一种基于多角色视角的宫颈癌细胞学质量控制数据分析与可视化系统、方法及电子设备与流程

本技术涉及医疗数据处理与可视化，一种基于多角色视角的宫颈癌细胞学质量控制数据分析与可视化系统、方法及电子设备，具体涉及一种面向宫颈癌细胞学筛查的质量控制（quality control，qc）数据分析方法及系统，包括多角色差异化质控视图的自动生成、多维度医师绩效雷达图评估、诊断流程桑基图分析、金标准（活检）三级一致性对比、以及ai辅助筛查排阴率趋势预测追踪的综合性方法。

背景技术：

1、目前，在宫颈癌细胞学筛查质控管理领域，现有质控数据分析手段主要包括人工统计报表、通用bi可视化工具、lis系统自带统计模块三类。质控人员通常从检验信息系统导出原始数据，借助表格软件制作基础统计图表；或是依托商业bi工具、lis内置功能实现有限的数据展示，图表形式大多局限于折线图、柱状图等常规类型。

2、然而，现有技术在实际应用中存在多项核心缺陷，制约宫颈细胞学筛查质控精细化管理水平提升：

3、1、缺乏多角色差异化视角。科室主任（部门负责人）、质量控制组长、一线操作员三个角色的质控关注点完全不同——主任关注全科室宏观趋势和医师绩效对比，组长关注每日异常标本的复核和金标准一致性追踪，操作员关注实时ai排阴率和标本缺陷分类。现有的统一报表或单一仪表盘无法为不同角色自动提供差异化的数据视图，每个角色需要人工从海量数据中筛选自己关注的指标。

4、2、医师诊断绩效评估维度单一。现有质控方式通常仅关注阳性检出率一个指标，无法综合评估医师在标本制片质量（不满意率）、高级别病变检出能力（hsil累加值）、诊断准确性（与活检金标准的一致性）、以及诊断尺度把握（asc/sil比值）等多个维度上的综合表现。缺乏将这些异构指标归一化后进行多维度直观对比的方法。

5、3、缺乏从细胞学诊断到活检金标准的诊断流程全程可视化工具。宫颈癌筛查的诊断路径为：细胞学初诊（ai辅助）→ 医师复核 → 阴道镜活检 → 病理金标准诊断。现有技术无法直观展示不同细胞学诊断类别（asc-us、asc-h、lsil、hsil、agc）最终经活检确认后的转归分布（cin1、cin2、cin3、ais、腺癌等），科室管理者难以从宏观上把握诊断质量。

6、4、ai排阴率缺乏前瞻性预测能力。现有系统仅展示当前和历史ai排阴率数据，无法对排阴率的变化趋势进行预测性评估。当ai筛查模型因样本特征漂移而出现排阴率异常波动时，质控人员只能在事后通过回顾性统计发现问题，缺乏事前预警手段。

7、5、标本缺陷处理缺乏结构化的分级分类和工作流管理。现有系统对质控发现的异常标本仅做简单的“合格/不合格”标记，缺乏四级缺陷分类（nilm正常排阴/临界需复核/asc-us意义不明/hsil-lsil病变）以及规范化的处理结果记录（退回重新取材/设备报修重新制片/强制通过），导致质控过程的追溯性和规范性不足。

8、因此，亟需一种面向宫颈癌细胞学筛查、支持多角色差异化展示，兼具多维度医师绩效评估、诊断流程可视化、指标前瞻预警、标本缺陷闭环管控的质控数据分析及可视化方法，满足病理实验室精细化质控需求。

技术实现思路

1、本技术涉及医疗数据处理与可视化技术领域，具体涉及一种面向宫颈癌细胞学筛查的质量控制（quality control，qc）数据分析方法及系统，包括多角色差异化质控视图的自动生成、多维度医师绩效雷达图评估、诊断流程桑基图分析、金标准（活检）三级一致性对比、以及ai辅助筛查排阴率趋势预测追踪的综合性方法。本技术核心解决现有宫颈癌细胞学筛查质控手段视角单一、评估维度有限、诊断流程缺乏可视化、缺少前瞻性预警以及标本缺陷管控不规范的问题，实现病理实验室多角色精细化质量管控。

