基于病理深度学习的子宫内膜癌保育治疗后诊断评估方法

本发明涉及诊断评估，尤其涉及一种基于病理深度学习的子宫内膜癌保育治疗后诊断评估方法。

背景技术：

1、对子宫内膜癌的保育治疗，需要首次病理确诊后，使用孕激素规范治疗，每3个月在宫腔的不同的部位分别获取少许子宫内膜组织进行病理评估，因而会有多次的病理活检。对患者每一个阶段的治疗都会有一个动态的病理评估，孕激素治疗后的子宫内膜病理变化具有复杂性及多样性，只有病理医生做出准确的诊断，妇科医生才会给出下一步的治疗建议，为子宫内膜癌保育治疗规范诊断提供指导性建议。这导致对病理医生的需求过多。病理医生短缺在中国和全球都存在，病理医生的超负荷工作，会进一步影响了诊断的准确性。根据《中国病理诊断行业分析报告》，根据每100张病床需要1-2名病理医生，中国需要84000-16.8万名病理医生。然而，截至2018年，有执业注册的病理医生只有1.8万名，至少还缺6.6万名病理医生。由于日常诊断需求巨大，并且宫腔刮除术或活检获得的标本往往是碎片化的、含有血液甚至宫颈粘液，增加了诊断的复杂性。这些情况对病理诊断造成了相当大的压力。工作量的日益增加、诊断的复杂性和病理医生的缺乏之间构成了一个显著的矛盾。

2、因此，急需一种基于病理深度学习的子宫内膜癌保育治疗后诊断评估方法，该方法属于能够使病理医生专注于感兴趣区域的新技术。

技术实现思路

1、本发明提供了基于病理深度学习的子宫内膜癌保育治疗后诊断评估方法，以解决现有技术中存在的对子宫内膜癌的保育治疗，需要首次病理确诊后，使用孕激素规范治疗，每3个月在宫腔的不同的部位分别获取少许子宫内膜组织进行病理评估，因而会有多次的病理活检。对患者每一个阶段的治疗都会有一个动态的病理评估，孕激素治疗后的子宫内膜病理变化具有复杂性及多样性，只有病理医生做出准确的诊断，妇科医生才会给出下一步的治疗建议，为子宫内膜癌保育治疗规范诊断提供指导性建议。这导致对病理医生的需求过多。病理医生短缺在中国和全球都存在，病理医生的超负荷工作，会进一步影响了诊断的准确性。根据《中国病理诊断行业分析报告》，根据每100张病床需要1-2名病理医生，中国需要84000-16.8万名病理医生。然而，截至2018年，有执业注册的病理医生只有1.8万名，至少还缺6.6万名病理医生。由于日常诊断需求巨大，并且宫腔刮除术或活检获得的标本往往是碎片化的、含有血液甚至宫颈粘液，增加了诊断的复杂性。这些情况对病理诊断造成了相当大的压力。工作量的日益增加、诊断的复杂性和病理医生的缺乏之间构成了一个显著的矛盾的上述问题。

2、为了达到上述目的，本发明提供如下技术方案：

3、基于病理深度学习的子宫内膜癌保育治疗后诊断评估方法，包括：

4、s101：基于病理深度学习模型对当前采集的病理切片信息数据进行识别，获取第一识别结果，基于第一识别结果对患者进行保育治疗；

5、s102：当保育治疗后的患者进行复查时，基于病理深度学习模型对再次采集的病理切片信息数据进行识别，获取第二识别结果；

6、s103：将第二识别结果与第一识别结果进行比对，获取诊断报告，基于诊断报告获取当前患者子宫内膜癌评估数据，主治医生根据评估数据进行治疗。

7、其中，所述s101步骤包括：

8、s1011：基于病理信息存储库，获取带有标注的子宫内膜数字切片数据，将子宫内膜数字切片数据进行预处理后生成子宫内膜数据集；

9、s1012：将子宫内膜数据集作为训练数据输入深度学习模型后进行训练，获取优化后的病理深度学习模型；

10、s1013：当患者进行病理活检时，通过全数字病理切片技术采集患者的子宫内膜数字切片数据，通过优化后的病理深度学习模型对子宫内膜数字切片数据进行识别，获取第一识别结果，基于第一识别结果对患者进行保育治疗。

11、其中，所述s102步骤包括：

12、s1021：保育治疗若干时间后，患者通过病理活检复查，基于全数字病理切片技术再次采集患者的子宫内膜数字切片数据；

13、s1022：基于病理深度学习模型对再次采集患者的子宫内膜数字切片数据进行识别，获取第二识别结果。

14、其中，所述s103步骤包括：

15、s1031：将第二识别结果与第一识别结果进行比对，基于比对分类预测模型获取诊断报告，其中，比对分类预测模型包括癌/非典型增生全部消失、癌/非典型增生部分消失或者癌降级为非典型增生、未发生变化、癌/非典型增生级别上升或者人体抑癌基因突变；

