肿瘤用药方案生成方法、装置、设备及存储介质与流程

1.本技术涉及医疗技术领域，尤其一种肿瘤用药方案生成方法、装置、设备及存储介质。


背景技术：

2.现今，影像学技术迅速发展，医生们可以观测到体内肿瘤的大小，以及根据活检来确定肿瘤的恶性程度，再依据多年的行医经验来下医嘱，确定药物的种类和剂量等。即对待分析对象的用药全凭医生的行医经验，但是医生的行医经验有好有差，无法针对待分析对象的实际患病情况精准用药。
3.上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本技术的主要目的在于提供一种肿瘤用药方案生成方法、装置、设备及存储介质，旨在解决现有的肿瘤治疗用药全凭医生的行医经验，无法精准用药的技术问题。
5.为实现上述目的，本技术提供一种肿瘤用药方案生成方法，包括：
6.构建肿瘤病灶分析模型和肿瘤病灶处理模型；
7.获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告；
8.获取所述病理图像中肿瘤病灶区域的纹理特征，以及所述病理报告中的病理分析特征；
9.将所述纹理特征和所述病理分析特征输入至所述肿瘤病灶分析模型中进行计算分析，得到所述待分析对象的分析结果；
10.将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案。
11.可选地，所述构建肿瘤病灶分析模型和肿瘤病灶处理模型的步骤，包括：
12.搭建肿瘤病灶分析预设基础模型和肿瘤病灶处理预设基础模型；
13.对所述肿瘤病灶分析预设基础模型进行迭代训练优化，得到所述肿瘤病灶分析模型；
14.对所述肿瘤病灶处理预设基础模型进行迭代训练优化，得到所述肿瘤病灶处理模型。
15.可选地，所述对所述肿瘤病灶分析预设基础模型进行迭代训练优化，得到所述肿瘤病灶分析模型的步骤，包括：
16.建立样本数据库，其中，所述样本数据库中包括若干组相关联的纹理特征和病理分析特征；
17.对所述样本数据库进行划分，得到训练集和测试集；
18.利用所述测试集对所述肿瘤病灶分析预设基础模型进行训练，得到肿瘤病灶分析
训练模型；
19.将所述测试集中的测试数据输入至所述肿瘤病灶分析训练模型中，基于所述肿瘤病灶分析训练模型对所述测试数据进行分析处理，得到对应的训练分析结果；
20.将所述训练分析结果与预设的真实分析结果进行比对，得到比对结果；
21.基于所述比对结果对所述肿瘤病灶分析预设基础模型进行参数调整，并确定是否满足预设训练完成条件，若不满足，则返回对所述样本数据库进行划分，得到训练集和测试集的步骤，直至到达预设训练完成条件，得到肿瘤病灶分析模型。
22.可选地，所述比对结果包括全匹配和不匹配，所述基于所述比对结果对所述肿瘤病灶分析预设基础模型进行参数调整的步骤，包括：
23.统计比对结果为全匹配的比对结果数量，计算该数量占比对结果总数量的百分比值，作为第一比值；
24.统计必对结果为不匹配的比对结果数量，计算该数量占比对结果总数量的百分比值，作为第二比值；
25.根据所述第一比值确定奖励因子，以及根据所述第二比值，确定惩罚因子；
26.基于所述奖励因子与惩罚因子对所述肿瘤病灶分析预设基础模型进行参数调整。
27.可选地，所述对所述肿瘤病灶处理预设基础模型进行迭代训练优化，得到所述肿瘤病灶处理模型的步骤，包括：
28.建立样本数据库；
29.对所述样本数据库进行划分，得到训练集和测试集；
30.利用所述测试集对所述肿瘤病灶处理预设基础模型进行训练，得到肿瘤病灶处理训练模型；
31.将所述测试集中的测试数据输入至所述肿瘤病灶处理训练模型中，基于所述肿瘤病灶处理训练模型对所述测试数据进行分析，得到对应的处理方案；
32.将所述处理方案与预设的真实处理方案进行比对，得到比对结果；
33.基于所述比对结果对所述肿瘤病灶处理训练模型进行参数调整，并确定是否满足预设训练完成条件，若不满足，则返回对所述样本数据库进行划分，得到训练集和测试集的步骤，直至到达预设训练完成条件，得到肿瘤病灶处理模型。
