一种基于大数据的分子病理临床辅助管理系统的制作方法

本发明涉及医疗数据处理，具体是指一种基于大数据的分子病理临床辅助管理系统。

背景技术：

1、分子病理临床辅助管理系统是一种面向医疗机构病理科、分子诊断中心及医学科研部门，聚焦分子病理临床诊疗与预后评估场景的智能化临床辅助系统，通过大数据处理和人工智能技术，采集分子病理数据和相关联临床数据，完成多维度数据智能分析，能够实现分子病理精准辅助诊断与肿瘤复发转移风险分层预测，可为临床医师提供个体化诊疗决策辅助支持，有效降低漏诊误诊风险，助力临床精准诊疗与预后评估。

2、但是，传统病理辅助诊断系统存在形态相似疾病区分能力不足、辅助诊断结果和复发转移风险预测不准确的技术问题；传统分子病理临床辅助管理系统存在未对不同质量的分子变异结果进行可信度区分，导致低频突变、边界性变异与高质量分子变异结果被等同使用的技术问题；现有适用于联合预测模型中存在复杂病例特征表达不足、模型预测准确性和泛化能力不足的技术问题；现有联合预测模型存在模型训练稳定性不足、特征嵌入医学一致性较差、超参数配置不合理、预测准确性和泛化能力受限的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于大数据的分子病理临床辅助管理系统，针对传统病理辅助诊断系统存在形态相似疾病区分能力不足、辅助诊断结果和复发转移风险预测不准确的技术问题，本发明创新地提出了将病理图像数据、基础临床数据与ngs分子检测数据共同输入并进行融合建模的分子病理临床辅助管理方法，提高分子分型识别准确性、提升复杂病例判断可靠性、辅助诊断结果和复发转移风险预测准确性；针对传统分子病理临床辅助管理系统存在低频突变、边界性变异与高质量分子变异结果被等同使用的技术问题，本发明创新地提出了一种融合规则可信度与自适应可信度的ngs分子变异结果自适应校正方法，实现分子变异特征的自适应加权输入，增强模型对低质量和边界性检测数据的识别能力、减少低可信度变异对预测结果的干扰；针对现有适用于联合预测模型中存在复杂病例特征表达不足、模型预测准确性和泛化能力不足的技术问题，本方案创新地构建多模态分子病理临床异质超图，并将ngs分子变异综合可信度评分作为超边权重，通过异质超图神经网络进行高阶交互学习，实现对患者整体跨模态状态的全面表达，增强多元医学关联关系建模能力，提高模型预测准确性和泛化能力；现有联合预测模型存在模型训练稳定性不足、特征嵌入医学一致性较差、超参数配置不合理、预测准确性和泛化能力受限的技术问题，本方案创新地构建模型联合损失函数，并采用分场景最大距离机制的改进优化算法对模型超参数进行自适应优化，增强模型对辅助诊断任务、复发转移风险预测任务和医学相似性关系的协同学习能力，提高模型训练稳定性、超参数寻优效率、预测准确性和泛化能力，实现了对目标患者病况智能辅助管理。

2、本发明采取的技术方案如下：本发明提供的一种基于大数据的分子病理临床辅助管理系统，包括标准化数据获取模块、ngs分子变异可信度校正模块、分子病理临床预测模块和患者病况智能辅助管理模块；

3、所述标准化数据获取模块，通过数据采集和数据预处理操作，得到分子病理临床辅助管理标准化数据；

4、所述ngs分子变异可信度校正模块，具体为获取各个ngs分子变异结果对应的检测质量特征向量，基于检测质量特征向量分别计算规则可信度评分与自适应可信度评分，并将两者加权融合得到综合可信度评分，再基于该评分对各个ngs分子变异结果进行加权处理，得到目标患者可信度校正后的ngs分子病理数据；

5、所述分子病理临床预测模块，具体为首先构建分子病理临床联合预测模型，并构建融合辅助诊断损失项、复发转移风险损失项和医学相似性监督损失项的模型联合损失函数，基于该损失函数进行模型训练，再采用分场景最大距离机制的改进优化算法对模型超参数进行优化，最后进行目标患者实时预测，得到目标患者辅助诊断预测结果和复发转移风险预测结果；

