本發(fā)明涉及人工智能的，特別涉及一種胃癌化療效益預(yù)測分析方法及系統(tǒng)。

背景技術(shù)：

1、胃癌作為一種常見的消化系統(tǒng)惡性腫瘤，其治療效果和預(yù)后直接關(guān)系到患者的生存質(zhì)量和壽命?；熥鳛槲赴┲委煹闹匾侄沃?，其治療方案的選擇和療效預(yù)測對臨床決策具有重要的指導(dǎo)意義。隨著精準(zhǔn)醫(yī)療理念的不斷發(fā)展，如何準(zhǔn)確評估和預(yù)測胃癌患者的化療效益，實現(xiàn)個體化治療方案的制定，成為了當(dāng)前研究的重點課題之一。然而，現(xiàn)有的化療效益預(yù)測方法往往過于依賴單一維度的臨床數(shù)據(jù)，如僅考慮影像學(xué)特征或基礎(chǔ)生化指標(biāo)，而忽視了患者在治療過程中的動態(tài)變化特征以及多維度數(shù)據(jù)之間的關(guān)聯(lián)性。這種片面的評估方法容易導(dǎo)致預(yù)測結(jié)果的準(zhǔn)確性不足，難以為臨床醫(yī)生提供全面且可靠的決策支持。同時，由于缺乏對患者治療過程中各項指標(biāo)的動態(tài)監(jiān)測和趨勢分析，也使得現(xiàn)有預(yù)測方法難以及時調(diào)整治療方案，影響治療效果的優(yōu)化和提升。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的為提供一種胃癌化療效益預(yù)測分析方法及系統(tǒng)，能夠提高了效益預(yù)測的數(shù)據(jù)基礎(chǔ)完整性，為后續(xù)分析提供了更可靠的數(shù)據(jù)支撐。

2、為實現(xiàn)上述目的，本發(fā)明提供一種胃癌化療效益預(yù)測分析方法，包括：

3、獲取方案目標(biāo)的臨床化療指標(biāo)數(shù)據(jù)、影像學(xué)數(shù)據(jù)和基礎(chǔ)指標(biāo)數(shù)據(jù)，并進(jìn)行標(biāo)準(zhǔn)整合處理，得到臨床整合數(shù)據(jù)集；

4、對所述臨床整合數(shù)據(jù)集進(jìn)行影像結(jié)構(gòu)和基礎(chǔ)目標(biāo)提取，得到影像結(jié)構(gòu)化特征向量和目標(biāo)特征數(shù)據(jù)；

5、獲取化療方案的知識圖譜數(shù)據(jù)，將所述知識圖譜數(shù)據(jù)與所述目標(biāo)特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到對應(yīng)的初始方案組；

6、獲取所述患者的動態(tài)監(jiān)測數(shù)據(jù)，依據(jù)所述動態(tài)監(jiān)測數(shù)據(jù)對所述臨床整合數(shù)據(jù)集進(jìn)行趨勢預(yù)測，得到對應(yīng)的動態(tài)趨勢信息；

7、對所述影像結(jié)構(gòu)化特征向量、所述目標(biāo)特征數(shù)據(jù)、所述動態(tài)監(jiān)測數(shù)據(jù)和所述動態(tài)趨勢信息輸入預(yù)設(shè)的四因素聯(lián)合預(yù)測模型進(jìn)行效果趨勢預(yù)測，得到對應(yīng)的效益預(yù)測結(jié)果；

8、將所述初始方案組與所述效益預(yù)測結(jié)果進(jìn)行整體分析，得到對應(yīng)的整體效益信息報告。

9、進(jìn)一步地，所述獲取方案目標(biāo)的臨床化療指標(biāo)數(shù)據(jù)、影像學(xué)數(shù)據(jù)和基礎(chǔ)指標(biāo)數(shù)據(jù)，并進(jìn)行標(biāo)準(zhǔn)整合處理，得到臨床整合數(shù)據(jù)集，包括：

10、對獲取的所述臨床化療指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)矩陣轉(zhuǎn)換，得到對應(yīng)的臨床指標(biāo)數(shù)據(jù)矩陣；

