基于热动态波动模式的临床乳腺疾病识别方法与流程

本发明涉及乳腺癌早筛识别，具体而言，涉及基于热动态波动模式的临床乳腺疾病识别方法。

背景技术：

1、乳腺癌是全球女性中最常见的恶性肿瘤之一，对乳腺癌进行早期筛查是降低患者死亡率的关键手段。在2022版《乳腺癌诊疗指南》中建议20岁以上女性进行每月一次的乳腺居家自我检查。然而，实践中，普通女性在缺乏专业知识与专用设备的情况下，难以通过简单的居家自我检查实现乳腺癌的早发现，该手段实际收效甚微。

2、当前，乳腺癌的早期筛查主要依赖于影像学手段，尤其是超声技术。这类技术通常仅针对高风险群体，且检查周期长达每三年一次。更为严峻的是，临床中存在大量乳腺癌病例，患者往往是在居家期间已自我感知到显著症状（如肿块、疼痛）后才前往医院就诊，而此时确诊的病情通常已发展至中晚期。因此，临床实践中迫切需要一种能够用于居家的、有效的乳腺癌早期诊断方法。

3、经检索，公开号为cn106096608a的中国发明专利公开了一种胸部温度异常区定位方法及装置，该方法包括识别乳房上的特征部，根据温度采集装置在所述乳房上的多点温度采样值，预测温度兴趣区，基于所述特征部的方位，指示用户重定位所述温度采集装置至所述温度兴趣区，通过该方法能够在使用最小化的温度传感器数量实现对于胸部温度的全面监测以及对于兴趣点的监测，降低了温度感测设备的复杂度以及温度感测设备的成本，并且还能够降低对于温度信号后处理算法的复杂性。

4、上述该现有专利的方案虽然能够采集乳房表面的温度变化时间序列，但是其技术方案仅停留于数据采集层面，仅仅能够定位温度异常的区域，却未能提供一种客观、准确、自动化的分析手段来从这些温度数据中识别出与乳腺癌相关的特异性病理特征。换言之，尽管温度数据可以被获取，但由于缺乏有效的后续分析算法，该类数据难以直接转化为可用于乳腺癌筛查的临床判断依据。因此，如何基于乳房温度信号，特别是通过自动化算法实现乳腺癌的有效识别，是目前该领域亟待解决的技术难题。

5、为此，本技术提出了基于热动态波动模式的临床乳腺疾病识别方法，以解决上述问题。

技术实现思路

1、本发明的目的在于解决上述背景技术中提出的技术问题，提供基于热动态波动模式的临床乳腺疾病识别方法。

2、本发明的上述目的是这样实现的：

3、本发明的方案一方面提供了基于热动态波动模式的临床乳腺疾病识别方法，包括以下步骤：

4、s1、数据采集：利用分别贴附于女性左右乳房表面的温度传感器，以预设采样频率连续采集预设时长的左右乳房温度时间序列数据；

5、s2、数据预处理：对采集的左右乳房温度时间序列数据进行预处理，所述预处理包括：过滤预设阈值范围外的异常温度值、识别并分割传感器脱落时段、提取连续有效测量数据序列；

6、s3、左右差值分析：对预处理后的左右乳房温度序列进行逐点差值计算，获得左右温度差值序列及差值绝对值序列；

7、s4、特征提取：基于所述差值序列和差值绝对值序列计算热动态波动特征，所述热动态波动特征包括：24小时平均差值绝对值、差值幅度均值、差值波动率、最大差值、平均差值、差值众数，以及基于平均差值与差值众数之差、最大差值与平均差值之差构建的衍生特征；

8、s5、训练机器学习分类模型：利用计算得到的热动态波动特征及对应的标签，采用机器学习模型进行有监督训练，生成分类模型；其中所述标签包括健康、良性乳腺疾病或乳腺癌；

9、s6、输出识别分类结果：将待测受试者的热动态波动特征输入所述分类模型，获得并输出分类识别结果，所述结果至少包括健康、良性乳腺疾病或乳腺癌中的一种。

10、进一步的，所述预设采样频率为每10秒一次，所述预设时长为连续24小时。

11、进一步的，所述机器学习模型采用xgboost模型、逻辑回归模型、支持向量机模型、随机森林模型或深度学习模型。

12、进一步的，还包括模型评估步骤：通过交叉验证对训练好的模型进行评估，计算ks值、auc值、准确率、召回率和f1分数。

13、本发明的方案还提供了一种基于热动态波动模式的临床乳腺疾病识别系统，包括：

14、数据采集模块，用于以预设采样频率连续采集预设时长的左右乳房温度时间序列数据，通过分别贴附于女性左右乳房表面的温度传感器采集乳房表面温度，连续采集24小时；

15、数据处理模块，与所述数据采集模块通信连接，用于接收所述数据采集模块采集的温度时间序列数据，并对该数据进行预处理和左右差值分析，提取热动态波动特征；

16、乳腺疾病识别模块，与所述数据处理模块通信连接，用于存储或加载机器学习识别分类模型，并将所述数据处理模块提取的热动态波动特征输入该模型，获得分类识别结果；

17、输出模块，与所述乳腺疾病识别模块通信连接，用于输出所述分类识别结果。

18、进一步的，所述数据处理模块包括：

19、异常值过滤单元，用于过滤预设阈值范围外的温度值；

20、数据分割单元，用于识别并分割传感器脱落时段；

21、差值计算单元，用于对左右温度序列逐点求差；

22、特征提取单元，用于基于差值序列计算平均差值绝对值及差值节律变化特征。

23、本发明的方案还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于热动态波动模式的临床乳腺疾病识别方法。

24、与现有技术相比，本发明具有以下有益效果：

25、1、本发明通过左右乳房温差分析及热动态波动模式挖掘，结合机器学习模型，实现了对乳腺癌相关特征的自动化识别；用户仅需在家中自行佩戴温度传感器即可完成数据采集，无需专业医护人员操作或大型影像设备，真正实现了每月一次的持续性居家监测，有助于在无症状或早期阶段发现乳腺癌，弥补了现有居家自我检查效果不佳的缺陷。

26、2、本发明所依赖的硬件仅为温度传感器，其成本远低于超声、钼靶等影像学设备或生物标志物检测试剂，使得大规模人群筛查及个人日常监测在经济上成为可能；同时，该方案全程无创，无辐射，极大地提高了受检者的接受度和依从性。

27、3、现有技术仅能定位温度异常区域，而本发明在此基础上进一步挖掘了温度数据的热动态波动信息；具体而言，本发明不仅采集乳房温度，更通过对左右乳房的温度差值进行精细分析，计算包括24小时平均差值绝对值、差值节律变化特征在内的多个关键指标，从而能够捕捉到由乳腺癌引发的细微体温节律变化；在此基础上，结合xgboost机器学习模型的算法对所提取的频域特征进行有监督学习，使得最终生成的分类模型能够客观、准确地区分健康、良性疾病与乳腺癌；如本发明实施例所示，该模型的灵敏度与准确率均超过70%，ks值达到0.4，auc达到0.72，展示了切实可靠的诊断性能。

28、4、本发明所采用的机器学习模型具有持续学习与优化的能力；随着新数据的不断积累，模型可以被重新训练或微调，从而进一步提升其风险评估的准确性和泛化能力，适应不同人群的特征。

29、5、本发明不仅适用于已被界定为高风险的乳腺癌筛查人群，同样适用于普通女性人群的常规乳腺健康检测，具有广泛的临床应用前景和社会价值。