6、所述构建分子病理临床联合预测模型具体为对临床、图像病理及可信度校正后的ngs数据分别进行特征提取，然后构建以ngs变异的综合可信度评分为超边权重的分子病理临床异质超图，最后进行异质超图高阶交互学习和多任务预测；

7、所述患者病况智能辅助管理模块，具体为基于目标患者辅助诊断预测结果和复发转移风险预测结果，生成目标患者个体化辅助管理方案，实现对目标患者病况智能辅助管理。

8、进一步地，所述标准化数据获取模块，具体为通过数据采集操作，得到分子病理临床辅助管理原始数据，并对分子病理临床辅助管理原始数据进行数据预处理，得到分子病理临床辅助管理标准化数据；

9、所述分子病理临床辅助管理标准化数据包括参考患者基础临床标准化数据、目标患者基础临床标准化数据、参考患者图像病理结构标准化数据、目标患者图像病理结构标准化数据、参考患者ngs分子病理标准化数据、目标患者ngs分子病理标准化数据、历史ngs检测质量标准化数据和实时ngs检测质量标准化数据；

10、所述数据预处理，具体为对分子病理临床辅助管理原始数据依次执行数据清洗、归一化处理和特征选择，得到分子病理临床辅助管理标准化数据。

11、进一步地，所述ngs分子变异可信度校正模块，具体包括以下步骤：

12、获取检测质量特征向量，具体为从患者ngs分子病理标准化数据中提取各个ngs分子变异结果，并将各ngs分子变异结果与对应的ngs检测质量标准化数据进行关联匹配，形成各个ngs分子变异结果对应的检测质量特征向量；

13、规则可信度评分计算，具体为根据每个ngs分子变异结果对应的标准化检测质量特征向量，采用质量评价规则计算各个ngs分子变异结果的规则可信度评分，得到目标患者各个ngs分子变异结果的规则可信度评分；

14、所述质量评价规则具体为根据每个ngs分子变异结果对应的检测质量特征向量，分别计算正向质量评分和负向质量惩罚评分，并基于所述正向质量评分和负向质量惩罚评分得到规则可信度评分；

15、自适应可信度评分生成，具体为基于多层感知机神经网络构建可信度评估模型，并对可信度评估模型进行训练，得到训练后的可信度评估模型，然后基于目标患者ngs分子病理标准化数据和实时ngs检测质量标准化数据，获取各ngs分子变异结果对应的检测质量特征向量，将该检测质量特征向量输入到训练后的可信度评估模型，得到目标患者各ngs分子变异结果的自适应可信度评分；

16、综合可信度评分融合，具体为将目标患者各个ngs分子变异结果的规则可信度评分和自适应可信度评分进行加权融合，得到目标患者各个ngs分子变异结果的综合可信度评分；

17、ngs分子变异结果加权处理，具体为将目标患者各个ngs分子变异结果的综合可信度评分作为该ngs分子变异结果的权重，并根据该权重对目标患者ngs分子病理标准化数据中的各个ngs分子变异结果进行加权处理，得到目标患者可信度校正后的ngs分子病理数据。

18、进一步地，所述分子病理临床预测模块，具体包括以下步骤：

19、构建分子病理临床联合预测模型，具体包括以下步骤：

20、多视图特征提取，具体为基于多层感知机分别从基础临床标准化数据、图像病理结构标准化数据和可信度校正后的ngs分子病理数据中提取临床潜在特征矩阵、病理图像潜在特征矩阵和ngs分子病理潜在特征矩阵；

21、多头注意力全局关联增强，具体为通过特征拼接操作将临床潜在特征矩阵、病理图像潜在特征矩阵和ngs分子病理潜在特征矩阵进行组合，构建联合节点特征矩阵，随后，将联合节点特征矩阵输入到多头注意力机制层进行全局特征交互，得到多头注意力机制层输出特征，采用残差连接将该输出特征与联合节点特征矩阵进行融合，得到患者全局增强特征矩阵；

