本申請(qǐng)實(shí)施例涉及數(shù)據(jù)處理，尤其涉及一種用于肺癌組織病理分型的智能判斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的發(fā)展，數(shù)據(jù)庫(kù)查詢的需求日益增長(zhǎng)，特別是在大數(shù)據(jù)環(huán)境下，如何快速準(zhǔn)確地生成符合數(shù)據(jù)庫(kù)結(jié)構(gòu)的查詢語(yǔ)句成為了一個(gè)關(guān)鍵問(wèn)題。這不僅涉及到從海量數(shù)據(jù)中高效檢索信息的技術(shù)挑戰(zhàn)，還要求系統(tǒng)能夠理解用戶的查詢意圖，并將其轉(zhuǎn)化為數(shù)據(jù)庫(kù)可以執(zhí)行的具體查詢語(yǔ)句。因此，開(kāi)發(fā)一種能夠自動(dòng)將自然語(yǔ)言查詢轉(zhuǎn)換為數(shù)據(jù)庫(kù)查詢語(yǔ)句的方法變得至關(guān)重要。

2、目前，大多數(shù)數(shù)據(jù)庫(kù)查詢生成系統(tǒng)依賴(lài)于固定的查詢模板或者簡(jiǎn)單的關(guān)鍵字匹配。這類(lèi)系統(tǒng)通常需要用戶具備一定的數(shù)據(jù)庫(kù)查詢語(yǔ)言(如sql)的知識(shí)，以便能夠精確地表達(dá)查詢需求。此外，還有一些基于機(jī)器學(xué)習(xí)的方法嘗試通過(guò)學(xué)習(xí)歷史查詢來(lái)預(yù)測(cè)新的查詢語(yǔ)句，但這些方法往往需要大量標(biāo)記數(shù)據(jù)，并且對(duì)于復(fù)雜查詢的支持有限。

3、傳統(tǒng)的查詢生成技術(shù)主要存在以下幾個(gè)方面的問(wèn)題：首先，固定模板和關(guān)鍵字匹配的方式靈活性不足，難以應(yīng)對(duì)多樣化和復(fù)雜的查詢請(qǐng)求；其次，基于機(jī)器學(xué)習(xí)的方法雖然能夠在一定程度上提高查詢生成的準(zhǔn)確性，但由于缺乏對(duì)上下文的理解，常常導(dǎo)致生成的查詢語(yǔ)句無(wú)法準(zhǔn)確反映用戶的真實(shí)意圖；最后，現(xiàn)有的解決方案通常沒(méi)有考慮到查詢生成過(guò)程中的迭代優(yōu)化，即系統(tǒng)應(yīng)該能夠基于用戶反饋不斷調(diào)整生成策略，以提高查詢結(jié)果的相關(guān)性和滿意度。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)實(shí)施例提供一種用于肺癌組織病理分型的智能判斷方法及系統(tǒng)，用以解決上述背景技術(shù)中存在的技術(shù)問(wèn)題。

2、第一方面，本申請(qǐng)實(shí)施例中提供了獲取病理切片圖像數(shù)據(jù)；對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行預(yù)處理，以提取所述病理切片圖像中的特征信息；利用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)所述特征信息進(jìn)行分析，所述深度學(xué)習(xí)模型基于大量的標(biāo)注過(guò)的肺癌病理圖像訓(xùn)練而成；根據(jù)所述深度學(xué)習(xí)模型的輸出結(jié)果，結(jié)合專(zhuān)家知識(shí)庫(kù)中的肺癌病理分型標(biāo)準(zhǔn)，智能判斷所述病理切片圖像所屬的病理分型類(lèi)別；將所述病理分型類(lèi)別以及對(duì)應(yīng)的置信度信息輸出給用戶。

3、進(jìn)一步，所述對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行預(yù)處理包括：

4、對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行歸一化處理，使其滿足深度學(xué)習(xí)模型輸入的要求；

