(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211253156.1 (22)申请日 2022.10.13 (71)申请人 深圳市人民医院 地址 518020 广东省深圳市罗湖区东门北 路1017号 (72)发明人 龚静山　江长思　陈亚曦　 (74)专利代理 机构 北京纪凯知识产权代理有限 公司 11245 专利代理师 王胥慧 (51)Int.Cl. A61B 6/03(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) G06V 10/25(2022.01)G06V 10/764(2022.01) G16H 50/30(2018.01) (54)发明名称 一种基于深度学习的早期肺癌风险分层预 测系统 (57)摘要 本发明涉及一种基于深度学习的早期肺癌 风险分层预测系统， 其特征在于， 包括： 数据获取 模块， 用于获取用户的胸部薄层CT图像数据和临 床特征； 特征提取模块， 用于从用户的胸部薄层 CT图像数据中提取深度学习特征； 区域候选模 块， 用于从提取的深度学习特征中识别出可疑区 域， 得到区域候选的深度学习特征； 分类预测模 块， 用于采用预先训练好的风险分层预测模型， 根据临床特征和区域候选的深度学习特征， 预测 得到用户早期肺癌的风险分层类型， 本发明可以 广泛应用于医疗技 术领域中。 权利要求书2页 说明书9页 附图6页 CN 115500851 A 2022.12.23 CN 115500851 A 1.一种基于深度学习的早期肺癌风险分层预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取用户的胸部薄层CT图像数据和临床特 征； 特征提取模块， 用于从用户的胸部薄层CT图像数据中提取深度学习特 征； 区域候选模块， 用于从提取的深度学习特征中识别出可疑区域， 得到区域候选的深度 学习特征； 分类预测模块， 用于采用预先训练好的风险分层预测模型， 根据临床特征和区域候选 的深度学习特 征， 预测得到用户早期肺癌的风险分层类型。 2.如权利要求1所述的一种基于深度 学习的早期肺癌 风险分层预测系统， 其特征在于， 该预测系统还 包括： 病理特征模块， 用于对获取的临床特征进行标准化和归一化处理； 所述分类预测模块 根据标准 化和归一 化处理后的临床特 征和区域 候选的深度学习特 征进行预测。 3.如权利要求2所述的一种基于深度 学习的早期肺癌 风险分层预测系统， 其特征在于， 该预测系统还 包括： 模型构建模块， 用于采用卷积神经网络， 基于各风险分层类型的若干肺癌患者的胸部 薄层CT图像数据和临床特征， 构建风险分层预测模型， 并进行训练、 测试和验证后， 得到训 练好的风险分层预测模型； 标注模块， 用于对用户的胸部薄层CT图像数据进行标注， 得到肿瘤的三维感兴趣区域， 进而用于所述分类预测模块的训练。 4.如权利要求3所述的一种基于深度 学习的早期肺癌 风险分层预测系统， 其特征在于， 所述模型构建模块内设置有： 数据输入单元， 用于输入预先获取的各风险分层类型的若干肺癌患者的胸部薄层CT图 像数据和临床特 征， 并对胸部薄层CT图像数据进行图像前处 理； 临床特征选取单元， 用于分析风险分层类型之间临床特征的差异， 并基于标准化和归 一化处理后的临床特 征， 选取差异满足预设要求的临床特 征； 训练单元， 用于对所述特征提取模块、 区域候选模块和分类预测模块进行训练， 产生对 应模块的预 先构建的模型； 风险分层预测模型构建单元， 用于将差异满足预设要求的临床特征和区域候选的深度 学习特征引入卷积神经网络， 在训练集中建立风险分层预测模型进行训练， 得到训练好的 风险分层预测模型。 5.如权利要求4所述的一种基于深度 学习的早期肺癌 风险分层预测系统， 其特征在于， 所述训练单元构建的对应模型采用梯度下降法分别由所述区域候选模块和分类预测模块 回传至所述特征提取模块， 所述区域候选模块的模型采用回归式全监督学习方法构建， 所 述分类预测模块的模型采用分类式全监 督学习方法构建。 6.一种早期肺癌的风险分层预测模型的构建方法， 其特 征在于， 包括： 获取各风险分层类型的若干肺癌患 者的胸部薄层CT图像数据和临床特征， 并对胸部薄 层CT图像数据和临床特 征进行数据处理； 从数据处理后的胸部薄层CT图像数据中提取深度 学习特征， 并从提取的深度学习特征 中识别出 可疑区域， 得到区域 候选的深度学习特 征； 分析风险分层类型临床特征的差异， 并基于数据处理后的临床特征， 选取差异满足预权　利　要　求　书 1/2 页 2 CN 115500851 A 2设要求的临床特 征； 将差异满足预设要求的临床特征和区域候选的深度学习特征以特定比例分为训练集 和验证集， 对风险分层预测模型进行训练和验证， 得到训练好的风险分层预测模型。 7.如权利要求6所述的一种早期肺癌的风险分层预测模型的构建方法， 其特征在于， 所 述获取各风险分层类型的若干肺癌患者的胸部 薄层CT图像数据和临床特征， 并对胸部 薄层 CT图像数据和临床特 征进行数据处理， 包括： 获取各风险分层类型的若干肺癌 患者的胸部薄层CT图像数据和临床特 征； 对获取的胸部薄层CT图像数据进行图像前处 理； 对获取的临床特 征进行标准化和归一 化处理。 8.如权利要求7所述的一种早期肺癌的风险分层预测模型的构建方法， 其特征在于， 所 述分析风险分层类型之间临床特征 的差异， 并基于数据 处理后的临床特征， 选取满足预设 要求的临床特 征， 包括： 采用两独立样本t检验、 Mann ‑Whitney U秩和检验、 χ2检验和Fisher精确概率检验方 法， 分析风险分层类型之 间临床特征的差异， 并基于标准化和归一化处理后的临床特征， 选 取差异满足预设要求的临床特 征； 根据选取的临床特征调整临床特征选取单元的输入端数量， 其数量等于选取的临床特 征的数量。 9.一种处理设备， 其特征在于， 包括计算机程序指令， 其中， 所述计算机程序指令被处 理设备执行时用于实现权利要求6 ‑8中任一项 所述的早期肺癌的风险分层预测模型的构建 方法对应的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序指令， 其中， 所述计算机程序指 令被处理器执行时用于实现权利要求6 ‑8中任一项 所述 的早期肺癌的风险分层预测模型的构建方法对应的步骤。权　利　要　求　书 2/2 页 3 CN 115500851 A 3