开云优惠体育网页版入口

专利名称：一种三阴性乳腺癌淋巴结转移概率预测方法及系统

专利类型：实用新型专利

专利申请号：CN202410808631.X

专利申请（专利权）人：新疆医科大学第三附属医院
权利人地址：新疆维吾尔自治区乌鲁木齐市苏州东街789号

专利发明（设计）人：发明人:徐慧,麦尔哈巴·努尔麦麦提,朱益麟,管亚男,李玉增

专利摘要：本申请涉及乳腺疾病诊断技术领域，具体为一种三阴性乳腺癌淋巴结转移概率预测方法及系统。将多种评价指标进行融合的预测模型，将术前三阴性乳腺癌淋巴结转移的多个特征数据进行融合并通过列线图的形式进行指标所对应的分的计算，并通过线性计算得到最终的风险值，基于风险值进行预后风险判断和预后指导。本申请实施例提供的技术方案解决了现有技术中无法对术前风险进行评估和预测的缺陷。

主权利要求：
1.一种三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，所述方法包括：获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据；
基于预设置的评分模型对多个所述特征数据进行处理，得到多个所述特征数据的指标评分；
将所述指标评分输入至由所述特征数据构建的预测模型计算风险值；所述预测模型为列线图模型，所述风险值用于表征所述待诊断患者术前乳腺癌淋巴结的转移概率。
2.根据权利要求1所述的三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，所述目标区域影像为乳腺区域MRI影像。
3.根据权利要求2所述的三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，多个所述特征数据包括影像学特征组数据、肿瘤长径数据和脉管浸润数据。
4.根据权利要求3所述的三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，所述影像学特征组数据包括灰度共生矩阵均匀性数据、灰度共生矩阵逆差距数据、灰度区域大小矩阵大面积高灰度强调数据、灰度区域大小矩阵灰度不均匀性数据、灰度共生矩阵最大概率数据、球形度数据、灰度共生矩阵集群显著性数据、灰度区域大小矩阵高灰度区域强调数据、灰度共生矩阵相关性数据、灰度共生矩阵逆差分归一化数据、灰度共生矩阵相关性信息度量数据、灰度共生矩阵集群阴影数据。
5.根据权利要求4所述的三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，所述基于预设置的评分模型对多个所述特征数据进行处理，得到多个所述特征数据的指标评分，包括：获取所述乳腺区域MRI影像中肿瘤最大径位置以及脉管受侵位置，并基于所述肿瘤最大径位置以及脉管受侵位置的坐标轴进行定位，基于定位结果确定肿瘤长径数据和脉管浸润数据所对应的第一指标评分和第二指标评分；并获取所述影像学特征组数据所对应的第三指标评分。
6.根据权利要求5所述的三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，所述将所述指标评分输入至由所述特征数据构建的预测模型计算风险值，包括：将所述第一指标评分、所述第二指标评分和所述第三指标评分进行相加得到总得分，在所述总得分坐标轴进行定位，最后在总得分值横轴绘制垂直线对应到风险系数轴得到所述风险值。
7.根据权利要求6所述的三阴性乳腺癌淋巴结转移概率预测方法，其特征在于，所述获取所述影像学特征组数据所对应的第三指标评分，包括：获取所述影像学特征组数据中多个影像数据所对应的多个权重值，并将多个所述影像数据与多个所述权重值进行相乘得到对应的子得分，并将多个所述子得分进行加和得到所述第三指标评分。
8.一种三阴性乳腺癌淋巴结转移概率预测系统，其特征在于，所述系统包括：特征提取装置，用于获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据；
得分装置，用于对多个所述特征数据基于预设置的评分模型进行处理，得到多个所述特征数据的指标评分；
风险计算装置，用于将所述指标评分输入至由所述特征数据构建的预测模型计算风险值；所述预测模型为列线图模型，所述风险值用于表征所述待诊断患者术前乳腺癌淋巴结的转移概率。
9.根据权利要求8所述的三阴性乳腺癌淋巴结转移概率预测系统，其特征在于，所述风险计算装置包括：得分计算模块，用于计算多个所述特征数据所对应的总得分；
风险计算模块，用于基于所述总得分计算风险值。
10.根据权利要求9所述的三阴性乳腺癌淋巴结转移概率预测系统，其特征在于，所述得分计算模块包括：第一指标评分计算子模块，用于计算第一指标评分；
第二指标评分计算子模块，用于计算第二指标评分；
第三指标评分计算子模块，用于计算第三指标评分；