22、异质超图构建，具体为将临床潜在特征矩阵作为临床特征节点，将其病理图像潜在特征矩阵作为病理图像特征节点，将其ngs分子病理潜在特征矩阵作为ngs分子病理特征节点，将患者全局增强特征矩阵作为全局上下文节点，构建异质超图节点集合，构建连接临床特征节点、病理图像特征节点、ngs分子变异结果节点和患者全局特征节点的超边，并将每条超边中ngs分子病理特征节点对应ngs分子变异结果的综合可信度评分作为超边权重，得到分子病理临床异质超图；

23、异质超图高阶交互学习，具体为根据分子病理临床异质超图中的异质超图节点集合和超边集合，构建节点与超边关联矩阵，并根据异质超图节点集合中节点对应的节点特征，构建节点初始特征矩阵，将节点初始特征矩阵、节点与超边关联矩阵和超边权重矩阵输入异质超图神经网络，并依次进行超图卷积、批归一化、dropout正则化和非线性激活操作，得到高阶交互特征：

24、辅助诊断与复发转移风险多任务预测，具体为将高阶交互特征矩阵分别输入基于全连接层和softmax激活函数建立的辅助诊断预测分支和复发转移风险预测分支，得到辅助诊断预测结果和复发转移风险预测结果；

25、构建模型联合损失函数，具体为首先以临床相似性、病理图像相似性和ngs分子病理相似性融合得到的综合医学相似性矩阵作为监督目标，构建医学相似性监督损失项，然后在基于辅助诊断预测结果和复发转移风险预测结果分别构建辅助诊断损失项和复发转移风险损失项，最后对辅助诊断损失项、复发转移风险损失项和医学相似性监督损失项进行加权融合，得到模型联合损失函数；

26、所述医学相似性监督损失项，具体为分别基于基础临床标准化数据、病理图像结构化标准化数据和可信度校正后的ngs分子病理数据，通过余弦相似度构建患者临床相似性矩阵、病理图像相似性矩阵和分子变异相似性矩阵，然后将各个相似性矩阵进行加权融合，得到综合医学相似性矩阵，同时基于高阶交互特征矩阵计算模型学习相似性矩阵，最后以综合医学相似性矩阵作为监督目标，对模型学习相似性矩阵进行约束，构建医学相似性监督损失项函数；

27、联合预测模型训练，具体为将参考患者基础临床标准化数据、参考患者图像病理结构标准化数据和参考患者可信度校正后的ngs分子病理数据组成模型训练数据，并采用模型联合损失函数作为优化目标，进行模型迭代训练，得到训练后的分子病理临床联合预测模型；

28、模型超参数优化，具体包括以下步骤：

29、搜索个体初始化，具体为将模型的待优化的超参数编码为搜索个体位置向量，并通过随机初始化方式生成m个搜索个体的位置向量，每个搜索个体位置向量唯一对应一组候选的模型的超参数组合，构成初始搜索个体种群；

30、适应度评估，具体为计算种群中搜索个体适应度值；将基于搜索个体位置对应的超参数组合建立的模型性能作为搜索个体适应度值；

31、控制参数动态更新，具体为首先基于当前迭代次数计算当前迭代次数的探索开发调控参数，然后基于该探索开发调控参数计算搜索控制参数，最后分别计算当前搜索个体与随机搜索个体之间的距离和当前搜索个体与最优搜索个体之间的距离；

32、分场景搜索个体位置迭代更新，具体为对种群中的每个搜索个体，生成服从(0,1)区间均匀分布的随机数，然后根据搜索控制参数和随机数判断当前应执行的搜索场景，对每个场景，计算该场景下的最大距离，然后基于该最大距离和对应场景的基准距离，计算自适应搜索步长，完成搜索个体的位置迭代更新；所用公式如下：

33、；

34、；

35、式中，表示围捕操作的最大离散距离，表示个体编码的总维度数，表示克罗内克函数，表示判断当前个体与全局最优个体在第d维编码的取值是否相同，表示判断随机个体与全局最优个体在第d维编码的取值是否相同；