34.可选地，所述获取所述病理图像中肿瘤病灶区域的纹理特征的步骤，包括：
35.对所述病理图像中的肿瘤病灶区域进行判断并分割，得到肿瘤病灶区域；
36.对所述肿瘤病灶区域进行纹理特征提取，得到所述纹理特征。
37.可选地，所述获取所述病理报告中的病理分析特征的步骤，包括：
38.提取所述病理报告中的关键信息；
39.根据所述关键信息生成所述病理分析特征；
40.其中，所述关键信息包括下列信息中的至少一项：
41.病理分期、肿瘤尺寸、分化程度、浸润深度、免疫组化结果和淋巴结转移程度。
42.此外，为实现上述目的，本技术还提供一种肿瘤用药方案生成装置，包括：
43.模型构建模块，用于构建肿瘤病灶分析模型和肿瘤病灶处理模型；
44.数据获取模块，用于获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告；
45.特征提取模块，用于获取所述病理图像中肿瘤病灶区域的纹理特征，以及所述病理报告中的病理分析特征；
46.肿瘤病灶分析模块，用于将所述纹理特征和所述病理分析特征输入至所述肿瘤病灶分析模型中进行计算分析，得到所述待分析对象的分析结果；
47.肿瘤病灶处理模块，用于将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案。
48.此外，为实现上述目的，本技术还提供一种肿瘤用药方案生成设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的肿瘤用药方案生成程序，所述肿瘤用药方案生成程序被所述处理器执行时实现如上所述的肿瘤用药方案生成方法的步骤。
49.此外，为实现上述目的，本技术还提供一种存储介质，所述存储介质上存储有肿瘤用药方案生成程序，所述肿瘤用药方案生成程序被处理器执行时实现如上所述的肿瘤用药方案生成方法的步骤。
50.本技术公开了一种肿瘤用药方案生成方法、装置、设备及存储介质，与现有技术中，肿瘤治疗用药全凭医生的行医经验，无法精准用药相比，本技术通过构建肿瘤病灶分析模型和肿瘤病灶处理模型；获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告；获取所述病理图像中肿瘤病灶区域的纹理特征，以及所述病理报告中的病理分析特征；将所述纹理特征和所述病理分析特征输入至所述肿瘤病灶分析模型中进行计算分析，得到所述待分析对象的分析结果；将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案，实现了对待分析对象的精准用药。
附图说明
51.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
52.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
53.图1为本技术肿瘤用药方案生成方法第一实施例的流程示意图；
54.图2为本技术肿瘤用药方案生成装置第一实施例的功能模块示意图；
55.图3为本技术实施例方案涉及的硬件运行环境的结构示意图。
56.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
57.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.本技术实施例提供一种肿瘤用药方案生成方法，参照图1，图1为本技术肿瘤用药方案生成方法第一实施例的流程示意图。
59.需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。所述肿瘤用药方案生成方法可以应用于各医疗机构。为了便于描述，以下省略执行主体描述虚拟角色养成方法的各个步骤。
60.所述肿瘤用药方案生成方法包括：
61.步骤s10、构建肿瘤病灶分析模型和肿瘤病灶处理模型。
62.在本实施例中，由于肿瘤的种类包括肝癌、肺癌、胃癌等多个肿瘤，每一种类的肿瘤均有其对应的肿瘤病灶分析模型，例如肝癌诊断模型、肺癌诊断模型、胃癌诊断模型等。
