基于虚拟现实的肝衰竭风险进程预测方法及系统

本发明涉及虚拟现实，具体为基于虚拟现实的肝衰竭风险进程预测方法及系统。

背景技术：

1、虚拟现实是一种利用计算机生成三维沉浸式环境，并通过视觉、听觉等多感官反馈，使用户产生身临其境之感的技术，其核心特征包括沉浸感、交互性与构想性；应用到医疗方向时，例如在对现有的内脏器官风险进程预测方案中，虚拟现实技术通常作为数字孪生或虚拟手术系统的重要可视化与交互工具；其一般流程为：首先通过采集患者的医学影像及临床数据，在计算机中构建出患者特异性的三维器官解剖模型；随后利用虚拟手术技术模拟器官的生理或病理演变过程；医生可以通过vr头显和空间交互手柄，在虚拟空间中直观地观察器官形态变化、模拟不同干预方案，并结合3d打印实体模型进行物理验证，从而对解剖变异、并发症等风险进行预判。

2、现有针对肝衰竭风险预测技术中主要存在以下问题：

3、首先，传统分割模型在处理肝脏ct/mri时，常因边界模糊或背景噪声导致漏分割，且多模态数据多采用简单拼接，难以自动过滤无效信息；其次，现有的人机交互修正多为孤立操作，系统仅记录最终结果，缺乏对医生干预过程，如调整幅度与方向的记忆与逻辑关联，导致上下文信息断裂；例如，医生上调某肝叶权重后，系统无法智能延续该干预意图，易出现参数反向失真；传统ai模型多为黑盒输出，缺乏灵活性，医生无法将难以量化的临床经验，如特定区域功能异常直观注入预测流程中，且机械式的参数叠加极易导致预测结果剧烈震荡，难以实现真正的人机协同与模型的持续迭代优化，影响临床决策的可持续发展。

技术实现思路

1、为实现以上目的，本发明通过以下技术方案予以实现：

2、基于虚拟现实的肝衰竭风险进程预测方法，包括如下步骤：

3、获取多模态医学影像数据，进行标准化预处理后，生成融合影像数据集，对目标区域进行分割后得到肝脏区域掩膜，并基于肝脏区域掩膜构建血管网络拓扑结构；

4、将获得的肝脏区域掩膜转换为三维表面网格模型，对肝脏材质完成设置动作与纹理映射动作，并采用质点-弹簧模型来构建肝脏的生物力学模型，用于实现肝脏组织的实时形变模拟，将临床检查指标映射至生物力学模型上，实现信息可视化；

5、提取目标多模态特征，并采用门控注意力融合机制完成特征融合；构建多任务深度学习预测模型，同步输出初步预测结果；根据初步预测结果，触发基于虚拟现实交互的风险动态修正机制，并输出最终预测结果；其中，预测结果包括：预测肝衰竭发生概率、进展时间窗和严重程度分级；基于虚拟现实交互的风险动态修正机制包含一次修正条件设定、二次修正条件设定以及多次修正收敛判断；

6、基于最终预测结果，构建虚拟现实风险进程交互形式；

7、根据最终预测结果完成风险分层与预警动作。

8、进一步的，多模态医学影像数据至少包括：ct影像、mr影像以及ls数据；

9、标准化预处理为：对多模态医学影像数据的图像配准与融合，进行空间配准，建立统一的三维坐标系，采用基于互信息mi的多模态图像配准算法，通过最大化互信息值实现空间对齐，配准完成后将多模态医学影像数据进行像素级融合，以得到融合影像数据集。

10、进一步的，得到肝脏区域掩膜的过程为：采用改进的三维u-net深度学习模型，对融合影像数据集进行目标区域分割；其中，改进的三维u-net深度学习模型表示：在已有u-net基础上引入注意力门控机制，对目标区域进行分割后，经过改进的三维u-net深度学习模型进行模型训练与推理，以得到肝脏区域掩膜；

11、构建血管网络拓扑结构的依据为：基于肝脏区域掩膜，采用基于hessian矩阵的血管增强滤波算法提取肝内血管结构，定义血管网络拓扑结构的响应函数，得出血管增强度vesselness，并通过阈值分割判定，提取血管系统，构建血管网络拓扑结构。

12、进一步的，转换得到三维表面网格模型时，采用移动立方体算法来提取肝脏等值面，生成三角面片网格；对肝脏材质完成设置动作时应用基于物理的渲染技术进行材质设置；对肝脏材质完成纹理映射动作时：肝脏表面纹理通过从ct影像中提取灰度信息，生成法线贴图和粗糙度贴图；临床检查指标至少包括：肝功能储备参数、ls数据以及血流动力学参数。