11、根據(jù)所述臨床指標(biāo)數(shù)據(jù)矩陣對所述影像學(xué)數(shù)據(jù)進(jìn)行配準(zhǔn)處理，得到配準(zhǔn)影像數(shù)據(jù)集；

12、對所述配準(zhǔn)影像數(shù)據(jù)集進(jìn)行特征分割，得到影像特征序列；

13、根據(jù)所述影像特征序列對所述基礎(chǔ)指標(biāo)數(shù)據(jù)進(jìn)行區(qū)域匹配處理，得到基礎(chǔ)區(qū)域數(shù)據(jù)；

14、對所述基礎(chǔ)區(qū)域數(shù)據(jù)進(jìn)行形態(tài)學(xué)分析，得到區(qū)域基礎(chǔ)形態(tài)向量；

15、根據(jù)所述區(qū)域基礎(chǔ)形態(tài)向量對所述基礎(chǔ)指標(biāo)數(shù)據(jù)進(jìn)行基因分子分型處理，得到基因特征集；

16、對所述基因特征集進(jìn)行差異表達(dá)分析，得到基因表達(dá)譜；

17、將所述臨床指標(biāo)數(shù)據(jù)矩陣、影像特征序列、區(qū)域基礎(chǔ)形態(tài)向量和所述基因表達(dá)譜進(jìn)行整合規(guī)范化處理，得到所述臨床整合數(shù)據(jù)集。

18、進(jìn)一步地，所述對所述臨床整合數(shù)據(jù)集進(jìn)行影像結(jié)構(gòu)和基礎(chǔ)目標(biāo)提取，得到影像結(jié)構(gòu)化特征向量和目標(biāo)特征數(shù)據(jù)，包括：

19、對所述臨床整合數(shù)據(jù)集進(jìn)行影像多尺度分割處理，得到多個初始目標(biāo)區(qū)域圖像塊；

20、對所述初始目標(biāo)區(qū)域圖像塊進(jìn)行空間位置關(guān)聯(lián)分析，得到區(qū)域位置特征；

21、對所述區(qū)域位置特征進(jìn)行三維矩陣量化構(gòu)建，得到三維空間特征矩陣；

22、根據(jù)所述三維空間特征矩陣對所述初始目標(biāo)區(qū)域圖像塊進(jìn)行紋理提取，得到對應(yīng)的目標(biāo)紋理向量；

23、根據(jù)所述目標(biāo)紋理向量對所述臨床整合數(shù)據(jù)集進(jìn)行分層聚類，得到基礎(chǔ)分類信息；

24、對所述基礎(chǔ)分類信息進(jìn)行影像機(jī)構(gòu)轉(zhuǎn)換，得到所述影像結(jié)構(gòu)化特征向量；

25、根據(jù)所述影像結(jié)構(gòu)化特征向量對所述目標(biāo)紋理向量進(jìn)行目標(biāo)關(guān)聯(lián)，得到目標(biāo)關(guān)聯(lián)數(shù)據(jù)；

26、依據(jù)所述基礎(chǔ)分類信息對所述目標(biāo)關(guān)聯(lián)數(shù)據(jù)進(jìn)行特征融合，得到所述目標(biāo)特征數(shù)據(jù)。

27、進(jìn)一步地，所述獲取化療方案的知識圖譜數(shù)據(jù)，將所述知識圖譜數(shù)據(jù)與所述目標(biāo)特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到對應(yīng)的初始方案組，包括：

28、對所述化療方案進(jìn)行多維度分類標(biāo)注，得到標(biāo)簽方案基礎(chǔ)數(shù)據(jù)；

29、根據(jù)所述標(biāo)簽方案基礎(chǔ)數(shù)據(jù)進(jìn)行藥物關(guān)聯(lián)圖結(jié)構(gòu)化處理，得到初始知識圖譜；

30、對所述初始知識圖譜進(jìn)行節(jié)點屬性擴(kuò)充，得到所述知識圖譜數(shù)據(jù)；

31、根據(jù)所述知識圖譜數(shù)據(jù)對所述目標(biāo)特征數(shù)據(jù)進(jìn)行相似度計算，得到特征匹配度數(shù)據(jù)；

