基于ctDNA片段化模式的肿瘤病灶的定位方法及装置与流程

本发明涉及人工智能，尤其涉及一种基于ctdna片段化模式的肿瘤病灶的定位方法及装置。

背景技术：

1、随着深入推进健康中国的行动，我国深化了医疗卫生体制的改革，同期数字技术也为医疗带来了深刻的变革。大数据算法技术在医院中持续积累、自学习及改进,在医疗安全、科研、临床、精细化管理等方向提供了最优的管理策略,成为新一代智慧医院的“数字大脑”。

2、在肿瘤诊断方面，以往的肿瘤判断都是专业人士按照经验进行的，当面对大量的待确认的肿瘤图像时，仅仅依照人力对肿瘤的病灶进行判断，会因为疲劳导致肿瘤病灶识别的准确性降低，而且，人为的进行肿瘤病灶的定位具有局限性和主观性，因此，如何提升肿瘤病灶定位时准确性，成为了亟待解决的问题。

技术实现思路

1、本发明提供一种基于ctdna片段化模式的肿瘤病灶的定位方法及装置，其主要目的在于解决基于ctdna片段化模式的肿瘤病灶的定位时准确性较低的问题。

2、为实现上述目的，本发明提供的一种基于ctdna片段化模式的肿瘤病灶的定位方法，包括：

3、获取历史肿瘤图像，对所述历史肿瘤图像进行特征提取，得到所述历史肿瘤图像的图像特征；

4、获取所述历史肿瘤图像的背景数据，根据所述图像特征和所述背景数据生成所述历史肿瘤图像的融合特征，根据预设的属性类别对所述融合特征进行特征分类，得到所述融合特征的属性特征；

5、对所述属性特征进行回归验证，确定通过所述回归验证的属性特征的标准特征，根据预设的变量权重生成对所述标准特征的特征矩阵；

6、根据预设的回归方程构建初始肿瘤分类模型，其中，所述预设的回归方程为：

7、

8、其中，y是所述初始肿瘤分类模型的输出值，l是所述特征矩阵中的矩阵的总数，l是所述特征矩阵中的矩阵的标识，wl是初始肿瘤分类模型的第l个模型参数，xl是所述特征矩阵中的第l个矩阵，b是偏置项；

9、利用所述特征矩阵对所述初始肿瘤分类模型进行模型训练，得到训练完成的肿瘤分类模型；

10、获取目标肿瘤的目标数据，利用所述训练完成的癌症风险模型和所述目标数据生成所述目标肿瘤的肿瘤权值，根据预设的状态阈值和所述肿瘤权值对所述目标肿瘤进行病灶定位。

11、可选地，根据预设的属性类别对所述融合特征进行特征分类，得到所述融合特征的属性特征，包括：

12、按照预设的属性数据生成所述融合特征的聚类中心；

13、根据欧氏距离算法和所述聚类中心对所述融合特征进行数据分类，得到所述融合特征的属性特征，其中，所述欧氏距离算法为：

14、

15、其中，d表示所述融合特征对应的数据向量与所述聚类中心的欧氏距离，w1j表示所述融合特征对应的数据向量，w2j表示所述聚类中心，j是所述数据向量的标识，sqrt(*)是平方根函数，n是所述数据向量的总数。

16、可选地，所述根据欧氏距离算法和所述聚类中心对所述融合特征进行特征分类，得到所述融合特征的属性特征，包括：

17、对所述融合特征进行向量化转化，得到所述融合特征的特征向量；

18、根据欧氏距离算法逐个计算所述特征向量与所述聚类中心的欧氏距离，根据所述欧氏距离确定所述特征向量的向量属性；

19、根据所述向量属性和所述聚类中心生成所述融合特征的属性特征。

20、可选地，所述对所述属性特征进行回归验证，确定通过所述回归验证的属性特征的标准特征，包括：

21、对所述属性特征进行线性验证，得到所述属性特征的一级特征；

22、对所述一级特征进行正态验证，得到所述一级特征的二级特征；

23、对所述二级特征进行独立验证，得到所述二级特征的三级特征；

24、对所述三级特征进行齐性验证，得到所述三级特征的四级特征，确定所述四级特征为所述属性特征的标准特征。

25、可选地，所述对所述一级特征进行正态验证，得到所述一级特征的二级特征，包括：

26、利用如下正态检验算法所述对所述一级特征进行正态验证，得到所述一级特征的二级特征：

27、

28、其中，r是所述一级特征的正态系数，bi是所述一级特征中的第i个特征的正态评分，yi是所述一级特征中的第i个特征，是所述一级特征的均值，m是所述一级特征中的特征的总数，i是所述一级特征中的特征的标识。