5、對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行增強(qiáng)處理，增加圖像的多樣性，提高模型的泛化能力。

6、進(jìn)一步，所述利用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)所述特征信息進(jìn)行分析包括：

7、使用卷積神經(jīng)網(wǎng)絡(luò)(cnn)來(lái)自動(dòng)提取病理圖像中的低級(jí)特征和高級(jí)特征；

8、采用注意力機(jī)制來(lái)強(qiáng)調(diào)病理圖像中的重要區(qū)域，減少不相關(guān)信息的影響；

9、應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)或長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(lstm)來(lái)捕捉病理圖像中空間位置上的依賴(lài)關(guān)系。

10、進(jìn)一步，所述結(jié)合專(zhuān)家知識(shí)庫(kù)中的肺癌病理分型標(biāo)準(zhǔn)，智能判斷所述病理切片圖像所屬的病理分型類(lèi)別包括：

11、建立包含多種肺癌病理類(lèi)型及其典型特征的知識(shí)庫(kù)；

12、比較所述深度學(xué)習(xí)模型的輸出結(jié)果與所述知識(shí)庫(kù)中各病理類(lèi)型的特征，找出最符合的分類(lèi)；

13、在判斷過(guò)程中引入不確定性理論，以量化模型預(yù)測(cè)的不確定程度。

14、進(jìn)一步，所述將所述病理分型類(lèi)別以及對(duì)應(yīng)的置信度信息輸出給用戶包括：

15、提供圖形界面展示病理分型結(jié)果，并高亮顯示模型認(rèn)為的關(guān)鍵區(qū)域；

16、輸出詳細(xì)的報(bào)告，包括病理分型、置信度評(píng)分以及推薦進(jìn)一步檢查或治療的建議。

17、進(jìn)一步，還包括：

18、將所述病理切片圖像數(shù)據(jù)及其分型結(jié)果存儲(chǔ)于數(shù)據(jù)庫(kù)中，作為后續(xù)訓(xùn)練數(shù)據(jù)的一部分；

19、定期更新所述深度學(xué)習(xí)模型，以適應(yīng)新的病理學(xué)發(fā)現(xiàn)和技術(shù)進(jìn)步。

20、進(jìn)一步，所述獲取病理切片圖像數(shù)據(jù)包括：

21、自動(dòng)掃描病理切片以數(shù)字化形式獲取圖像；

22、支持手動(dòng)上傳已有的病理切片圖像文件。

23、進(jìn)一步，所述智能判斷所述病理切片圖像所屬的病理分型類(lèi)別之前，所述方法還包括：

24、對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行質(zhì)量控制，確保圖像清晰度和完整性滿足分析要求；

25、實(shí)現(xiàn)自動(dòng)化的工作流程，從圖像采集到最終的病理分型判斷全程無(wú)需人工干預(yù)。

26、第二方面，本申請(qǐng)實(shí)施例提供了一種計(jì)算設(shè)備，包括處理組件以及存儲(chǔ)組件；所述存儲(chǔ)組件存儲(chǔ)一個(gè)或多個(gè)計(jì)算機(jī)指令；所述一個(gè)或多個(gè)計(jì)算機(jī)指令用以被所述處理組件調(diào)用執(zhí)行，實(shí)現(xiàn)如上述第一方面所述的方法。

27、第三方面，本申請(qǐng)實(shí)施例提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被計(jì)算機(jī)執(zhí)行時(shí)，實(shí)現(xiàn)如上述第一方面所述的方法。