63.进一步地，构建肿瘤病灶分析模型的步骤，具体包括：
64.步骤s101、搭建肿瘤病灶分析预设基础模型；
65.步骤s102、对所述肿瘤病灶分析预设基础模型进行迭代训练优化，得到所述肿瘤病灶分析模型。
66.其中，所述对所述肿瘤病灶分析预设基础模型进行迭代训练优化，得到所述肿瘤病灶分析模型的步骤，具体包括：
67.步骤s1021、建立样本数据库，其中，所述样本数据库中包括若干组相关联的纹理特征和病理分析特征。
68.在本实施例中，由于每一种类的肿瘤均有其对应的肿瘤病灶分析模型，故在建立样本数据库时，要根据构建的肿瘤病灶分析模型来进行样本数据库的建立。例如，构建肝癌诊断模型时，样本数据库中包括的若干组相关联的纹理特征和病理分析特征是从肝癌待分析对象的病理图像，以及与所述病理图像相对应的病理报告中提取得到的。
69.步骤s1022、对所述样本数据库进行划分，得到训练集和测试集。
70.在本实施例中，对所述样本数据库进行划分的比例不做具体的限定，只需遵循训练集的数据量是测试集的数据量的三倍及以上。例如，可以将样本数据库按照9:1的比例进行划分，即训练集占样本数据库的十分之九，测试集占样本数据库的十分之一；也可以将样本数据库按照8:2的比例进行划分，即训练集占样本数据库的五分之四，测试集占样本数据库的五分之一。
71.步骤s1023、利用所述测试集对所述肿瘤病灶分析预设基础模型进行训练，得到肿瘤病灶分析训练模型。
72.步骤s1024、将所述测试集中的测试数据输入至所述肿瘤病灶分析训练模型中，基于所述肿瘤病灶分析训练模型对所述测试数据进行分析处理，得到对应的训练分析结果。
73.步骤s1025、将所述训练分析结果与预设的真实分析结果进行比对，得到比对结果。
74.在本实施例中，分析结果包括两部分，其中一部分是肿瘤种类，例如，肝癌、肺癌、胃癌等；另一部分是肿瘤分期，例如，良性、恶性早期、恶性中期以及恶性晚期。当训练分析结果中的肿瘤种类和肿瘤分期这两部分均与预设的真实分析结果中的肿瘤种类和肿瘤分期相同，则比对结果为全匹配，反之，则比对结果为不匹配。需要说明的是，预设的真实分析结果由三位及以上的专家根据纹理特征和病理分析特征判断得到。
75.步骤s1026、基于所述比对结果对所述肿瘤病灶分析预设基础模型进行参数调整，并确定是否满足预设训练完成条件，若不满足，则返回对所述样本数据库进行划分，得到训练集和测试集的步骤，直至到达预设训练完成条件，得到肿瘤病灶分析模型。
76.在本实施例中，基于所述比对结果对所述肿瘤病灶分析预设基础模型进行参数调整的步骤可以为：
77.统计比对结果为全匹配的比对结果数量，计算该数量占比对结果总数量的百分比
值，作为第一比值；
78.统计必对结果为不匹配的比对结果数量，计算该数量占比对结果总数量的百分比值，作为第二比值；
79.根据所述第一比值确定奖励因子，以及根据所述第二比值，确定惩罚因子；
80.基于所述奖励因子与惩罚因子对所述肿瘤病灶分析预设基础模型进行参数调整。
81.在本实施例中，基于所述奖励因子与惩罚因子对所述肿瘤病灶分析预设基础模型进行参数调整，可以为将所述奖励因子和惩罚因子作为权重值，对所述肿瘤病灶分析预设基础模型中的各个参数进行权重计算，得到新的参数值。
82.在本实施例中，所述预设训练完成条件可以为第一比值大于或等于预设比值或者迭代训练优化次数到达预设的迭代次数，其中，预设比值和迭代次数可以根据实际应用的情况进行确定，在本实施例中不作具体限定。
83.进一步地，构建肿瘤病灶处理模型的步骤，具体包括：
84.步骤s103、搭建肿瘤病灶处理预设基础模型；
85.步骤s104、对所述肿瘤病灶处理预设基础模型进行迭代训练优化，得到所述肿瘤病灶处理模型。
86.其中，所述对所述肿瘤病灶处理预设基础模型进行迭代训练优化，得到所述肿瘤病灶处理模型的步骤，具体包括：
87.步骤s1041、建立样本数据库。
