基于人工智能的肝胆外科方案多级筛选模型构建方法

本发明涉及人工智能，具体为基于人工智能的肝胆外科方案多级筛选模型构建方法。

背景技术：

1、肝胆外科手术由于涉及复杂的脉管系统以及多变的解剖结构，其辅助决策方案的制定与多级筛选一直是临床医疗人工智能领域的难点与痛点；近年来，随着图神经网络深度学习技术在医学领域的普及，研究人员开始尝试利用数字图谱技术对患者的影像特征、生化指标及手术路径进行拓扑建模，以期实现自动化、精准化的术前方案筛选与术中动态控制。

2、但是，在传统肝胆外科方案多级筛选技术中，仍存在以下缺陷：一方面，传统模型多采用单一模态数据进行训练，如：仅依赖解剖影像或仅依赖生理生化指标，无法充分融合影像解剖切片、生理生化时序、既往病史等多维度临床信息，导致对临界安全病例的判定准确率不足；同时，现有模型多采用扁平化分类标签，如：仅区分可切除或不可切除，缺乏对如治疗方案是否触碰安全约束、解剖术式、预后风险这样的分级标准，在分析后续多模态临床指标时，通常采用简单的后期特征拼接或线性映射，会丢失解剖影像和生理生化时序之间的内在语义关联；同时，在利用拓扑网络进行特征提取时，若网络层数过浅，则无法拟合高阶的多级分类临床标签，会出现模糊安全约束条件的情况，导致后续特征提取不精准；若盲目加深网络层数，则在处理稀疏的医疗图谱数据时，极易触发拓扑表征退化、过拟合以及梯度消失问题，这种情况下，构建出的筛选模型准确率和鲁棒性都极低；另一方面，传统模型多采用端到端训练与推理模式，模型参数全程可更新，虽能适配复杂病例，但易因个别不规范手术病例会导致安全基线漂移，无法满足术中实时决策需求，难以适配不同等级医院的pacs、emr系统，临床应用受限。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了基于人工智能的肝胆外科方案多级筛选模型构建方法，通过整合多模态临床指标、候选治疗方案以及多级分类标签，利用多层重构拓扑网络进行深浅层级联学习，构建具备高泛化能力的初始筛选模型，通过在第二手术拓扑图谱和初始筛选模型部署参数冻结的主分支与参数可训练的控制分支，并配置对齐损失函数进行跨分支联合迭代训练，实现两者的无损元素级矩阵融合，从而在根本上提升多级筛选模型在复杂、高并发临床场景下的预测准确性与系统鲁棒性，解决了背景技术中提出的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、本技术提供了基于人工智能的肝胆外科方案多级筛选模型构建方法，所述方法包括：

6、获取肝胆外科方案训练集；其中，训练集包括目标患者的多模态临床指标、候选治疗方案以及多级分类标签；

7、基于肝胆外科方案训练集，绘制第一手术拓扑图谱，结合多级分类标签，对第一手术拓扑图谱和至少两层重构拓扑网络深度学习，深度学习包括设置预设浅层学习网络和深层学习网络迭代训练，以构建肝胆外科方案初始筛选模型；

8、在第二手术拓扑图谱和肝胆外科方案初始筛选模型中，引入执行参数冻结的主分支和参数可训练的控制分支，通过配置损失函数，对控制分支和主分支的参数迭代训练，生成训练好的肝胆外科方案多级筛选模型。

9、进一步地，绘制第一手术拓扑图谱，包括：

10、基于多模态临床指标提取肝胆解剖结构和生理变化序列；

11、基于候选治疗方案提取手术肝脏切线；

12、构建多模态特征矩阵，利用pca确定多级分类标签的级数数量，应用聚类算法确定各级方案筛选中心和安全约束条件；通过以肝胆解剖结构为节点，沿手术肝脏切线进行虚拟三维解剖，获得手术解剖构型，根据脉管流动关系连接节点的边，绘制出第一手术拓扑图谱。

13、进一步地，应用聚类算法确定各级方案筛选中心和安全约束条件，包括：

14、选择与级数数量相同的数据点为初始质心，迭代计算数据点与初始质心间的欧氏距离，直至初始质心收敛，将收敛后的质心位置确定为各级方案筛选中心，确定各级方案筛选中心所对应聚类簇内的边界阈值以形成安全边界约束；

15、同步提取并确定各级方案筛选中心的响应时刻，按照模态类别建立各模态响应时刻的时延修正描述函数，形成时间扰动描述量；利用时间扰动描述量，对各级方案筛选中心进行排序归组，确定时段阈值以形成时间响应约束。

16、进一步地，两层重构拓扑网络的过程中，包括：

17、采用随机初始向量标识第一手术拓扑图谱中各节点的权重向量，根据邻接关系重构第一手术拓扑图谱，获得第二手术拓扑图谱，并标记为执行一层重构拓扑网络；

18、利用浅层学习网络对第一手术拓扑图谱特征提取，获得第一特征表征；其中，第一特征表征包括满足安全约束条件的第一子集、不满足安全约束条件的第二子集以及模糊安全约束条件的第三子集；同时，通过两层重构拓扑网络，利用深层学习网络提取第二手术拓扑图谱的第二特征表征；其中，第二特征表征包括满足安全约束条件的第四子集和不满足安全约束条件的第五子集；

