一种端到端特征增强与选择的乳腺肿瘤分类方法及系统与流程

本发明涉及肿瘤分类，尤其是涉及一种端到端特征增强与选择的乳腺肿瘤分类方法及系统。

背景技术：

1、乳腺肿瘤的良性和恶性分类对指导临床工作具有重要意义。良恶性的判断直接影响到后续的治疗方案选择和预后评估。良性肿瘤增殖较慢，大多是局部疾病，一般预后较好，多采取保守治疗。而恶性肿瘤侵袭性强，更易发生远处转移，预后差，需要积极的综合治疗。现有的乳腺肿瘤分类方法主要如下：

2、传统生物统计分析方法。这种方法首先由专家基于经验选择与肿瘤分类相关的生物学特征，比如患者年龄、肿瘤大小、生长速度等。然后汇总前期病例数据，依据经验构建一个简单统计分析模型，可能涉及到一些回归分析、方差分析等统计学方法。对新的患者样本，输入模型进行分类。

3、手术病理学检查方法。该方法获得肿瘤患者手术切除的肿瘤组织样本，进行病理学处理，制成组织切片，在显微镜下观察细胞形态、结构、分布等信息。切片可能进行染色处理以突出关键特征。然后病理学专家会根据经验对细胞形态学变化进行综合判断，来确定该肿瘤的恶性程度或良恶分类。

4、传统的机器学习方法。这类方法使用一些简单的机器学习算法模型，比如支持向量机、决策树、随机森林等。研究人员首先提取医学检验指标，进行特征工程，然后将特征数据集输入机器学习模型，训练分类器。这样就可以建立一个自动分类系统。

5、1.现有技术缺点

6、（1）传统生物统计分析方法完全依赖于专家经验选择与肿瘤分类相关的生物学特征。这导致不同专家根据各自知识背景和经验的局限性，可能选择非常不同的特征。这种人工特征选择的不稳定性和主观性，会直接影响后续建立的分类模型的客观性和准确性。

7、（2）手术病理学检查方法需要通过外科手术切除或针吸活检等方式来获取病变组织样本，这种侵入式的样本获取方式会对患者造成一定的创伤。同时手术切除也存在一定风险。这种方法仅适用于已确诊需要治疗的患者，无法用于早期筛查或原位癌监测。

8、传统机器学习方法无法实现端到端训练，往往需要进行复杂的特征工程。研究人员首先需要根据经验提取特征。然后还需要对特征进行选择、转换、降维等进一步的处理。而且无法保证提取原始数据中全部关键鉴别信息，且整个结构松散，这限制了传统机器学习方法的泛化性和灵活性。

技术实现思路

1、为了解决上述提到的问题，本发明提供一种端到端特征增强与选择的乳腺肿瘤分类方法及系统。

2、第一方面，本发明提供的一种端到端特征增强与选择的乳腺肿瘤分类方法，采用如下的技术方案：

3、一种端到端特征增强与选择的乳腺肿瘤分类方法，包括：

4、获取肿瘤原始数据指标；

5、利用深度神经网络直接接受肿瘤原始数据指标作为输入，基于分离层和全连接层对肿瘤原始数据指标进行增强表达，得到增强特征向量；

6、对增强特征向量进行特征选择，得到特征子集；

7、对特征子集进行sigmoid函数映射，输出肿瘤恶性概率。

8、进一步地，所述获取肿瘤原始数据指标，包括获取多种乳腺肿瘤关键指标，并将分为30类作为输入指标向量。

9、进一步地，所述基于分离层和全连接层对肿瘤原始数据指标进行增强表达，包括利用分离层对30个肿瘤原始数据指标进行标量特征拆分，利用全连接层对30个标量特征进行线性运算，得到30个8维的特征向量，并通过将30个8维特征向量拼接，得到一个240维的增强特征向量。

10、进一步地，所述对增强特征向量进行特征选择，包括通过第一路径直接接受增强特征向量输入，通过门控子模块获取选择后的全局特征向量，然后连接至全连接层和softmax激活函数；通过第二路径将输入的增强特征向量分离为逐个特征，然后每个特征单独进行门控模块选择，最后将全部结果拼接，得到第二路径的输出，通过将第一路径和第二路径的结果相乘，得到特征子集。

11、进一步地，所述通过门控子模块获取选择后的全局特征向量，包括将输入的增强特征向量经过多个全连接层进行特征降维，在第三个全连接层处添加特征加权，权重值较小的特征被过滤，权重大的特征被保留，实现特征选择。

12、进一步地，所述对特征子集进行sigmoid函数映射，输出肿瘤恶性概率，包括通过一个全连接层输出选择后的特征，并将特征维度降低为1维，其中全连接层公式为：

13、；

14、其中，为输入特征向量，为权重矩阵，为偏置向量，为输出特征向量。

15、进一步地，所述对特征子集进行sigmoid函数映射，输出肿瘤恶性概率，还包括对降维后的特征进行sigmoid函数映射，softmax函数公式为：

16、

17、其中，为第个输入特征，第j个输入特征；

18、sigmoid公式为：

19、

20、relu公式为：

21、

22、第二方面，一种端到端特征增强与选择的乳腺肿瘤分类系统，包括：

23、数据获取模块，被配置为，获取肿瘤原始数据指标；

24、特征增强模块，被配置为，利用深度神经网络直接接受肿瘤原始数据指标作为输入，基于分离层和全连接层对肿瘤原始数据指标进行增强表达，得到增强特征向量；

25、特征选择模块，被配置为，对增强特征向量进行特征选择，得到特征子集；

26、输出模块，被配置为，对特征子集进行sigmoid函数映射，输出肿瘤恶性概率。

27、第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种端到端特征增强与选择的乳腺肿瘤分类方法。

28、第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种端到端特征增强与选择的乳腺肿瘤分类方法。

29、综上所述，本发明具有如下的有益技术效果：

30、1.本发明通过上述技术方案，直接利用原始的肿瘤检查指标作为模型输入，通过在网络中设计特征增强和选择模块，可以自动学习表达肿瘤分类相关的特征。

31、2. 自定义设计的特征增强模块，针对每个原始输入特征，使用多层全连接网络作为子模块进行非线性映射，使每个特征获得更加丰富和鲁棒的表达。重复该模块增强所有特征，最终获得一个增强特征向量，为后续特征选择及分类任务提供信息充足的输入。

32、3. 自定义设计的特征选择模块，使用门控结构和残差连接实现对输入增强特征的自动选择，无需人工定义选择算法，可以完全数据驱动地学习到对分类任务最优化的特征子集，提高模型准确性。

33、4. 网络各组件功能明确，输入数据完整可追溯，实现了可解释的端到端框架，提升了模型的效率与灵活性。

34、5. 系统直接基于非侵入式检查指标作为输入，可以实现对疑似患者的无创智能筛查，拓展了临床应用场景，有利于提高疾病的早期发现率和治愈率。