技术特征：
1.一种融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，该系统包括：获取模块、预处理模块、临床终点预测模块、分析模块；所述获取模块，配置为获取待分析的mr影像、对应的临床风险因子；所述临床风险因子包括患者的性别、年龄、tnm肿瘤分期、肿瘤家族史、吸烟史、饮酒史及血检指标；所述预处理模块，配置为在mr影像的横断位mri图像中勾画病灶掩膜；勾画后，对横断位mri图像进行预处理，并在预处理后的横断位mri图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；所述临床终点预测模块，配置为将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值；所述临床终点包括死亡、转移、复发以及临床进展；所述分析模块，配置为将各个临床终点的风险预测值和临床风险因子输入预构建的生存期分析模型，得到生存期分析结果；其中，所述生存数据预测模型是基于卷积神经网络和三个并行的全连接层构建；所述生存期分析模型由基于lasso的cox比例风险模型构建。2.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，所述预处理模块中的“对横断位mri图像进行预处理”，其方法为：通过双线性插值算法对横断位mri图像进行像素尺寸调整；利用直方图匹配方法对调整后的横断位mri图像进行灰度校正；通过z
‑
score方法对灰度校正后的横断位mri图像进行灰度归一化处理。3.根据权利要求2所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，“利用直方图匹配方法对调整后的横断位mri图像进行灰度校正”，其方法为：其中，x表示原横断位mri图像的灰度值，x
new
表示校正后的横断位mri图像的灰度值，μ
1i
，μ
i
和μ
2i
分别表示原横断位mri图像灰度范围内的三个标志点，μ
1s
，μ
s
和μ
2s
为目标域中的三个标志点。4.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，所述临床终点预测模块“将感兴趣区域以及感兴趣区域的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值”，其方法为：将感兴趣区域以及相应的病灶掩膜输入生存数据预测模型的卷积神经网络，提取与生存期相关的高维影像特征；基于提取的高维影像特征，通过生存数据预测模型的三个并行的全连接层，得到复发、转移、死亡三个临床终点的风险预测值；并将复发、转移、死亡三个临床终点的风险预测值的最大值作为临床进展对应的临床终点的风险预测值。5.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，所述分析模块中的“将各个临床终点的风险预测值和临床风险因子输入预构
建的生存期分析模型，得到生存期分析结果”，其方法为：通过lasso回归模型从各个临床终点的风险预测值和临床风险因子中选取独立的预后变量，作为风险变量；将各风险变量输入cox比例风险模型获取生存期分析结果；其中，所述独立的预后变量的选取方法为：使用偏似然值作为lasso回归模型的优化指标，当偏似然值达到最大值时停止筛选，余下的变量作为独立的预后变量。6.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，所述生存数据预测模型，其训练方法为：a10，采集多位患者治疗前的mr影像及其对应的临床风险因子、临床终点的随访时间和状态，构建训练数据集；a20，在mr影像的横断位mri图像中勾画病灶掩膜；勾画后，对横断位mri图像进行预处理，并在预处理后的横断位mri图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；a30，分批的将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值；a40，基于各个临床终点的风险预测值、所述临床终点的随访时间和状态，计算负的cox偏似然损失值，并使用误差反传算法更新生存数据预测模型的模型参数；a50，循环步骤a30
‑
a40，直至负的cox偏似然损失值不再变小，得到训练好的生存数据预测模型。7.根据权利要求6所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，所述生存数据预测模型其在训练时，学习率策略为余弦退火下降策略，误差反传算法为随机梯度下降算法，batch size设置为128。8.一种融合多示例学习和多任务深度影像组学的生存期分析方法，其特征在于，该方法包括：s10，获取待分析的mr影像、对应的临床风险因子；所述临床风险因子包括患者的性别、年龄、tnm肿瘤分期、肿瘤家族史、吸烟史、饮酒史及血检指标；s20，在mr影像的横断位mri图像中勾画病灶掩膜；勾画后，对横断位mri图像进行预处理，并在预处理后的横断位mri图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；s30，将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值；所述临床终点包括死亡、转移、复发以及临床进展；s40，将各个临床终点的风险预测值输入预构建的生存期分析模型，得到生存期分析结果；其中，所述生存数据预测模型是基于卷积神经网络和三个并行的全连接层构建；所述生存期分析模型基于lasso回归模型、cox比例风险模型构建。9.一种设备，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求8所述的融合多示例学习和多任务深度影像组学的生存期分析方法。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存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求8所述的融合多示例学习和多任务深度影像组学的生存期分析方法。