一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级方法及系统

摘要: 本发明涉及医疗人工智能,具体涉及一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级方法及系统,融合多模态临床数据实现肝纤维化自动分级的智能辅助诊断。背景技术:...
一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级方法及系统

本发明涉及医疗人工智能,具体涉及一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级方法及系统,融合多模态临床数据实现肝纤维化自动分级的智能辅助诊断。

背景技术:

1、肝豆状核变性(hepatolenticular degeneration,hld),又称wilson病(wilsondisease,wd),是一种由于atp7b基因突变导致的常染色体隐性遗传性铜代谢障碍疾病。该病以肝脏损害和神经系统症状为主要临床表现,肝脏是铜代谢紊乱的主要受累器官。肝纤维化是肝豆状核变性患者肝脏进行性损害的关键病理过程,准确评估肝纤维化分期对于疾病早期干预、治疗方案制定及预后判断具有重要的临床意义。

2、目前,肝纤维化分级的金标准是肝穿刺活检病理学检查。然而,肝穿刺活检具有创伤性、存在出血风险、取样误差等局限性,不适用于反复动态评估和早期筛查。现有的无创评估手段主要包括:血清学指标(如apri、fib-4指数、血清肝纤维化四项指标pcⅲ、c-ⅳ、ha、ln等)、瞬时弹性成像技术(如fibrotouch、剪切波弹性成像swe等)以及多模态mri影像学检查。然而,上述单一模态的无创评估方法均存在一定的局限性:血清学指标受多种因素干扰,特异性有限;弹性成像技术依赖于操作者经验和设备条件;影像学评估缺乏标准化的自动分析手段。

3、近年来,深度学习技术在医学影像分析和疾病诊断领域取得了显著进展。已有研究表明,基于深度学习的模型在肝纤维化分期诊断中表现出良好的性能。多模态深度学习通过融合不同模态的数据(如临床特征、血清学指标、影像数据等),能够充分利用各模态的互补信息,有望进一步提高肝纤维化分级的准确性。然而现有技术中缺乏一种能够融合多模态数据、实现肝豆状核变性肝纤维化自动、无创、精准分级的智能化系统。因此,开发一种针对肝豆状核变性肝纤维化的多模态深度学习无创分级系统,具有重要的临床价值和广阔的应用前景。

技术实现思路

1、本发明提供一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级方法及系统,旨在解决以下现有技术存在的问题:

2、1.现有肝纤维化分级依赖有创肝穿刺活检,不适用于反复动态评估。

3、2.单一模态无创评估方法的准确性和特异性不足。

4、3.缺乏针对肝豆状核变性这一特定病因的智能化肝纤维化分级工具。

5、为了实现上述目的,本发明所采用的技术方案为:

6、一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级方法,包括如下步骤:

7、(1)采集肝豆状核变性患者的多模态数据,所述多模态数据包括血清学指标数据、影像学数据和临床特征数据;

8、(2)对采集的多模态数据进行预处理,所述预处理包括数据清洗、缺失值处理、标准化处理以及影像数据的肝脏区域分割;

9、(3)分别从各模态数据中提取特征,包括从血清学指标数据中提取血清学特征、从影像学数据中提取影像组学特征、从临床特征数据中提取临床特征;

10、(4)将步骤(3)提取的多模态特征进行融合,得到融合特征;

11、(5)基于所述融合特征,通过深度学习分类网络模型输出肝纤维化分级结果。

12、作为本发明的优选技术方案,步骤(1)中所述临床特征包含:患者年龄、性别、病程、child-pugh分级。所述血清学指标包含:天冬氨酸氨基转移酶与血小板比值指数、肝纤维化-4指数、血清ⅲ型前胶原蛋白、血清ⅳ型胶原蛋白、血清透明质酸、血清层粘连蛋白、肝功能指标、铜生化指标。所述影像学数据包含:超声剪切波弹性成像、瞬时弹性成像、多模态mri影像。

13、作为本发明的优选技术方案,步骤(3)中影像组学特征包含形态学特征、纹理特征和拓扑学特征。

14、作为本发明的优选技术方案,步骤(4)中多模态融合部分采用注意力机制对三类模态的特征进行自适应加权整合。

15、作为本发明的优选技术方案,步骤(5)中深度学习分类网络为多任务学习结构,包含共享特征提取层和分级输出层,分级输出层输出肝纤维化f0至f4五个分期。

16、此外,本发明还提出了一种基于多模态深度学习的肝豆状核变性肝纤维化无创分级系统,包括如下模块:

17、(1)多模态临床数据采集模块,用于采集肝豆状核变性患者的多模态数据,所述多模态数据包括血清学指标数据、影像学数据和临床特征数据;

18、(2)数据预处理与标准化模块,用于对采集的多模态数据进行预处理,所述预处理包括数据清洗、缺失值处理、标准化处理以及影像数据的肝脏区域分割;

19、(3)多模态特征提取模块,用于分别从各模态数据中提取特征,包括从血清学指标数据中提取血清学特征、从影像学数据中提取影像组学特征、从临床特征数据中提取临床特征;

20、(4)多模态融合模块,用于将提取的多模态特征进行融合,得到融合特征;

21、(5)智能分级预测模块,基于所述融合特征,通过深度学习分类网络模型输出肝纤维化分级结果。

22、相对于现有技术,本发明具有以下核心创新点:

23、1.首创针对肝豆状核变性的专用无创分级框架

24、本发明首次专门针对atp7b基因突变所致的铜代谢障碍疾病,在疾病特征和模型设计上充分契合肝豆状核变性的病理生理特点,填补了该疾病领域智能化分级工具的技术空白。

25、2.多模态深度特征提取与自适应融合

26、系统同时整合了血液检测指标、弹性成像数据以及多种mri影像信息,并通过深度学习自动提取其中的有效特征;在融合这些不同来源的数据时,模型能够根据每个患者的具体情况,自动调整各项数据的比重,而不是简单相加或取平均,从而提升判断的准确性。

27、3. 多任务联合学习与增量持续优化

28、在主导分类任务外,联合肝硬度值回归和child-pugh分级分类作为辅助任务,共享底层特征,增强模型的通用性和稳定性。同时,系统内置了增量更新机制,当积累新的临床数据后,模型可以在不遗忘已有知识的基础上进行优化,适应未来数据的变化,便于长期临床应用。

29、4. 全流程自动化与系统灵活扩展

30、实现从数据采集、智能预处理(含自动肝脏分割)、特征提取、融合到分级输出的端到端自动化流程;各模块接口标准化,可独立替换或升级,便于后续技术迭代与功能扩展。

31、与现有技术相比,本发明具有以下有益效果:

32、1.无创性:本发明无需进行肝穿刺活检,仅通过采集患者的血清学指标、影像学数据和临床特征数据即可实现肝纤维化分级,避免了有创检查带来的风险和患者不适,适用于反复动态评估和早期筛查。

33、2.多模态融合提高准确性:本发明通过多模态深度学习网络,充分利用不同模态数据之间的互补信息。血清学指标反映肝脏功能状态,影像学数据反映肝脏组织学改变,临床特征提供个体化信息,多模态融合全面评估肝纤维化程度,显著提高分级的准确性。

34、3.提高诊断效率:本发明实现了从数据采集、预处理、特征提取到分级预测的全流程自动化,减少了人工干预,提高了诊断效率和一致性。

35、4.针对性强:本发明专门针对肝豆状核变性这一特定病因的肝纤维化进行分级,充分考虑了该疾病的病理生理特点和相关临床指标。