一种甲状腺疾病的智能辅助诊断方法、系统及可读存储介质与流程

1.本发明涉及医学辅助诊断领域，尤其涉及一种甲状腺疾病的智能辅助诊断方法、系统及可读存储介质。


背景技术：

2.甲状腺疾病主要分为内科治疗的甲状腺疾病和外科治疗的甲状腺疾病两大类。内科治疗的甲状腺疾病主要包括甲状腺功能亢进症（俗称甲亢）和甲状腺炎症（包括急性、亚急性和慢性甲状腺炎症）。外科治疗的甲状腺疾病包括甲状腺肿和甲状腺肿瘤。两者的主要区别是内科治疗的甲状腺疾病在进行甲状腺功能检查时有的检查数据有异常，而外科治疗的甲状腺疾病在进行甲状腺功能检查时的检测数据都正常。
3.现有的甲状腺疾病一般由医生综合自身的医学知识和临床经验进行诊断，这对医生的医学知识和临床经验有着极高的要求，但是培养一个高水平的医生需要耗费大量的资源和时间。我国人口众多、地域辽阔，存在着严重的医疗资源短缺和医疗资源分布不均的问题，故利用计算机技术辅助医生对甲状腺疾病进行诊断，对于我国解决医疗资源短缺和分布不均具有重大意义。
4.中国专利公开了一种智能疾病诊断方法，包括：获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。
5.上述智能疾病诊断方法过度依赖于算法模型，无法与医生经验及相关临床诊断规范很好地结合，诊断过于机械，临床误诊率较大。