13、进一步的，提取的目标多模态特征至少包括：影像特征向量、临床检查指标特征向量和基因组学特征向量；构建多任务深度学习预测模型时，其主干网络采用transformer编码器结构，包含6个编码器层，每个编码器层包含多头自注意力机制和前馈神经网络；

14、其中，多头自注意力机制是通过并行计算多个子空间的注意力；

15、前馈神经网络包含两个全连接层，中间采用gelu激活函数；

16、多任务深度学习预测模型的输出层包含三个并行的预测头，风险发生预测头：采用sigmoid激活函数，输出肝衰竭发生概率，取值范围为[0，1]；进展时间预测头：采用线性激活函数，输出预计进展至肝衰竭的时间，对应进展时间窗；严重程度分级预测头：采用softmax激活函数，输出轻度、中度、重度肝衰竭的概率分布，对应严重程度分级。

17、进一步的，一次修正条件设定表示：设定一次修正的触发条件，即条件a：当输出的预测肝衰竭发生概率预测值p̂大于预设第一阈值θ1时，进入一次修正模式；

18、其中，预设第一阈值θ1的取值范围为0~1；在一次修正模式下，医护方能选择是否通过虚拟现实手柄选择肝脏模型上的目标区域，调整目标区域的功能参数；

19、一次修正公式为：p̂'=p̂+δp；其中，p̂'表示修正后的风险概率，δp表示风险修正量，依据公式为：δp=a1×(w_region-w_baseline)×f_region；其中，a1为第一修正系数，取值范围为[0.1，0.3]，w_region表示目标区域的权重系数，取值范围大于1，w_baseline表示基准权重系数，f_region表示目标区域的功能异常程度评分，取值范围为[0，1]。

20、进一步的，二次修正条件设定表示：设定二次修正的触发条件，即条件b：当一次修正后的风险概率变化量|δp|大于预设第二阈值θ2，且修正后的风险概率p̂'仍大于预设第一阈值θ1时，一次修正得出一次风险修正量的方向性指标满足：sign(δp)=sign(δroi_score)，其中δroi_score表示医护方对感兴趣区域功能异常程度的调整变化量；

21、在满足以上条件b中的三个子条件时，则进入二次修正模式；

22、其中，预设第二阈值θ2的取值范围为0~1，在二次修正模式下，医护方能选择是否调整肝脏血流动力学参数，至少包括：门静脉压力pvp和肝动脉血流量haf；

23、二次修正公式为：p̂''=p̂'+δp'；其中，p̂''表示二次修正后的风险概率，δp'表示二次修正量，依据公式为：δp'=a2×(δpvp/pvp_baseline+δhaf/haf_baseline)；其中，a2为第二修正系数，取值范围大于0，配备第二修正系数动态调整机制，依据为：a2=a2_0×(1+t0×|δp|/θ2)；其中，a2_0为基准系数，取值范围为0~1，t0为敏感度系数，取值范围[0.2，0.5]；δpvp表示门静脉压力的变化量，pvp_baseline表示基准门静脉压力，δhaf表示肝动脉血流量的变化量，haf_baseline表示基准肝动脉血流量。

24、进一步的，多次修正收敛判断表示，设定修正收敛条件：当连续两次的风险修正量均小于预设第三阈值θ3，认为修正过程收敛，输出最终的预测结果；其中，预设第三阈值θ3取值范围设定为0~1；在二次修正模式完成后，若仍需修正则继续进行修正，无需重新满足条件a或条件b；操作方式为，随机选择调整对象：再次调整目标区域的功能参数，对应一次修正模式、再次调整肝脏血流动力学参数，对应二次修正模式、混合调整多种参数中的任一种；

25、其中，多种参数即目标区域的功能参数和肝脏血流动力学参数。

26、进一步的，构建虚拟现实风险进程交互形式至少包括：肝衰竭风险进程的时间轴、肝脏状态动态演变模拟以及虚拟现实交互界面设定；其中，肝衰竭风险进程的时间轴表示：构建肝衰竭风险进程的时间轴，以目标患者当前时间为起点，向未来延伸至预测的肝衰竭发生时间；肝脏状态动态演变模拟：基于时间轴，模拟肝脏状态从当前状态到肝衰竭状态的动态演变过程，演变模拟至少包括：肝脏形态变化和肝脏颜色变化；虚拟现实交互界面设定：配备虚拟现实交互界面，包括主视图、风险仪表盘、时间控制器、参数调节面板以及注释标记工具；