88.在本实施例中，基于待分析对象的肿瘤类型以及待分析对象的基本信息确定肿瘤用药方案。其中，待分析对象的基本信息包括待分析对象的性别、年龄以及体重，肿瘤类型包括肿瘤种类和肿瘤种类。生成性别、年龄、体重、肿瘤种类和肿瘤种类分被相对应的特征向量，然后将各特征向量进行组合得到融合特征，即每一位待分析对象都有其对应的融合特征。所述融合特征即为样本数据，由此建立样本数据库。
89.步骤s1042、对所述样本数据库进行划分，得到训练集和测试集。
90.在本实施例中，对所述样本数据库进行划分的比例不做具体的限定，只需遵循训练集的数据量是测试集的数据量的三倍及以上。例如，可以将样本数据库按照9:1的比例进行划分，即训练集占样本数据库的十分之九，测试集占样本数据库的十分之一；也可以将样本数据库按照8:2的比例进行划分，即训练集占样本数据库的五分之四，测试集占样本数据库的五分之一。
91.步骤s1043、利用所述测试集对所述肿瘤病灶处理预设基础模型进行训练，得到肿瘤病灶处理训练模型。
92.步骤s1044、将所述测试集中的测试数据输入至所述肿瘤病灶处理训练模型中，基于所述肿瘤病灶处理训练模型对所述测试数据进行分析，得到对应的处理方案。
93.步骤s1045、将所述处理方案与预设的真实处理方案进行比对，得到比对结果。
94.需要说明的是，无论是处理方案还是真实处理方案中均包括药的种类以及每一种药的剂量。在本实施例中，将所述处理方案与预设的真实处理方案进行比对的步骤可以为：遍历处理方案中的每一种药及其对应的剂量；若药的种类与其对应的剂量均与真实处理方案中的相符合，则该种药的符合值记为1，若药的种类与真实处理方案中的相符合但其对应的剂量不相符合，则该种药的符合值记为0.5，若药的种类未在真实处理方案中出现，则该
种药的符合值记为0，若药的种类在真实处理方案中出现但未在处理方案中出现，则该种药的符合值也记为0；计算每一种药的符合值相加得到的和与总符合值的比值，得到比对结果。其中，总符合值代表的是处理方案中的每一种药及其对应的剂量均与真实处理方案中的每一种药及其对应的剂量相符合，即可以理解为总符合值等于真实处理方案中的药种类的数量。
95.步骤s1046、基于所述比对结果对所述肿瘤病灶处理训练模型进行参数调整，并确定是否满足预设训练完成条件，若不满足，则返回对所述样本数据库进行划分，得到训练集和测试集的步骤，直至到达预设训练完成条件，得到肿瘤病灶处理模型。
96.在本实施例中，所述预设训练完成条件可以为迭代训练优化次数到达预设的迭代次数，其中，迭代次数可以根据实际应用的情况进行确定，在本实施例中不作具体限定。
97.步骤s20、获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告。
98.需要说明的是，病理图像的具体类型在本实施例中不具体限定。例如，病理图像可以为ct(computed tomography，电子计算机断层扫描)影像图、超声影像图或mr(magnetic resonance，磁共振)影像图等。
99.在本实施例中，所有待分析对象的病理图像以及与所述病理图像相对应的病理报告均存储于专设的存储服务平台中，且病理图像与所述病理图像相对应的病理报告是关联的，获取到了病理图像即可获取到病理报告。
100.所述获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告的步骤，具体包括：
101.服务器(各医疗机构医生所使用的电脑)发送加密指令至存储服务平台；
102.存储服务平台接收所述加密指令，并对所述加密指令进行解密，得到图像请求指令；
103.存储服务平台根据图像请求指令，筛选得到所述图像请求指令指定的待分析对象的病理图像以及与所述病理图像相对应的病理报告，并进行加密，生成加密数据包；
104.存储服务平台将所述加密数据包传输至相对应的服务器；
105.服务器接收所述加密数据包，对其进行解密，得到待分析对象的病理图像以及与所述病理图像相对应的病理报告。
106.其中，不同医疗机构所使用发服务器与存储服务平台之间有着单独的加密算法，因此，各医疗机构只能获取自身待分析对象的病理图像以及与所述病理图像相对应的病理报告，保证了待分析对象信息的隐私。同时，待分析对象进行转院治疗时，无需在进行重复的检查，既省了待分析对象检查成本和时间，也便于尽快治疗。