技术实现要素：

6.为了解决上述现有技术的不足，本发明提供一种智能辅助诊断方法、系统及可读存储介质，可辅助医生进行甲状腺疾病的诊断。
7.本发明所要解决的技术问题通过以下技术方案予以实现：一种甲状腺疾病的智能辅助诊断方法，包括如下步骤：步骤100：根据相关医学指南构建规则决策树，所述规则决策树包括多个判定节点；步骤200：在所述规则决策树的各个判定节点中嵌入机器学习模型；步骤300：对患者的病例数据进行处理，得到患者的甲状腺判定数据；步骤400：将患者的甲状腺判定数据导入所述规则决策树中进行判定，得到患者的甲状腺诊断结果及统计学指标；
步骤500：根据所述甲状腺诊断结果及统计学指标输出诊断报告。
8.进一步地，所述规则决策树采用cart算法，目标函数为gini系数。
9.进一步地，所述机器学习模型为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型。
10.进一步地，所述步骤200包括如下步骤：步骤201：将甲状腺样本数据分为训练数据集和测试数据集；步骤202：将所述训练数据集导入所述规则决策树中，对各个判定节点中的机器学习模型进行训练，得到训练好的机器学习模型；步骤203：将所述测试数据集导入所述规则决策树中，对训练好的机器学习模型进行检测。
11.进一步地，所述步骤300包括如下步骤：步骤301：获取患者的病例数据，所述病例数据包括甲状腺数据；步骤302：对患者的病例数据进行标准化处理；步骤303：根据各项病例数据所对应的参考值对各项病例数据进行标记，得到患者的甲状腺判定数据，其中各项甲状腺数据被标记为增高、正常或降低。
12.一种甲状腺疾病的智能辅助诊断系统，包括输入模块，用于输入患者的病例数据；数据处理模块，用于对患者的病例数据进行处理，得到患者的甲状腺判定数据；规则决策模块，用于根据相关医学指南构建规则决策树以及对患者的甲状腺判定数据进行判定，进而得到患者的甲状腺诊断结果及统计学指标，所述规则决策树包括多个判定节点；机器学习模块，用于在所述规则决策树的各个判定节点中嵌入机器学习模型；输出模块，用于根据所述甲状腺诊断结果及统计学指标输出诊断报告。
13.进一步地，所述规则决策树采用cart算法，目标函数为gini系数。
14.进一步地，所述机器学习模型为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型。
15.进一步地，所述数据处理模块包括：输入子模块：用于获取患者的病例数据，所述病例数据包括甲状腺数据；处理子模块，用于对患者的病例数据进行标准化处理；标记子模块，用于根据各项病例数据所对应的参考值对各项病例数据进行标记，得到患者的甲状腺判定数据，其中各项甲状腺数据被标记为增高、正常或降低。
16.一种可读存储介质，存储有供处理器执行的计算机程序，所述处理器执行该计算机程序时，执行上述的甲状腺疾病的智能辅助诊断方法。
17.本发明具有如下有益效果：本案以相关医学指南中关于甲状腺疾病的诊断规则为基本框架，构建所述规则决策树，然后在所述规则决策树的各个判定节点上以所述机器学习模型进行数据处理，在保证诊断方法总体符合指南规范的前提下，在各个判定节点上发挥所述机器学习模型的数据建模优势，先对患者的病例数据通过所述桂策决策树进行定性分析，再在各个判定节点上对患者的病例数据进行定量分析，更符合医生给患者诊断的一般步骤，易于解释和理解，更接近临床医生理性与感性共同决策的真实过程，充分结合了规
则类诊断的易解释性以及建模类诊断的高准确性，以提高医生对于甲状腺疾病判别的准确度，降低甲状腺疾病的误诊率，减轻医务人员的工作强度及压力，增加患者在诊疗过程中的满意度。
附图说明
18.图1为本发明提供的智能辅助诊断方法的步骤框图；图2为本发明提供的智能辅助诊断系统的原理框图图3为本发明中各项甲状腺数据的标准值；图4为本发明中总三碘甲状腺原氨酸的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图5为本发明中甲状腺素的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图6为本发明中促甲状腺素的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图7为本发明中血清游离甲状腺素的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图8为本发明中血清游离三碘甲状腺原氨酸的参考值以及增高、降低与甲状腺疾病之间对应诊断表；图9为本发明中甲功五项数据与甲状腺疾病之间的对应诊断表；图10为本发明提供的规则决策树的示意图。
具体实施方式
19.下面结合附图和实施例对本发明进行详细的说明，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
20.在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
21.此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
22.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“设置”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
23.实施例一如图1所示，一种甲状腺疾病的智能辅助诊断方法，包括如下步骤：步骤100：根据相关医学指南构建如图10所示的规则决策树，所述规则决策树包括多个判定节点。
24.在该步骤100中，所述相关医学指南指的是由各国医疗管理部门、医疗行业或医疗协会等推出的用于指导医生进行甲状腺疾病诊断的规则标准、参考数据或治疗方案等，如《中国甲状腺疾病诊治指南》、《甲状腺结节临床诊疗指南》等。当然，不同国家、不同地区、不同部门都有相应的规则标准、参考数据或治疗方案等，故构建所述规则决策树所使用的相关医学指南可以根据不同国家、不同地区、不同部门而所有不同。
25.本案中，所述规则决策树采用cart算法，目标函数为gini系数，当然，也可采用其他算法。
26.步骤200：在所述规则决策树的各个判定节点中嵌入机器学习模型。
