基于深度迁移强化学习的头颈肿瘤术中治疗支持系统的制作方法

本申请涉及深度迁移强化学习，且更为具体地，涉及一种基于深度迁移强化学习的头颈肿瘤术中治疗支持系统。

背景技术：

1、头颈鳞状细胞癌（head and neck squamous cell carcinoma，hnscc）是全球第六大常见恶性肿瘤，每年新发病例约89万例，死亡约45万例，起源于口腔、口咽、下咽和喉部的黏膜上皮。尽管手术、放疗、化疗和免疫治疗等多模式治疗手段取得了显著进展，但hnscc的5年生存率仍徘徊在50%～60%左右，其主要原因在于晚期诊断和肿瘤的高度分子异质性。

2、近年来，影像基因组学（radiogenomics）领域的快速发展表明，ct及mri影像特征（包括肿瘤形态、纹理、边界特征等）可作为预测基因突变的非侵入性生物标志物。通过将多模态ct/mri影像的深度学习影像表型分析与临床组学数据相结合，可以预测hnscc相关关键基因（包括tp53、cdkn2a、notch1、fat1、pik3ca、hras、ccnd1、fbxw7、casp8、axin2、egfr、braf等12个基因）的突变状态，从而为分子分型和个体化治疗方案的制定提供无创手段。然而，现有的基因突变预测方案仍存在显著的技术局限：

3、首先，现有技术普遍存在线性陷阱与模态平权的缺陷。常用的特征筛选策略（如基于皮尔逊相关系数的方法）仅能捕捉影像纹理与临床指标间的线性统计关联，忽略了肿瘤异质性中广泛存在的非线性耦合关系（例如特定基因突变仅在特定纹理阈值区间内激活影像表型），且错误地将高语义的临床金标准数据与含噪的影像数据置于同等地位进行方差筛选，导致关键的病理指征被噪声掩盖或误剔除。其次，由于带有基因突变检测标注的多模态医学影像数据收集困难、成本高昂，且不同中心间存在设备差异，直接训练的模型往往面临严重的域偏移问题，难以在新的临床场景中保持鲁棒性。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度迁移强化学习的头颈肿瘤术中治疗支持系统。

2、根据本申请的一个方面，提供了一种基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其包括：

3、患者数据采集模块，用于获取头颈癌患者的多模态影像数据及临床文本数据；

4、数据预处理模块，用于对多模态影像数据及临床文本数据进行数据预处理以得到多模态头颈癌数据集；

5、多模态融合特征提取模块，用于从多模态头颈癌数据集提取融合多模态特征向量；

6、模型训练优化模块，用于基于获取的公开源域数据集进行源域深度强化学习模型训练与优化以得到预训练模型参数；

7、迁移学习微调模块，用于基于预训练模型参数初始化目标任务网络，利用融合多模态特征向量作为目标域数据对目标任务网络进行迁移学习微调以得到头颈癌预测模型；

8、基因突变预测模块，用于将待预测的融合特征输入头颈癌预测模型进行多基因突变概率预测，以得到各基因突变概率预测结果。

9、与现有技术相比，本申请提供的一种基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其首先对多模态影像及临床文本进行深度融合，利用基于广义互信息的非线性度量及非对称正交解耦机制，在确立临床先验主导地位的同时，精准提取影像数据中无法被临床指标解释的互补残差信息。进一步地，为解决医疗小样本带来的模型泛化瓶颈，系统采用迁移强化学习范式，利用公开源域数据训练通用感知策略，通过参数迁移与目标域微调，将通用特征与特定患者的融合表征相结合。最终，通过前向推理管线实现多基因突变概率预测，从而为临床医生提供客观、量化的术中诊疗支持。

1.一种基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，包括：

2.根据权利要求1的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述数据预处理模块，用于：

3.根据权利要求1的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述多模态融合特征提取模块，包括：

4.根据权利要求3的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述多策略纹理特征分析单元，用于：

5.根据权利要求3所述的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述多模态特征融合单元，包括：

6.根据权利要求1的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述模型训练优化模块，用于：

7.根据权利要求1的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述迁移学习微调模块，用于：

8.根据权利要求1的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述基因突变预测模块，包括：

9.根据权利要求5所述的基于深度迁移强化学习的头颈肿瘤术中治疗支持系统，其特征在于，所述高相关性冗余特征剔除子单元，用于：