纤维化病变检测模型，使用训练数据集进行模型训练，其中Cnn-former是基于Informer模型改进的，在已有的Informer的基础上，去除掉最外层的词嵌入层以及相对位置编码层，使得Informer网络层可以输入病理特征；在最外层嵌入一个一维卷积层，训练集的输入先输入进一维CNN卷积，卷积后的结果加入ProbSpare self-attention层中，经过编码层与解码层，将最后的SoftPlus激活函数改为Softmax激活函数，得到患病的概率；

(6)对步骤(5)所获得的基于Cnn-former的肝纤维化病变检测模型进行测试和评估，验证其准确性。

2.根据权利要求1所述的基于Cnn-former的肝纤维化病变检测模型训练方法，其特征在于：所述步骤(2)中对生化特征的处理包括：

对所得数据样本的所有属性进行缺失值处理，采用均值插补的方法，如果字段可用常数度量，则使用该属性有效值的平均值来插补缺失值，如果该属性由数值等级度量，则使用该属性有效值的众数来插补缺失值；

根据Z-Score标准化方法对补全后的数据进行标准化处理，经过处理的数据符合标准正态分布，从而取消由于量纲不同引起的误差；

基于Isolation Forest异常检测算法的思想，递归随机划分肝纤维化病变数据集并建立局部模型，其中每棵孤立树用来识别特定属性子样本；计算出每个样本点的异常得分进行排序，将异常得分接近于1的样本点断为异常点；将标记为异常点的样本点直接删除，从而去除分布稀疏且离密度高的群体较远的异常数据。

3.根据权利要求1所述的基于Cnn-former的肝纤维化病变检测模型训练方法，其特征在于：所述步骤(2)中对生理特征的处理包括：

对生理特征描述信息，通过已有的Lac工具完成实体提取，获得“是否酗酒”、“是否有过刺痛感”信息，再将特征处理为数据特征，区分无酗酒和有酗酒，标定疼痛等级。

4.根据权利要求1所述的基于Cnn-former的肝纤维化病变检测模型训练方法，其特征在于：使用ResNet网络对CT图像进行分类，将图像转化为疑似病例和未疑似病例，作为一维特征加入训练数据集中。