基于先验融合的手术规划方法、装置及电子设备

本发明涉及智能医疗，尤其涉及一种基于先验融合的手术规划方法、装置及电子设备。

背景技术：

1、随着人工智能技术在医疗领域的不断深入，面向脊柱椎管减压等复杂外科手术的临床精准规划需求日益增长。在临床实际应用中，由于患者个体差异显著，如何利用患者术前复杂多样的基础诊断信息，快速、精准地生成符合临床规范且高度个体化的手术规划参数，以减轻临床医师的工作负荷并保障手术的可靠性，已成为当前智能辅助诊疗领域亟待满足的总体技术需求。为了满足上述技术需求，现有技术通常依赖于端到端的深度学习模型来实现手术方案的自动化或半自动化规划。具体的现有技术方案主要通过卷积神经网络等常规视觉架构对患者单一模态的医学影像序列进行特征提取，以识别病灶区域并回归输出部分基础的手术范围参数；或者采用常规的多模态网络架构，将医学影像与病历文本进行简单的特征级拼接，随后依靠模型内部的大规模隐藏层节点进行纯数据驱动的黑盒推演，从而直接输出初步的手术规划方案。

2、然而，现有模型依赖纯数据驱动的黑盒推演机制，其内部计算过程完全脱离临床医师的标准诊疗逻辑，导致决策过程缺乏临床可解释性，且在医疗场景特有的小样本条件下极易发生过拟合，无法稳定输出高可靠性的规划结果。

技术实现思路

1、本发明提供一种基于先验融合的手术规划方法、装置及电子设备，用以解决现有技术中医疗特有的小样本条件下手术规划方案的精确性与临床可解释性较低的缺陷。

2、本发明提供一种基于先验融合的手术规划方法，包括：

3、获取待规划患者的多模态术前规划数据，所述多模态术前规划数据包括医学影像数据、病历文本数据以及临床量化指标数据；

4、提取所述多模态术前规划数据的编码特征，构建得到所述待规划患者的术前全局表征；

5、将所述术前全局表征输入至混合专家模型，按照所述混合专家模型中门控网络的路由参数，将所述术前全局表征分配至对应的专家网络进行特征处理，以预测得到所述待规划患者的手术规划参数；所述路由参数基于各临床量化指标在手术决策中的先验量化评分确定。

6、根据本发明提供的一种基于先验融合的手术规划方法，所述预测得到所述待规划患者的手术规划参数之后，还包括：

7、计算所述术前全局表征与预设病例原型库中包含的各历史病例表征的相似度结果；

8、基于各相似度结果，从所述预设病例原型库中筛选出参考病例；

9、融合所述手术规划参数与所述参考病例的历史手术规划参数，得到最终的个性化手术规划参数；

10、获取所述个性化手术规划参数的专家审核评分，在所述专家审核评分高于预设评分阈值的情况下，将所述个性化手术规划参数更新至所述预设病例原型库中，更新后的预设病例原型库用于对下一轮的手术规划参数进行参数融合。

11、根据本发明提供的一种基于先验融合的手术规划方法，所述参考病例包括多个历史病例；

12、所述融合所述手术规划参数与所述参考病例的历史手术规划参数，得到最终的个性化手术规划参数，包括：

13、对各历史病例对应的历史手术规划参数进行聚合平均计算，得到检索矫正参数集；

14、对所述手术规划参数和所述检索矫正参数集进行加权融合，得到所述个性化手术规划参数。

15、根据本发明提供的一种基于先验融合的手术规划方法，所述提取所述多模态术前规划数据的编码特征，构建得到所述待规划患者的术前全局表征，包括：

16、基于预训练的多模态网络中的视觉编码器提取所述医学影像数据的影像特征向量，以及，基于所述预训练的多模态网络中的文本编码器提取所述病历文本数据的文本特征向量；

17、基于预设的全连接网络提取所述临床量化指标数据的指标特征，得到临床指标特征向量；

18、对所述影像特征向量、所述文本特征向量以及所述临床指标特征向量进行拼接，构建得到所述术前全局表征。

19、根据本发明提供的一种基于先验融合的手术规划方法，所述预设的全连接网络和混合专家模型的训练步骤包括：

20、获取初始混合专家模型、初始全连接网络和带有优劣标注的样本数据集；所述样本数据集包括样本术前规划数据和样本手术规划参数；所述初始混合专家模型包括初始门控网络和初始专家网络；所述初始门控网络的初始路由参数基于所述先验量化评分确定；

21、基于所述初始全连接网络提取所述样本术前规划数据中样本临床量化指标数据的编码特征，基于所述预训练的多模态网络提取所述样本术前规划数据中样本医学影像数据和样本病历文本数据的编码特征，以构建得到所述样本术前规划数据的样本术前全局表征；

22、将所述样本术前全局表征输入至所述初始混合专家模型，得到所述初始混合专家模型输出的样本预测规划参数；

23、基于所述优劣标注，对所述样本预测规划参数进行偏好评估，计算得到偏好优化损失，以及，计算所述样本预测规划参数与所述样本手术规划参数之间的预测误差，得到参数对齐损失；

24、基于所述偏好优化损失和所述参数对齐损失，构建得到多目标总损失，基于所述多目标总损失，对所述初始混合专家模型和所述初始全连接网络进行参数联合迭代更新，得到所述预设的全连接网络和所述混合专家模型。

25、根据本发明提供的一种基于先验融合的手术规划方法，所述初始门控网络的初始路由参数的确定步骤包括：

26、获取不同评估对象对每一临床量化指标在影响手术决策中的先验量化评分；

27、对所述每一临床量化指标的所述先验量化评分进行均值校准，得到每一临床量化指标的先验特征权重；

28、基于所述先验特征权重，配置所述初始路由参数。

29、本发明还提供一种基于先验融合的手术规划装置，包括：

30、获取单元，获取待规划患者的多模态术前规划数据，所述多模态术前规划数据包括医学影像数据、病历文本数据以及临床量化指标数据；

31、特征提取单元，提取所述多模态术前规划数据的编码特征，构建得到所述待规划患者的术前全局表征；

32、规划单元，将所述术前全局表征输入至混合专家模型，按照所述混合专家模型中门控网络的路由参数，将所述术前全局表征分配至对应的专家网络进行特征处理，以预测得到所述待规划患者的手术规划参数；所述路由参数基于各临床量化指标在手术决策中的先验量化评分确定。

33、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于先验融合的手术规划方法。

34、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于先验融合的手术规划方法。

35、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于先验融合的手术规划方法。

36、本发明提供的基于先验融合的手术规划方法、装置及电子设备，通过获取涵盖影像、文本及临床指标的多模态术前规划数据，并提取深度对齐的编码特征以构建统一的术前全局表征，进而将该表征输入至由临床专家先验量化评分初始化路由参数的混合专家模型中，经专家网络特征处理后输出手术规划参数，实现了多模态数据深度融合与专家先验知识的全链路前置注入，提升了手术规划的临床可解释性，同时深度适配了医疗场景下高质量样本稀缺的长尾分布特性，大幅提升了在小样本条件下的规划精度、抗干扰能力以及与患者个体化病情的匹配度。