一种基于人工智能知识库的放疗临床辅助决策方法及系统与流程

本发明涉及基于知识库的临床决策知识库，尤其涉及一种基于人工智能知识库的放疗临床辅助决策方法及系统。

背景技术：

1、肿瘤放射治疗是利用粒子的放射线来轰击肿瘤，同时利用肿瘤组织和健康组织针对放射线的生物学差异来达到杀灭肿瘤和保护健康组织的治疗方法。

2、目前的肿瘤放射治疗过程包括以下几个步骤：

3、诊断检查：肿瘤放射治疗的第一步，主要是为了确诊肿瘤，确定肿瘤的部位、大小和范围，这一步可能需要进行一些影像学检查，如ct、mri等。

4、制定治疗方案：根据患者的情况，放疗医生确定适当的放射治疗计划，该计划包括外照射放射治疗、近距离放射治疗或全身放射治疗。该计划将考虑患者的整体健康状况、癌症的类型和分期以及肿瘤的位置。放疗医生还将考虑放射治疗的潜在副作用和并发症，以及患者以前接受过的治疗。

5、定位和靶区勾画：在治疗前，医生需要对肿瘤进行精确的定位，并勾画出需要照射的靶区。这是为了确保放射线能够准确地照射到肿瘤部位，从而最大程度地杀死肿瘤细胞。

6、计划设计、评估和验证：医生会根据患者的具体情况，设计出最佳的放射治疗方案。这个方案可能会涉及到照射的剂量、照射的次数、照射的方式等。然后，医生再对这个方案进行评估，看看它是否能够达到预期的治疗效果，同时，也会验证这个方案的可行性。

7、开始治疗：治疗方案经过验证后，即可开始进行放射治疗。这个过程可能需要进行多次照射，每次照射的剂量和次数都会根据治疗方案来确定。

8、出院和随访：治疗结束后，患者需要按照医生的建议进行出院，并进行随访。医生会定期检查患者的身体状况，观察治疗效果，同时，也会及时发现并处理可能出现的并发症。

9、目前肿瘤放射治疗过程存在以下一些之处：传统的肿瘤放射治疗过程往往依赖于医生对于影像数据的处理和各种指南的理解记忆，缺乏系统性、时效性和完整性。

10、为此，本发明提供了一种基于人工智能知识库的放疗临床辅助决策方法及系统。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于人工智能知识库的放疗临床辅助决策方法及系统。

2、为了实现上述目的，本发明的技术方案如下：

3、第一方面，本发明提供了一种基于人工智能知识库的放疗临床辅助决策方法，该方法包括：

4、获取患者现有的组学信息；

5、将组学信息进行清洗预处理，得到组学信息数据集；

6、根据nlp技术，将组学信息数据集中包含的组学信息进行信息提取处理，提取与肿瘤特性相关的关键信息，将提取的关键信息进行多模态数据处理，整合和分析来自不同来源的数据模态，并将经多模态数据处理后的关键信息拆分为训练集和测试集，根据训练集和测试集对监督学习算法训练模型进行训练和优化，输出目标监督学习算法训练模型；

7、将目标患者现有的关键信息输入至目标监督学习算法训练模型，得到目标患者进行不同放射治疗方案的受益评估结果，根据目标患者的受益评估结果以及与肿瘤诊断相关的特定信息，得到放射治疗方案的推荐方案。

8、在一些实施例中，所述将组学信息进行清洗预处理，得到组学信息数据集，包括：根据数据清洗需求预设数据清洗规则，基于预设的数据清洗规则，对组学信息进行遍历搜索，当遍历搜索到不符合数据清洗规则时，清洗掉错误和重复的组学信息，形成组学信息数据集。

9、在一些实施例中，所述根据nlp技术，将组学信息数据集中包含的组学信息进行信息提取处理，提取与肿瘤特性相关的关键信息，将提取的关键信息进行多模态数据处理，整合和分析来自不同来源的数据模态，并将经多模态数据处理后的关键信息拆分为训练集和测试集，根据训练集和测试集对监督学习算法训练模型进行训练和优化，输出目标监督学习算法训练模型，包括：

10、根据nlp技术，通过筛选组学信息数据集中包含的组学信息的相关字段，识别并标记出与肿瘤相关的特征点，随后将特征点中包含的文本数据划分到不同来源的应用字段中，提取出与肿瘤特性相关的关键信息；

11、根据不同来源的数据模态，对提取的关键信息进行多模态数据处理，其中，数据模态包括图像数据、非结构化数据和结构化数据，对于数据模态为图像数据时，将提取的关键信息形成结构化诊断报告，对于数据模态为非结构化数据时，将提取的关键信息转换为结构化数据，对于数据模态为结构化数据，将提取的关键信息进行排序与整合；

12、将经多模态数据处理后的关键信息拆分为训练集和测试集，采用训练集对深度卷积神经网络模型进行深度学习，采用测试集对深度卷积神经网络模型进行测试，根据测试结果优化模型参数，输出目标监督学习算法训练模型。