总得分计算子模块，用于将所述第一指标评分、所述第二指标评分和所述第三指标评分进行加和得到总得分。 说明书 : 一种三阴性乳腺癌淋巴结转移概率预测方法及系统技术领域[0001] 本申请涉及乳腺疾病诊断技术领域，具体为一种三阴性乳腺癌淋巴结转移概率预测方法及系统。背景技术[0002] 三阴性乳腺癌(triple?negativebreastcancer，TNBC)是指雌激素受体(ER)、孕激素受体(PR)、人表皮生长因子受体2(HER2)均为阴性表达的乳腺癌，发病率约占乳腺癌分子分型的15％。与乳腺癌其它亚型相比，TNBC具有肿块更大、侵袭性更强、腋窝淋巴结(ALN，Axillarylymphnode)更易转移、生存期短等特点。其中ALN状态是影响乳腺癌预后的重要因素，对于乳腺癌的个体化治疗至关重要。目前，临床上常用腋窝淋巴结清扫(ALND)和前哨淋巴结活检术(SLNB)等方法判断淋巴结状态，然而，这两种方法均属于有创检查，并可能引起上肢疼痛、淋巴水肿和感染等并发症。影像组学(radiomics)作为一种无创、准确的技术，可将医学图像转换为高维和可挖掘的数据，并通过多种计算机算法及统计学分析来获取肉眼无法辨别的信息，能够描述肿瘤在时间和空间上的异质性信息和代谢、血管、氧合和基因表达等病理信息。相比于其它影像学检查方法，MRI具有软组织分辨率高、多参数成像、无电离辐射等特点，基于MRI的影像组学也在乳腺癌诊断及预后领域备受关注。目前，对于乳腺MRI的影像组学研究多集中在肿瘤良恶性鉴别、预测受体表达及分子分型、评估淋巴结受累和新辅助化疗后的病理完全缓解等方面，尤其是在预测淋巴结状态方面已收获不少的研究开云优惠体育网页版入口，但是，在现有技术中较少有涉及预测TNBC腋窝淋巴结转移的影像组学研究。发明内容[0003] 为了解决现有技术中存在的技术空白，本申请实施例提供基于多参数MRI影像组学列线图术前预测三阴性乳腺癌淋巴结转移方法，将术前三阴性乳腺癌淋巴结转移的风险所涉及的多个特征数据进行融合并通过列线图的形式进行指标所对应的分的计算，并通过线性计算得到最终的风险值，基于风险值进行预后风险判断和预后指导。[0004] 为了达到上述目的，本申请实施例采用的技术方案如下：[0005] 第一方面，提供一种三阴性乳腺癌淋巴结转移概率预测方法，所述方法包括：获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据；基于预设置的评分模型对多个所述特征数据进行处理，得到多个所述特征数据的指标评分；将所述指标评分输入至由所述特征数据构建的预测模型计算风险值；所述预测模型为列线图模型，所述风险值用于表征所述待诊断患者术前乳腺癌淋巴结的转移概率。[0006] 进一步的，所述目标区域影像为乳腺区域MRI影像。[0007] 进一步的，多个所述特征数据包括影像学特征组数据、肿瘤长径数据和脉管浸润数据。[0008] 进一步的，所述影像学特征组数据包括灰度共生矩阵均匀性数据、灰度共生矩阵逆差距数据、灰度区域大小矩阵大面积高灰度强调数据、灰度区域大小矩阵灰度不均匀性数据、灰度共生矩阵最大概率数据、球形度数据、灰度共生矩阵集群显著性数据、灰度区域大小矩阵高灰度区域强调数据、灰度共生矩阵相关性数据、灰度共生矩阵逆差分归一化数据、灰度共生矩阵相关性信息度量数据、灰度共生矩阵集群阴影数据。[0009] 进一步的，所述基于预设置的评分模型对多个所述特征数据进行处理，得到多个所述特征数据的指标评分，包括：获取所述乳腺区域MRI影像中肿瘤最大径位置以及脉管受侵位置，并基于所述肿瘤最大径位置以及脉管受侵位置的坐标轴进行定位，基于定位结果确定肿瘤长径数据和脉管浸润数据所对应的第一指标评分和第二指标评分；并获取所述影像学特征组数据所对应的第三指标评分。[0010] 进一步的，所述将所述指标评分输入至由所述特征数据构建的预测模型计算风险值，包括：将所述第一指标评分、所述第二指标评分和所述第三指标评分进行相加得到总得分，在所述总得分坐标轴进行定位，最后在总得分值横轴绘制垂直线对应到风险系数轴得到所述风险值。[0011] 进一步的，所述获取所述影像学特征组数据所对应的第三指标评分，包括：获取所述影像学特征组数据中多个影像数据所对应的多个权重值，并将多个所述影像数据与多个所述权重值进行相乘得到对应的子得分，并将多个所述子得分进行加和得到所述第三指标评分。[0012] 第二方面，提供一种三阴性乳腺癌淋巴结转移概率预测系统，所述系统包括：特征提取装置，用于获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据；得分装置，用于对多个所述特征数据基于预设置的评分模型进行处理，得到多个所述特征数据的指标评分；风险计算装置，用于将所述指标评分输入至由所述特征数据构建的预测模型计算风险值；所述预测模型为列线图模型，所述风险值用于表征所述待诊断患者术前乳腺癌淋巴结的转移概率。[0013] 进一步的，所述风险计算装置包括：得分计算模块，用于计算多个所述特征数据所对应的总得分；风险计算模块，用于基于所述总得分计算风险值。