19、对第一子集、第三子集以及第四子集判定分析，结合多级分类标签执行初始筛选模型参数迭代更新；对第二子集、第三子集以及第五子集判定分析，结合多级分类标签执行初始筛选模型参数迭代更新。

20、进一步地，满足安全约束条件，包括：

21、判断第一特征表征是否满足安全边界约束，并在触发满足安全边界约束的条件下，判断是否满足时间响应约束；若第一特征表征满足时间响应约束，输出第一筛选结果，生成第一子集、第四子集中的至少一种；若第一特征表征不满足时间响应约束，输出第二筛选结果，生成第二子集、第五子集中的至少一种，并对各模态候选响应时刻进行排序归组并执行调整处理；若第一特征表征不满足安全边界约束，终止操作。

22、进一步地，初始筛选模型参数的定义包括：

23、基于各级筛选中心、级数数量以及安全约束条件确定初始筛选模型的级联时序结构；

24、基于第一特征表征与第二特征表征的各子集及其生成的候选治疗方案片段，执行评估策略，确定分布函数；采用最小二乘法对级联时序结构和分布函数进行处理，获得初始筛选模型参数。

25、进一步地，执行评估策略，包括：

26、依据第一特征表征与第二特征表征的各子集在时序的偏差量；按照偏差量大小顺序排序，确定各候选治疗方案在响应时刻的优先次序，利用优先次序，对第一特征表征与第二特征表征的各子集执行特征筛选，并对筛选后的子集特征执行聚合表征，生成融合表征量；统计肝胆外科方案训练集中融合表征量的均值和方差，将均值和k倍数的方差之和设置为分布函数。

27、进一步地，控制分支训练过程中，包括：

28、控制分支设置有m个图特征处理层；

29、基于第一特征表征和第二特征表征生成复合特征表征，并构建与复合特征表征对应的二值化掩码序列；其中，为第一特征表征分配全零掩码，为第二特征表征赋予全一掩码；

30、将复合特征表征和二值化掩码序列映射至第一特征空间，在通道维度执行特征级联叠加，利用语义分析，结合多级分类标签，组装成拓扑条件单元，并输入至参数可训练的控制分支中；对拓扑条件单元执行特征变换，提取出第一拓扑控制矩阵，利用控制分支内置的编码器调节第一拓扑控制矩阵的对应权重。

31、进一步地，主分支训练过程中，包括：

32、主分支设置有n个级联的图特征处理层构成；其中，n≥4，m≤n；同时，设置控制分支中的第i个图特征处理层，与主分支中的第i个图特征处理层在网络位置与特征维度上一一对应，其中i均为大于0且小于等于m的正整数；

33、通过获取调节权重后的第一拓扑控制矩阵，将调节权重后的第一拓扑控制矩阵与参数冻结的主分支输出的中间隐藏状态进行矩阵元素相加，并注入主分支的图特征处理层中，输出第二拓扑控制矩阵。

34、进一步地，配置损失函数，包括：

35、采用预训练的深层学习网络，对第二手术拓扑图谱进行图特征编码，提取目标临床语义特征；获取第二拓扑控制矩阵；对第二拓扑控制矩阵进行维度转换和空间映射，投影至目标临床语义特征对应特征空间中，获得对应的生成特征；

36、提取生成特征中各个离散特征图，并计算与目标临床语义特征中对应手术解剖构型之间的负余弦相似度均值，以作为联合更新主分支与控制分支的对齐损失函数，通过最小化总训练目标，利用梯度反向传播，保持主分支参数冻结，仅对控制分支的可训练参数进行迭代优化，输出训练好的多级筛选模型。

37、（三）有益效果

38、本发明提供了基于人工智能的肝胆外科方案多级筛选模型构建方法，具备以下有益效果：

39、1、本发明通过构建目标患者的多模态临床指标、候选治疗方案以及多级分类标签构建肝胆外科方案训练集，能够全面且立体地捕捉患者的生理状态变化与手术肝脏切线，再次基于该训练集绘制第一手术拓扑图谱，引入至少两层重构拓扑网络进行深度学习，通过设置预设浅层学习网络和深层学习网络的协同迭代训练，不仅能精准拟合手术拓扑图谱的几何拓扑对齐关系，还能深度抽象高层的术式逻辑特征，有效避免了网络深度加深过程中的特征退化与过拟合，提高了肝胆外科方案初始筛选模型泛化能力；

40、2、本发明通过在第二手术拓扑图谱和初始筛选模型中引入执行参数冻结的主分支和参数可训练的控制分支，构建了图控制网络架构，通过冻结主分支的权重参数，能够强力保留历史训练集中目标临床语义；同时，结合控制分支的参数迭代训练，在矩阵层面通过一比一的特征对齐与元素相加，并配置针对性的损失函数对控制分支和主分支的参数执行跨分支联合迭代训练，同时叠加时间响应约束管控，生成训练好的肝胆外科方案多级筛选模型；通过结合多级分类标签，提高了复杂肝胆手术方案筛选的高安全性，提升了自动优化手术拓扑方案筛选的计算效率，降低了系统的决策时延。