基于人工智能的甲黑线良恶性预测系统

1.本发明涉及计算机辅助诊断领域，尤其涉及基于人工智能的甲黑线良恶性预测系统。


背景技术：

2.甲是皮肤的附属器之一，发生在甲的病灶与发生于皮肤的病灶有着明显的差异，与甲的特殊解剖结构与组织学特性相关。甲黑线即纵向黑甲，产生的病理机制多种，主要是黑素细胞功能活化与黑素细胞增生。
3.（1）黑素细胞激活：生理条件下，甲母质区域的黑素细胞处于稳定状态，由于外伤、炎症、感染、物理或化学因素刺激、全身系统性疾病或者其他部分的皮肤疾病刺激了甲母质中的黑素细胞，黑素细胞激活所致的黑甲通常会累及多个指(趾)甲。
4.（2) 黑素细胞增生：另外一种是由于甲下黑素细胞增生后形成黑素细胞巢，导致局部黑色素的累积增多染黑了甲板，这就是甲母痣，它和身体其他部位色素痣是同一种疾病，只是部位不同而已，在儿童和青少年中并不少见。甲母痣和甲雀斑样痣都是良性的，但部分仍有恶变为甲黑素瘤的风险。
5.现有对甲黑线良恶性判断（即分辨甲母痣、甲雀斑样痣与甲黑素瘤）主要依靠医生肉眼视觉进行判断，这种基于肉眼视觉的判断具有主观性强、较大程度依赖于临床医生的经验和专业技能、容易出现假阳性和假阴性的局限性。且基于经验得出的结论，并不能保证每一个甲黑素瘤的表现都与之完全吻合，如果仅根据该方法进行诊断，会产生遗漏。