2、针对现有质控分析手段缺乏多角色差异化视图、医师绩效评估维度单一、诊断流转过程缺少可视化表达、ai排阴趋势缺少前瞻性预警、标本缺陷管控缺少标准化分级流程等技术问题，本技术的核心目的在于提供一种基于多角色视角的宫颈癌细胞学质量控制数据分析与可视化方法，支撑病理实验室精细化质控管理。

3、具体目的包括：

4、1、解决不同质控角色需从同一数据源中人工筛选各自关注指标的问题，实现主任、组长、操作员三种角色的差异化质控视图自动生成；原始数据源为病理切片诊断的类别（category），数据源具体包括： ascus、lsil、asch、hsil、scc、agc、agc_nos、agc_fn、ec（正常子宫内膜）、ecc（正常宫颈管腺细胞）、mp_rc（修复化生）、tri、fungi、cc、actino和hsv。

5、2、解决医师诊断绩效评估维度单一、无法综合对比的问题，实现五维度雷达图归一化对比评估；

6、3、解决从细胞学诊断到活检金标准的诊断流程缺乏全程可视化的问题，实现基于贝塞尔曲线渐变着色的诊断转归桑基图分析；

7、4、解决ai排阴率缺乏前瞻性预测追踪的问题，实现基于半圆仪表盘的hsil预测值趋势追踪与预警；

8、5、解决标本缺陷处理缺乏结构化分级分类的问题，实现四级缺陷分类体系和规范化处理工作流。

9、具体包括如下技术方案：

10、一种基于多角色视角的宫颈癌细胞学质量控制数据分析与可视化系统，包括：

11、（1）、主任视角数据模型模块，其包含以下数据集合的任意一种或多种：

12、a. 科室总体指标：科室总通量、整体阳性检出率、活检送检截止日期；

13、b. 医师诊断尺度对比数据：每位医师按6种诊断类别nilm、asc-us、asc-h、lsil、hsil、agc的样本数量分布，以及科室均值，用于生成100%堆叠柱状图；

14、c. 医师雷达图数据：每位医师在5个维度上的评估值，分别为标本不满意率、hsil累加值、与活检一致性、阳性检出率、asc/sil比例；

15、d. 桑基图数据：细胞学诊断到活检结果的病例流转数据，包含左侧细胞学分类、右侧活检结果分类、以及连接两者的病例数量；

16、e. hpv分型堆叠数据：每位医师检出各hpv型别的分布情况；

17、f. hsil预测值：服务端预测模型输出的hsil检出率预测值；

18、g. 医师趋势数据：指定时间段内各医师阳性检出率的时序变化。

19、（2）组长视角数据模型模块，其包含以下数据集合的任意一种或多种：

20、a. 组员状态监控数据：每位组员的扫描量、标本不良率、阳性检出率，以及各指标与科室均值的对比色标；

21、b. 金标准对比表数据列表：每条记录包含样本编号、初诊医师、ai诊断结论索引、人工诊断结论索引、金标准结论索引、一致性判定结果索引；

22、c. 漏诊根因分析数据：按6种漏诊原因分类的病例统计：细胞核模糊、特定hpv漏看、人工忽略信号、ai-人工界面理解差异、判断标准不一致、其他；

23、d. 待处理任务清单：按紧急程度排序的待复核标本列表；

24、（3）操作员视角数据模型模块，其包含以下数据集合的任意一种或多种：

25、a. ai排阴率趋势数据：当前排阴率值、环比变化方向标志、历史趋势曲线数据、行业基准线；

26、b. 不合格标本分类数据：按五种不合格原因的分类统计——细胞量不足、核/细胞模糊、背景干扰/杂质、染色不均、其他；

27、c. 批次缺陷堆叠数据：各检验批次按四级缺陷类型的堆叠分布；

28、d. 批次级质控详情：每个批次的缺陷标本列表，支持关键词搜索过滤；

29、e. 标本级质控详情：单个标本的四个质控检查项评分、ai诊断结论、标本病理图像及边界框标注；单个标本的四个质控检查项包括：细胞量、细胞形态清晰度、背景干扰、染色均一性。