16、s1032：基于诊断报告获取当前患者子宫内膜癌评估数据，主治医生根据评估数据进行治疗。

17、s1033：若诊断报告为癌/非典型增生全部消失，则评估数据为完全缓解；若诊断报告为癌/非典型增生部分消失或者癌降级为非典型增生，则评估数据为部分缓解；若诊断报告为未发生变化，则评估数据为无反应；若诊断报告为癌/非典型增生级别上升或者人体抑癌基因突变，则评估数据为疾病进展。

18、其中，所述s1011步骤中的基于病理信息存储库获取带有标注的子宫内膜数字切片数据包括：

19、先将采集的子宫内膜数字切片数据存入病理信息存储库，在将子宫内膜数字切片数据存入病理信息存储库之前，通过图像分析平台对子宫内膜数字切片数据中的子宫内膜癌细胞区域进行像素级标注，其中，该图像分析平台用于可视化和注释数字子宫内膜癌病理切片图像；

20、对子宫内膜癌细胞区域标注完成后，每一张子宫内膜癌病理切片的标注信息由单独的标注文件保存，每个标注文件由若干多边形列表组成，每一个列表表示一个封闭的子宫内膜癌细胞区域。

21、其中，所述s1011步骤中的将子宫内膜数字切片数据进行预处理包括：对子宫内膜数字切片数据进行组织区域分割；

22、在进行组织区域分割过程中，将子宫内膜数字切片数据中的病理切片图像去除背景，保留子宫内膜癌组织细胞和划分不同类别细胞区域，提取子宫内膜癌组织细胞的特征参数；

23、通过平均法将病理切片图像转变成灰度图像，再基于阈值对组织区域进行分割，获取组织区域分割后的病理切片图像。

24、其中，所述s1012步骤包括：

25、将子宫内膜数据集输入具有注意力机构的学习模型中训练，获取病理深度学习模型，将当下采集的子宫内膜数字切片数据经过预处理后输入深度学习模型，输出对应图像的分类结果；

26、其中，在注意力机构的学习模型中，输入对应图像特征，该对应图像特征通过卷积操作获取第一图像特征，再通过通道注意模块重新缩放获取第二图像特征，最后根据残差块中的短路连接将对应图像特征和第二图像特征相加获取输出特征，将学习模型中的残差结构替换成基于通道注意模块的残差结构后，获取注意力机构的学习模型。

27、其中，注意力机构的学习模型操作步骤包括：

28、经过卷积操作后获取的病理细胞特征通过全局平均池化层做全局平均池化操作，其次将生成的每个特征图做压缩操作；利用两个全连接层来建模通道之间的关联关系，使输出特征的权数与输入特征的权数保持一致；通过激活函数将获取的权重进行归一化操作；通过特征重标定操作，归一化每个通道的特征权重。

29、其中，所述s1022步骤包括：

30、基于病理深度学习模型对再次采集患者的子宫内膜数字切片数据进行识别过程中，将子宫内膜数字切片数据中的切片图像切割为补丁图像，其中，补丁图像是在切片图像上以滑动窗口的方式裁剪，再输入至病理深度学习模型中；

31、提取补丁图像的卷积层特征图，将该特征图的各个通道与权重加权求和，在模型的输出层中使用激活函数将输出值解释为概率；基于概率进行获取预测概率分布，对预测概率分布进行识别与分析，获取第二识别结果。

32、其中，在具有注意力机构的学习模型中加入子宫内膜癌病理学高级特征，该子宫内膜癌病理学高级特征设定为训练中间域；

33、将注意力机构的学习模型中的预训练网络浅层通用特征迁移至中间域中，使学习模型拥有对子宫内膜癌图像的分类能力，获取图像数据的第一次迁移，再将经过中间域训练过后的模型迁移至目标域当中，将通用特征与子宫内膜特征的学习模型具有对目标数据集的分类能力，获取图像数据的第二次迁移。

34、与现有技术相比，本发明具有以下优点：

35、基于病理深度学习的子宫内膜癌保育治疗后诊断评估方法，包括：基于病理深度学习模型对当前采集的病理切片信息数据进行识别，获取第一识别结果，基于第一识别结果对患者进行保育治疗；当保育治疗后的患者进行复查时，基于病理深度学习模型对再次采集的病理切片信息数据进行识别，获取第二识别结果；将第二识别结果与第一识别结果进行比对，获取诊断报告，基于诊断报告获取当前患者子宫内膜癌评估数据，主治医生根据评估数据进行治疗。通过病理深度学习模型实现对保育治疗后的诊断，帮助病理医生辅诊，为保育治疗患者作出尽可能详细、精准的治疗方案。

36、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

37、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。