[0014] 进一步的，所述得分计算模块包括：第一指标评分计算子模块，用于计算第一指标评分；第二指标评分计算子模块，用于计算第二指标评分；第三指标评分计算子模块，用于计算第三指标评分；总得分计算子模块，用于将所述第一指标评分、所述第二指标评分和所述第三指标评分进行加和得到总得分。[0015] 第三方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。[0016] 第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的方法。[0017] 本申请实施例提供的技术方案中，本申请实施例提供将多种评价指标进行融合的预测模型，将术前三阴性乳腺癌淋巴结转移的多个特征数据进行融合并通过列线图的形式进行指标所对应的分的计算，并通过线性计算得到最终的风险值，基于风险值进行预后风险判断和预后指导。本申请实施例提供的技术方案解决了现有技术中无法对术前风险进行评估和预测的缺陷。附图说明[0018] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0019] 附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。[0020] 图1是本申请实施例提供的三阴性乳腺癌淋巴结转移概率预测方法流程示意图。[0021] 图2是本申请实施例提供的三阴性乳腺癌淋巴结转移概率预测系统结构示意图。[0022] 图3是本申请实施例提供的终端设备结构示意图。[0023] 图4是本申请实施例提供的列线图模型示意图。[0024] 图5是LASSO算法对基于DCE?MRI联合DWI模型影像组学特征进行筛选结果图。[0025] 图6是4组模型训练集与验证集的ROC曲线图。[0026] 图7是4组模型训练集与验证集校正曲线图。[0027] 图8是4组模型训练集与验证集的DCA曲线图。具体实施方式[0028] 为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。[0029] 在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的：旧昵氲姆矫。[0030] 本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。[0031] 对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。[0032] (1)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。[0033] (2)基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。[0034] 参阅图1，在本申请实施例中，为了实现背景技术中技术效果，实现通过影像学特征进行术前三阴性乳腺癌淋巴结转移概率预测，提供一种转移概率预测方法，包括以下步骤：[0035] 步骤S110.获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据。[0036] 在本申请实施例中，对于患者目标区域影像为患者乳腺区域MRI图像，针对于多个特征数据包括影像学特征组数据、肿瘤长径数据和脉管浸润数据。[0037] 其中针对于影像学特征组数据为MRI图像所对应的图像形态特征，具体为灰度共生矩阵均匀性数据、灰度共生矩阵逆差距数据、灰度区域大小矩阵大面积高灰度强调数据、灰度区域大小矩阵灰度不均匀性数据、灰度共生矩阵最大概率数据、球形度数据、灰度共生矩阵集群显著性数据、灰度区域大小矩阵高灰度区域强调数据、灰度共生矩阵相关性数据、灰度共生矩阵逆差分归一化数据、灰度共生矩阵相关性信息度量数据、灰度共生矩阵集群阴影数据。[0038] 其中，针对于以上特征数据的获取通过图像学以及统计学技术进行实现，具体的首先对乳腺区域MRI图像依次进行图像采集、图像分割、特征提取、选择与模型构建和统计学分析。[0039] 具体的，针对于图像采集采用飞利浦3.0TMR设备，7通道乳腺专用线圈。检查体位为俯卧位，并使双侧乳腺对称自然悬于线圈洞穴内，扫描范围包括双侧乳腺及腋窝。扫描参数：①平扫：轴位FSET1WI、轴位T2WISPAIR(T2压脂)、矢状位T2WISPAIR(T2压脂)、轴位DWI。具体参数为：轴位T1WI：TR3000ms，TE110ms，层厚为4mm，层间距为1mm；轴位T2SPAIR：TR4200ms，TE120ms，层厚为4mm，层间距为0.5mm；矢状位T2SPAIR：TR4000ms，TE80ms，层厚4mm，层间距0.5mm；轴位DWI：采用EPI序列，b值取800s/mm2，TR6000ms，TE64ms；层厚4mm，层间距0.4mm。