28、在本發(fā)明實(shí)施例中，獲取病理切片圖像數(shù)據(jù)；對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行預(yù)處理，以提取所述病理切片圖像中的特征信息；利用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)所述特征信息進(jìn)行分析，所述深度學(xué)習(xí)模型基于大量的標(biāo)注過(guò)的肺癌病理圖像訓(xùn)練而成；根據(jù)所述深度學(xué)習(xí)模型的輸出結(jié)果，結(jié)合專(zhuān)家知識(shí)庫(kù)中的肺癌病理分型標(biāo)準(zhǔn)，智能判斷所述病理切片圖像所屬的病理分型類(lèi)別；將所述病理分型類(lèi)別以及對(duì)應(yīng)的置信度信息輸出給用戶。通過(guò)利用大模型生成目標(biāo)查詢語(yǔ)句，這種方法能夠更準(zhǔn)確地理解用戶的查詢意圖，并根據(jù)數(shù)據(jù)庫(kù)描述信息生成相應(yīng)的查詢語(yǔ)句，從而提升查詢結(jié)果的準(zhǔn)確性和相關(guān)性，通過(guò)從樣本集合中召回相關(guān)的樣本對(duì)，并利用這些樣本對(duì)來(lái)進(jìn)行上下文學(xué)習(xí)，系統(tǒng)能夠更好地理解和處理各種類(lèi)型的查詢請(qǐng)求，即便面對(duì)的是以前未曾見(jiàn)過(guò)的新查詢，也能夠給出合理的響應(yīng)。

技術(shù)特征：

1.一種用于肺癌組織病理分型的智能判斷方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行預(yù)處理包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)所述特征信息進(jìn)行分析包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述結(jié)合專(zhuān)家知識(shí)庫(kù)中的肺癌病理分型標(biāo)準(zhǔn)，智能判斷所述病理切片圖像所屬的病理分型類(lèi)別包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述病理分型類(lèi)別以及對(duì)應(yīng)的置信度信息輸出給用戶包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取病理切片圖像數(shù)據(jù)包括：

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述智能判斷所述病理切片圖像所屬的病理分型類(lèi)別之前，所述方法還包括：

9.一種電子設(shè)備，包括存儲(chǔ)器和處理器，其特征在于，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述處理器被設(shè)置為運(yùn)行所述計(jì)算機(jī)程序以執(zhí)行權(quán)利要求1到8任一所述的方法。

10.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，其特征在于，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至8中任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本申請(qǐng)?zhí)峁┮环N用于肺癌組織病理分型的智能判斷方法及系統(tǒng)，包括：獲取病理切片圖像數(shù)據(jù)；對(duì)所述病理切片圖像數(shù)據(jù)進(jìn)行預(yù)處理，以提取所述病理切片圖像中的特征信息；利用訓(xùn)練好的深度學(xué)習(xí)模型對(duì)所述特征信息進(jìn)行分析，所述深度學(xué)習(xí)模型基于大量的標(biāo)注過(guò)的肺癌病理圖像訓(xùn)練而成；根據(jù)所述深度學(xué)習(xí)模型的輸出結(jié)果，結(jié)合專(zhuān)家知識(shí)庫(kù)中的肺癌病理分型標(biāo)準(zhǔn)，智能判斷所述病理切片圖像所屬的病理分型類(lèi)別；將所述病理分型類(lèi)別以及對(duì)應(yīng)的置信度信息輸出給用戶。通過(guò)利用大模型生成目標(biāo)查詢語(yǔ)句，這種方法能夠更準(zhǔn)確地理解用戶的查詢意圖，并根據(jù)數(shù)據(jù)庫(kù)描述信息生成相應(yīng)的查詢語(yǔ)句，從而提升查詢結(jié)果的準(zhǔn)確性和相關(guān)性，通過(guò)從樣本集合中召回相關(guān)的樣本對(duì)，并利用這些樣本對(duì)來(lái)進(jìn)行上下文學(xué)習(xí)，系統(tǒng)能夠更好地理解和處理各種類(lèi)型的查詢請(qǐng)求，即便面對(duì)的是以前未曾見(jiàn)過(guò)的新查詢，也能夠給出合理的響應(yīng)。

技術(shù)研發(fā)人員：鐘殿勝,孫爽,韓國(guó)敬,圣朝軍,單小溪
受保護(hù)的技術(shù)使用者：天津醫(yī)科大學(xué)總醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/20