30、优选地，所述医师雷达图，将不同量纲的评估指标归一化至统一的[0,1]区间，在同一个雷达图上叠加展示科室平均基准线和各医师的个体表现；

31、所述医师雷达图，五个评估维度的定义

32、维度1：标本不满意率0%~n1%，含义：医师送检标本中被判定为制片质量不合格的比例，归一化上限：n1%，即n1%的标本不满意率对应归一化值1.0；

33、维度2：hsil累加值0~n2，含义：医师在一定周期内检出的高级别鳞状上皮内病变hsil累计数量，归一化上限：n2例；

34、维度3：与活检一致性0%~n3%，含义：医师细胞学诊断结论与后续活检金标准结论的一致率，归一化上限：n3%；

35、维度4：阳性检出率0%~n4%，含义：医师检出阳性asc-us及以上标本的比例，归一化上限：n4%；

36、维度5：asc/sil比例0~n5，含义：医师诊断意义不明的非典型鳞状细胞asc与鳞状上皮内病变sil的比例，反映诊断尺度的严格程度，归一化上限：n5.0。

37、优选地，所述医师雷达图的归一化算法，具体如下：

38、对于每位医师的原始数据 rawdata[i]（i=0..4），计算归一化值：normalizedvalue[i]= clamp(rawdata[i] / maxvalues[i], 0, 1)；

39、其中 maxvalues[] = {n1, n2, n3, n4, n5}；

40、所述雷达图渲染算法，具体如下：

41、a. 计算五边形的五个顶点坐标：在画布中心为原点的极坐标系中，每个顶点的角度为90° - i × 72°，i=0..4，从顶部顺时针，半径为雷达图半径；

42、b. 对于每个数据系列，绘制闭合的多边形路径：每个顶点的实际半径 = 雷达图半径 × normalizedvalue[i]，顶点之间以直线连接，多边形以某种颜色填充；

43、c. 同时绘制五条轴线：从中心到各顶点的某色参考线，和五条归一化刻度环线五个同心五边形；

44、d. 每个维度轴顶端标注维度名称；

45、e. 以图例区分科室均值和各医师的数据系列。

46、优选地，所述桑基图的数据结构，具体如下：

47、左侧节点包括5个细胞学诊断分类，每个节点具有预设颜色；

48、右侧节点包括n个金标准结果，由服务端动态下发：名称列表和颜色列表；

49、m条流连接数据，leftindex, rightindex, value三元组列表，其中leftindex为左侧节点索引0-4，rightindex为右侧节点索引0~n-1，value为病例数量。