32、對所述特征匹配度數(shù)據(jù)進(jìn)行遞歸遍歷分析，得到候選方案集合；

33、根據(jù)所述候選方案集合進(jìn)行臨床指標(biāo)屬性組合優(yōu)化，得到多組優(yōu)化方案序列；

34、對所述多組優(yōu)化方案序列進(jìn)行時序相關(guān)性分析，得到方案時序關(guān)聯(lián)數(shù)據(jù)；

35、根據(jù)所述方案時序關(guān)聯(lián)數(shù)據(jù)對所述多組優(yōu)化方案序列進(jìn)行篩選評分，得到所述初始方案組。

36、進(jìn)一步地，所述獲取所述患者的動態(tài)監(jiān)測數(shù)據(jù)，依據(jù)所述動態(tài)監(jiān)測數(shù)據(jù)對所述臨床整合數(shù)據(jù)集進(jìn)行趨勢預(yù)測，得到對應(yīng)的動態(tài)趨勢信息，包括：

37、對所述動態(tài)監(jiān)測數(shù)據(jù)進(jìn)行指標(biāo)提取，得到對應(yīng)的動態(tài)監(jiān)測指標(biāo)序列；

38、根據(jù)所述動態(tài)監(jiān)測指標(biāo)序列對所述臨床整合數(shù)據(jù)集進(jìn)行時間分段處理，得到分段監(jiān)測數(shù)據(jù)；

39、對所述分段監(jiān)測數(shù)據(jù)進(jìn)行多層次遞歸分析，得到對應(yīng)的監(jiān)測表征信息；

40、對所述監(jiān)測表征信息進(jìn)行影像動態(tài)曲線比對，得到負(fù)荷變化曲線；

41、對所述負(fù)荷變化曲線進(jìn)行趨勢擬合處理，得到對應(yīng)的擬合曲線方程；

42、根據(jù)所述擬合曲線方程進(jìn)行預(yù)后狀態(tài)預(yù)測，得到初步趨勢預(yù)測結(jié)果；

43、對所述初步趨勢預(yù)測結(jié)果和所述監(jiān)測表征信息進(jìn)行趨勢融合，得到最終的動態(tài)趨勢信息。

44、進(jìn)一步地，所述對所述影像結(jié)構(gòu)化特征向量、所述目標(biāo)特征數(shù)據(jù)、所述動態(tài)監(jiān)測數(shù)據(jù)和所述動態(tài)趨勢信息輸入預(yù)設(shè)的四因素聯(lián)合預(yù)測模型進(jìn)行效果趨勢預(yù)測，得到對應(yīng)的效益預(yù)測結(jié)果，包括：

45、將所述影像結(jié)構(gòu)化特征向量、所述目標(biāo)特征數(shù)據(jù)、所述動態(tài)監(jiān)測數(shù)據(jù)和所述動態(tài)趨勢信息輸入到所述四因素聯(lián)合預(yù)測模型的特征映射層中，并進(jìn)行特征融合，得到融合特征數(shù)據(jù)；

46、將所述融合特征數(shù)據(jù)輸入到所述四因素聯(lián)合預(yù)測模型的特征增強(qiáng)層中，通過所述特征增強(qiáng)層進(jìn)行相關(guān)性矩陣計算，并構(gòu)建特征關(guān)聯(lián)圖，對所述特征關(guān)聯(lián)圖進(jìn)行圖結(jié)構(gòu)特征提取和特征權(quán)重分配，得到增強(qiáng)特征向量；

47、將所述增強(qiáng)特征向量輸入到所述四因素聯(lián)合預(yù)測模型的預(yù)測建模層中，通過所述預(yù)測建模層對所述增強(qiáng)特征向量進(jìn)行模型構(gòu)建，并進(jìn)行預(yù)測分析，得到模型預(yù)測結(jié)果；