29、可选地，所述对所述二级特征进行独立验证，得到所述二级特征的三级特征，包括：

30、利用如下卡方算法对所述二级特征进行独立验证，得到所述二级特征的三级特征：

31、

32、其中，x是所述二级特征的卡方统计量，op是所述二级特征的观察值，ep是所述二级特征的期望值，k是所述二级特征的观察值的总数，p是所述二级特征的观察值的标识。

33、可选地，所述根据预设的变量权重生成对所述标准特征的特征矩阵，包括：

34、根据所述标准特征的属性类别确定所述标准特征的特征重要性，利用预设的变量权重和所述特征重要性计算所述属性特征的特征权重；

35、利用所述特征权重和所述标准特征生成所述标准特征的特征矩阵。

36、可选地，所述利用所述特征矩阵对所述初始肿瘤分类模型进行模型训练，得到训练完成的肿瘤分类模型，包括：

37、根据所述特征矩阵生成所述初始肿瘤分类模型的损失函数，其中，所述损失函数为：

38、

39、其中，l(w)是所述初始肿瘤分类模型的损失值，h是所述特征矩阵的矩阵总数，h是所述特征矩阵的矩阵标识，y(h)是第h个所述特征矩阵对应的模型真实值，l是所述特征矩阵中的元素的总数，l是所述特征矩阵中的元素的标识，wl是初始肿瘤分类模型的第l个模型参数，xl是所述特征矩阵中的第l个元素，b是偏置项；

40、利用梯度下降法生成所述损失函数的函数最小值，根据所述函数最小值对所述初始肿瘤分类模型进行参数修正，得到训练完成的肿瘤分类模型。

41、可选地，所述利用梯度下降法生成所述损失函数的函数最小值，包括：

42、根据所述损失函数生成所述初始肿瘤分类模型的目标函数，利用预设的梯度下降算法生成所述目标函数的最终训练值，其中，所述预设的梯度下降算法为：

43、

44、其中，wl+1是初始肿瘤分类模型的第l+1个模型参数，h是所述特征矩阵的矩阵总数，h是所述特征矩阵的矩阵标识，y(h)是第h个所述特征矩阵对应的模型真实值，l是所述特征矩阵中的元素的总数，l是所述特征矩阵中的元素的标识，wl是初始肿瘤分类模型的第l个模型参数，xl是所述特征矩阵中的第l个元素，b是偏置项，α是学习率；

45、确定所述最终训练值为所述损失函数的函数最小值。

46、为了解决上述问题，本发明还提供一种基于ctdna片段化模式的肿瘤病灶的定位装置，所述装置包括：

47、特征提取模块，用于获取历史肿瘤图像，对所述历史肿瘤图像进行特征提取，得到所述历史肿瘤图像的图像特征；

48、融合特征模块，用于获取所述历史肿瘤图像的背景数据，根据所述图像特征和所述背景数据生成所述历史肿瘤图像的融合特征，根据预设的属性类别对所述融合特征进行特征分类，得到所述融合特征的属性特征；

49、回归验证模块，用于对所述属性特征进行回归验证，确定通过所述回归验证的属性特征的标准特征，根据预设的变量权重生成对所述标准特征的特征矩阵；

50、构建模型模块，用于根据预设的回归方程构建初始肿瘤分类模型，其中，所述预设的回归方程为：

51、

52、其中，y是所述初始肿瘤分类模型的输出值，l是所述特征矩阵中的矩阵的总数，l是所述特征矩阵中的矩阵的标识，wl是初始肿瘤分类模型的第l个模型参数，xl是所述特征矩阵中的第l个矩阵，b是偏置项；

53、模型训练模块，用于利用所述特征矩阵对所述初始肿瘤分类模型进行模型训练，得到训练完成的肿瘤分类模型；

54、病灶定位模块，用于获取目标肿瘤的目标数据，利用所述训练完成的癌症风险模型和所述目标数据生成所述目标肿瘤的肿瘤权值，根据预设的状态阈值和所述肿瘤权值对所述目标肿瘤进行病灶定位。

55、本发明实施例通过历史肿瘤图像的图像特征和背景数据生成历史肿瘤图像的融合特征，并对融合特征进行特征分类和回归验证，确保了进行模型训练的数据的可靠性，对构建的初始肿瘤分类模型进行模型训练，建立了输入数据与输出数据的定量关系，提高了模型进行分类的准确性，因此本发明提出基于ctdna片段化模式的肿瘤病灶的定位方法及装置，可以解决肿瘤病灶的定位时准确性较低的问题。