50、优选地，所述桑基图的布局计算算法，具体如下：

51、步骤1：将画布水平方向分为五个区域，左侧标签区、左侧矩形区、连接区、右侧矩形区、右侧标签区，其中连接区占据总宽度的n6%；

52、步骤2：在左侧矩形区中，按照各左侧节点的总流出量比例分配矩形的高度，从上到下排列；

53、步骤3：在右侧矩形区中，按照各右侧节点的总流入量比例分配矩形的高度；

54、步骤4：每个左侧矩形的垂直中心位置与每个右侧矩形的垂直中心位置之间，计算连接带的起点和终点坐标

55、连接带绘制算法，具体如下：

56、步骤1：对于每条连接数据leftindex, rightindex, value，计算连接带的起点坐标和终点坐标：

57、起点：左侧矩形区右边缘，垂直位置为左侧节点对应矩形内按累计值比例计算出的偏移位置；

58、终点：右侧矩形区左边缘，垂直位置为右侧节点对应矩形内按累计值比例计算出的偏移位置；

59、步骤2：每条连接带使用三次贝塞尔曲线cubic bezier绘制：

60、- 路径起点：左侧起点；

61、- 控制点1：起点水平向右偏移连接区宽度的n7%；

62、- 控制点2：终点水平向左偏移连接区宽度的n8%；

63、- 路径终点：右侧终点；

64、该曲线形状使连接带呈现平滑的"s"形流动效果；

65、步骤3：每条连接带使用线性渐变着色器填充：

66、- 渐变起点：左侧起点对应的左侧节点颜色；

67、- 渐变终点：右侧终点对应的右侧节点颜色；

68、- 渐变方向：水平方向；

69、该着色方式使每条连接带从左到右从细胞学诊断颜色平滑过渡到活检结果颜色，直观展示诊断转归；

70、步骤4：连接带的宽度即垂直方向的厚度与该连接的病例数value成正比，所有连接带的宽度之和等于对应矩形的高度。

71、优选地，所述的金标准对比表数据列表，将ai辅助诊断结论、人工诊断结论、以及金标准结论并排展示，并进行四级一致性判定；

72、所述6种诊断类别统一映射为整数索引0-5：0 = nilm，1 = asc-us，2 = asc-h，3= lsil，4 = hsil，5 = agc，每种诊断类别具有固定的显示颜色和中文名称；

73、四级一致性判定算法，具体如下：

74、系统根据人工诊断结论manualresultindex与金标准结论goldstandardresultindex的比较，判定为以下四种结果之一：

75、结果0：人工准确；

76、条件：人工诊断结论 == 金标准结论；

77、含义：人工诊断与金标准完全一致；

78、显示颜色：a1色；

79、结果1：一致阴性；

80、条件：人工诊断结论== 0且 金标准结论== 0；

81、含义：人工与金标准均判定为阴性；

82、显示颜色：a1色；

83、结果2：部分一致；

84、条件：人工诊断结论>0 且 金标准结论 >0；

85、且两者不等但处于同一大类；

86、含义：人工与金标准虽不完全相同但属同一诊断大类；

87、显示颜色：a1色；

88、结果3：人工低估；

89、条件：人工诊断结论< 金标准结论；

90、且不满足结果0、1、2的条件；

91、含义：人工诊断结论的严重程度低于金标准；

92、显示颜色：a2色。

93、优选地，所述hsil预测值采用半圆仪表盘，用于hsil预测值的动态追踪；

94、数值映射算法具体如下：

95、仪表盘量程：minvalue = 50，单位：预测hsil检出率，maxvalue = 100归一化计算：normalizedvalue = (actualvalue - 50) / (100 - 50)= (actualvalue - 50) /50；

