基于多组学数据的疾病诊断设备、装置及存储介质

本发明涉及癌症患者分类的，尤其涉及一种基于多组学数据的疾病诊断设备、装置及存储介质。

背景技术：

1、病理学检查是癌症诊断和治疗的基础，但是病理医生通过镜下阅片得到诊断结果，由于受到医生主观因素影响，不同医生的诊断结果和对结果的解释存在较强的不一致性，且人工阅片过程耗时耗力，对于大量批次的阅片无论在诊断的准确度上还是效率上都存在一定的问题。近年来，病理学标本大都以全景数字切片图像（全幻灯片图像，wsis）的形式存储，对此可以通过计算机辅助诊断的方法，提高病理诊断准确性和效率。目前许多研究使用深度学习算法对wsis进行辅助诊断，但由于算法的问题其泛化能力受限，实际难以达到理想的效果。因此，亟待对相关的算法进行研究，给出诊断准确度更高、泛化能力更好的自动诊断方法。

2、目前，随着新一代基因测序技术的发展，各类组学测序成本急剧下降，大量组学数据得以生成。传统疾病诊断系统中常对单个组学数据进行统计分析，但单个组学无法全方位描述疾病，因而同时考虑多种组学数据是疾病诊断的新趋势，例如，将患者的影像数据与基因数据的结合可以帮助我们获得一个更好的诊断结果，目前主要有分别对各个数据进行诊断并在结果层面投票整合、将影像特征与基因特征拼接并做诊断等方法。但不同组学间存在异构且互补的信息，因此如何基于多组学数据进行疾病诊断，提高患者疾病类型诊断的准确性和效率是亟待解决的一个课题。

技术实现思路

1、本发明的主要目的在于提供了一种基于多组学数据的疾病诊断设备、装置及存储介质，旨在解决如何提高患者疾病类型诊断的准确性和效率的技术问题。

2、为实现上述目的，本发明提供了一种基于多组学数据的疾病诊断设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于多组学数据的疾病诊断程序，所述基于多组学数据的疾病诊断程序被所述处理器执行时实现以下步骤：

3、获取同一患者的待诊断基因数据和待诊断病理图像，所述待诊断病理图像为细胞病理图像；

4、基于所述待诊断基因数据筛选出差异表达基因，并提取所述差异表达基因的基因特征；

5、通过预设特征提取模型对所述细胞病理图像进行特征提取，获得细胞病理图像特征，所述预设预设特征提取模型包括基于densenet网络的特征提取模块和基于双注意力的多尺度特征融合模块；