技术实现要素：

6.本发明提供了基于人工智能的甲黑线良恶性预测系统，用于解决现有的依靠医生肉眼视觉判断甲黑线良恶性的方法主观性强、准确率低的技术问题。
7.为解决上述技术问题，本发明提出的技术方案为：一种基于人工智能的甲黑线良恶性预测系统，包括：采集组件：用于采集目标患者的甲黑线医学影像、病史资料，并将目标患者的甲黑线医学影像、病史资料输入到所述预测组件中；预测组件：用于根据目标患者的甲黑线医学影像、病史资料综合预测目标患者的甲黑线良恶性预测结果；所述预测组件为多模态深度神经网络，采用训练集训练得到；所述训练集由多个不同甲黑线患者的甲黑线医学影像、病史资料以及对应的良恶性诊断结果构建而成。
8.优选的，所述预测组件包括图像特征提取模块、文本特征提取模块以及预测模块；所述图像特征提取模块用于识别输入的甲黑线医学影像中的皮损区域并定位所述皮损区域的边界，基于所述皮损区域的边界提取所述皮损区域的图像特征矩阵输入到所述预测模块中；所述文本特征提取模块用于识别输入的病史资料的甲黑线病灶信息，并提取甲黑
线病灶信息中的文本特征矩阵输入到所述预测模块中；所述预测模块用于根据所述图像特征矩阵和所述文本特征矩阵预测对应患者的甲黑线良恶性。
9.优选的，还包括训练集构建组件，所述训练集构建组件包括：图像训练集构建模块：用于在每个甲黑线医学影像上标记甲黑线病灶区域及其边界，构成图像特征提取模块的图像训练集；文本训练集构建模块：在每个病史资料中标记甲黑线病灶关键词句，构成图像特征提取模块的文本训练集；标记模块：用于构建同一患者甲黑线医学影像、病史资料以及对应的良恶性诊断结果的关联关系。
10.优选的，所述甲黑线病灶关键词句包括：年龄、发病时间、产生的原因、变化过程、变化速度、有没有外伤或其他处理。
11.优选的，还包括训练组件，所述训练组件用于：使用所述图像训练集训练所述图像特征提取模块；使用所述文本训练集训练所述文本特征提取模块；基于构建的关联关系，将所述图像特征提取模块输出的图像特征矩阵、所述文本特征提取模块输出的文本特征矩阵以及对应的良恶性诊断结果进行关联匹配；再使用关联匹配成功的同一患者的图像特征矩阵、文本特征矩阵以及对应的良恶性诊断结果训练所述预测模块。
12.优选的，所述甲黑线医学影像包括临床图像和对应的皮肤镜图像。
13.本发明具有以下有益效果：1、本发明中的基于人工智能的甲黑线良恶性预测系统，通过获取多个不同甲黑线患者的甲黑线医学影像、病史资料以及对应的良恶性诊断结果构建训练集；构建基于多模态深度神经网络的预测组件，采用训练集训练所述预测组件；获取目标患者的甲黑线医学影像、病史资料，并将目标患者的甲黑线医学影像、病史资料输入到所述预测组件中，从而得到目标患者准确的甲黑线良恶性预测结果。相比现有技术，本发明中的预测组件同时将临床图片、皮肤镜图像以及病史数据作为输入项，由统一的、具有较好专业性的决策者（人工智能）来提供最终的决策，更具科学性和合理性。
14.除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
15.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明中的基于人工智能的甲黑线良恶性预测系统的工作流程图。
具体实施方式
16.以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
17.实施例一：如图1所示，本实施中公开了一种基于人工智能的甲黑线良恶性预测系统，包括：
采集组件：用于采集目标患者的甲黑线医学影像、病史资料，并将目标患者的甲黑线医学影像、病史资料输入到所述预测组件中；预测组件：用于根据目标患者的甲黑线医学影像、病史资料综合预测目标患者的甲黑线良恶性预测结果；所述预测组件为多模态深度神经网络，采用训练集训练得到；所述训练集由多个不同甲黑线患者的甲黑线医学影像、病史资料以及对应的良恶性诊断结果构建而成。
18.本发明中的预测组件同时将临床图片、皮肤镜图像以及病史数据作为输入项，由统一的、具有较好专业性的决策者（人工智能）来提供最终的决策，更具科学性和合理性。
19.实施例二：实施例二是实施例一的优选实施例，其与实施例一的不同之处，是对基于人工智能的甲黑线良恶性预测系统的构建已经应用进行了介绍：1、甲黑线病例数据库的建立分别收集表现为甲黑线的甲母痣和甲黑素瘤临床图像和对应的皮肤镜图像、病史信息共1万套作为训练集，用于机器对甲母痣和甲黑素瘤的图像特征进行深度学习，对每张图片进行标签，标注出皮损区域，供机器进行特征提取。其中，如果一张皮肤镜不能拍全整个指甲或趾甲的皮损区域，则将所有连续拍摄的皮肤镜图像拼在一起。
20.2、人工智能模型建立从现有的模型中选取适合本项目甲母痣和甲黑素瘤特征识别的模型，用于特征分析，首先从训练集临床图像和皮肤镜图像中精准提取皮损图像并定位其边界，从病史信息中提取对病灶分类有意义的条目（即甲黑线病灶关键词句）输入人工智能系统，通过机器学习让人工智能系统获得对未知甲黑线病灶进行分类预测的能力。其中，对病灶分类有意义的条目包括：年龄、发病时间、产生的原因、变化过程、变化速度、有没有外伤或其他处理。
21.其中，所述人工智能系统为即为预测组件，包括：图像特征提取模块、文本特征提取模块以及预测模块；所述图像特征提取模块用于识别输入的甲黑线医学影像中的皮损区域并定位所述皮损区域的边界，基于所述皮损区域的边界提取所述皮损区域的图像特征矩阵输入到所述预测模块中；所述文本特征提取模块用于识别输入的病史资料的甲黑线病灶信息，并提取甲黑线病灶信息中的文本特征矩阵输入到所述预测模块中；所述预测模块用于根据所述图像特征矩阵和所述文本特征矩阵预测对应患者的甲黑线良恶性。
22.3、模型验证经训练集对模型进行训练后，整理一批未经机器识别和学习的甲母痣临床图像和甲黑素瘤临床图像作为验证集，模拟临床应用，由患者和系统进行交互，系统给出分类预测结果，与实际诊断结果对比。评价指标为：能够将已确诊的甲黑素瘤患者皮损图像评价为甲黑素瘤高风险，将经活检确诊的甲母痣和医生评估无需进行活检的临床诊断为甲母痣的病灶评价为甲黑素瘤低风险。
23.在对所述人工智能系统验证成功后即可使用，即通过采集组件采集目标患者的甲黑线医学影像、病史资料，并将目标患者的甲黑线医学影像、病史资料输入到所述预测组件
中得到目标患者的甲黑线良恶性预测结果。
24.4、发明的效果或特点1)虽然目前已有大量基于人工智能对良性色素痣和恶性黑素瘤的进行分类预测的模型，但是绝大多数都将甲病的分类诊断包含在所有皮肤疾病中进行，没有单列出来。而甲的疾病由于甲独特的解剖学特点，其良恶性的判别与发生在皮肤的色素痣和黑素瘤有着显著的差异，用常规分类皮肤病的模型进行甲病的预测很可能会显著降低准确性。
25.2)该模型对于甲母痣和甲黑素瘤的分类准确性可以高于临床医生，那么对于那些临床医生不确定其性质，需要进行甲全切术确诊的患者，该人工智能技术显然是这些患者的福音。能够避免不必要的手术损伤，提高患者的生活质量。
26.3)现有“abcdef”诊断准则与皮肤镜的识别都存在一定的局限性，通常精于判断临床图像的医生和精于判断皮肤镜图像的医生并不是同一批人（一般会有专门看皮肤镜的医生），所以在临床实践中对于临床图像的识别和皮肤镜图像的识别并不能很好的取长补短。而该人工智能系统同时将临床图片、皮肤镜图像以及病史数据作为输入项，由统一的、具有较好专业性的决策者（人工智能）来提供最终的决策，更具科学性和合理性。
27.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。