1.一种肠癌辅助诊断模型的构建方法，其特征在于，至少包括以下步骤：
s01历史诊疗样本图像获取：获取历史诊疗样本的肠内镜图像，所述肠内镜图像包含肠癌组和非肠癌组；
s02预处理：对所述肠内镜图像进行预处理；
s03模型训练：将预处理后的肠内镜图像输入卷积神经网络模型，对所述卷积神经网络进行训练，直至所述卷积神经网络输出的表示预测患病概率满足识别要求，获得肠癌辅助诊断模型。
2.根据权利要求1所述的辅助诊断模型构建方法，其特征在于，所述步骤s01历史诊疗样本图像获取中，根据拍摄肠内镜图像时所用光源的种类，分为普通白光模式图像集和窄带成像模式图像集；
优选地，所述步骤s03模型训练中，选取普通白光模式图像集输入卷积神经网络模型中进行训练，直至所述卷积神经网络模型输出的表示预测患病概率满足识别要求，获得肠镜下肠癌辅助诊断模型；
所述卷积神经网络模型为inceptionresnetv2。
3.根据权利要求1或2所述的辅助诊断模型构建方法，其特征在于，所述步骤s02预处理采用动态数据增强技术进行预处理；
优选地，所述采用动态数据增强技术进行预处理，至少包括以下步骤：
s021：对肠内镜图像进行筛选，剔除模糊、空白、失焦和/或肠道准备不良图像，保留显象合格图像；
s022：将所述显象合格图像依次进行随机调整大小、裁剪、透视、水平翻转、旋转、颜色抖动和光照噪声的操作，以扩增数据，增加样本量；
s023：将所述显象合格图像分为一个训练数据集和两个验证数据集；
优选地，所述步骤s03模型训练包括以下步骤：
将所述普通白光模式图像的训练数据集输入卷积神经网络模型中，对所述卷积神经网络进行训练，直至所述卷积神经网络模型完成指定的迭代周期后，或者当内部测试的分类结果评价指标在指定的迭代周期内不再上升时，训练完成，得到肠癌辅助诊断模型。
4.根据权利要求3所述的辅助诊断模型构建方法，其特征在于，在步骤s03之后还包括步骤s04外部测试；
优选地，所述步骤s04外部测试至少包括以下步骤：
将所述验证数据集中的肠镜图像输入所述肠癌辅助诊断模型中，根据输出的预测患病概率计算分类结果评价指标，来反映该肠癌辅助诊断模型预测的准确性；
优选地，所述分类结果评价指标包括恶性数字评分和/或热图；
优选地，对于给定的个体，所述恶性数字评分θ的计算方法如下：
θ＝-[w1×log10(1-p1)+w2×log10(1-p2)+····+wn×log10(1-pn)]/n
其中，n表示为该个体可用图像的总数，p表示所述个体可用图像被分类为恶性肿瘤的预测概率；
其中，wi的计算公式为：
wi＝pi/(p1+p2+…+pn)；
优选地，所述热图的评价方法为使用梯度加权类激活映射算法确定对所述卷积神经网络预测贡献最大的区域。
5.一种肠癌辅助诊断方法，其特征在于，包括：
获取被检测者的肠内镜图像；
将所述肠镜图像输入到如权利要求1-4任一项所述的肠癌辅助诊断模型的构建方法所构建的肠癌辅助诊断模型中，得到预测患病概率。
6.一种肠癌辅助诊断模型构建系统，其特征在于，包括：
样本获取模块，用于获取肠内镜图像；
预处理模块，用于对所述肠内镜图像进行预处理；
模型训练模块，用于将预处理后的肠内镜图像输入卷积神经网络中，对所述卷积神经网络进行训练，获得肠癌辅助诊断模型。
7.一种肠癌辅助诊断系统，其特征在于，包括：
图像获取模块，用于获取被检测者的肠内镜图像；
诊断模块，用于将所述肠内镜图像输入到如权利要求1-4任一项所述的肠癌辅助诊断模型的构建方法所构建的肠癌辅助诊断模型中，得到预测患病概率。
8.根据权利要求7所述肠癌辅助诊断系统，其特征在于，包括：
上位机和显示装置，所述图像获取模块和所述显示装置均与所述上位机通信连接；
所述图像获取模块为电子肠内镜；
所述诊断模块搭载在所述上位机上；
所述图像获取模块拍摄被检测者的肠内镜图像并自动传输到所述上位机，所述上位机通过所述诊断模块输出该肠内镜图像的预测患病概率并即时传输到所述显示装置上进行显示。
9.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上且可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现如权利要求1-4中任一项所述的肠癌辅助诊断模型的构建方法的步骤，或权利要求5所述的辅助诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令在被处理器执行时实现如权利要求1-4中任一项所述的肠癌辅助诊断模型的构建方法的步骤，或权利要求5所述的辅助诊断方法的步骤。