27.在该步骤200中，嵌入到各个判定节点上的机器学习模型可以为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型等。
28.具体的，所述步骤200包括如下步骤：步骤201：将甲状腺样本数据分为训练数据集和测试数据集。
29.在该步骤201中，将医院过往病人的病例数据及诊断结果作为所述甲状腺样本数据。所述病例数据包括患者的年龄、性别、过往病史以及各项甲状腺数据。
30.步骤202：将所述训练数据集导入所述规则决策树中，对各个判定节点中的机器学习模型进行训练，得到训练好的机器学习模型。
31.在该步骤202中，将所述训练数据集中的病例数据及诊断结果同时输入所述规则决策树中，以供所述机器学习模型对所述训练数据集进行特征提取、分析和统计，学习各项病例数据与诊断结果之间的关联性，形成诊断模型。
32.步骤203：将所述测试数据集导入所述规则决策树中，对训练好的机器学习模型进行检测。
33.在该步骤203中，将所述测试数据集中的病例数据导入所述规则决策树中，然后将所述规则决策树输出的诊断结果与所述测试数据集中的诊断结果进行比对，进而检测所述机器学习模型的准确性。
34.步骤300：对患者的病例数据进行处理，得到患者的甲状腺判定数据。
35.具体的，所述步骤300包括如下步骤：步骤301：获取患者的病例数据，所述病例数据包括甲状腺数据。
36.在该步骤301中，先对患者进行甲状腺功能检查，从而得到患者的甲状腺数据，如图3所示，一般的甲状腺功能检测包括tsh、t3、t4、ft3和ft4这五项指标，俗称甲功五项，更全面的甲状腺功能检查还包括tpoab和tgab这两项抗体指标，俗称甲功七项，甚至更详细的甲状腺数据还包括tt3、tt4、trh等指标。
37.步骤302：对患者的病例数据进行标准化处理。
38.在该步骤302中，所述病例数据还包括患者的年龄、性别和过往病史等，通过对患者的病历数据进行初步处理，统一各项数据的单位，筛选出异常值和缺失值，以便在下一步中进行比较标定。
39.步骤303：如图4-8所示，根据各项病例数据所对应的参考值对各项病例数据进行标记，得到如图9所示的患者的甲状腺判定数据，其中各项甲状腺数据被标记为增高、正常或降低。
40.在该步骤303中，由于个人体质有所差异，每个人的病例数据的原始数值都所有不同，如果直接将原始数值导入所述规则决策树中进行判定的话，所述规则决策树的决策分支太多，所述机器学习模型的数据处理量也太大，故通过对各项病例数据进行标定，对各项病例数据的原始数据进行分类，以减少所述规则决策树的决策分支以及所述机器学习模型的数据处理量，比如将各项甲状腺数据的原始数值标记转化为“增高”、“正常”和“降低”这三种类型之后，所述规则决策树对每项甲状腺数据的判定就只有“增高”、“正常”和“降低”三种不同，而所述机器学习模型对每项甲状腺数据的处理也仅有“增高”、“正常”和“降低”三种不同。
41.在图9中，向上箭头表示对应甲状腺数据被标记为增高，向下箭头表示对应甲状腺数据被标记为降低，横线表示对应甲状腺数据被标记为正常。
42.除了对所述甲状腺数据进行标记外，还需要对患者的其他病例数据进行标记，比如将患者的年龄数据标记为幼儿、青年、中年或老年，将患者的性别数据标记为孕妇、未孕女性或男性，以备后续处理。
43.步骤400：将患者的甲状腺判定数据导入所述规则决策树中进行判定，得到患者的甲状腺诊断结果及统计学指标。
44.在该步骤400中，所述规则决策树包括多个判定节点，一个判定节点对应于一项甲状腺判定数据，所述甲状腺判定数据导入所述规则决策树后，依次到达各个判定节点，并根据各个判定节点的机器学习模型的判断结果，而进入不同决策分支路径的下一判定节点。
45.步骤500：根据所述甲状腺诊断结果及统计学指标输出诊断报告。
46.实施例二如图2所示，一种甲状腺疾病的智能辅助诊断系统，应用于实施例一所述的甲状腺疾病的智能辅助诊断方法中，包括输入模块，用于输入患者的病例数据；数据处理模块，用于对患者的病例数据进行处理，得到患者的甲状腺判定数据；规则决策模块，用于根据相关医学指南构建规则决策树以及对患者的甲状腺判定数据进行判定，进而得到患者的甲状腺诊断结果及统计学指标，所述规则决策树包括多个判定节点；机器学习模块，用于在所述规则决策树的各个判定节点中嵌入机器学习模型；输出模块，用于根据所述甲状腺诊断结果及统计学指标输出诊断报告。
47.其中，所述规则决策树采用cart算法，目标函数为gini系数，当然，也可采用其他算法；所述机器学习模型为深度学习模型、逻辑回归模型、决策树模型、随机森林模型、神经网络模型或支持向量模型等。
48.其中，所述数据处理模块包括：输入子模块：用于获取患者的病例数据，所述病例数据包括甲状腺数据；处理子模块，用于对患者的病例数据进行标准化处理；标记子模块，用于根据各项病例数据所对应的参考值对各项病例数据进行标记，
得到患者的甲状腺判定数据，其中各项甲状腺数据被标记为增高、正常或降低。
49.实施例三一种可读存储介质，存储有供处理器执行的计算机程序，其特征在于，所述处理器执行该计算机程序时，执行上述的甲状腺疾病的智能辅助诊断方法。
50.本案以相关医学指南中关于甲状腺疾病的诊断规则为基本框架，构建所述规则决策树，然后在所述规则决策树的各个判定节点上以所述机器学习模型进行数据处理，在保证诊断方法总体符合指南规范的前提下，在各个判定节点上发挥所述机器学习模型的数据建模优势，先对患者的病例数据通过所述桂策决策树进行定性分析，再在各个判定节点上对患者的病例数据进行定量分析，更符合医生给患者诊断的一般步骤，易于解释和理解，更接近临床医生理性与感性共同决策的真实过程，充分结合了规则类诊断的易解释性以及建模类诊断的高准确性，以提高医生对于甲状腺疾病判别的准确度，降低甲状腺疾病的误诊率，减轻医务人员的工作强度及压力，增加患者在诊疗过程中的满意度。
51.最后需要说明的是，以上实施例仅用以说明本发明实施例的技术方案而非对其进行限制，尽管参照较佳实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解依然可以对本发明实施例的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明实施例技术方案的范围。