107.步骤s30、获取所述病理图像中肿瘤病灶区域的纹理特征，以及所述病理报告中的病理分析特征。
108.进一步地，所述获取所述病理图像中肿瘤病灶区域的纹理特征的步骤，具体包括：
109.步骤s301、对所述病理图像中的肿瘤病灶区域进行判断并分割，得到肿瘤病灶区域。
110.在本实施例中，采用基于深度学习的分割网络对病理图像进行肿瘤病灶区域分割处理，该深度学习的分割网络的具体网络架构可以预先配置，本实施例不具体限定。例如，该深度学习的分割网络可以包括多种深度卷积网络架构，例如linknet系列、vgg-16系列、
resnet系列和xception系列等。
111.其中，在训练该分割网络时，首先需获取各训练样本数据，每个样本数据中包括样本病理图像、以及样本病理图像对应的真实肿瘤病灶区域分割结果；然后将样本病理图像输入至初始分割网络并输出预测肿瘤病灶区域分割结果；接下来，基于预测肿瘤病灶区域分割结果和真实肿瘤病灶区域分割结果计算损失函数的值，并基于损失函数的值使用反向传播算法计算初始分割网络中各个参数的梯度；最后使用梯度更新初始分割网络中的各个参数，直至计算得到的交叉熵损失函数收敛，结束对初始分割网络的迭代优化，得到分割网络。
112.步骤s302、对所述肿瘤病灶区域进行纹理特征提取，得到所述纹理特征。
113.其中，病理图像中包括的各细胞中可能存在肿瘤细胞，此时可以将病理图像中肿瘤细胞所在的区域称之为肿瘤病灶区域。
114.需要说明的是，对病理图像中肿瘤病灶区域进行纹理特征提取的方式可以预先配置，本实施例中不具体限定。例如，可以采用glcm(grey-levelco-occurrence matrix，灰度共生矩阵)方法、或lbp(local binary pattern，局部二值化)方法等。可选的，可以采用lbp方法进行纹理特征提取，该方法是通过比较一个像素点与周围8个像素值之间的大小，得到一个8bit(比特)的二值化编码，然后将该二值化编码转化为0～255的整数，此时该整数即为lbp图中该像素的值，最后将lbp图像进行直方图转换，从而得到lbph(local binary patterns histograms，lbp特征的统计直方图)的纹理特征向量。
115.在本实施例中，在对纹理特征进行提取之前，使用了基于深度学习的分割网络来确定肿瘤病灶区域在病理图像中的位置，能够精确地检测肿瘤病灶区域的位置，有效的减少了肿瘤病灶区域的遗漏。
116.进一步地，对所述肿瘤病灶区域进行纹理特征提取，得到所述纹理特征的步骤，具体包括：
117.对所述肿瘤病灶区域进行预处理；
118.对预处理后的肿瘤病灶区域进行纹理特征提取，得到所述纹理特征；
119.其中，预处理包括去除面积小于设定值的肿瘤病灶区域、平滑处理或提升清晰度处理中的至少一项。
120.其中，对所述肿瘤病灶区域进行去除面积小于设定值的肿瘤病灶区域，可以减少后续待处理的数据量；对所述肿瘤病灶区域进行平滑处理或提升清晰度处理，可以提高纹理特征提取的准确性。
121.进一步地，所述获取所述病理报告中的病理分析特征的步骤，具体包括：
122.步骤s303、提取所述病理报告中的关键信息；
123.步骤s304、根据所述关键信息生成所述病理分析特征；
124.其中，所述关键信息包括下列信息中的至少一项：
125.病理分期、肿瘤尺寸、分化程度、浸润深度、免疫组化结果和淋巴结转移程度。
126.需要说明的是，根据关键信息生成病理分析特征的方式本技术实施例不具体限定。例如，可以生成每一种关键信息对应的特征向量，然后将各种关键信息对应的特征向量进行组合，得到病理分析特征。
127.步骤s40、将所述纹理特征和所述病理分析特征输入至所述肿瘤病灶分析模型中
进行计算分析，得到所述待分析对象的分析结果。
128.在本实施例中，由于病理分析特征是基于病理报告中的关键信息生成的，而关键信息与待分析对象的肿瘤类型的确定有着密切的关系，进而在根据纹理特征以及病理分析特征，得到病理图像对应的待分析对象的分析结果时，可以有效的提高待分析对象的分析结果的准确性。