②动态增强扫描(DCE?MRI)：扫描前先扫一期蒙片，然后保持体位不变，采用轴位THRIVE序列，具体参数为：层厚3mm，层间距﹣1.5mm，TR4.5ms，TE1.4ms。[0040] 针对于上述过程采集到的图像采用飞利浦星云探索平台对DCE增强扫描后第一期图像与b值为800的DWI图像的全部肿瘤区域病灶逐层进行分割，在本申请实施例中针对于图像分割采用人工分割方式实现，当病变为多发病灶时选择病灶体积最大者，沿肿瘤内部边缘勾画感兴趣区，再由平台自动生成感兴趣体积，感兴趣区域即为分割图像。[0041] 而针对于特征数据的选择，在本申请实施例中根据分割图像后提取的组学特征采用一致性相关系数进行组间一致性分析，保留一致性较好(CCC>0.90)者。使用最小绝对收缩和选择算法回归算法对这些高维组学特征进行降维，筛选出与TNBC腋窝淋巴结转移状态高度相关的影像组学特征。利用Logistic回归分别构建基于DCE?MRI、DWI及DCE?MRI联合DWI的影像组学预测模型，通过单?多因素Logistic回归筛选出临床病理特征，经过筛选出的临床病理特征包括11个纹理特征和1个形态特征。其中纹理特征描述的是体素空间分布强度等级，其中灰度矩共生阵和灰度区尺寸矩阵可提供图像中不同灰度级的相对位置信息，对于区分淋巴结病理学状态也有一定的作用，而形态特征描述的是病变立体状态的形状和体积，球形度是本申请实施例中唯一的形态学特征，此数值越低则说明淋巴结越接近球形，越有可能发生转移。[0042] 在本申请实施例中，针对于影像学特征组数据中的多个特征筛选、模型构建及预测效能评估，通过从患者的DCE?MRI与DWI图像中共提取出2391个影像组学特征，其中DCE?MRI序列提取出1193个特征，DWI序列提取出1198个特征。经过LASSO回归算法分别筛选出基于DCE?MRI、DWI、DCE?MRI联合DWI序列5个、6个、12个特征并构建影像组学模型，其结果参阅图5，其中图5为通过LASSO算法对基于DCE?MRI联合DWI模型影像组学特征进行筛选结果图。具体的，针对于图5a为采用LASSO回归的特征选择结果，其中横坐标为1og，纵坐标为多项式偏差，通过调节不同的参数，使模型的二项式偏差最。佣秆∽钣盘卣鳎煌5b为筛选特征的特征系数收敛图，使用5倍交叉验证在所选择的值上绘制垂直线，垂直线对应筛选出具有非零系数的特征，共选出12个最佳特征。[0043] 通过单因素和多因素Logistic回归分析对120例TNBC患者临床病理特征(年龄、肿瘤最大径、组织学分级、Ki?67、组织学病理类型、脉管受侵及绝经情况)进行筛。ヒ蛩豅ogistic回归分析结果显示肿瘤最大径及脉管受侵状态差异有统计学意义(P＜0.05)，其结果在表1所示。[0044][0045] 表1.ALN阳性组与ALN阴性组患者临床病理资料单因素逻辑回归比较表[0046] 进一步纳入多因素Logistic回归分析结果表明，肿瘤最大径、脉管受侵情况与ALN转移存在显著相关性，其结果如表2所示。[0047][0048] 表2.ALN阳性组与ALN阴性组患者临床病理资料多因素逻辑回归比较比较表[0049] 将筛选出的临床病理特征纳入最优影像组学模型(DCE?MRI联合DWI模型)构建列线图模型，将列线图可视化。ROC结果示列线图预测ALN状态的AUC值分别为0.96,0.89，高于单一及联合影像组学模型，如图6所示，图6为4组模型训练集与验证集的ROC曲线图，其中图6a为训练集的ROC曲线图，图6b为验证集的ROC曲线图。校正曲线显示，参阅图7，列线图模型在评估训练集及验证集ALN状态与理想模型之间一致性较好(P＜0.05，其中图7a为训练集的校准曲线图，图7b为验证集的校准曲线图，其中横坐标为预测发生概率，纵坐标为实际发生概率。并参阅图8所示的决策曲线提示列线图模型的临床适用性较高，其中图8为4组模型训练集与验证集的DCA曲线图，其中图8a为训练集的DCA曲线图，图8b为验证集的DCA曲线图，其中横坐标表示阈值概率，纵坐标表示净获益。[0050] 步骤S120.基于预设置的评分模型对多个所述特征数据进行处理，得到多个所述特征数据的指标评分。[0051] 在本申请实施例中，针对于步骤S110获取到的多个特征数据为能够表达转移概率的图像学特征，而针对于通过上述图像学特征得到最终的转移概率在本申请实施例中需要获取多个特征数据所对应的得分以及最终特征的总得分，并基于最终的总得分进行概率值计算得到最终结果。[0052] 针对于特征数据的类型不同，其对于得分计算的方法也不同，具体的针对于肿瘤长径数据和脉管浸润数据通过获取乳腺区域MRI影像中肿瘤最大径位置以及脉管受侵位置，并基于所述肿瘤最大径位置以及脉管受侵位置的坐标轴进行定位，基于定位结果确定肿瘤长径数据和脉管浸润数据所对应的第一指标评分和第二指标评分。[0053] 而针对于影像学特征组数据则首先获取对应的特征数据，然后将对应的特征数据与其权重值进行相乘得到对应的子得分，将多个子得分进行加和得到第三指标评分，针对于第三指标评分所对应的权重值如表3所示。