13、在一些实施例中，所述将目标患者现有的关键信息输入至目标监督学习算法训练模型，得到目标患者进行不同放射治疗方案的受益评估结果，根据目标患者的受益评估结果以及与肿瘤诊断相关的特定信息，得到放射治疗方案的推荐方案，包括：将目标患者现有的关键信息输入至深度卷积神经网络模型，输出目标患者进行不同放射治疗方案的受益评估结果，根据目标患者的受益评估结果以及与肿瘤诊断相关的特定信息，根据预设的评分推荐规则，按评分降序列出不同的放射治疗方案，从指定数量的放射治疗方案中择优得到推荐方案。

14、在一些实施例中，还包括：根据国内外权威学术机构、学术期刊、会议发表的最新的权威临床指南、诊疗规范、教科书、文献、专家共识和临床证据，实时对所述目标监督学习算法训练模型进行机器学习，以更新和优化目标监督学习算法训练模型。

15、第二方面，本发明提供了一种基于人工智能知识库的放疗临床辅助决策系统，该系统包括：

16、数据采集模块，用于获取患者现有的组学信息；

17、数据预处理模块，用于将组学信息进行清洗预处理，得到组学信息数据集；

18、放疗决策支持系统，用于根据nlp技术，将组学信息数据集中包含的组学信息进行信息提取处理，提取与肿瘤特性相关的关键信息，将提取的关键信息进行多模态数据处理，整合和分析来自不同来源的数据模态，并将经多模态数据处理后的关键信息拆分为训练集和测试集，根据训练集和测试集对监督学习算法训练模型进行训练和优化，输出目标监督学习算法训练模型；

19、用户界面模块，用于将目标患者现有的关键信息输入至目标监督学习算法训练模型，得到目标患者进行不同放射治疗方案的受益评估结果，根据目标患者的受益评估结果以及与肿瘤诊断相关的特定信息，得到放射治疗方案的推荐方案。

20、在一些实施例中，所述数据预处理模块包括：

21、数据清洗规则定义模块，用于根据数据清洗需求预设数据清洗规则；

22、数据检测分析模块，用于基于预设的数据清洗规则，对组学信息进行遍历搜索，当遍历搜索到不符合数据清洗规则时，清洗掉错误和重复的组学信息，形成组学信息数据集。

23、在一些实施例中，所述放疗决策支持系统包括：

24、关键信息提取模块，用于根据nlp技术，通过筛选组学信息数据集中包含的组学信息的相关字段，识别并标记出与肿瘤相关的特征点，随后将特征点中包含的文本数据划分到不同来源的应用字段中，提取出与肿瘤特性相关的关键信息；

25、多模态数据处理模块，用于根据不同来源的数据模态，对提取的关键信息进行多模态数据处理，其中，数据模态包括图像数据、非结构化数据和结构化数据，对于数据模态为图像数据时，将提取的关键信息形成结构化诊断报告，对于数据模态为非结构化数据时，将提取的关键信息转换为结构化数据，对于数据模态为结构化数据，将提取的关键信息进行排序与整合；

26、监督学习算法训练模型学习和优化模块，用于将经多模态数据处理后的关键信息拆分为训练集和测试集，采用训练集对深度卷积神经网络模型进行深度学习，采用测试集对深度卷积神经网络模型进行测试，根据测试结果优化模型参数，输出目标监督学习算法训练模型。

27、在一些实施例中，所述用户界面模块包括：

28、患者受益评估模块，用于将目标患者现有的关键信息输入至深度卷积神经网络模型，输出目标患者进行不同放射治疗方案的受益评估结果；

29、放疗方案推荐模块，根据目标患者的受益评估结果以及与肿瘤诊断相关的特定信息，根据预设的评分推荐规则，按评分降序列出不同的放射治疗方案，从指定数量的放射治疗方案中择优得到推荐方案。

30、在一些实施例中，还包括：监督学习算法训练模型更新和学习模块，用于根据国内外权威学术机构、学术期刊、会议发表的最新的权威临床指南、诊疗规范、教科书、文献、专家共识和临床证据，实时对所述目标监督学习算法训练模型进行机器学习，以更新和优化目标监督学习算法训练模型。

31、本发明的优点及有益效果在于：

32、本发明提供的一种基于人工智能知识库的放疗临床辅助决策方法及系统，具备以下有益效果：

33、1、自适应性：能够根据患者的组学信息得到放射治疗方案的推荐方案，从而对放疗计划作出辅助决策；

34、2、安全性：通过人工智辅助决策提供建议，医生复核保证治疗安全性；

35、3、高效率：医生无需花费很多时间搜集相关信息，放疗临床辅助决策系统自动给出建议及提醒，减轻医务人员的工作负担；

36、4、高安全性：使得放射治疗的方案、复查节点等更个性化，减少患者更多的体积接受不必要的剂量照射；

37、5、准确性：能够根据新的数据和反馈信息进行自我更新和学习，有效提高放疗临床辅助决策的准确性。