6、将所述细胞病理图像特征与所述基因特征进行特征融合，获得待诊断融合特征，并根据所述待诊断融合特征确定所述患者的疾病类型。

7、可选地，所述获取同一患者的待诊断基因数据和待诊断病理图像，所述待诊断病理图像为细胞病理图像的步骤之前，包括：

8、获取多组学中影像组学数据，所述影像组学数据包括癌症患者病理图数据；

9、对所述癌症患者病理图数据进行随机重抽样，获得多个病理图数据集；

10、将所述病理图数据集输入至第一训练模型中进行训练，获得预设特征提取模型，所述第一训练模型为基于注意力机制的卷积神经网络模型。

11、可选地，所述基于densenet网络的特征提取模块包括四组卷积组和1x1卷积层；

12、所述卷积组，用于在特征提取过程中根据预设规则缩小所述细胞病理图像的尺度，并输出所述细胞病理图像进行特征提取后的第一特征；

13、所述1x1卷积层，用于将所述各卷积组输出的所述第一特征进行1x1非线性卷积运算，将所述第一特征的特征通道数变换至预设通道数，获得多尺度特征。

14、可选地，所述基于双注意力的多尺度特征融合模块包括通道注意力运算子模块、空间注意力运算子模块和特征融合子模块；

15、所述通道注意力运算子模块，用于基于所述多尺度特征进行空间信息降维，通过sigmoid函数输出通道注意力权重，并根据所述通道注意力权重获得第一过滤特征；

16、所述空间注意力运算子模块，用于对所述第一过滤特征进行通道信息降维，通过所述sigmoid函数输出空间注意力权重，并根据所述空间注意力权重获得第二过滤特征；

17、特征融合子模块，用于根据所述第二过滤特征进行特征融合，获得细胞病理图像特征。

18、可选地，所述特征融合子模块包括过滤特征融合单元和异常细胞定位单元；

19、所述过滤特征融合单元，用于对所述多尺度特征进行上采样运算，获得上采样结果，并将所述上采样结果与所述第二过滤特征进行逐元素相加，获得融合特征；

20、所述异常细胞定位单元，用于将所述融合特征输入rpn 网络和faster rcnn网络进行异常细胞定位获得定位结果，并将所述定位结果作为细胞病理图像特征。

21、可选地，所述基于所述待诊断基因数据筛选出差异表达基因的步骤，包括：

22、获取多例正常人健康对照的基因表达谱数据和所述待诊断基因数据中基因表达谱数据中的基因；

23、对所述基因进行基于两独立样本t检验的置换检验，获得置换检验结果，并根据所述置换检验结果筛选出差异表达基因。

24、可选地，所述提取所述差异表达基因的基因特征的步骤，具体包括：

25、通过基于注意力的基因特征提取网络提取所述差异表达基因的基因特征，所述基于注意力的基因特征提取网络包括注意力机制层和全连接层。

26、可选地，所述通过预设特征提取模型对所述细胞病理图像进行特征提取，获得细胞病理图像特征的步骤之前，还包括：

27、将所述对所述细胞病理图像进行数据增强处理。

28、此外，为实现上述目的，本发明还提出一种基于多组学数据的疾病诊断装置，所述装置包括：

29、数据获取模块，用于获取同一患者的待诊断基因数据和待诊断病理图像，所述待诊断病理图像为细胞病理图像；

30、基因特征提取模块，用于基于所述待诊断基因数据筛选出差异表达基因，并提取所述差异表达基因的基因特征；

31、图像特征提取模块，用于通过预设特征提取模型对所述细胞病理图像进行特征提取，获得细胞病理图像特征，所述预设预设特征提取模型包括基于densenet算法的特征提取模块和基于双注意力的多尺度特征融合模块；

32、特征融合模块，用于将所述细胞病理图像特征与所述基因特征进行特征融合，获得待诊断融合特征，并根据所述待诊断融合特征确定所述患者的疾病类型。

33、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于多组学数据的疾病诊断程序，所述基于多组学数据的疾病诊断程序被处理器执行时实现以下步骤：

34、获取同一患者的待诊断基因数据和待诊断病理图像，所述待诊断病理图像为细胞病理图像；

35、基于所述待诊断基因数据筛选出差异表达基因，并提取所述差异表达基因的基因特征；

36、通过预设特征提取模型对所述细胞病理图像进行特征提取，获得细胞病理图像特征，所述预设预设特征提取模型包括基于densenet算法的特征提取模块和基于双注意力的多尺度特征融合模块；

37、将所述细胞病理图像特征与所述基因特征进行特征融合，获得待诊断融合特征，并根据所述待诊断融合特征确定所述患者的疾病类型。

38、本发明通过获取同一患者的待诊断基因数据和待诊断病理图像，所述待诊断病理图像为细胞病理图像；基于所述待诊断基因数据筛选出差异表达基因，并提取所述差异表达基因的基因特征；通过预设特征提取模型对所述细胞病理图像进行特征提取，获得细胞病理图像特征，所述预设预设特征提取模型包括基于densenet网络的特征提取模块和基于双注意力的多尺度特征融合模块；将所述细胞病理图像特征与所述基因特征进行特征融合，获得待诊断融合特征，并根据所述待诊断融合特征确定所述患者的疾病类型块。本发明通过引入基于densenet网络的特征提取模块和基于双注意力的多尺度特征融合模块对细胞病理图像进行特征提取，获得细胞病理图像特征，然后将细胞病理图像特征与提取的基因特征进行特征融合，再根据特征融合的结果确定癌症患者的患病类型，相比于现有技术，本发明有效提高了对癌症患者疾病类型诊断的准确性和效率。