129.步骤s50、将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案。
130.进一步地，将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案的步骤，包括：
131.生成性别、年龄、体重、肿瘤种类和肿瘤分期分别相对应的特征向量；
132.将所述特征向量进行组合得到融合特征；
133.将所述融合特征输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案。
134.在本实施例中，药物对肿瘤的作用除了与肿瘤自身性质相关外，还与待分析对象的性别、年龄以及体重相关，进而根据肿瘤类型以及待分析对象的基本信息，得到待分析对象相应的处理方案，可以提高肿瘤用药的精准性。
135.与现有技术中，肿瘤治疗用药全凭医生的行医经验，无法精准用药相比，本技术通过构建肿瘤病灶分析模型和肿瘤病灶处理模型；获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告；获取所述病理图像中肿瘤病灶区域的纹理特征，以及所述病理报告中的病理分析特征；将所述纹理特征和所述病理分析特征输入至所述肿瘤病灶分析模型中进行计算分析，得到所述待分析对象的分析结果；将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案，实现了对待分析对象的精准用药。
136.此外，本技术实施例还提供一种肿瘤用药方案生成装置，参照图2，图2为本技术肿瘤用药方案生成装置第一实施例的功能模块示意图。
137.本实施例中，所述装置包括：
138.模型构建模块10，用于构建肿瘤病灶分析模型和肿瘤病灶处理模型；
139.数据获取模块20，用于获取待分析对象的病理图像，以及与所述病理图像相对应的病理报告；
140.特征提取模块30，用于获取所述病理图像中肿瘤病灶区域的纹理特征，以及所述病理报告中的病理分析特征；
141.肿瘤病灶分析模块40，用于将所述纹理特征和所述病理分析特征输入至所述肿瘤病灶分析模型中进行计算分析，得到所述待分析对象的分析结果；
142.肿瘤病灶处理模块50，用于将所述分析结果以及待分析对象的基本信息输入至所述肿瘤病灶处理模型中进行计算分析，得到所述待分析对象相应的处理方案。
143.可选地，所述模型构建模块包括：
144.第一基础模型搭建单元，用于搭建肿瘤病灶分析预设基础模型；
145.第二基础模型搭建单元，用于搭建肿瘤病灶处理预设基础模型；
146.第一训练单元，用于对所述肿瘤病灶分析预设基础模型进行迭代训练优化，得到
所述肿瘤病灶分析模型；
147.第二训练单元，用于对所述肿瘤病灶处理预设基础模型进行迭代训练优化，得到所述肿瘤病灶处理模型。
148.可选地，所述第一训练单元用于实现：
149.建立样本数据库，其中，所述样本数据库中包括若干组相关联的纹理特征和病理分析特征；
150.对所述样本数据库进行划分，得到训练集和测试集；
151.利用所述测试集对所述肿瘤病灶分析预设基础模型进行训练，得到肿瘤病灶分析训练模型；
152.将所述测试集中的测试数据输入至所述肿瘤病灶分析训练模型中，基于所述肿瘤病灶分析训练模型对所述测试数据进行分析处理，得到对应的训练分析结果；
153.将所述训练分析结果与预设的真实分析结果进行比对，得到比对结果；
154.基于所述比对结果对所述肿瘤病灶分析预设基础模型进行参数调整，并确定是否满足预设训练完成条件，若不满足，则返回对所述样本数据库进行划分，得到训练集和测试集的步骤，直至到达预设训练完成条件，得到肿瘤病灶分析模型。
155.可选地，所述比对结果包括全匹配和不匹配，所述基于所述比对结果对所述肿瘤病灶分析预设基础模型进行参数调整包括：
156.统计比对结果为全匹配的比对结果数量，计算该数量占比对结果总数量的百分比值，作为第一比值；