48、將所述模型預(yù)測結(jié)果輸入到所述四因素聯(lián)合預(yù)測模型的結(jié)果整合層中，通過所述結(jié)果整合層對所述模型預(yù)測結(jié)果進(jìn)行置信度計算和結(jié)果優(yōu)化，得到并輸出包括最終評分和置信區(qū)間的所述效益預(yù)測結(jié)果。

49、進(jìn)一步地，所述將所述增強(qiáng)特征向量輸入到所述四因素聯(lián)合預(yù)測模型的預(yù)測建模層中，通過所述預(yù)測建模層對所述增強(qiáng)特征向量進(jìn)行模型構(gòu)建，并進(jìn)行預(yù)測分析，得到模型預(yù)測結(jié)果，包括：

50、通過所述預(yù)測建模層對所述增強(qiáng)特征向量進(jìn)行向量分解，得到影像子向量、基礎(chǔ)子向量、監(jiān)測子向量和趨勢子向量；

51、通過所述預(yù)測建模層對所述影像子向量進(jìn)行非線性變換和特征映射，得到對應(yīng)的影像模型，并結(jié)合所述影像子向量進(jìn)行影像預(yù)測，得到影像預(yù)測結(jié)果；

52、通過所述預(yù)測建模層對所述基礎(chǔ)子向量進(jìn)行特征空間映射和函數(shù)變換，得到對應(yīng)的基礎(chǔ)模型，并結(jié)合所述基礎(chǔ)子向量進(jìn)行信息預(yù)測，得到基礎(chǔ)預(yù)測結(jié)果；

53、通過所述預(yù)測建模層對所述監(jiān)測子向量進(jìn)行時序特征提取和序列建模，得到對應(yīng)的監(jiān)測模型，并結(jié)合所述監(jiān)測子向量進(jìn)行監(jiān)測分析，得到監(jiān)測預(yù)測結(jié)果；

54、通過所述預(yù)測建模層對所述趨勢子向量進(jìn)行動態(tài)特征分析和趨勢建模，得到對應(yīng)的趨勢模型，并結(jié)合趨勢子向量進(jìn)行趨勢分析，得到趨勢預(yù)測結(jié)果；

55、對所述影像預(yù)測結(jié)果、所述基礎(chǔ)預(yù)測結(jié)果、所述監(jiān)測預(yù)測結(jié)果和所述趨勢預(yù)測結(jié)果進(jìn)行融合處理，得到所述模型預(yù)測結(jié)果。

56、進(jìn)一步地，所述將所述初始方案組與所述效益預(yù)測結(jié)果進(jìn)行整體分析，得到對應(yīng)的整體效益信息報告，包括：

57、對所述初始方案組中的每個化療方案進(jìn)行組分解構(gòu)處理，得到方案組合數(shù)據(jù)；

58、根據(jù)所述方案組合數(shù)據(jù)對所述效益預(yù)測結(jié)果進(jìn)行分層匹配，得到方案效益對應(yīng)矩陣；

59、對所述方案效益對應(yīng)矩陣進(jìn)行關(guān)聯(lián)度計算，得到對應(yīng)的效益關(guān)聯(lián)度數(shù)據(jù)；

60、根據(jù)所述效益關(guān)聯(lián)度數(shù)據(jù)對所述初始方案組進(jìn)行排序處理，得到目標(biāo)方案序列；

61、對所述目標(biāo)方案序列進(jìn)行目標(biāo)作用分析，得到目標(biāo)作用關(guān)系圖；

62、根據(jù)所述目標(biāo)作用關(guān)系圖對所述目標(biāo)方案序列進(jìn)行周期評估，得到方案周期評分；

63、對所述方案周期評分和所述效益關(guān)聯(lián)度數(shù)據(jù)進(jìn)行動態(tài)融合，得到方案綜合指數(shù)；

64、根據(jù)所述方案綜合指數(shù)對所述目標(biāo)方案序列進(jìn)行篩選，得到最終目標(biāo)方案集；

65、對所述最終目標(biāo)方案集進(jìn)行時序分析，得到方案時序曲線；

66、根據(jù)所述方案時序曲線和所述方案綜合指數(shù)進(jìn)行信息整合，得到所述效益信息報告。

67、本發(fā)明還提供一種胃癌化療效益預(yù)測分析裝置，應(yīng)用于上述任意一項所述的胃癌化療效益預(yù)測分析方法，包括：

68、采集模塊，所述采集模塊用于獲取方案目標(biāo)的臨床化療指標(biāo)數(shù)據(jù)、影像學(xué)數(shù)據(jù)和基礎(chǔ)指標(biāo)數(shù)據(jù)，并進(jìn)行標(biāo)準(zhǔn)整合處理，得到臨床整合數(shù)據(jù)集；