[0054][0055][0056] 表3.第三指标评分?权重表[0057] 基于多个指标评分以及其对应的权重值进行形成得到对应的多个子得分，然后将多个子得分进行加和得到最终的第三指标评分。[0058] 以上第三指标评分可基于下式所示：Rad?score＝16.16×exponential_glcm_HomogeneityDWI+7.464×exponential_glcm_InverseDifferenceMomentDWI－3.499×10?9log.sigma.3.0.mm.3D_glszm_HighIntensityLargeAreaEmphasisDWI+1.006×log.sigma.3.0.mm.3D_glszm_IntensityVariability+6.767×original_glcm_MaximumProbability－2.921×original_shape_Sphericity+1.618×10?4×square_glcm_ClusterProminenceDWI－1.645×10?6×square_glszm_HighIntensityLargeAreaEmphasisDWI+3.021×squareroot_glcm_Correlation－29.33×wavelet.HHH_glcm_InverseDifferenceNormalizedDWI+16.10×wavelet.HHH_glcm_InformationalMeasureofCorrelation1－4.002×wavelet.LHH_glcm_ClusterShade。[0059] 步骤S130.将所述指标评分输入至由所述特征数据构建的预测模型计算风险值。[0060] 其中，针对于步骤S120获取到的多个指标评分首先需要计算总得分。具体的，将第一指标评分、第二指标评分和第三指标评分进行加和得到最终的总得分。[0061] 在本申请实施例中针对于预测模型为列线图模型，其结构请参阅图3,通过将总得分基于列线图模型得到对应的概率得分，具体的在总分数值横轴绘制垂直线对应到风险系数轴，所对应的概率即为TNBC患者发生ALNM的概率。[0062] 参阅图2，提供一种三阴性乳腺癌淋巴结转移概率预测系统200，所述系统包括：[0063] 特征提取装置210，用于获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据；[0064] 得分装置220，用于对多个所述特征数据基于预设置的评分模型进行处理，得到多个所述特征数据的指标评分；[0065] 风险计算装置230，用于将所述指标评分输入至由所述特征数据构建的预测模型计算风险值。[0066] 在本申请实施例中，针对于预测模型为列线图模型，所述风险值用于表征所述待诊断患者术前乳腺癌淋巴结的转移概率。[0067] 其中，针对于风险计算装置包括：得分计算模块，用于计算多个所述特征数据所对应的总得分；风险计算模块，用于基于所述总得分计算风险值。[0068] 具体的，针对于得分计算模块包括：第一指标评分计算子模块，用于计算第一指标评分；第二指标评分计算子模块，用于计算第二指标评分；第三指标评分计算子模块，用于计算第三指标评分；总得分计算子模块，用于将所述第一指标评分、所述第二指标评分和所述第三指标评分进行加和得到总得分。[0069] 参阅图3，还可以将上述方法集成于提供的终端设备300中，针对于设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器301和存储器302，存储器302中可以存储有一个或一个以上存储应用程序或数据。其中，存储器302可以是短暂存储或持久存储。存储在存储器302的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括终端设备中的一系列计算机可执行指令。更进一步地，处理器301可以设置为与存储器302通信，终端设备上执行存储器302中的一系列计算机可执行指令。终端测设备还可以包括一个或一个以上电源303，一个或一个以上有线或无线网络接口304，一个或一个以上输入/输出接口305，一个或一个以上键盘306等。[0070] 在一个具体的实施例中，终端设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对终端设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：[0071] 获取待诊断患者目标区域影像，并获取所述目标区域影像的多个特征数据；[0072] 基于预设置的评分模型对多个所述特征数据进行处理，得到多个所述特征数据的指标评分；[0073] 将所述指标评分输入至由所述特征数据构建的预测模型计算风险值。