[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

说明书

本发明公开了一种基于Cnn‑former的肝纤维化病变检测模型训练方法与系统，属于深度学习结合多模态医疗领域。本发明首先构建包含病理生化特征、生理特征、CT图像特征的多模态数据集；进而对所整合数据集进行预处理得到数值化的特征序列；再通过Spearman相关系数结合特征权重影响图检测相关特征，提取有效特征；最后构建基于Cnn‑former模型的肝纤维化病变检测网络，在数据集上进行训练，同时完成模型评估。相比于传统通过“肝穿刺”方式检测肝病，基于Cnn‑former模型的肝纤维化病变检测方法，在实现AI无痛检测的同时对病变具有较高检测精度。

技术领域

本发明属于深度学习结合多模态医疗技术领域，具体涉及基于Cnn-former的肝纤维化病变检测模型训练方法与系统。

背景技术

人口数量与结构的改变以及不可控的环境因素导致了医疗行业面对的压力逐年上升。但随着人工智能技术的突破与推广，其应用的场景也越来越丰富化、普遍化。借助计算机高性能、高效率的数据处理优势，再结合大数据分析和深度学习，人工智能在很大程度上改变医疗现状、显著降低成本提高效率。

目前我们已经实现了肝纤维化检测领域内MLP、决策树、SVM、K-Means等机器学习算法的训练，但训练结果表明，这些算法在准确性上不能得到令人满意的结果，在模型准确率和效率上还有提升的空间。

因此，构建一种高效深度学习算法辅助肝纤维化检测是必要的。本发明所构建的Cnn-former是一种基于Informer的长序列时间序列预测(Long sequence time-seriesforecasting，LSTF)改进后的模型。与传统的Informer相比，该模型具有三个显著特征:(1)在模型的最外层加入一维卷积层，可以使得模型在训练集输入网络后快速提取特征，更快完成收敛；(2)去除掉词嵌入embedding层与相对位置编码层后，Informer不再局限于自然语言处理任务，从而可以更好的应用在病理检测中；(3)在本发明数据集上的实验表明，Cnn-former方法损失函数收敛速度显著优于现有方法，为本研究提供了一种新的解决方案。

随着医疗与人工智能结合的必然趋势，本发明立足于充足的数据储备支撑，率先将在Informer模型基础上改进的Cnn-former算法模型使用在肝纤维化检测领域，旨在提高医疗质量和服务效率，减少误诊误治，为医疗与人工智能多学科交叉做出贡献。

发明内容：

发明目的：本发明目的在于提供一种基于Cnn-former模型的肝纤维化病变检测模型训练方法与系统，构建融合医疗健康与现代科学的人工智能技术体系，为突发肝纤维化预测、减少患者痛苦、提高医疗人员效率和准确率提供辅助支持。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

基于Cnn-former的肝纤维化病变检测模型训练方法，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；