69、分析模塊，所述分析模塊用于對所述臨床整合數(shù)據(jù)集進(jìn)行影像結(jié)構(gòu)和基礎(chǔ)目標(biāo)提取，得到影像結(jié)構(gòu)化特征向量和目標(biāo)特征數(shù)據(jù)；

70、關(guān)聯(lián)模塊，所述關(guān)聯(lián)模塊用于獲取化療方案的知識圖譜數(shù)據(jù)，將所述知識圖譜數(shù)據(jù)與所述目標(biāo)特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到對應(yīng)的初始方案組；

71、處理模塊，所述處理模塊用于獲取所述患者的動態(tài)監(jiān)測數(shù)據(jù)，依據(jù)所述動態(tài)監(jiān)測數(shù)據(jù)對所述臨床整合數(shù)據(jù)集進(jìn)行趨勢預(yù)測，得到對應(yīng)的動態(tài)趨勢信息；

72、控制模塊，所述控制模塊用于對所述影像結(jié)構(gòu)化特征向量、所述目標(biāo)特征數(shù)據(jù)、所述動態(tài)監(jiān)測數(shù)據(jù)和所述動態(tài)趨勢信息輸入預(yù)設(shè)的四因素聯(lián)合預(yù)測模型進(jìn)行效果趨勢預(yù)測，得到對應(yīng)的效益預(yù)測結(jié)果；

73、執(zhí)行模塊，所述執(zhí)行模塊用于將所述初始方案組與所述效益預(yù)測結(jié)果進(jìn)行整體分析，得到對應(yīng)的整體效益信息報告。

74、本發(fā)明提供的一種胃癌化療效益預(yù)測分析方法及系統(tǒng)，具有以下有益效果：

75、通過對患者的臨床化療指標(biāo)、影像學(xué)數(shù)據(jù)和基礎(chǔ)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)整合處理，實現(xiàn)了多維度數(shù)據(jù)的有效融合，提高了效益預(yù)測的數(shù)據(jù)基礎(chǔ)完整性，為后續(xù)分析提供了更可靠的數(shù)據(jù)支撐。通過對影像結(jié)構(gòu)和基礎(chǔ)目標(biāo)的特征提取，結(jié)合化療方案知識圖譜的關(guān)聯(lián)分析，能夠更準(zhǔn)確地評估患者的個體化特征，從而提高了初始治療方案選擇的科學(xué)性和針對性。通過引入動態(tài)監(jiān)測數(shù)據(jù)進(jìn)行趨勢預(yù)測，實現(xiàn)了對患者治療過程中各項指標(biāo)變化的實時跟蹤，有助于及時發(fā)現(xiàn)潛在問題并進(jìn)行方案調(diào)整，提升了治療過程的動態(tài)響應(yīng)能力。通過四因素聯(lián)合預(yù)測模型的應(yīng)用，將影像特征、目標(biāo)特征、動態(tài)監(jiān)測和趨勢信息進(jìn)行綜合分析，克服了單一維度預(yù)測的局限性，顯著提高了效益預(yù)測的準(zhǔn)確性和可靠性。通過將初始方案組與效益預(yù)測結(jié)果進(jìn)行整體分析，形成系統(tǒng)的效益信息報告，為臨床醫(yī)生提供了全面的決策依據(jù)，有助于實現(xiàn)治療方案的精準(zhǔn)化調(diào)整和優(yōu)化，最終提高胃癌患者的治療效果和預(yù)后質(zhì)量。同時，該方法的應(yīng)用也為不同類型胃癌患者的個體化治療提供了可靠的技術(shù)支持，具有較強(qiáng)的臨床實用價值。