[0074] 下面对处理器的各个构成部件进行具体的介绍：[0075] 其中，在本实施例中，处理器是特定集成电路(applicationspecificintegratedcircuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器(digitalsignalprocessor，DSP)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，FPGA)。[0076] 可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行各种功能，例如执行上述图1所示的方法。[0077] 在具体的实现中，作为一种实施例，处理器可以包括一个或多个微处理器。[0078] 其中，所述存储器用于存储执行本申请方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。[0079] 可选地，存储器可以是只读存储器(read?onlymemory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread?onlymemory，EEPROM)、只读光盘(compactdiscread?onlymemory，CD?ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过处理器的接口电路与处理单元进行耦合，本申请实施例对此不作具体限定。[0080] 需要说明的是，在本实施例中示出的处理器的结构并不构成对该装置的限定，实际的装置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。[0081] 此外，处理器的技术效果可以参考上述方法实施例所述的方法的技术效果，此处不再赘述。[0082] 应理解，在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，DSP)、专用集成电路(applicationspecificintegratedcircuit，ASIC)、现成可编程门阵列(fieldprogrammablegatearray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0083] 还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read?onlymemory，ROM)、可编程只读存储器(programmableROM，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(randomaccessmemory，RAM)可用，例如静态随机存取存储器(staticRAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(doubledatarateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(directrambusRAM，DRRAM)。[0084] 上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。[0085] 本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a?b,a?c,b?c,或a?b?c，其中a,b,c可以是单个，也可以是多个。[0086] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。[0087] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0088] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0089] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0090] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0091] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0092] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read?onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。[0093] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

专利地区：新疆

专利申请日期：2024-06-21

专利公开日期：2024-10-08

专利公告号：CN118748087A