96、仪表盘绘制算法具体如下：

97、步骤1：以画布水平中心为圆心，绘制180度半圆弧，从左侧180°到右侧0°/360°即从π到0弧度；

98、步骤2：将半圆弧均匀划分为多个刻度段，每段对应n个单位值，绘制刻度线和数值标签；

99、步骤3：圆弧内侧填充渐变色带，从左侧过渡到右侧，表示风险梯度；

100、步骤4：计算指针角度：pointerangle = π × (1 - normalizedvalue)，在180度弧上，左侧对应低值、右侧对应高值；

101、步骤5：从圆心向指针角度方向绘制指针线：线段+箭头，长度为圆弧半径；

102、步骤6：在圆心下方绘制实际数值文本和单位。

103、优选地，所述的批次缺陷堆叠数据中，缺陷类型定义：

104、类型0：nilm；含义：ai判定为阴性，自动排阴的标本；显示颜色：指定某种颜色；

105、类型1：临界；含义：ai判定结果接近分类边界，需要人工复核确认；显示颜色：指定某种颜色；

106、类型2：asc-us，含义：ai判定为意义不明的非典型鳞状细胞；显示颜色：指定某种颜色；

107、类型3：hsil/lsil；含义：ai判定为明确的鳞状上皮内病变，显示颜色：指定某种颜色；

108、已处理标本统一以指定某种颜色之外的颜色显示，以区分于待处理标本；

109、所述标本级质控详情中：四个质控检查项，每个缺陷标本包含四项质控检查，每项为三级告警体系：

110、检查项1：细胞量：评估标本中保存的上皮细胞数量是否充足；

111、检查项2：核/细胞形态清晰度：评估细胞核与细胞轮廓的清晰程度；

112、检查项3：背景干扰或杂质：评估标本背景中是否存在血液、黏液、炎细胞干扰物；

113、检查项4：染色均一性：评估巴氏染色的均匀程度；

114、每个检查项的三级告警：正常、警告、错误。

115、一种基于多角色视角的宫颈癌细胞学质量控制数据分析与可视化方法，基于如前述任意一项所述的一种基于多角色视角的宫颈癌细胞学质量控制数据分析与可视化方法系统，根据登录用户的角色自动构建和呈现对应的质控数据视图，主任看到的是全科室宏观趋势和医师绩效对比，组长看到的是日常异常标本复核和金标准一致性追踪，操作员看到的是实时ai排阴率监控和标本级质控操作。

116、一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述所述的方法。

117、本技术相较于现有技术，具有以下显著有益效果：

118、1、多角色差异化视图自动生成：系统根据登录用户的角色自动构建和呈现对应的质控数据视图，主任看到的是全科室宏观趋势和医师绩效对比，组长看到的是日常异常标本复核和金标准一致性追踪，操作员看到的是实时ai排阴率监控和标本级质控操作。一套数据源，三种视角，减少了人工筛选和报表制作的工作量，提升了质控管理的精细度。

119、2、医师绩效的多维度综合评估：通过五维度雷达图归一化算法，将标本不满意率、hsil检出量、活检一致性、阳性检出率、asc/sil比例等不同量纲的指标归一化到统一坐标空间，使科室主任能在一个雷达图上直观比较各医师的综合表现和薄弱环节。科室均值作为绿色基准线叠加显示，为绩效考核和培训需求识别提供了客观依据。

120、3、诊断流程全程可视化：通过桑基图分析方法，以三次贝塞尔曲线平滑连接和线性渐变着色，直观展示从五种细胞学诊断分类到六种活检金标准结果的病例流转全景。科室管理者可以一目了然地看到：多少asc-us最终确诊为cin2+、多少hsil被活检证实为腺癌等关键转归信息，为诊断质量管理提供了宏观决策支持。

121、4、ai排阴率前瞻性预警：通过hsil预测值半圆仪表盘，结合预测失败次数和高风险不一致病例数的联动展示，使质控人员能够前瞻性地感知ai筛查模型的性能漂移趋势，在排阴率出现显著异常之前采取干预措施。

122、5、标本缺陷的结构化追溯：四级缺陷分类（nilm/临界/asc-us/hsil-lsil）配合四项质控检查（细胞量/形态清晰度/背景干扰/染色均一性）的三级告警体系，以及三种规范化处理结果（重新取材/重新制片/强制通过），使质控全过程可记录、可追溯、可统计分析，为实验室质量管理体系的持续改进提供了数据基础。

123、本技术搭建三层级差异化质控数据模型，针对不同岗位人员生成对应质控视图；利用五维指标归一化算法开展医师绩效评估，借助三次贝塞尔曲线实现病例诊断流转可视化；依托半圆仪表盘完成指标趋势预警，构建标本缺陷分类处置体系与三级诊断一致性对比框架。本技术实现多角色差异化质控展示、多维度医师绩效综合评估、诊断全流程可视化、质控风险前瞻预警与标本缺陷标准化闭环管理，降低人工数据筛选工作量，提升宫颈细胞学筛查质控管理精细化水平，可广泛应用于病理实验室宫颈筛查质量管控场景。