157.统计必对结果为不匹配的比对结果数量，计算该数量占比对结果总数量的百分比值，作为第二比值；
158.根据所述第一比值确定奖励因子，以及根据所述第二比值，确定惩罚因子；
159.基于所述奖励因子与惩罚因子对所述肿瘤病灶分析预设基础模型进行参数调整。
160.可选地，所述第二训练单元用于实现：
161.建立样本数据库；
162.对所述样本数据库进行划分，得到训练集和测试集；
163.利用所述测试集对所述肿瘤病灶处理预设基础模型进行训练，得到肿瘤病灶处理训练模型；
164.将所述测试集中的测试数据输入至所述肿瘤病灶处理训练模型中，基于所述肿瘤病灶处理训练模型对所述测试数据进行分析，得到对应的处理方案；
165.将所述处理方案与预设的真实处理方案进行比对，得到比对结果；
166.基于所述比对结果对所述肿瘤病灶处理训练模型进行参数调整，并确定是否满足预设训练完成条件，若不满足，则返回对所述样本数据库进行划分，得到训练集和测试集的步骤，直至到达预设训练完成条件，得到肿瘤病灶处理模型。
167.可选地，特征提取模块用于实现：
168.对所述病理图像中的肿瘤病灶区域进行判断并分割，得到肿瘤病灶区域；
169.对所述肿瘤病灶区域进行纹理特征提取，得到所述纹理特征；
170.以及，提取所述病理报告中的关键信息；
171.根据所述关键信息生成所述病理分析特征；
172.其中，所述关键信息包括下列信息中的至少一项：
173.病理分期、肿瘤尺寸、分化程度、浸润深度、免疫组化结果和淋巴结转移程度。
174.本技术肿瘤用药方案生成装置具体实施方式与上述肿瘤用药方案生成方法各实施例基本相同，在此不再赘述。
175.此外，本技术实施例还提供一种肿瘤用药方案生成设备，如图3所示，图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
176.如图3所示，该肿瘤用药方案生成设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
177.可选地，肿瘤用药方案生成设备还可以包括rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。
178.本领域技术人员可以理解，图3中示出的肿瘤用药方案生成设备结构并不构成对肿瘤用药方案生成设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
179.如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及肿瘤用药方案生成程序。其中，操作系统是管理和控制肿瘤用药方案生成设备硬件和软件资源的程序，支持肿瘤用药方案生成程序以及其它软件或程序的运行。
180.在图3所示的肿瘤用药方案生成设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的请求；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的肿瘤用药方案生成程序，并执行如上所述的肿瘤用药方案生成方法的步骤。
181.本技术肿瘤用药方案生成设备具体实施方式与上述肿瘤用药方案生成方法各实施例基本相同，在此不再赘述。
182.此外，本技术实施例还提出一种存储介质，所述存储介质上存储有肿瘤用药方案生成程序，所述肿瘤用药方案生成程序被处理器执行时实现如上所述的肿瘤用药方案生成的步骤。
183.本技术存储介质具体实施方式与上述肿瘤用药方案生成各实施例基本相同，在此不再赘述。
184.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
185.本技术实施例序号仅仅为了描述，不代表实施例的优劣。
186.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本技术各个实施例所述的方法。
187.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。