36、搜索迭代终止，具体为当搜索个体全局最优位置的适应度值大于预设适应度阈值时或迭代次数达到最大迭代次数时，终止搜索并获得搜索个体全局最优位置，所述搜索个体全局最优位置，具体指模型最优超参数组合；

37、获取最优性能模型，具体为根据模型最优超参数组合，调整训练后的分子病理临床联合预测模型超参数，得到最优分子病理临床联合预测模型；

38、目标患者实时预测，具体为将目标患者基础临床标准化数据、目标患者图像病理结构标准化数据和目标患者可信度校正后的ngs分子病理数据共同输入到最优分子病理临床联合预测模型中，得到目标患者辅助诊断预测结果和复发转移风险预测结果。

39、进一步地，所述患者病况智能辅助管理模块，具体为根据目标患者辅助诊断预测结果生成辅助诊断提示信息，根据目标患者复发转移风险预测结果生成复发转移风险等级提示信息，并将辅助诊断提示信息和复发转移风险等级提示信息进行整合，得到目标患者个体化辅助管理方案，实现对目标患者病况智能辅助管理。

40、采用上述方案本发明取得的有益效果如下：

41、（1）针对传统病理辅助诊断系统主要依赖病理图像或基础临床数据进行分析，未充分融合ngs分子检测数据，导致形态相似疾病区分能力不足、辅助诊断结果和复发转移风险预测不准确的技术问题，本发明创新地提出了将病理图像数据、基础临床数据与ngs分子检测数据共同输入并进行融合建模的分子病理临床辅助管理方法，增强多模态医学数据融合能力、提高分子分型识别准确性、提升复杂病例判断可靠性、辅助诊断结果和复发转移风险预测准确性，实现了基于基础临床、病理形态特征和分子变异特征的联合辅助诊断及个体化临床辅助管理。

42、（2）针对传统分子病理临床辅助管理系统在使用ngs检测结果时，未对不同质量的分子变异结果进行可信度区分，导致低频突变、边界性变异与高质量分子变异结果被等同使用的技术问题，从而影响辅助诊断及复发转移风险预测准确性，本发明创新地提出了一种融合规则可信度与自适应可信度的ngs分子变异结果自适应校正方法，实现分子变异特征的自适应加权输入，从而提高分子变异数据利用准确性、增强模型对低质量和边界性检测数据的识别能力、减少低可信度变异对预测结果的干扰，并提升辅助诊断与复发转移风险预测的可靠性。

43、（3）针对现有适用于联合预测模型中通常采用简单特征拼接，未充分挖掘不同模态特征之间的跨模态全局关联关系及临床表型、病理形态、分子变异之间的多元高阶交互关系，导致复杂病例特征表达不足、模型预测准确性和泛化能力不足的技术问题，从而造成辅助诊断与复发转移风险预测协同性较差，本方案创新地构建包含临床表型特征、病理形态特征、分子变异特征及全局增强特征的多模态分子病理临床异质超图，并将ngs分子变异综合可信度评分作为超边权重，通过异质超图神经网络进行高阶交互学习，实现对患者整体跨模态状态的全面表达，增强多元医学关联关系建模能力，提高模型预测准确性和泛化能力，提升复杂病例辅助诊断准确性和复发转移风险预测可靠性，实现了基于全局上下文信息、可信度加权分子变异信息、基础临床和图像病理分子高阶交互关系的联合预测。

44、（4）针对现有联合预测模型训练过程中通常仅依赖输出结果标签进行单一监督优化，未充分利用临床、病理图像和分子变异等医学先验关系，且模型超参数多依赖人工经验设定或常规搜索方法，导致模型训练稳定性不足、特征嵌入医学一致性较差、超参数配置不合理、预测准确性和泛化能力受限的技术问题，本方案创新地构建融合辅助诊断损失项、复发转移风险损失项和医学相似性监督损失项的模型联合损失函数，并采用分场景最大距离机制的改进优化算法对模型超参数进行自适应优化，增强模型对辅助诊断任务、复发转移风险预测任务和医学相似性关系的协同学习能力，提高模型训练稳定性、超参数寻优效率、预测准确性和泛化能力，实现了对目标患者病况的智能辅助管理。