27、风险分层与预警动作的运行依据为：根据最终预测结果中的肝衰竭发生概率，将不同患者划分风险等级并调取决策模板库内对标的决策建议文本。

28、基于虚拟现实的肝衰竭风险进程预测系统，该系统包括：

29、数据获取与拓扑构建模块，获取多模态医学影像数据，进行标准化预处理后，生成融合影像数据集，对目标区域进行分割后得到肝脏区域掩膜，并基于肝脏区域掩膜构建血管网络拓扑结构；

30、建模与映射模块，将获得的肝脏区域掩膜转换为三维表面网格模型，对肝脏材质完成设置动作与纹理映射动作，并采用质点-弹簧模型来构建肝脏的生物力学模型，用于实现肝脏组织的实时形变模拟，将临床检查指标映射至生物力学模型上，实现信息可视化；

31、特征融合与风险修正模块，提取目标多模态特征，并采用门控注意力融合机制完成特征融合；构建多任务深度学习预测模型，同步输出初步预测结果；根据初步预测结果，触发基于虚拟现实交互的风险动态修正机制，并输出最终预测结果；其中，预测结果包括：预测肝衰竭发生概率、进展时间窗和严重程度分级；基于虚拟现实交互的风险动态修正机制包含一次修正条件设定、二次修正条件设定以及多次修正收敛判断；

32、虚拟现实交互模块，基于最终预测结果，构建虚拟现实风险进程交互形式；

33、分层预警支持模块，根据最终预测结果完成风险分层与预警动作。

34、本发明提供了基于虚拟现实的肝衰竭风险进程预测方法及系统，具备以下有益效果：

35、1、本方案引入注意力门控机制改进的三维u-net，有效解决了传统分割模型在处理肝脏边界模糊、背景噪声干扰大时的漏分割问题，利用门控信号过滤跳跃连接中的无关特征，使得模型能够聚焦于肝脏边缘和病灶区域，配合包含边界损失的复合损失函数，使得分割精度大幅提升；采用的门控注意力融合机制并非简单的拼接，而是能够自动学习不同模态数据对肝衰竭预测的贡献度，抑制无效信息的干扰，通过精细化的特征提取与融合，实现为后续风险预测提供高纯度、高相关性特征向量的效果。

36、2、本方案将一次修正的过程数据而非结果数据转化为二次修正的决策依据，这与传统方案形成了鲜明对比，将|δp|的大小作为衡量医护方干预强度的标尺，动态调整第二修正系数a2，使得修正力度与医护方的干预强度成正比，实现了修正过程的自适应；同时，方案引入sign(δp)的方向性验证，确保二次修正与医护方的初始意图保持一致，避免了因参数调整导致的预测结果反向失真；

37、这种对过程数据的深度复用，解决了传统人机交互中上下文信息断裂的技术问题，实现了具备记忆和逻辑的连贯性智能修正，使得本方案所配套的系统不再是被动响应指令的工具，而是能理解并延续医护方决策思路的智能协作者，显著提升了预测的准确性和临床可信度。

38、3、本方案的核心在于：通过构建一个ai预测-交互式修正-模型再学习的动态架构，从根本上解决了传统ai模型在复杂临床场景下可解释性差、灵活性不足的固有难题，实现了从黑盒到人机协同的范式转变；

39、一方面，该方案并未止步于多模态特征融合与transformer模型的初步预测，而是创新性地引入了基于虚拟现实交互的风险动态修正机制，当初步判断风险较高时，系统并非直接给出结论，而是开放给医护方一个可交互的修正空间，医护方可凭借临床经验，在虚拟肝脏模型上直接调整特定肝叶的功能权重或血流动力学参数等，该设计将医护方难以量化的先验知识，通过直观的交互方式无缝注入预测流程中，使得最终结果不再是冰冷的算法输出，而是融合了医护智慧的精准判断；

40、另一方面，该修正机制并非简单的参数叠加，其内部逻辑严谨且具备自适应性；

41、通过设定分级的触发条件和收敛判断，系统能够智能识别医护方的干预意图，并利用动态调整的修正系数来科学地量化修正力度，避免了因人为操作导致的预测结果剧烈震荡，这种设计不仅确保了修正过程的稳定性和合理性，还能够让ai模型在与医护方的交互中，间接学习决策逻辑，为模型未来的自我迭代和优化提供了宝贵的数据基础，真正实现了人机优势互补，显著提升了临床决策的可信度与实用性。